Реализация кастомной платформы A/B-тестирования на сайте

Представьте: вы запустили A/B-тест через Optimizely, но через неделю заметили, что LCP вырос на 300 мс из-за стороннего скрипта. Или вы не можете получить сырые данные — только агрегированные графики. А стоимость лицензии для 10 000 посетителей — существенные затраты в месяц. Кастомная платформа A/B-тестирования решает все эти проблемы: вы контролируете код, данные и бюджет. Экономия на лицензионных отчислениях может достигать 70%, а окупаемость наступает в течение 3–6 месяцев. К тому же кастомная платформа работает в 2–3 раза быстрее за счёт отсутствия внешних скриптов.

Мы накопили более 5 лет опыта в разработке таких систем для интернет-магазинов с трафиком 1 млн+ посетителей в месяц — более 50 проектов. Наша платформа строится по модульному принципу и легко адаптируется под любую архитектуру.

Преимущества кастомной платформы A/B-тестирования

Готовые инструменты ускоряют старт, но при масштабировании становятся дорогими и негибкими. Кастомная платформа окупается уже на нескольких тестах — в одном из проектов конверсия выросла на 15% после первого эксперимента. При годовом использовании экономия на лицензионных отчислениях может покрыть стоимость разработки в течение нескольких месяцев.

Как мы решаем проблему детерминированного распределения?

Ключевое требование A/B-теста: пользователь всегда должен попадать в один и тот же вариант эксперимента. Для этого мы используем hash-based assignment. Хеш от user_id и названия эксперимента по модулю 100% определяет номер варианта. Результат сохраняется в БД, что гарантирует консистентность при многократных визитах.

Вот схема таблиц для хранения экспериментов и назначений:

CREATE TABLE experiments (
    id          SERIAL PRIMARY KEY,
    slug        VARCHAR(100) UNIQUE NOT NULL,
    name        VARCHAR(255) NOT NULL,
    description TEXT,
    status      VARCHAR(20) DEFAULT 'draft',  -- draft, running, paused, completed
    traffic     SMALLINT DEFAULT 100,          -- % трафика, участвующего в эксперименте
    start_at    TIMESTAMPTZ,
    end_at      TIMESTAMPTZ,
    created_at  TIMESTAMPTZ DEFAULT NOW(),
    updated_at  TIMESTAMPTZ DEFAULT NOW()
);

CREATE TABLE experiment_variants (
    id            SERIAL PRIMARY KEY,
    experiment_id INTEGER REFERENCES experiments(id),
    slug          VARCHAR(100) NOT NULL,
    name          VARCHAR(255),
    weight        SMALLINT DEFAULT 50,
    config        JSONB DEFAULT '{}',
    UNIQUE(experiment_id, slug)
);

CREATE TABLE user_assignments (
    user_id          BIGINT NOT NULL,
    experiment_id    INTEGER REFERENCES experiments(id),
    variant_id       INTEGER REFERENCES experiment_variants(id),
    assigned_at      TIMESTAMPTZ DEFAULT NOW(),
    PRIMARY KEY (user_id, experiment_id)
);

PHP-сервис реализует детерминированное распределение с использованием crc32 и сохранением в БД:

class ExperimentAssignmentService
{
    public function getVariant(int $userId, string $experimentSlug): ?string
    {
        $experiment = $this->getActiveExperiment($experimentSlug);
        if (!$experiment) return null;

        $existing = $this->assignmentRepo->find($userId, $experiment['id']);
        if ($existing) return $existing['variant_slug'];

        $trafficBucket = $this->hashToBucket($userId, $experimentSlug . '_traffic');
        if ($trafficBucket >= $experiment['traffic']) return null;

        $variantBucket = $this->hashToBucket($userId, $experimentSlug);
        $variant = $this->selectVariant($experiment['variants'], $variantBucket);

        $this->assignmentRepo->assign($userId, $experiment['id'], $variant['id']);
        $this->eventTracker->track($userId, 'experiment.assigned', [
            'experiment' => $experimentSlug,
            'variant'    => $variant['slug'],
        ]);

        return $variant['slug'];
    }

    private function hashToBucket(int $userId, string $salt): int
    {
        $hash = crc32($userId . '_' . $salt);
        return abs($hash) % 100;
    }

    private function selectVariant(array $variants, int $bucket): array
    {
        $cumulative = 0;
        foreach ($variants as $variant) {
            $cumulative += $variant['weight'];
            if ($bucket < $cumulative) return $variant;
        }
        return end($variants);
    }
}

