落地頁 A/B 測試怎麼做？分流、註冊率與判讀案例

A/B 測試要比較頁面選擇，而不是兩批不同客群

落地頁 A/B 測試，是在同一期間把符合條件的訪客隨機分配到不同版本，再比較事先指定的成果。 A 是目前頁面，B 是想試的改動。對投手有用的問題要具體：把方案說清楚，能否帶來更多完成註冊，而且不犧牲名單品質？

把 Google 流量送到 A、社群流量送到 B，客群與頁面同時不同；這週跑 A、下週跑 B，也混入時間變化。這些比較本身無法單獨辨認頁面的效果。先看投放漏斗：表單如果根本送不出去，應先修好，再測標題。

先寫出能對應改動的假設

假設一個虛構線上課程提供免費入門課。A 標題是「今天開始學習」，B 改成「免費試上入門課」。假設是：明確說出相同優惠，能增加有效的完成註冊。價格、資格、主圖、表單及目的地都不變；兩句話都必須符合真實方案。

這是教學設計，不是客戶成果，也不是說某種用詞一定比較有效。Microsoft 的規劃指南把明確假設、可量測成果與合適的分配單位連在一起。上線前先選一個主要成果；按鈕點擊可以協助解釋行為，但不能代替完成註冊。

第一次測試可先縮小改動，方便解讀。如果標題、價格與表單一起換，只能評估整包方案，不能說結果都是標題造成的。也先核對廣告與頁面的訊息一致性，確認新文字仍履行廣告承諾。

同期分配，讓重複造訪維持原版本

本例以符合條件的瀏覽器識別值為分配單位，首次進入測試、尚未顯示任一版本時，隨機分配 A 或 B。保存分配結果，符合條件的回訪沿用原版本；分母每個識別值只計一次，不把重新整理當成另一個人。

瀏覽器識別值不等於一個人。清除 Cookie、換裝置或換瀏覽器環境，都可能破壞連續性。應說明實際識別範圍；有簽章連結或 Cookie，也不代表能證明跨裝置是同一位真人。

兩組採一致的資格、流量設定及觀察日期。預計 50/50 分配，不表示每個小樣本都必須剛好一半。若某組紀錄異常缺少，先查分配、跳轉、事件收集及排除條件。Microsoft 的樣本比例研究提醒，正式檢查需要考慮樣本量，不能只看百分比就決定資料正常。

8% 對 10%，究竟能說到哪裡？

以下全部是假設教學數字。A、B 各有 1,000 個符合條件且已分配的瀏覽器識別值；從分配起各觀察七天，每個識別值最多計一次有效完成註冊。假設能可靠串接並去除重複成果，且分配前就固定測試帳號的排除規則。

相對差異是（10% − 8%）/ 8% = 25%，不是增加 25 個百分點，也不是證明利潤增加 25%。先釐清轉換率的分母，不要拿本例的識別值比例，直接比以造訪或重複事件計算的報表。

本例分母包含所有符合條件且已分配的識別值。只計成功載入新版的人，可能把因新版故障而流失的人藏起來。觀察完整但沒有有效註冊，算零次成功；事件管線缺紀錄則是量測問題，不能當成零轉換。

七天與 1,000 個識別值都是算術假設，不是通用測試門檻。最後一位加入者也要有完整、相同的追蹤長度，再做最終分析。直接看同一曆週，晚進來的人通常觀察較短；轉換延遲有解釋這個陷阱。光有這兩個比例，仍不能宣告 B 已經可靠勝出。

在數字變好看之前，先決定何時下結論

測試前寫下主要成果、納入客群、分配單位、追蹤長度、分析方法與停止規則。一般固定樣本分析若反覆檢查顯著性，看到第一次有利就停止，會增加誤判風險。為持續監看設計的序貫方法有自己的規則；每天可看的儀表板，不會自動具備這種方法。Optimizely 的統計方法比較說明了差別。

沒有負責任的通用答案，能說「跑七天」或「有 100 次轉換」就一定夠。值得辨認的改善幅度、原本轉換率、不確定性與可用流量都影響規劃。本文教比較流程，不提供樣本量計算器。測試期間仍要持續檢查安全與品質；頁面或追蹤壞掉應立即調查，不能為了等結論而放著不處理。

投手可照著做的上線與解讀順序

• 上線前： 保存假設與 A/B 精確版本。手機實走兩條路徑，包含載入表現、錯誤恢復及真正完成成果，並記錄改動。
• 進行中： 檢查分配與事件是否完整。不要悄悄改投放對象、優惠或排除條件；必要的大修要記錄中斷，再評估是否仍能當成同一個測試解讀。
• 解讀時： 等候可比較的追蹤期間，依原定方法評估不確定性，再核對後續品質。註冊增加，但合格客戶減少，仍可能不符業務目標。
• 下一步： 有足夠支持才採用改善；新版傷害目標就保留原版；沒有明確答案則記為未定，重新設計。證據不足也是有效結果。

MeetROAS 支援 Campaign A/B 方案及已接入的下游成果；事件文件區分完成註冊與入金事件，方便觀察頁面選擇之後發生什麼事。仍須核對報表計數基礎：可重複事件的總數不會自動等於不重複人數轉換率，成果歸因本身也不等於統計顯著或利潤。