A/B测试方案设计与分析
输入页面现状、转化目标与流量数据,规划单变量实验假设、计算样本量与监测指标,并输出规范的A/B测试实施方案与显著性复盘报告。
功能与用途
该功能面向产品、增长与运营人员,基于统计学假设检验原理协助构建严谨的A/B实验。内容覆盖结构化假设公式提炼、最小样本量与测试时长预估、核心/辅助/护栏指标体系设定、客户端与服务端分流选型,以及实验结束后的显著性与置信区间分析。同时提供ICE优先级评分与实验复盘沉淀机制,避免过早下结论与伪显著问题,帮助团队建立科学的增长实验体系。
适用场景
- 落地页转化率优化设计:针对页面文案、CTA按钮或布局调整,梳理结构化假设与单变量方案,明确核心转化率、次级指标与业务护栏指标。
- 最小样本量与测试时长测算:根据基准转化率、目标提升幅度及日常流量,计算满足统计功效所需的最小样本规模与运行天数,避免过早中止实验。
- 实验显著性分析与决策复盘:在流量达标后核算p值、置信区间与实际效应量,结合受众分群表现评估实验胜负,沉淀可复用的增长实验洞察。
适用人群
- 增长黑客
- 产品经理
- 数字营销人员
- 数据分析师
- 电商运营
使用步骤
- 明确测试目标与业务现状,根据观察数据按照结构化模版制定可证伪的实验假设。
- 设定核心指标、辅助指标与护栏指标,通过基准转化率和预期提升计算所需样本量与运行时长。
- 确定流量分流比例与防闪烁技术方案,对照上线前检查清单完成配置与埋点校验。
- 实验运行至目标样本量后回收数据,评估p值、置信区间及护栏指标,输出落地上线或沉淀复盘的结论。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 商业运营
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-24
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
When the user wants to plan, design, or implement an A/B test or experiment, or build a growth experimentation program.
依赖与权限
- 读取用户主动提供的内容