广告投放的AB测试中，主要是对比点击率和转化率

显著性检验，得到结论

a. 构建零假设和备择假设

广告投放的AB测试中，主要是对比点击率和转化率；

即双边检验（p1和p2有显著差异）：零假设：p1 = p2 备择假设 p1 <> p2；

b. 构造统计量

广告的点击率和转化率都是比例指标，根据中心极限定律可以知道他们一般近似服从正态分布。所以，点击率和转化率的AB测试就是比例之差的双边检验，检验的统计量也是服从正态分布，具体公式是：

c. 计算z值，判断是否拒绝零假设

双边检验：z变量的值介于-1.96～1.96之间时，已经涵盖了95%的可能结果；因此对于95%的显著性水平，如果上面计算的z值在这个范围之外，则可以拒绝原假设；

以上面的例子计算z值，可以看出性别男和女的点击率和转化率没有显著差异，操作系统Android和iOS在点击率上有显著差异。

2.2.2 朴素贝叶斯算法，优化广告定向

朴素贝叶斯算法是基于朴素贝叶斯公式进行分类的一种算法，可以计算出属于某一类的概率；之所以称为朴素，是因为它假设特征之间是相互独立的。但是在现实生活中，这种假设基本上是不成立的。即使是在假设不成立的条件下，它依然表现得很好，尤其是在小规模样本的情况下。

贝叶斯的公式是：

其中P(A|B)表示：B发生后A发生的概率；通过贝叶斯公式可以看出计算P(A|B)只需计算出后三项。下面以实际信息流投放案例进行介绍：

1）获取受众的画像及转化数据

假设已知广告定向的用户转化数据如下：

2）基于朴素贝叶斯计算概率

这个可以基于上面受众画像数据和贝叶斯公式推导计算；

假设我想知道广告定向X=（性别=”男”，年龄=”35～39岁”，操作系统=”iOS”）的用户转化的可能性，

可以计算得到P(转化=”1″|X)=0.9275，

即广告定向X=（性别=”男”，年龄=”35～39岁”，操作系统=”iOS”）下，用户转化的可能性为0.9275

3）广告定向的投放指导

通过朴素贝叶斯算法，以及历史转化数据的用户画像分布，可以计算各个广告定向组合下的转化概率。这样可以对于那些高转化率的广告定向组合优先投放，或者给予高转化的定向组合更高的出价，低转化概率的定向组合更低的出价，达到广告转化效果的整体优化。