> ## Content Index
> Fetch the complete content index at: https://admin.kod.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# Как VK свела тысячу экспериментов в месяц на одной платформе
- URL: https://admin.kod.ru/vk-oneab-ab-testy/
- Published: 2026-09-23T11:07:14.000Z
- Updated: 2026-09-23T11:07:14.000Z
- Description: Как VK объединила A/B-тесты всех продуктов на платформе OneAB и что это дало аналитикам: единое сплитование, автоматический расчёт метрик и перекрёстные эксперименты.
- Author: VK
- Tags: Блоги

Команда продукта запускает A/B-тест и получает результат: время просмотра на главной VK Видео выросло на несколько процентов.

Для аналитика это только начало исследования: изменение могло перераспределить активность пользователей с подписок или другого раздела, улучшив один показатель за счёт другого.

В VK проходит [тысяча](https://vk.ru/press/tech-platform?ref=admin.kod.ru) A/B-тестов в месяц. При таком масштабе оценка чистого эффекта каждого изменения становится ключевой сложностью. Для этого необходимо проверять десятки метрик по разным срезам — главная, подписки, рекомендации. Задача получает дополнительную звёздочку, когда эксперимент затрагивает несколько команд: например, одна меняет интерфейс, а другая тестирует новую модель рекомендаций. В таком случае согласовывать результаты и проверять корректность сплитования аудитории ещё сложнее.

Сейчас большая часть необходимых аналитикам расчётов выполняется автоматически — благодаря единой платформе для A/B-тестов OneAB. О том, как изменилось проектирование и интерпретация экспериментов, рассказывает старший продуктовый аналитик VK Видео Семён Булатчик. А руководитель отдела разработки OneAB Ахмед Зарманбетов и продакт платформы OneAB Дарья Владимирова объясняют техническую сторону решения.

## Как это работало раньше

У каждого продукта VK была своя платформа для проведения A/B-тестов. Пока эксперименты проходили внутри одного сервиса, это было удобно: команда сама сплитовала аудиторию, считала метрики и подводила итоги.

Но для аналитика это означало трудоёмкую поэтапную работу с данными.

> «При ручном расчёте приходится заранее ограничивать набор метрик двумя-тремя наиболее важными группами. Если результат оказывается неожиданным, аналитик возвращается к данным и проводит дополнительные расчёты — иногда несколько раз. Это увеличивает время от завершения эксперимента до продуктового решения», — комментирует Семён.

Аналитик тратил время на последовательный сбор пазла. Он получал лишь фрагмент картины: понимал, что произошло на конкретной поверхности, но сразу оценить контекст соседних разделов, разных типов контента и общих показателей всего продукта было сложно.

А когда одно изменение начинало затрагивать сразу несколько команд, аналитику приходилось следить за синхронизацией процессов. Команды отдельно настраивали один и тот же тест, из-за чего распределения пользователей могли не совпадать, а наборы метрик различались. Требовалась дополнительная проверка: не получилось ли так, что одни пользователи видят новый интерфейс с прежней моделью рекомендаций, а другие — обновлённую модель и старый интерфейс.

## Единая платформа: что изменилось для аналитика

Чтобы решить эти вопросы, VK объединила разные системы экспериментов на одной платформе — OneAB. Этот шаг был продиктован стратегией развития всей компании. Объясняет Дарья Владимирова, продакт OneAB:

> «Вопрос разобщённых A/B-систем — это в первую очередь проблема масштабирования. Новые продукты могли на старте проверить пару гипотез вручную, но при развитии всё равно нуждались в системном решении. В то же время команды общих сервисов, вроде поиска или рекомендаций, должны были тестировать изменения во многих продуктах сразу. Всё это создавало большую нагрузку на аналитиков и разработчиков и могло тормозить масштабирование. Поэтому мы проектировали OneAB не как локальный инструмент для аналитиков, а как платформу, встроенную в общий процесс продуктовой разработки. Она снижает порог входа для запуска экспериментов и позволяет командам сосредоточиться на гипотезах и решениях, снимает с них техническую рутину».

