为了标准化 A/B 测试评估，数据科学部门创建了一个内部库 (Horseradish)，用于常见的数据转换、可视化和统计方法。不再有关于频率派与贝叶斯派、p 值或如何纳入先验的争论 - Horseradish 消除了复杂的数学运算，让测试变得自助，即使是特别复杂或繁琐的测试也是如此。
实验文化
定；相反，成功的 A/B 测试程序必须具有一种文化，在这种文化中，A/B 测试是开发周期中不可或缺且有价值的一部分。在 Squarespace，我们有三个主要目标：
促进迭代、假设驱动的开发文化
提供自助工具和培训，以实现A/B 测试 厄瓜多尔 whatsapp 号码数据 5 万 的分散执行
确保每个人都致力于生成通用的工件和文档
迭代、假设驱动的开发
我们的愿景是促进一种迭代式、假设驱动的开发文化。我们不会根据我们认为用户需要的内容来构建功能，而是通过 A/B 测试来验证这些假设，并利用这些经验不断完善我们对用户的看法。每个新假设都应以先前测试的结论为基础。例如，这里有一系列虚构的测试，我们可以从中了解如何最好地教育用户如何使用产品：
3阶段
过渡到这种开发方式很难——它要求团队完全重新思考我们看待问题的方式。在升级我们的 A/B 测试程序时，我们发现以下几点特别重要：
非常好.png
分散执行 A/B 测试
为了实现迭代、敏捷的测试流程，我们选择分散执行 A/B 测试。我们遵循大致混合的模型，数据科学和数据工程提供工具、培训、最佳实践和偶尔的动手支持，但大部分实际执行工作由分析师、项目经理和产品工程师负责。数据科学仍然负责测试设计（例如决定如何衡量成功），但测试执行（例如实施跟踪或计算结果）可以完全不由我们干预。
我们将我们的成功归功于以下几个因素：
广泛的数据流畅性：数据流畅性是不同实践的顶峰——季度 OKR、易于理解的公司 KPI、可靠数据的访问、定期接触见解和发现等。这些为团队独立运行测试提供了基础。
宣传实验：数据团队对如何进行实验有着强烈的看法，因此定期进行培训课程，并为整个组织的产品团队提供指导。
成熟的自助工具：上一节中描述的工具（Amplitude、Praetor、Horseradish）已被大多数产品团队充分采用。
