获取用户信任及许可：A/B测试最佳做法及数据分析
（原标题：获取用户信任及许可：A/B测试最佳做法及数据分析）
Apple隐私新规将于2021年初落地，获取用户信任及许可是应用开发人员的首要任务。因此，制定/优化相应的用户体验策略，设计更有说服力、效果更好的许可请求弹窗至关重要。
在本文中，Adjust汇总了A/B测试的最佳做法，阐释了每轮测试中应该评估的对象，以及在数据分析中要重点关注什么。首先，开发人员需要了解用户对数据隐私的看法，并以此为参考，制订许可请求策略。
用户对数据隐私的态度
研究显示，许多消费者对个性化营销的接受度比起初预想得更高。Oxford Economics 在2018年开展的一项研究发现，约70% 的消费者愿意选择加入个性化广告体验。数据显示，只有少数人反对个性化更高的定向营销体验，其中：
仅有17% 的人不愿看到个性化优惠推荐
信任是影响用户在多大程度上愿意选择加入的重要因素。Salesforce 开展的另一项研究就 "信任是什么" 的问题询问了超过8,000位消费者。其中有75% 的人认为，信任意味着 "隐私"；对于70% 的人来说，信任意味着 "透明"。由此可见，隐私以及隐私政策的透明度与信任息息相关。
显示隐私声明的最佳做法
公司和企业一般会使用隐私声明，阐释其处理个人数据的方法，以及应用在《通用数据保护条例》（GDPR）等不同数据保护政策的情况。
为了更好地理解隐私声明在移动端的呈现方式，Adjust对一系列常见做法进行了评估，发现了信息呈现方面的三个趋势：
二、部分应用在列出合作伙伴时有所保留，限制用户的数据控制权
三、另外一部分应用使用 "全部允许" 或 "全部拒绝" 的方法，只留给用户两个选择：要么允许与所有相关方分享数据，要么全部拒绝。
我们建议应用开发人员选择第一种方法，尽可能地做到公开透明，让用户能完全控制自己的数据。开发人员可以使用具有说服力的文案和插图，并列出选择加入的优势，解释数据收集的原因，鼓励并支持用户授予许可。
捆绑隐私声明
许多品牌都有一个疑惑：Apple 的许可请求是否能与其他隐私声明捆绑在一起？如果选择捆绑隐私声明，就可以在屏幕底部显示声明，并给出 "接受" 和 "拒绝" 两个选择，这样或许能提高用户的选择加入率。但是，依照 GDPR 的规定，应用开发者不能预先勾选许可复选框，也不能将选择加入的 CTA 设为主要按钮，避免以这种方式引诱用户选择既定的回应。
研究显示，使用恰当的方式框出许可请求信息能提高用户选择加入率。如下方图例所示，如果提供两个许可选项，并恰当地框出信息，用户选择加入的可能性会更高。
据部分应用开发人员反馈，仅显示 Apple 弹窗，选择加入率就可达到30% - 60%。即便如此，我们还是推荐开发人员利用新规落地前的这段时间，针对您的用户充分测试不同选择加入策略，包括捆绑隐私声明。
验证策略：A/B 测试
通过A/B测试，开发人员可以比较两个不同的许可请求策略并衡量其效果，因此，A/B测试是评估解决方案效果的极好方法。
首先，我们建议开发人员通过A/B测试评估不同做法：一种做法是将许可请求信息与GDPR隐私声明捆绑在一起显示，另一种是单独呈现许可请求信息。如果用户接受了许可请求，别忘了模拟 Apple 的 ATT 弹窗。我们在下方列出了针对不同方面的测试轮次建议，帮助开发人员制订调研计划。
首轮测试：
以这些成果为基础，开发人员可以加入更多变量方案，进行进一步的研究。例如，如果包含 Apple 许可请求的捆绑隐私声明效果更好，那么可以引入不同的文案和设计，探索这些因素对选择加入率的影响。如果单独显示许可请求 (例如预授权弹窗或 Apple 弹窗) 的效果更好，则可以测试显示弹窗的时机。