В OneAB общими стали панель управления для заведения тестов, сервис сплитования аудитории и блок подсчёта результатов.

> «Самое сложное — привести разные команды к одному процессу проведения эксперимента. Поэтому миграция включала работу с методологией: единой платформе требовались общие принципы, иначе внутри неё быстро появились бы локальные исключения», — говорит Дарья.

Для аналитика изменения при работе с OneAB начинаются ещё на этапе проектирования теста. Раньше специалистам приходилось выбирать конкретные наборы метрик, предполагая, что они помогут проверить гипотезу, а уточняющие запросы к логам писать с нуля уже после эксперимента. Теперь команда может свободнее проектировать тесты: в OneAB сформирован ранжированный набор ключевых продуктовых метрик. Например, для VK Видео это показатели от времени просмотра до retention и глубины просмотра — десятки метрик, по которым принимаются решения. Если нужного показателя ещё там нет, его можно добавить до запуска.

После завершения теста около 90% необходимых метрик рассчитываются автоматически. Аналитик открывает карточку эксперимента в OneAB и сразу видит результаты: система подсвечивает статистически значимые изменения ключевых показателей. Это сокращает время на рутинные расчёты — специалист скорее приступает к интерпретации.

> «Когда мы видим рост ключевой метрики, сначала проверяем, не произошёл ли он за счёт других частей продукта. При ручном расчёте такая проверка могла занимать несколько часов. В OneAB я вижу полную картину и быстрее перехожу к локализации источника эффекта», — говорит Семён Булатчик.

Платформа позволяет смотреть не только на метрики отдельных поверхностей — главной страницы, подписок, рекомендаций — но и на другие срезы. С помощью фильтров аналитик может проверить показатели по всему сервису: например, как изменилось смотрение коротких и длинных форматов или тематических направлений контента.

> «Это помогает увидеть дополнительные эффекты эксперимента: например, не снизилось ли общее время просмотра определённого тематического контента. Мы отслеживаем не только перераспределение активности между разделами продукта, но и изменения в потреблении разных типов контента. Такая комплексная картина помогает быстрее определить направление дальнейшего анализа», — объясняет Семён.

## Как OneAB проводит перекрёстные эксперименты

Единая система особенно важна для перекрёстных A/B-тестов — когда изменение затрагивает несколько команд или частей продукта одновременно. Например, продуктовая команда меняет интерфейс, а команда рекомендаций в тот же момент тестирует новую модель подбора контента. Пользователи из тестовой группы должны увидеть оба связанных изменения вместе, иначе результат нельзя будет корректно оценить.

> «При проектировании OneAB мы рассматривали три варианта: встроить сплитование аудитории в локальные A/B-системы как библиотеку, вынести его в отдельный контейнер рядом с каждым продуктом или поднять единый сервис, в который нужно ходить по сети. Выбрали центральный сервис — сплиттер: он одинаково распределяет пользователей для разных продуктов и команд и отвечает за единые правила тестов. Чтобы сервис быстро отвечал и выдерживал общую нагрузку, мы написали его на Go. Данные об активных экспериментах разместили в оперативной памяти, а для обмена данными с продуктами используем gRPC и HTTP», — рассказывает Ахмед.

Для аналитика главное следствие этой архитектуры — единый принцип сплитования аудитории. Пользователь стабильно остаётся в одной группе, а разные команды, участвующие в эксперименте, работают с одним и тем же распределением. Единое распределение снижает риск, что выборки разойдутся из-за разных настроек локальных систем — так что командам больше не нужно вручную синхронизировать эти настройки.

Система рассчитывает группу пользователя по его идентификатору и параметрам эксперимента. Одинаковые данные дают одинаковый результат, поэтому пользователь при повторном заходе попадает в ту же группу. При этом разные тесты получают независимые распределения.

