一个月 12 个询盘、改版后变成 18 个,这类前后对比要先算一件事:最小可检测提升指的是在现有询盘量级与观察窗口下,多大的相对变化才算超出随机波动,也就是运气。8 周窗口共 56 天,可以用一条粗略近似式先算:R ≈ 1/√(每周询盘数)。周均 4 个询盘只能判 50% 以上的提升,周均 1 个只有翻倍也就是 100% 才判得出。门槛之下的几个询盘,更可能来自季节、Google Ads 预算或销售跟进的松紧。周均询盘数从 Google Ads 与后台表单取,3 个月起步。先算门槛,再决定这次值不值得测、用哪种测法。2026 年做落地页改版的外贸工厂,多数第一次就卡在这一步。

三种测法怎么选:不测只跑基线、单变量分流、ABAB 顺序测试

三种做法对着看:各自要什么量级、能回答什么

决策表指的是把三种做法并排比。先看需要什么量级,再看能回答与不能回答的问题,最后看适合谁。三行不是三档升级。选错行比不测更浪费 56 天。月询盘不足 10 个的站多数落在第 1 行。周均 4 个以上才轮得到第 2 行,分流会把流量按 50% 对半分。第 3 行靠交替,不靠样本量。

做法 需要的量级 能回答的问题 答不了的问题 适合谁
不测,只跑基线 任何量级 改版后 56 天询盘有没有大起大落 差 20% 以内算不算改好 月询盘少于 10 个
单变量分流 周均询盘 4 个以上 两版哪个有效询盘率高 效果能维持几个季度 有稳定 Google Ads 流量
ABAB 顺序测试 周均询盘 2 个以上 交替 2 次后差异是否稳定 单次改动的精确幅度 流量小但连续

表格怎么读:量级不过关就先别分流

读法分为 3 步:第 1 步看量级一栏,周均询盘不到 4 个,单变量分流在 56 天里凑不到判断所需的样本。第 2 步看能回答的问题,分流回答的是两版哪个好,不回答效果能维持多久。第 3 步看答不了的问题,列在右栏的疑问别指望一次测试解决。按照测试设计的通用准则,先定问题再选方法,反过来做多半白测。以 Google Ads 后台的月 12 个询盘为例,8 周共 24 个,分到两版各 12 个,离每版本 350 至 400 个转化的门槛差 30 倍。第 2 行对这类站只是名义可选。真正能落地的是第 3 行:每版各跑 4 周、交替 2 次,把 50% 的预算波动平摊掉。护栏 3 项里任何一项变差 20% 以上,结论先作废,再谈提升。

两份打印出来的落地页稿并排摆在桌上,旁边一张便签写着每周询盘数,用来判断这次改版值不值得做分流测试

8 周能测出多大的提升?先代入 1/√每周询盘数

近似式怎么用:五个量级的算例

最小可检测提升指的是在给定窗口与置信水平下,能被判定为真实的相对变化下限。8 周窗口下有一条粗略近似式:R ≈ 1/√(每周询盘数),按照正态近似、双侧 95% 显著性标准与 80% 统计功效推出,只用于判断值不值得测,不作为统计软件结论。先把 Google Ads 后台的周均询盘数代入,得到的最小相对提升如下,单位是百分比。MDE 越小,需要的样本越多,这一条在下一节还会用到。

  1. 周均 1 个询盘:约 100%,翻倍才算,8 周共 8 个询盘,噪声与效应一样大。
  2. 周均 2 个询盘:约 71%,提升不到 7 成看不出来。
  3. 周均 4 个询盘:约 50%,这是开头那句门槛的来源。
  4. 周均 9 个询盘:约 33%,月询盘 36 个以上的站才落到这一档。
  5. 周均 16 个询盘:约 25%,样本足够,可以回到标准分流,56 天的窗口也不必再拉长。

为什么把窗口定在 8 周,也就是 56 天

窗口指的是从改版上线到读结果之间的天数,这里取 8 周即 56 天。理由有 3 条:少于 56 天,周末询盘偏少、月初月末预算节奏会把噪声当成效应;长于 56 天,广告预算、出价与季节变化开始污染对比;56 天刚好覆盖 8 个完整周,把周内节律摊平。ABAB 顺序测试把 56 天切成 4 段,每段 14 天,每段占 25% 的窗口,两版各出现 2 次,Google Ads 的预算波动被两版各 50% 平摊,单段里的季节差异不会被记到版本头上。观察窗口与老文翻新的 14 天、28 天两个窗口是同一种口径,差别只在样本量小,必须拉长到 56 天。窗口写法可对照老文翻新筛选与留档的三条线里两个窗口的分工。

