A/B测试很有趣。市面上已经有许多方便易用的工具，我们都可以（也应该）做到。然而A/B测试不仅仅是进行测试那么简单。以下12个常见的A/B测试误区，浪费了许多企业的时间和金钱。
以下是我在工作中屡见不鲜的误区。你有犯过这些错误吗？读一读就知道了。
过早停止A/B 测试
统计显著性是在样本量足够大的前提下，A版是否优于B版的判断标准。50%的统计显著性即指结果随机。如果你对显著性的要求只有50%，那就该转行了。统计置信度即便达到75%也不够好。
经验丰富的测试人员都有许多这样的经验，即使80%置信度下的“胜出”的版本，在投放市场后也以失败告终。
90%的置信度怎么样？应该可以了吧！
不，还不够好。你是在做科学实验。是的，你希望证实实验假设，希望置信度达到90%的版本胜出，但比“宣布胜出者”更重要的，是找到真相。
作为“优化者”，你的职责是找出真相。因此必须把自我放在一边。你更倾向认可自己的假设或设计方案，这是人之常情；当你最优的假设没有出现显著性差异时，你会很受打击。对此，我感同身受。真相高于一切，否则一切都失去意义。
即使经常进行A/B测试的公司也常见此种情况：一年里一个接一个地运行测试，在测试后将胜出者推出。但一年后再看，转化率竟然与最初版本差不多！这种打脸的情况总是发生。
为什么？要么是测试结束得太早，要么是样本量太小，或者兼而有之。简而言之，在宣布测试完成之前，你需要满足3个指标：
1.有足够的样本量：实验有足够的人参与，以便有足够的数据来获得科学的结论。需要使用A/B测试样本量计算器预先计算所需样本量。
2. 测试需要运行多个销售周期，2到4周左右。如果你只做了几天就停止测试（即使达到了所需的样本量），也只是取了便利样本，而不是有代表性的样本。
3.显著性达到95%（P≤ 0.05）或以上。注意：记住P值并不能告诉我们方案B比方案A好，这一点非常重要。（译者注：P值指的是对比事物间的差别是由机遇所致的可能性大小。P值越小，越有理由认为对比事物间存在差异。例如，P<0.05，就是说结果显示的差别是由随机因素所致的可能性不足5%，或者说，别人在同样的条件下重复同样的研究，得出相反结论的可能性不足5%。P>0.05称“不显著”；P≤ 0.05称“显著”，P≤ 0.01称“非常显著”。）
这里有一个经典案例来说明我的观点。测试两天后的数据结果如下：
图表中的文字翻译如下：
我构建的版本相比对照版本损失惨重，超过89%（误差范围没有重叠）。一些测试工具可能已经判断其统计显著性达100%。当时我所使用的软件给出的结论是，我的版本完全不可能优于对照组。我的客户已经准备好宣布停用这个方案。
然而，由于当时样本量太小（每个组只有100次以上的访问量），我坚持继续收集数据，这是10天后的情况：
图表中的文字翻译如下：
如你所见，曾经完全没可能击败对照版本的新版本现在以95%的显著性获胜。
有些A/B测试工具会让你过早结束，这得当心，一定要反复检查数据。最糟糕的情况就是，你采信了实际并不准确的数据，导致不仅损失了大量金钱，很可能几个月的努力也都付之东流。
需要多大的样本量？
小样本基础上得出的结论不靠谱。好的样本区间是每个测试版本至少有350-400次转化数据（在某些情况下，比如当对照版本和优化方案之间的差异很大时，转化数据要求可以稍低一些）。但是，不存在放之四海皆准的标准样本量。不要被数字束缚——这是科学，而不是魔法。
你一定要提前用样本量计算器计算出实际需要的样本量，以确保实验的准确性。
如果每个变量版本都有超过350转化数据的样本量，而置信度依旧未达到95%以上呢？
如果测试达到所需样本量，则意味着不同版本之间没有显著差异。检查测试中各分指标的结果，看看是否在其中某一个或几个中实现了显著性（优秀的洞察总是出现在细节中，但也要确保每个分指标都有足够的样本量）。无论如何，你都需要优化假设，运行新的测试。
测试未以整周为单位运行
假设你有一个高流量的网站，A/B测试开始后3天就有98%的置信度，并且每个版本都有250次转换数据。那这个测试算完成了吗？还没有。
我们需要排除周期性因素，以整周为周期进行测试。如果你星期一开始进行测试，那么也需要在下星期一结束。为什么？因为在一周里转化率会变化会非常大。
所以如果你的测试周期没覆盖一个完整周，结果又会出现偏差。按周输出你网站的每日转换率报告，看看每天的转化率有多大的波动。下面是一个例子：
图表中的文字翻译如下：
看见了吗？周四的收入是周六和周日收入的2倍多，周四的消费转化率几乎是周六的2倍。
如果我们没有按周为单位实施测试，结果就会不准确。以下为常规的测试循环：一次运行7天的测试。如果在这7天内没有出现差异显著的结果，则再运行7天。如果14天内还不显著，再运行7天。
当然，首先你需要运行测试至少2周（我个人是至少4周，因为2周通常是不准确的），然后再应用7天规则。
唯一可以打破这一规则的情况是，充分的历史数据显示，网站每天的转换率都是相同的。即使如此，最好也测试完整一周后再说。
始终关注外部因素
测试时间刚巧在圣诞节怎么办（译注：类比国内的双十一）？节假日胜出的版本可能跟一月份的优胜版本不同。如果某个版本在诸如圣诞节这样的购物季胜出，你肯定得在购物季结束后对它再进行测试。是否投放了大量的电视广告或者其他大型广告？这也会影响测试结果。你需要知道公司做了哪些（有可能影响测试结果的）营销推广活动。
