免費A/B 測試顯著性計算機

幾秒鐘就能知道你的分流測試結果在統計上是否顯著。輸入兩個版本的造訪數與轉換數,就能看到贏家、提升幅度、p 值,以及你需要的樣本數。

信心水準
對照組(A)
0.00%轉換率
版本(B)
0.00%轉換率
等待資料中輸入兩個版本的造訪數與轉換數,就能看到結論。
信心水準--
提升幅度--
p 值--
樣本數--

小提醒。不要一看到信心水準超過 95% 就馬上停測。先決定樣本數再讓測試跑完,否則你很可能把偽陽性當成贏家。

3 個步驟檢查 A/B 測試顯著性

不到一分鐘就能得到對分流測試清楚、統計上站得住腳的結論,不必開試算表,也不必註冊。

  1. 01

    輸入對照組的數字

    填入版本 A(也就是你用來比較的原始版本)的總造訪數與轉換數。

  2. 02

    輸入實驗版本的數字

    填入版本 B(新版本)的造訪數與轉換數,轉換率會即時更新。

  3. 03

    讀出你的結論

    看看結果是否顯著,以及提升幅度、p 值與信心水準;若還沒到位,也會告訴你還需要多少造訪。

行銷人為什麼要做顯著性檢定

光是轉換率比較高,並不代表就是贏家。用正確的顯著性檢定,你才知道何時該停、何時該繼續,以及哪些結果其實只是雜訊。

知道何時該停止測試

用真正的信心而不是猜測來判定贏家,也不會錯過其實有效的版本。

避免偽陽性

別讓中途偷看結果的習慣讓你賠錢。正確的 p 值會告訴你差異何時是真的。

規劃下一次測試

樣本數提示會明確告訴你,還需要多少資料才能做出有把握的判斷。

更乾淨的報告

一鍵把結果連結分享給團隊,讓大家看同一組數字、抱持同樣的信心水準。

團隊會在哪裡用到 A/B 測試計算機

從登陸頁到廣告素材,以下是行銷人如何把快速的顯著性檢定,用在他們跑的每一項實驗上。

登陸頁測試

比較登陸頁的兩個版本,看清楚哪個標題、主視覺或行動呼籲真的推動了轉換率。

Facebook 與 Meta 廣告

用真正的統計依據在兩組素材或受眾之間做決定,而不是只相信廣告管理員上的標示。

Google Ads 文案測試

比較兩個回應式搜尋廣告版本,確認新標題真的勝過對照組,再加大預算。

電子郵件主旨測試

先把兩個主旨寄給名單中的一小部分,等有把握再決定贏家,然後全面發送。

結帳流程測試

驗證新的結帳步驟、信任標章或加購提案是否真的提高完成率,而不只是雜訊。

定價頁實驗

在兩種定價方案或版面之間跑一次乾淨的測試,依註冊數而不是直覺來決定。

常見問題

統計顯著性衡量的是:你能多有把握地說,兩個版本之間的差異是真的,而不只是隨機波動。常見的判斷準則是等信心水準達到 95% 以上再宣布贏家,也就是這個結果純屬運氣的機率低於 5%。
p 值是指:假設兩個版本之間其實沒有差異,你仍會觀察到目前這個結果(或更極端結果)的機率。p 值越小,代表差異是真的證據越強。p 值 0.05 對應到 95% 的信心水準。
多數行銷人使用 95% 信心水準,意思是你接受 5% 的偽陽性風險。若這個決策風險很高(例如要把變更套用到所有付費流量),請用 99%;90% 則只適合風險低的早期實驗。
這取決於你的基準轉換率,以及你想偵測的提升幅度。粗略來說,較小的提升(5% 以下)每個版本需要數萬次造訪,而較大的提升(20% 以上)只要幾千次就能確認。我們的計算機會直接告訴你:在目前觀察到的效果下,還需要多少造訪才能達到顯著。
提升幅度是兩個版本轉換率之間的相對百分比差異。如果版本 A 的轉換率是 3%,版本 B 是 4.5%,那麼 B 相對 A 的提升幅度就是 50%。實務上,你就是用這個數字來判斷一項變更值不值得上線。
光是轉換率比較高並不夠。你需要足夠的資料,才能說這個差異不太可能來自隨機。提升幅度越小,需要的造訪數就越多。太早停止測試,你可能會把純粹的雜訊當成有效變更推上線。
偷看指的是反覆查看測試結果,一看到信心水準超過 95% 就馬上停手。這麼做會大幅拉高你的偽陽性比率。要避免它,請先決定所需的樣本數,最後再看一次結果就好。
可以。顯著性是通用的統計概念,只要你能量測造訪數(或曝光、點擊、寄送數)與轉換數,任何 A/B 測試都適用。你可以填入 Meta 廣告、Google Ads、TikTok 廣告、電子郵件平台或登陸頁成效分析的數字。
免費。A/B 測試顯著性計算機百分之百免費,不用註冊、沒有次數限制,也不必留下電子郵件。無論個人或商業用途,都可以想跑幾次就跑幾次。
不會。所有計算完全在你的瀏覽器裡進行。造訪數與轉換數不會離開你的裝置,也不會傳送到我們的伺服器。

免綁信用卡

LanderLab 標誌