A/B 测试A/B Test
新版询盘率更高，怎样知道是改版起了作用？
A/B 测试将符合条件的实验单位分配到对照版本和实验版本，在事先定义的指标与观察条件下，估计版本差异对结果的影响。随机分配有助于降低系统性人群差异。
让可以比较的人群分别看到不同版本，按同一把尺子看结果，再判断差别是否值得相信和采用。
像给同期、条件相近的体验者分别试两种菜单，而不是拿节假日客流与工作日客流直接比较。
类比到这里为止：现实实验还要处理分组、样本量、相互影响与统计不确定性。简单的生活对照不能自动满足这些条件。
比较两种询盘入口时，先定义访问者如何进入分组、哪些提交算有效、如何处理重复与错误，并同时查看表单故障等风险信号。
开始前，把判断条件固定下来
- 人群与分组
- 谁有资格进入测试，以用户、会话还是其他单位分配，怎样避免来回串组。
- 主要指标
- 例如同一口径的有效提交率；预先指定，不事后只挑上涨的数字。
- 观察与停止
- 结合基线、希望识别的变化和统计方法规划样本与周期；不要每看一次波动就换结论。
- 保护指标
- 检查错误、性能、线索质量等，不用牺牲关键体验换取表面点击。
完整版本能比较，局部贡献不能随意拆
假设新版同时缩短表单并移动入口，实验可能支持新版整体更适合当前人群，却没有单独证明哪项变化起了多大作用。要拆开影响，需要后续独立或适当设计的多因素实验。
每天只有少量询盘时，不应为了给出确定结论而跳过样本与不确定性检查。先观察用户操作、修复已复现的故障，也能获得有用的改进依据。
继续看项目应用与交付检查
A/B 测试 在项目中负责什么
- 什么时候用
- 存在可比较的候选方案，且流量、采集质量和运行条件足以支持实验时。
- 它解决什么
- 帮助估计版本改变对用户行为的影响，降低只看改版前后数字而误判原因的风险。
- 它不负责什么
- 可以比较包含多项变化的完整版本，但不能据此单独归因给某个按钮；样本不足或口径有误时，显眼差异也可能不可靠。
- 放进真实项目
- 对一部分访客展示“获取报价”，另一部分展示“开始询盘”，比较有效提交率。
先明确比较的是一个因素，还是整个版本
你想知道“获取报价”还是“开始询盘”更能帮助采购商继续。只改文案可以更集中地观察文案差异；同时改布局和表单也能比较完整版本，但不能单独归因给文案。
- 01
先说明结果将用于哪一个决策。
- 02
明确分组与版本条件，避免混入无关变化。
- 03
预先约定指标、样本规划和停止方法。
先定义比较与指标，再看差异；比较整个版本不等于拆出了每一项改动的贡献。
容易混淆的地方
A/B 不规定只能改一处。只改一个关键因素更容易解释该因素；如果同时改布局与文案，结论针对组合版本，不能拆分每项贡献。
旧按钮上周展示给广告访客，新按钮这周展示给搜索访客，新版询盘率更高。能直接说新文案更好吗？
你可以这样告诉 AI Agent
我在处理这件事：对一部分访客展示“获取报价”，另一部分展示“开始询盘”，比较有效提交率。请以“A/B 测试”为主线，先说明它在这里负责什么、不负责什么；再列出必要输入、建议动作和可验证结果。用外贸独立站的业务语言回答，不确定的信息标为待确认。
内容依据与延伸
本站用原创中文解释把专业概念映射到外贸独立站；定义和机制继续以官方资料为准，业务例子再回到 外贸独立站询盘优化实战 验证。
本站整理说明：原创整理：AI 产品、外贸独立站与界面拆解实践