引言
在电子商务中，微小的变化可能意味着数千美元的收益得失。如果不进行测试，你就是在拿真金白银冒险。假设你调整了标题、替换了一组广告，或者因为团队中的某个人有“好感觉”就彻底改造首页。凭直觉行事可能让人感觉很有成效，但如果没有数据支持，你只是在做出有根据的猜测。
强大的 A/B 测试策略可以取代猜测。与其依赖主观意见，不如收集真实客户行为的数据，并验证实际影响业务目标。了解更多关于为什么 A/B 测试是增加电子商务收入的有力策略，以及如何运行旨在提高你的转化率的 A/B 测试。
什么是 A/B 测试？
A/B 测试（也称为分割测试或桶测试）是一种受控实验，通过比较两个版本的某个事物来查看哪个版本表现更好。在电子商务的背景下，这意味着将原始版本（变体 A）与替代版本（变体 B）进行对比测试。
这可以简单到发送带有两个不同电子邮件主题行的同一封时事通讯，也可以复杂到对多个页面进行相互测试。最简单的 A/B 测试方法涉及一次只比较一个更改。使用多变量测试，你可以同时测试多个变体，以比较不同标题、正文和图片组合的有效性。掌握更简单的实验风格是探索多变量测试等更复杂方法的基础。关键在于隔离特定的测试元素，以便确切知道哪些差异影响了结果。目标是使更改足够简单以便于追踪，但又足够显著，让用户能够注意到差异。
A/B 测试的常见目标
A/B 测试通常与明确的关键绩效指标（KPI）挂钩。一些常见的 A/B 测试目标包括：
- 提高产品销量：你可以测试以折扣为导向的广告文案与突出产品优势的广告文案，看看哪种能带来更多销售。你甚至可以深入测试具体的词汇，例如“保湿”与“提亮光泽”。
- 提高加购率：测试在库存紧张的商品上添加“库存紧张”或“仅剩三件”的标签，是否能说服更多人下单购买。
- 减少购物车放弃率：查看免费送货或宽松的退货政策是否能防止购物者放弃他们的购物车。
- 增加电子邮件订阅或潜在客户：“首单立减 10%”行动号召（CTA）可能比新闻弹窗上的“保持联系”CTA 更具吸引力。
- 提高点击率：在电子邮件通讯末尾测试不同版本的 CTA 按钮，以查看哪种版本能促使读者访问您的网站。
一个现实世界的例子：电动牙刷公司 Suri 背后的团队对其预发布落地页的文案进行了 A/B 测试。这些测试使他们在投资库存或更强大的营销策略之前，能够优化其信息传达和产品功能文案。创始人 Gyve Safavi 表示：“我们向邮箱发送虚假广告以进一步完善概念。随着我们开始预售，我们能够看到哪些沟通信息真正有效地推动了销售。”
A/B 测试中的统计显著性是什么？
统计显著性告诉您 A/B 测试的结果是否足够有意义，可以永久实施。简单来说，它回答了这个问题：这种变体真的表现更好吗，还是我们只是运气好？有时，一种变体可能以微小的优势胜过另一种，这可能归因于偶然因素或外部因素。客户行为每天都在波动，因此转化率的小幅差异可能会随机发生。
具有统计显著性的结果意味着您的结果可靠到足以采取行动的概率很高，并且很可能持续发生。通常，当您满足以下条件时，即可达到统计显著性：
您还可以运行 A/A 测试，即对相同版本进行测试，以确定参与度的基线和正常波动。在测试相同的产品页面时，您可能会发现由于随机变异，一组转化率为 3.2%，另一组为 3.4%。因此，当未来的测试显示新的结账按钮带来了 5% 的提升时，您将知道这是一个具有统计显著性的结果。
工具如何识别统计显著性？
在底层，A/B 测试工具通过比较变体 A 和变体 B 的表现与每个版本收到的总访客数来计算统计显著性。您通过测试发送的流量越多，比较就越可靠。当工具报告 95% 的置信水平时，意味着结果由偶然因素导致的概率仅为 5%。大多数电子商务团队将 95% 作为宣布获胜者的标准阈值。
例如，假设你测试一个以利益点与功能点驱动的标题组合来推广一款新枕头。以利益点为导向的标题强调枕头整晚保持凉爽舒适，而以功能点为导向的标题则突出实现这种凉爽舒适的技术创新。当以利益点为导向的标题转化率比以功能点为导向的高出 2% 时，统计显著性将告诉你这 2% 的差异是真实存在的，还是仅仅由于随机机会所致。
结果可能不具备统计显著性的原因包括：
- 样本量太小：每个变体应至少有 1,000 名访问者才能获得有意义的数据。
- 变体变化过于微小：形容词或颜色的细微变化可能过于微妙，无法对用户产生影响。
- 用户行为变异性过高：也许你拥有许多行为各异的微受众，这使得难以测试哪些变化能引起哪些受众的共鸣。
你进行的测试越多，拥有的数据就越多，从而有助于确定在你的受众中什么才算作具有统计显著性的变化。
可考虑进行 A/B 测试的营销要素
