A/B Test
比较两种变体的统计测试
什么是A/B测试？
A/B测试是一种统计方法，用于比较两个版本（A和B），并确定哪个表现更好。这就像对您的用户进行科学实验！
您将受众分为两个组：一个看到版本 A（对照组），另一个看到版本 B（变体）。系统计算观察到的差异是否具有统计显著性。
使用示例：
- • 测试两个版本的销售页面
- • 比较两个营销活动的有效性
- • 评估设计或文案更改的影响
- • 在两种定价策略之间做出决定
快速开始
- 1. 将您的数据准备为 CSV 格式，并包含组（A 或 B）和结果指标。
- 2. 请上传文件到 上传页面
- 3. 设置参数（置信水平，测试类型）
- 4. 请稍等，正在处理（通常需要1-2分钟）
- 5. 分析统计结果并基于数据做出决策
如何组织您的数据
将您的数据整理成一个包含两列的CSV表格：
列 1：组
识别显示了哪个版本。使用“A”作为控制组，使用“B”作为变体。
列 2：转化/指标
行动结果（1 = 转换，0 = 不转换）或数字值（时间，收入等）
A/B测试工作表示例：
| group | converted |
|---|---|
| A | 1 |
| A | 0 |
| B | 1 |
| B | 1 |
💡 提示： 每行代表一个用户或观察。成功（转化、点击、购买）用1表示，失败用0表示。
测试设置
置信水平
定义您想要多大程度上相信差异是真实的（不是偶然的）。
测试类型
选择适合您数据的统计测试：
Z检验（比例）
对于二元数据（0或1）：转换、点击、购买
T检验（均值）
对于连续数值：时间、收入、数量
单尾测试 vs 双尾测试
定义测试的假设：
双尾 (two-tailed)
测试是否存在任何方向（更大或更小）的差异
单侧
测试 B 是否比 A 更好。
理解结果
测试返回的统计数据有助于决定B版本是否真的比A版本更好，或者这种差异是否只是运气。
关键指标
P值 (p-value)
偶然观察到这种差异的概率。
p < 0.05 = 显著差异! | p > 0.05 = 无显著差异
转化率
每组（A和B）的成功百分比。
例子：集团A：12%，集团B：15%（B 好25%）
置信区间
真正差异可能所在的范围。
如果不包括零，差异具有统计显著性。
效果大小 (Effect Size)
发现差异的实际大小。
小 (0.2), 中 (0.5), 大 (0.8)
⚠️ 重要： 一个统计显著的结果（p < 0.05）并不能保证对业务的影响。始终考虑效应大小和决策的实际背景。
需要帮助吗？ 联系： contato@grabatus.com