二轮测试：
如果用户群规模较大，手上也有足够的资源，也可以考虑使用对数线性分析，评估多个变量方案对选择加入率的影响。对于那些最初没有选择加入的用户，我们建议测试再次显示许可请求的频率，以转变用户心意。
应用开发人员也可以研究不同用户群组的表现是否会有显著区别。例如，新用户的选择加入率或许高于现有用户，某些地区的选择退出率会明显高于其他地区等。有了这些信息，就可以更进一步，动态调整策略，获得更高的选择加入率。
在进行任何 A/B 测试后，开发人员应当计算置信区间，以分析获得的数据。如果所有的应用用户都参与了测试，那么计算置信区间有助于了解真实的选择加入率范畴。
预测模型会使用数据统计方法预测特定的用户行为。其中有两种模型有助于应用开发人员的 A/B 测试分析：
回归分析能揭示不同变量的关系，可根据预测变量预测结果变量的值。
决策树分析会根据观察到的输入变量情况，预测目标变量的结果。
使用这些数据分析方法，开发人员可以了解哪些变量在预测用户响应时影响力更大。配合特定的背景信息，就能预测一位用户可能做出哪种选择 (选择加入或选择退出)。下面是预测变量的一些示例，供开发人员做训练数据集用：
逻辑回归和决策树分析都是解决分类问题的好方法。如果开发人员认为自己的数据集能以线性方式分为两部分，一部分与选择加入决定有关，另一部分与选择退出有关，那么逻辑回归一般是更好的选择。如果预测变量是连续的，那么也应当选择回归分析。
但是，如果不确定数据集是否线性可分，那么选择决策树更合适。此外，如果数据集不够均衡，或包含许多异常值和缺失值，决策树一般也是更好的选择。
Adjust建议先同时使用两种方法，然后决定哪个模型的效果更好。下一步，可以分别评估每个预测变量的影响力，了解哪些变量 (例如安装类型、地区、人群等) 对用户决策的影响最大。
A/B 测试和回归分析会揭示可能提高用户选择加入率的因素，但应用开发人员无法借此了解特定方法为何会奏效，或者某些变量为何比其他变量更重要。要搞清楚这些问题，最终还是要与用户交流，开展深度访谈，将定量研究成果化为实打实的决策路线。无论用户是选择加入还是选择退出，开发人员都应当利用访谈得来的信息，进一步优化动态许可策略。
总结
数据隐私是当今数字行业中最重要的话题。每家公司和企业都应当正视数据隐私，而不是忽视它。归根结底，清晰透明的数据处理方式能帮助应用开发人员建立用户信任，让用户更愿意分享 IDFA。
距离隐私新规落地仅剩几个月的时间了，应用开发人员现在应当开展充分的测试，找到优化许可请求流程的方法。准备得越充分，就越有可能继续与用户保持相互尊重的关系，提高选择加入率。Adjust现正与多位应用开发者紧密合作，基于数据来制定策略，优化用户选择加入率。
在未来的几个月中，请密切关注 Adjust 官网或微信AdjustGmbH，及时了解更多信息。
###
关于Adjust
Adjust是一家全球B2B SaaS公司。公司的创立初衷源自对技术的热情，且诞生于移动经济的中心，目前在全球各地设有16个办公室。
Adjust平台包含移动数据监测、防作弊、网络安全及营销自动化产品。通过这一系列产品，Adjust为使用其服务的35,000个应用提供帮助，让营销变得更简单、更智能、更安全。包括Procter & Gamble、Rocket Internet和腾讯游戏在内的全球领先品牌已经使用Adjust的解决方案来确保预算安全及优化市场表现。
2019年，Adjust获得了欧洲年度最高融资之一，共筹集了近2.3亿美元。