測量結果

在本章中，我們將討論如何測量網站測試結果並簡化統計資料。

理解統計

研究人員可能理解也可能不理解統計學。但是，A/B 測試工具透過簡化這些統計資料來證明自己是救星。因此，可以避免大量計算。大多數測試工具在使用 95% 標準作為成功目標完成方面保持一致。

這意味著在 10 次中，你有 9 次是贏家。讓我們舉個例子。您的測試工具報告如下：

此報告預測在 95% 的區間內或多或少有 0.20% 的轉化率差異。從統計學上講，目標範圍在 1.76 到 2.06 之間。

獲取見解

在計劃測試時，我心中有兩個目標。首先，是提高收入，另一個是獲取有關促成更高投資回報率的因素的見解。

例如，在一個案例研究中，我們瞭解到將流量導向產品頁面而不是類別頁面或主頁是否會提高轉化率。我們採用了三種版本，在其中一個版本中，我們將流量導向載入了類別和子類別的主頁，並進一步導向產品頁面。在第二個版本中，我們將流量導向類別頁面並新增過濾器。在第三個版本中，我們將其直接導向帶有購買按鈕的產品詳情頁面。

令我驚訝的是，第三個版本獲勝了。這正是買家對產品所需的資訊。這讓我們瞭解了轉化率提升和持續改進如何幫助我們增加潛在客戶。

毫無疑問，在測試中新增許多版本和見解為我們提供了網站重新設計。

理解結果

讓我澄清一下。並非所有測試都會獲勝。是的，這很痛苦，但卻是事實。

有些測試會給你帶來令人滿意的結果。還有一些測試即使經過多次嘗試也可能沒有結果。但是，如果您計劃進行一項以洞察力驅動的細分測試，則可以提出一個新的假設進行測試。並非所有測試都有助於提高收入。

舉個例子來理解。有三個活動，轉化率不同。

任何人都只會盲目地說“活動 B”是一個超級表現者。但讓我們深入研究一下。

仔細觀察，“活動 B”太小，在統計上不顯著。活動 B 1 次訪問產生 1 次交易，轉化率為 100%。 “活動 A”的表現優於“活動 C”。在得出結論時，需要考慮幾個因素，並且每次可能都不同。您需要檢視所有見解並決定結果。