## Как с OneAB запускать тесты параллельно

Ещё одна задача аналитика — следить, чтобы одновременно идущие эксперименты не искажали результаты друг друга. В OneAB для этого используются два уровня разделения аудитории: партиции — фиксированные доли аудитории, и слои — наборы таких долей. Семён называет управление пересечениями одним из главных повседневных преимуществ платформы.

> «Эксперименты в продукте разделены по логическим направлениям: рекомендации, платформы, интерфейс, маркетинг. Изменения в разных направлениях часто не влияют друг на друга, поэтому такие тесты можно запускать параллельно в ортогональных слоях. Это позволяет эффективнее использовать аудиторию и получать необходимый объём выборки без взаимного влияния экспериментов», — объясняет Семён.

Если два эксперимента всё-таки затрагивают одну поверхность (например, рекомендации на главной странице VK Видео), система автоматически выделяет им непересекающиеся группы пользователей. В результате аудитории разводятся, а их результаты не смешиваются.

В обоих случаях аналитик понимает, какие тесты могут влиять друг на друга, и учитывает эти пересечения при распределении аудитории и анализе результатов.

Та же механика используется для долгосрочной контрольной группы: часть аудитории можно не включать в продуктовые изменения в течение выбранного периода. Это помогает отслеживать накопленный эффект нескольких A/B-тестов.

## Как аналитик разбирает результат эксперимента

Вот типичный сценарий анализа: допустим, команда запускает эксперимент на главной странице видеосервиса. Гипотеза: изменение интерфейса этой страницы может увеличить общее время просмотра в сервисе.

После завершения теста аналитик открывает карточку эксперимента в OneAB и видит: время просмотра на главной действительно выросло.

Следующий шаг — посмотреть, как изменились метрики всего продукта. Аналитик проверяет общее время просмотра по видеосервису — оно не изменилось. Значит, новая функция могла просто перераспределить активность пользователей между разными частями продукта.

> «У нас есть готовый набор срезов: добавив несколько фильтров, мы быстро видим полную картину. Наша задача — понять, действительно ли изменение принесло пользу или мы просто переместили метрику из одной части продукта в другую», — объясняет Семён.

Тогда аналитик проверяет соседние поверхности и типы контента. Выясняется, что на соседней поверхности (например, в разделе подписок) время просмотра упало, а показатели по типам контента — детскому, спортивному и другим — остались без изменений.

Картина прояснилась: рост произошёл из-за того, что пользователи стали проводить больше времени на главной и меньше — в соседнем разделе. Метрика просто перетекла из одной поверхности в другую, но в целом время просмотра всего сервиса не увеличилось. Первоначальная гипотеза не подтвердилась.

Раньше на сбор такого пазла ушло бы много часов — с учётом написания запросов и ручного досчёта недостающих метрик. В OneAB этот процесс занимает минимум времени. Аналитик быстрее формулирует объяснение результата, при необходимости делает точечные выгрузки и решает, что делать с исходной гипотезой дальше.

> «Как правило, ручные расчёты теперь нужны не для первичной проверки базовых метрик, а для более глубокой проработки выводов по результатам эксперимента. На их основе мы определяем, что делать с гипотезой дальше: развивать изменение, дорабатывать его или останавливать», — резюмирует Семён.

![](https://admin.kod.ru/content/images/2026/09/image_02-15.png)

Единая платформа для A/B-тестов даёт команде продукта возможность проводить больше экспериментов и оценивать их по единым правилам. А аналитикам открывает более короткий путь от результата теста к его интерпретации.

Важно, что OneAB не принимает продуктовые решения за человека. Платформа помогает собрать полную картину эксперимента и быстрее проверить возможные причины изменений. А уже аналитик определяет, что означает результат, какую гипотезу проверить дальше и стоит ли развивать изменение.