Title: 分流策略
Locale: zh
URL: https://sensorswave.com/docs/experiments/targeting-and-allocation/
Description: 深入理解分流机制和策略选择
分流策略决定了如何将用户分配到不同的实验变体，是 A/B 实验的核心机制。本文将深入介绍分流 ID 选择、分流算法原理、基于用户属性的定向分流，以及流量分配的最佳实践。

## 分流 ID 选择

### Login ID（登录 ID）

**定义**：用户登录后的唯一标识符，通常是业务系统中的用户主键。

**使用场景**：
- 电商平台：用户 ID、会员编号
- SaaS 产品：账号 ID、企业 ID
- 社交产品：用户 ID、昵称

**优点**：
- **跨设备一致**：用户在手机、电脑、平板上看到相同的实验变体
- **长期稳定**：用户注销再登录，依然看到相同的变体
- **用户体验好**：避免用户困惑

**缺点**：
- **覆盖范围有限**：只能对已登录用户进行实验

**推荐使用**：
- 需要用户登录的产品
- 重要的实验（如结账流程、定价策略）
- 跨设备体验要求高的场景

详见 [数据模型](../data-integration/data-model.mdx)。

### Anonymous ID（匿名 ID）

**定义**：标识用户设备或浏览器的唯一 ID，由 SDK 在用户首次访问时自动生成。

**生成与存储**：

| 平台 | 生成规则 | 存储方式 |
|------|---------|---------|
| **Web** | SDK 自动生成 UUID | 存储在 Cookie 中 |
| **Android** | SDK 自动生成 UUID | 存储在应用本地存储中 |
| **iOS** | SDK 自动生成 UUID | 存储在应用本地存储中 |

**优点**：
- **覆盖范围广**：包括未登录用户
- **自动管理**：SDK 自动生成和维护
- **无需用户操作**：不需要用户登录

**缺点**：
- **设备级别**：同一用户在不同设备上可能看到不同的变体
- **易丢失**：用户清除 Cookie 或应用数据后，会生成新的 Anonymous ID

**适用场景**：
- 公开网站或内容平台
- 落地页测试
- 未登录用户的体验优化

### 双 ID 并行机制

用户同时拥有两种 ID，各自独立命中对应 ID 类型的实验，互不干涉：

- **Anonymous ID**：从用户首次访问起始终存在，由 SDK 自动生成和维护
- **Login ID**：用户登录后才存在，由业务系统提供

```
用户访问（未登录）
  → 拥有 Anonymous ID (anon_12345)
  → 可命中所有以 Anonymous ID 为分流 ID 的实验

用户登录
  → 同时拥有 Anonymous ID (anon_12345) 和 Login ID (user_67890)
  → Anonymous ID 实验：继续使用 anon_12345 分流，变体不变
  → Login ID 实验：使用 user_67890 分流，命中对应变体
```

**关键要点**：

- 创建实验时需选择分流 ID 类型（Anonymous ID 或 Login ID）
- Anonymous ID 类型的实验：所有用户（含未登录）均可命中，登录前后变体一致
- Login ID 类型的实验：仅登录用户可命中，保证跨设备体验一致
- 两种 ID 类型的实验独立分流，同一用户可同时参与两类实验

---

## 分流算法详解

### 哈希分流算法

Sensors Wave 使用哈希算法，根据用户的分流 ID 和实验的随机盐值计算哈希值，将用户映射到 10000 个桶（编号 0-9999）中的某一个，再依据流量百分比判定是否命中实验。

**核心特性**：

- **确定性**：相同的用户 ID + 实验盐值，始终映射到同一个桶，保证同一用户每次访问看到的变体不变
- **均匀性**：用户在桶中均匀分布，流量分配准确
- **隔离性**：每个实验使用独立的盐值，不同实验之间的分流互不影响

### 均匀性保证

**流量均匀分布**：
- 哈希函数的随机性保证了流量均匀分布
- 50/50 分配时，约 50% 的用户分配到对照组，50% 分配到实验组

**验证方法**：

在实验运行初期，通过实验详情页查看各变体的流量数据，确认进组人数分布符合预期：

| 变体 | 进组人数 | 占比 |
|------|----------|------|
| 对照组 | 5,023 | 50.1% |
| 实验组 | 4,977 | 49.9% |