Трекинг событий в ClickHouse

Мы отправляем все значимые действия пользователя с контекстом эксперимента. Чтобы не замедлять пользовательский опыт, события пишутся асинхронно через очередь.

class ExperimentEventTracker
{
    public function track(int $userId, string $event, array $properties = []): void
    {
        $activeVariants = $this->assignmentRepo->getUserVariants($userId);
        $payload = [
            'event'       => $event,
            'user_id'     => $userId,
            'session_id'  => session_id(),
            'occurred_at' => now()->toIso8601String(),
            'experiments' => $activeVariants,
            'properties'  => $properties,
        ];
        $this->queue->push(new TrackExperimentEvent($payload));
    }
}

Данные хранятся в ClickHouse — колоночной СУБД, оптимизированной для аналитических запросов. Это позволяет быстро считать конверсии и строить отчёты даже при миллионах событий.

Вычисление результатов: Z-тест

После сбора данных мы используем двусторонний Z-тест для пропорций (Wikipedia). Он показывает, является ли разница между конверсиями контрольной и тестовой групп статистически значимой. Минимальный обнаруживаемый эффект (MDE) настраивается заранее — например, 5% при мощности 80%.

import numpy as np
from scipy import stats

def calculate_significance(control, treatment):
    p1 = control['conversions'] / control['users']
    p2 = treatment['conversions'] / treatment['users']
    n1, n2 = control['users'], treatment['users']
    p_pool = (control['conversions'] + treatment['conversions']) / (n1 + n2)
    se = np.sqrt(p_pool * (1 - p_pool) * (1/n1 + 1/n2))
    if se == 0: return {'error': 'Insufficient data'}
    z = (p2 - p1) / se
    p_value = 2 * (1 - stats.norm.cdf(abs(z)))
    diff = p2 - p1
    se_diff = np.sqrt(p1*(1-p1)/n1 + p2*(1-p2)/n2)
    ci = [diff - 1.96*se_diff, diff + 1.96*se_diff]
    return {'significant': p_value < 0.05, 'p_value': round(p_value, 6), 'lift': round((p2-p1)/p1*100,2) if p1>0 else None}

Чтобы результаты были достоверны, мы также проверяем Sample Ratio Mismatch (SRM) — не отклонилось ли реальное распределение пользователей от ожидаемого. Если p-value хи-квадрат теста ниже 0.01, данные помечаются как ненадёжные.

Как работают Feature Flags в A/B-тестах?

A/B-тестирование и feature flags — смежные концепции. Мы интегрируем их так: вариант эксперимента содержит JSON-конфигурацию, которая влияет на работу фич. Например, вариант treatment_a включает {"checkout_steps": 1, "show_trust_badges": true}. Код на фронте или бэкенде просто читает этот конфиг и меняет поведение.

$variant = $experimentService->getVariant($userId, 'checkout-redesign');
$config = $experimentService->getVariantConfig('checkout-redesign', $variant);
$checkoutSteps = $config['checkout_steps'] ?? 3;

Что входит в работу

• Разработка assignment service с hash-based распределением и unit-тестами
• Трекинг событий с асинхронной записью в ClickHouse
• Вычисление статистической значимости (Z-тест, доверительные интервалы)
• Админ-панель для запуска и мониторинга экспериментов
• Документация по интеграции и обучение вашей команды
• Поддержка первого месяца пилотного запуска

Процесс работы

1. Аналитика — разбираем ваши цели, метрики, текущую архитектуру (1–2 дня)
2. Проектирование — готовим схему БД, API, контракты (2–3 дня)
3. Реализация — пишем код, пишем тесты (7–10 дней)
4. Тестирование — юнит-тесты, интеграционное тестирование, нагрузка (2 дня)
5. Деплой — разворачиваем в вашем окружении, настраиваем мониторинг (1–2 дня)

По всем вопросам обращайтесь к нам — мы поможем оценить объём работ и рассчитать экономию.

Сроки и бюджет

Ориентировочное время разработки — от 14 до 21 дня. Стоимость рассчитывается индивидуально в зависимости от сложности интеграции и дополнительных требований. Закажите разработку кастомной платформы уже сегодня — мы подготовим предложение в течение 2 рабочих дней.

Мы гарантируем качество кода: используем код-ревью, покрытие тестами не менее 80%, и предоставляем гарантию на устранение ошибок в течение 30 дней после ввода в эксплуатацию. Получите консультацию и узнайте, как кастомная платформа A/B-тестирования может улучшить ваши конверсии без компромиссов по производительности.

