在本章中，我们将讨论如何衡量结果并简化在网站上进行的测试的统计数据.
研究人员可能会或可能不会了解统计数据.但是，通过简化这些统计数据，A/B测试工具被证明是一种救星.因此可以避免很多计算.大多数测试工具在使用95％标准作为成功完成目标时是一致的.
这意味着10分中你是9的胜利者.让我们举个例子.您的测试工具报告如下:
| 变体 | 转换率 |
|---|---|
| Control page | 1.91％ |
| 1 | 2.39％ |
| 2 | 2.16％ |
| 3 | 3.10％ |
此报告预测95％间隔或多或少的.20％转换率差异.统计上，目标范围介于1.76和2.06之间.
在计划测试时，我记住了两个目标.首先是提高收入，另一方面是提取更高投资回报率的见解.
例如，在案例研究中，我们将流量转移到产品页面而不是类别页面或主页改进转换率与否.我们采取了三种变体，其中一种是我们在主页上引导了流量，这些流量加载了类别和子类别，进一步指向产品页面.在第二个中，我们将流量引导到类别页面添加过滤器.在第三个中，我们使用购买按钮将其直接指向产品详细信息页面.
令我惊讶的是，第三个变体赢了.这只是买方有关产品的信息.这让我们可以了解转换率提升和持续改进如何使我们增加潜在客户.
毫无疑问，在测试中添加了许多变体和见解，这让我们重新设计了网站.
让我清楚一点.不是所有的测试胜利.是的，这是痛苦而真实的.
有一些测试可以让你获得飞行的颜色.还有其他人在经过这么多尝试之后也没有结果.但是，如果您计划通过洞察力推动细分的测试，您可以有一个新的假设进行测试.并非所有测试都可以帮助您提高收入.
举一个例子来理解.有三种广告系列具有不同的转化率.
| 广告系列A | 8.2％ |
| 广告系列B | 19.1％ |
| 广告系列C | 5.2％ |
任何人都会盲目地说'竞选B'是超级演员.但是让我们再挖一些.
| 访问次数 | 交易 | 转换率 | |
|---|---|---|---|
| 广告系列A | 1820 | 150 | 8.2％ |
| 广告系列B | 20 | 4 | 19.1％ |
| 广告系列C | 780 | 41 | 5.2％ |
仔细观察，"广告系列B"太小了具有统计学意义.广告系列B只需一次访问，即可获得100％的转化率. "广告系列A"执行"广告系列C".在得出结论的同时，需要考虑几个因素，每次都可能有所不同.您需要查看所有见解并确定结果.