如果分布严重不均（偏差 > 5%），需排查分流条件配置是否正确。

---

## 基于用户属性的定向分流

定向分流允许您只对特定用户群体进行实验，缩小实验范围。

### 可用属性

Sensors Wave 支持基于以下属性进行定向分流：

#### 用户标识

- **Login ID**：用户登录 ID
- **Anonymous ID**：匿名 ID

#### 设备属性

- **Operating System**：操作系统（iOS、Android、Windows、macOS）
- **OS Version**：操作系统版本（如 iOS 17.2）
- **Browser Name**：浏览器名称（Chrome、Safari、Firefox）
- **Browser Version**：浏览器版本
- **Device Model**：设备型号（iPhone 15 Pro、Samsung Galaxy S23）

#### 地理位置

- **Country**：国家（中国、美国）
- **Province**：省份（北京、上海）
- **City**：城市（北京、深圳）
- **IP Address**：IP 地址

#### 应用属性

- **App Version**：应用版本（1.2.3）

#### 功能开关依赖

- **Passes Target Gate**：通过指定功能开关的用户（即该功能开关判定为 true 的用户）
- **Fails Target Gate**：未通过指定功能开关的用户（即该功能开关判定为 false 的用户）

通过 Gate 依赖，可以组合功能开关与 A/B 实验，实现更精细的定向。例如：仅对某个功能开关判定为 VIP 用户的人群进行实验。

#### 自定义属性

除以上预置属性外，还支持使用业务自定义属性进行定向。自定义属性需在客户端通过 SDK 上报后方可使用。

完整列表请参考 [预置事件和预置属性](../data-integration/preset-events-and-properties.mdx)。

### 定向示例

**示例 1：只对 iOS 用户实验**

在控制台配置实验时，添加定向条件：
```
Operating System = "iOS"
```

**示例 2：只对北京的用户实验**

```
City = "北京"
```

**示例 3：只对通过 VIP 功能开关的用户实验**

```
Passes Target Gate = "vip_users_gate"
```

通过功能开关依赖，可以灵活地将服务端判定逻辑与实验定向结合，无需在客户端硬编码用户属性判断。

---

## 流量分配最佳实践

### 双变体实验

**50/50 分配**（推荐）：
```
对照组：50%
实验组：50%
```

**优点**：
- 样本量平衡
- 统计功效最高
- 结果最可靠

**适用场景**：大多数 A/B 实验

---

**70/30 分配**（保守策略）：
```
对照组：70%
实验组：30%
```

**优点**：
- 降低风险，多数用户使用稳定方案
- 适合高风险实验

**缺点**：
- 实验组样本量小，需要更长周期

**适用场景**：
- 新功能验证（风险较高）
- 核心流程优化（影响面大）

### 多变体实验

**均匀分配**：
```
对照组：34%
实验组 A：33%
实验组 B：33%
```

**优点**：
- 样本量平衡
- 公平对比

**缺点**：
- 每组样本量减少，需要更长周期

---

**对照组占多数**：
```
对照组：50%
实验组 A：25%
实验组 B：25%
```

**优点**：
- 降低风险
- 对照组样本量充足

**缺点**：
- 实验组样本量小

---

## 分流常见问题

### Q：用户看到的变体会变化吗？

**A**：不会。Sensors Wave 使用稳定哈希算法，确保同一用户在同一实验中始终看到相同的变体。

### Q：如何确保分流均匀？

**A**：
1. 使用稳定哈希算法，确保流量均匀分布
2. 实验运行初期，检查各变体的用户分布
3. 如果分布不均（偏差 > 5%），检查配置是否正确

### Q：同一用户参与多个实验会冲突吗？

**A**：不会。不同实验的分流是独立的，同一用户可以同时参与多个实验，分别分配到不同的变体。

### Q：实验运行期间可以修改流量分配吗？

**A**：不建议。修改流量分配会破坏流量粘性，影响实验结果。如果必须修改，建议停止当前实验，创建新实验。

---

## 相关文档

- [核心概念](core-concepts.mdx)：理解分流机制的原理
- [实验设计](experiment-design.mdx)：选择合适的分流策略
- [数据模型](../data-integration/data-model.mdx)：理解 Login ID 和 Anonymous ID

---

**最后更新时间**：2026 年 1 月 29 日