13,000、14,800、350–400 三个样本量数字,各是什么口径

三个数字的口径分为三类,分母并不相同。13,000 是每版本访客数,来自 Optimizely 样本量计算器的默认参数,不含总曝光与测试周期。14,800 是会话口径的总量,把多个版本合在一起算。350 至 400 是转化口径,分母是每个版本的转化数,不是访客数。依据统计学的一般规定,样本量按每个版本单独估,再乘以版本数才得到总量。看到一个样本量数字,先问 3 件事:分母是访客、会话还是转化;是每版本还是全站;含不含周期。三个都答不上,就别拿它当门槛。MDE 是相对变化,Optimizely 页内举例:基线 20%、MDE 10%,对应 18% 到 22% 的绝对区间,基线一变就要重算。精确值用Evan Miller 的样本量计算器按实际基线重算。有效询盘的口径判定可对照谷歌广告询盘质量的抽样升级。

哪三类改动不该用 A/B 判?各自的替代判法

文案风格与图片替换:没有单一因变量

文案风格改动指的是语气、说服顺序与利益点的整体重排。一版里同时动了标题、首段与按钮,结论就无法归因。文案改动通常全量替换 100% 流量,本来就没有对照。图片替换的效应量通常低于可检测下限,56 天里被噪声盖住,看起来有变化多半是错觉。替代判法有 3 种:5 秒测试,给 5 个人看首屏 5 秒,问记得卖什么;3 至 5 人访谈,问第一眼看到什么、下一步想做什么;行为代理指标,看按钮点击率、滚动深度与 Google Analytics 4 的表单开始率。三种都不需要分流,成本低于一次完整测试。例如首屏换成工厂实拍图,先用点击热图看有没有人往那块看,再决定要不要把图与文案打包成 1 个变量去测。

加载速度与表单字段:分流会同时背同一台服务器

加载速度与表单字段分为两类测不出来的改动。前者不是页面版本问题:分流时两版共用同一台服务器、同一批图片、同一段第三方脚本,速度差异被摊平,A/B 分不出。替代判法看字段数据:按照谷歌官方的 Core Web Vitals 标准,LCP 2.5 秒以内算良好,超过 4 秒算差。先看真实用户的分位值,再做同渠道前后对比,对比期至少留 28 天。后者的问题在指标方向相反:字段减少,询盘数上升 20%,有效询盘率可能下降 30%。替代判法是人工抽样,每条询盘打有效、待跟进、无效三档标签,两版各抽 50 条比较有效率。两条判法都不需要分流,也不用等 56 天。字段留几个、先删哪个,可对照询盘表单 8 项看到 5 项的处置表。

一页测试卡怎么填,窗口跑完没结论怎么办

测试卡记九个字段,开跑前填完

测试卡指的是把一次测试的全部判断写在同一页上,一共 9 个字段:版本号、只改的那 1 个变量、起止周(共 56 天)、周访问、周询盘、有效询盘、护栏 3 项(垃圾询盘率、商机率、LCP)、结论、下一步。周访问取自 Google Analytics 4,周询盘取自后台表单记录。第 1 到第 3 个字段决定这次测试能不能被解释,第 4 到第 6 个字段决定能不能被判读。第 7 个字段防止用询盘数换垃圾询盘:询盘涨 50%、垃圾率也涨 50%,等于没变好。第 8 与第 9 个字段决定下一个季度做什么。填卡用同一张表,1 行 1 次测试,9 列不增不减,换人接手也能读。卡上留 1 行写事先定下的成功标准,例如有效询盘率提升 30% 以上算成功,写完不再改。

冻结五项与到点处置:没结论时默认回滚

冻结指的是测试窗口全程不动 5 项:广告预算、出价、受众、关键词、销售跟进方式。第 1 项到第 4 项在 Google Ads 后台锁定,第 5 项靠销售负责人书面确认。最容易漏的是第 5 项,销售跟进一旦变松,询盘数上升会被误判成页面变好,误判能占到一半。到点处置按 3 种情况写死:首先,差异超过门槛且护栏指标没变差,保留新版;其次,差异落在门槛内,默认回滚到改前版本,不再等 2 周看看;最后,方向指标同向但幅度不到门槛,判为不劣于,保留并标注未验证。月 12 个询盘的站,门槛约 58%,20% 的提升本来就判不出,别当成失败。按照事先写下的判定标准执行,低流量站才能把 56 天沉成经验,而不是每季度重新猜一次。

获取 Google 出海专业方案

专业团队一对一服务,助力外贸企业实现询盘增长

免费咨询 →