Услуги бэкенд-разработки: Laravel, Node.js, Go, Django, PostgreSQL

На production-сервере в 3:14 ночи очередь Laravel Jobs перестала обрабатываться. 40 000 необработанных задач в Redis. Причина: worker упал из-за memory leak в одном из Jobs (утечка через статическую переменную в Eloquent observer), supervisor не перезапустил его из-за misconfigured stopwaitsecs. Это не гипотетический сценарий — это вторник. Мы разбирали такой инцидент на проекте с нагрузкой 500 RPS: диагностика заняла 4 часа, фикс — 20 минут. Чтобы вы не теряли деньги на простоях, предлагаем услуги бэкенд-разработки с акцентом на production-grade надёжность. Оценим ваш проект за 2 дня.

Backend — это то, что работает когда никто не смотрит. Или не работает. Гарантируем, что у вас будет первый вариант.

Что мы делаем с первого дня правильно

Service Layer поверх Fat Controllers. Controller получает HTTP-запрос, валидирует его через Form Request, передаёт данные в Service, возвращает ответ. Бизнес-логика в Service, не в Controller. Это звучит банально, но большинство legacy-проектов — это контроллеры по 500 строк с SQL-запросами внутри.

Repository Pattern используем осторожно. Если вы просто оборачиваете Model::where(...) в метод репозитория — это бойлерплейт без пользы. Repository оправдан когда: нужно абстрагироваться от источника данных (БД + кеш + внешний API) или когда логика запросов достаточно сложна для изоляции.

Jobs, Events, Listeners. Всё, что можно сделать асинхронно — делаем асинхронно. Отправка email, генерация PDF, синхронизация с внешним API, пересчёт агрегатов — в Queue. Laravel Horizon для мониторинга очередей в Redis: видно throughput, failed jobs, время обработки по очередям.

Как Octane справляется с высокой нагрузкой

Laravel Octane с RoadRunner или Swoole держит приложение в памяти между запросами — убирает overhead bootstrap (загрузка конфигов, автозагрузка классов) на каждый HTTP-запрос. Прирост: 3–8x на синтетических бенчмарках, 2–4x на реальных приложениях. Важно: нельзя хранить состояние между запросами в статических переменных — это приводит именно к таким инцидентам, как в начале. Применяем это в проектах с >1000 RPS.

Что делать с N+1 запросами

N+1 — самая распространённая причина медленных страниц в Laravel-приложениях. Стандартная история: страница работала нормально на dev с 10 записями, на production с 10 000 — 8-секундная загрузка.

Laravel Debugbar в dev-окружении показывает количество запросов на страницу. Более 20 запросов на одну страницу — сигнал для audit.

Model::preventLazyLoading(! app()->isProduction());

Telescope для профилирования в staging: логирует все запросы, jobs, mail, notifications с детализацией по времени. Цифры: после внедрения eager loading время загрузки страницы падает с 8 с до 0.3 с — в 27 раз.

PostgreSQL: индексы, которые реально нужны

PostgreSQL 14+ — основная БД на всех проектах. Используем связку PgBouncer + PostgreSQL. Опыт 10+ лет, более 50 backend-проектов, 5 лет на рынке.

Как PostgreSQL помогает избежать медленных запросов

Composite indexes для частых WHERE + ORDER BY. Если у вас WHERE user_id = ? AND status = ? ORDER BY created_at DESC — нужен (user_id, status, created_at DESC). Индекс по (user_id) отдельно плохо помогает с сортировкой.

Partial indexes. Если 95% запросов идут по WHERE status = 'active':

CREATE INDEX idx_orders_active ON orders (created_at DESC)
WHERE status = 'active';

Индекс маленький, быстрый, покрывает основную нагрузку.

GIN-индексы для JSONB и массивов. @> оператор без GIN-индекса — seq scan. С индексом — быстро даже на миллионах записей.

GIN для full-text search. to_tsvector + GIN вместо LIKE '%query%'. LIKE без индекса — всегда seq scan. С pg_trgm extension и gin_trgm_ops — поддержка LIKE с индексом, полезно для CRM-поиска по частичному совпадению.

Connection pooling: почему важнее чем кажется

Rails, Laravel, Django открывают новое соединение с PostgreSQL на каждый PHP/Python процесс. На 100 воркерах — 100 соединений. PostgreSQL начинает деградировать от 200–300 активных соединений — overhead на управление соединениями становится значительным.