Magnolia Bakery 的高级营销经理 Adam Davis 表示，“测试并学习”是该品牌的核心理念。Adam 的团队测试了从导航栏中的表情符号到结账时的向上销售，再到特定促销的落地页等所有内容。“我们发现了一些见解：购买香蕉布丁的客户更有可能将纸杯蛋糕加入购物车，因此一旦他们的购物车中已有香蕉布丁，我们就会在侧边栏向他们展示纸杯蛋糕。”他说。
以下是一些你可以进行 A/B 测试的营销要素：
- 行动号召按钮：测试 CTA 按钮的大小、颜色和文案，以提高加购率或按钮点击率。
- 产品图片：测试生活方式图片与工作室图片、不同的角度和氛围，看看哪种能带来更高的产品页面转化率。
- 产品描述：测试长文案与短文案，以提高转化率。
- 定价和折扣：测试 $29.99 与 $30，或折扣紧迫感，以提高加购率。
- 首页布局：测试不同部分的排列、横幅和特色产品，以提高整体参与度和销售额。
- 电子邮件主题行：测试个性化、表情符号和语气以提高打开率。
- 结账流程：测试向上销售弹窗、减少步骤以及徽章和评论等信任信号，以提高平均订单价值（AOV）和结账完成率。
如何运行 A/B 测试
- 明确目标并形成假设
- 创建你的测试变体
- 运行测试
- 分析结果
- 实施并迭代
你用于 A/B 测试的变量几乎无穷无尽，但执行测试的过程相对简单。这五个步骤将带你完成整个测试流程，从假设什么方案有效到实施获胜版本。
1. 确定目标并形成假设
在测试任何内容之前，先确定您想要改进的目标，明确将跟踪的主要成功指标（如跳出率、结账完成率、广告点击率等），并利用先前测试的结果（如有）以及来自 Google Analytics 等工具的数据来指导您的工作。
将你的目标转化为一个假设，即你对改变某事后会发生的可衡量结果的陈述。例如，“我相信添加限时八折横幅会提高加购率。”制定良好假设的关键在于它必须是可衡量的，以便你在测试后能够验证它。
2. 创建测试变体
接下来，构建两个版本进行比较。在给定测试中限制同一页面的两个版本有助于隔离结果。否则，你就进入了多变量测试领域，后者比较多个版本，但更难确定究竟是什么导致了结果。在上述示例中，你将创建：
- 变体 A：控制组（无更改）
- 变体 B：八折横幅
在设置横幅时，请在您的内容管理系统（CMS）中清晰标记每个变体，以便轻松比较结果。
3. 运行测试
使用 A/B 测试工具，如 Intelligems、Shoplift 或 Optimizely。对于在线商店主题测试，Shopify 原生的 Rollouts 功能会将流量分配给当前主题和变体，并衡量转化率。将流量对半拆分，50% 分配给变体 A，50% 分配给变体 B，让测试运行两周。关键在于为每个变体收集足够的流量以获得有意义的结果。一般规则是，每个变体应至少有 1,000 名访客才能获得有意义的数据。
4. 分析结果
一旦您当前的测试运行完毕，您的 A/B 测试工具会告诉您结果是否具有统计显著性。比较每个变体相对于原始目标的表现，以及您的假设是否被证实正确。
有时，您的测试结果可能不具有统计显著性，但将它们与直接的客户反馈相结合，仍然可以为您提供一个明确的方向。Anyday 厨房用品创始人 Stephanie Chen 表示，该品牌不会对所有内容都进行 A/B 测试，因为那需要很长时间。此外，在某些情况下，它可能并不总是拥有足够的流量来检测 A 和 B 之间的统计差异。
为了找到平衡点并高效工作，Anyday 将测试结果与定性反馈和亲身体验相结合。“我们也是消费者，基于我们的定性和定量客户调查，”Stephanie 说。
5. 实施并迭代
如果你的新变体在测试中取得了具有统计显著性的结果，你可以自信地为所有网站访客永久实施该方案。如果没有，则优化你的假设、实施更大的改动，或延长测试时间。一个优秀的 A/B 测试项目是一个持续学习和改进的过程。
A/B 测试常见问题解答
A/B 测试的例子是什么？
一个简单的 A/B 测试例子是测试网页上的两个不同标题，例如季节性标题与常青标题，看看哪一个能带来更高的购买量。
测试中的 A/B 是什么意思？
在测试中，A/B 指的是被比较的两个版本。版本 A 是原始版本，也称为对照组。版本 B 是包含一项更改的变体，也称为实验组。目标是基于特定指标（如转化率）查看哪个版本的性能更好。
A/B 测试有哪些类型？
三种常见的 A/B 测试类型包括：
- A/B 测试（或拆分测试）：即一个版本与另一个版本的对比。
- 多变量测试：同时测试多个元素以找出最佳组合。
- 拆分 URL 测试：将 50% 的流量引导至一个页面，另外 50% 的流量引导至完全不同的页面 URL，这些页面通常具有不同的设计或信息。