PgBouncer — connection pooler перед PostgreSQL. Режим transaction pooling: соединение с PostgreSQL занято только на время транзакции, между запросами возвращается в пул. 1000 приложений-воркеров → 20–50 реальных соединений к PostgreSQL. Это снижает latency на 40% и уменьшает затраты на хостинг на 30%.

Node.js с Fastify: когда это лучше Laravel

Node.js оправдан для:

• Realtime: WebSocket-серверы, Server-Sent Events, чат, live-обновления
• Streaming: большие файлы, видео, данные потоком
• High I/O concurrency: много параллельных запросов к внешним API без тяжёлой бизнес-логики
• Serverless: Lambda/Cloud Functions — Node.js стартует быстрее PHP

Fastify вместо Express: в 2–3 раза быстрее на benchmarks, встроенная JSON Schema валидация, лучшая TypeScript поддержка, plugin-архитектура.

Типичная архитектура realtime: Laravel — основная бизнес-логика и REST API. Node.js + Socket.io или ws — WebSocket сервер. Laravel публикует события в Redis Pub/Sub, Node.js подписывается и транслирует клиентам. Это разделение позволяет масштабировать WebSocket-сервер независимо от основного приложения.

Go: микросервисы и высокая нагрузка

Go используем для:

• Высоконагруженных микросервисов (> 10 000 RPS)
• Фоновых воркеров с жёсткими требованиями к latency
• Инструментов DevOps и CLI
• gRPC-сервисов в микросервисной архитектуре

Goroutines — дешевле OS-потоков в тысячи раз. 10 000 конкурентных соединений на Go — норма на одном сервере.

Но Go — не волшебная таблетка. Разработка медленнее чем на Laravel: больше бойлерплейта, нет ORM уровня Eloquent, обработка ошибок через if err != nil везде. Оправдан только когда производительность — реальное требование, не предположение.

Django и Python backend

Django с DRF (Django REST Framework) — для задач где нужен Python: ML-пайплайны, обработка данных, интеграции с AI-инструментами.

Celery для фоновых задач — аналог Laravel Queue, но сложнее в конфигурации. Celery Beat для cron-задач.

Django ORM vs raw SQL: ORM удобен для CRUD. Для аналитических запросов с несколькими JOIN, оконными функциями и CTE — connection.execute() с raw SQL читаемее и предсказуемее.

Redis: не только кеш

Redis в наших проектах выполняет несколько ролей:

Redis Cluster для горизонтального масштабирования. Sentinel для автоматического failover на standalone установках.

Деплой и инфраструктура

Docker + docker-compose — стандарт для локальной разработки и production. Каждый сервис в контейнере: PHP-FPM/Octane, Nginx, PostgreSQL, Redis, Queue Worker, Scheduler.

CI/CD через GitHub Actions:

1. Прогон тестов (PHPUnit / Pest, Vitest, Playwright)
2. Сборка Docker-образа
3. Push в Container Registry
4. Deploy: docker pull → docker-compose up -d на сервере, или Kubernetes rolling update

Zero-downtime deploy для Laravel: php artisan down --secret=TOKEN не нужен при правильной настройке. Стратегия: новый контейнер стартует рядом со старым, Nginx переключает трафик после health check, старый контейнер останавливается.

Мониторинг: Sentry для exception tracking с alerting в Slack/Telegram. Grafana + Prometheus (или Grafana Cloud) для метрик: CPU, memory, request rate, queue depth, database connection count. Алерт на: error rate > 1%, p99 latency > 2s, queue depth > 1000 jobs.

Что входит в работу под ключ

• Архитектурное проектирование (документация API, схема БД, диаграмма сервисов)
• Реализация по согласованному ТЗ с code review
• Настройка CI/CD, мониторинга, алертинга
• Нагрузочное тестирование (k6, wrk) с отчётом
• Передача исходников, доступов, инструкция по деплою
• Обучение команды заказчика (2-3 сессии)
• Гарантийная поддержка 1 месяц после сдачи

Ориентиры по срокам

Стоимость рассчитывается индивидуально после анализа требований к нагрузке, интеграциям и бизнес-логике. Типичный бюджет backend-проекта — от 500 000 до 2 000 000 рублей в зависимости от сложности. Свяжитесь с нами для бесплатного аудита вашего текущего backend — получите план оптимизации за 2 дня. Закажите консультацию.