外部因素肯定会影响测试结果。如果有疑问，那就再做测试。
没有流量（或转换数据），也进行A/B测试
如果你每月只能卖出一到两件商品，测试显示，B方案比A方案转换率高15%。可以得出这样的结论吗？不可以！
所有人都喜欢A/B测试，但在流量极小的情况下，它不应该作为转换率的优化工具。原因是，即使B方案好得多，也可能需要很长时间才能达到统计显著性。
所以，如果你花了5个月的时间进行测试，会白白浪费大量财力。相反，你应该进行大规模的彻底的改版——直接切换到B版本。不需要对比测试，只需切换——并关注银行账户的收入。这种做法，是大范围改进，比如50%或100%。而且应该能马上观察到对收入（或者潜在客户数量）的影响。时间就是金钱。不要浪费时间等待需要很长时间的测试结果。
测试不是基于假设
我喜欢吃意大利面。但是不太喜欢”意面测试“（把它扔到墙上，看它是否粘在墙上）。意大利面测试是指测试随意的想法，观察哪一个想法有效。这种随意的测试会付出巨大的代价，浪费宝贵的时间和流量。千万别这样做。测试之前需要有假设。什么是假设？假设是基于有限证据提出的陈述，它可以被验证或证伪，并作为进一步研究的起点。
也不应是”意大利面假设“（随意陈述）。你需要完成适当的转化研究以发现问题出在哪里，通过分析以找出问题可能是什么，最终提出解决当前问题的假设。
如果在没有明确假设的情况下开展A/B测试，B相对A优化了15%，那很好，但是你从中了解到什么？什么都没有。增进对用户的了解才是我们更重要的工作。这有助于我们改进对用户的理解，提出更好的假设进行测试。
测试数据不发送到谷歌分析（Google Analytics）
平均值会撒谎，永远记住这一点。如果你得到了版本A比版本B优胜10%的结论，这还不是全部。你需要切分开各个测试指标再进行分析，这些细节里才洞察所在。
虽然许多测试工具都内置了指标分割的功能，但都无法与谷歌分析（Google Analytics）媲美。
你可以将测试数据发送到谷歌分析系统，并按你期望的方式进行细分。实际的情况是，人们会自定义维度或或事件。你可以进行高级细分，自定义报告。这些功能非常有用，并让你真正从A/B测试（包括失败的测试和未得出差异的测试）有所收获。
底线：每次都把你的测试数据发送到谷歌分析，并把那些无效数据从结果中剔除。
将宝贵的时间和流量浪费在愚蠢的测试上
你是在测试用户喜欢什么颜色吗？别。
没有最好的颜色，它只和视觉层级结构相关。当然，你可以在网上找到一些测试，有人通过测试颜色来获得收益，但这些都是显而易见的。不要浪费时间测试那些显而易见的选择，直接实现它就行了。你没有足够的流量，谁也没有。把你的流量用在高影响的指标上，测试那些数据驱动型假设。
第一次测试失败就放弃
你设计了一项测试，但没有提高转化率。那好吧，我们尝试在另一个页面运行测试？
不要这么快就放弃！大多数测试第一次都会失败。我知道你很不耐烦，我也和你一样，但迭代测试不可避免。你可以运行一项测试，从中有所收获，改进对用户的理解，优化假设。进行迭代测试，又有所收获，再优化假设。再运行迭代测试，如此反复。
我们曾经做过案例研究，其中包含了6次测试（测试同一页），以实现我们期望的提升。这才是真实的测试。那些批准测试预算的人—你的老板和客户—需要知道这一点。
如果期望一次测试就可以得出想要的结果，这样的想法会白白浪费金钱，导致很多人失去工作。其实不必一定是这个结果。测试的花费对每个人来说都是一大笔数字。运行迭代测试，才是资金的合理运用方式。
不懂虚报的显著性
统计显著性并不是唯一需要注意的因素。还需要理解错误的测试结果。没什么耐心的测试人员希望跳过A/B测试，直接进行A/B/C/D/E/F/G/H测试。这，就是我们要讨论的误区。
或者，为什么不继续再测呢？谷歌就曾经测试过41种蓝色阴影效果！
但这并非好主意。测试的版本越多，虚报显著性的几率就越高。同时测试41种蓝色阴影的实验设置下，即使置信度达到95%，错报概率也高达88%。
主要结论：不要一次测试太多的版本。不管怎样，最好做简单的A/B测试，会更快得到结果，并且会更快地了解用户，从而更多优化假设。
用重复的流量同时进行多个测试
你发现了一种同时运行多个测试的捷径：一个测试在产品页面，一个测试在购物车页面，还有一个在主页（同时测量相同的指标）。这样的设置很省时间，对吧？
但，如果设置不小心的话，这样可能会扭曲结果。除非你预估这多个测试之间有很强的交互性，且测试之间的流量有很大的重叠（即同一批人），这样做才是OK的。如果测试间存在交互性且流量重叠，情况也会比较复杂。
如果你想在同一任务流中同时测试多个布局样式的新版本，例如结帐的3个步骤，那么最好使用多页实验或MVT（MassVerification Test，量产验证）来测量交互作用，并恰当地进行归因。
如果你决定使用重叠的流量运行A/B测试，请记住让流量均匀分布。流量应始终平均分配。如果测试产品页A和B，以及结算页C和D，则需要确保B页的流量是对半分进入C和D页，而不是其他。
忽略细微的成果
你提出的新版本对对照组胜出了4%。我曾听到有人说：“哎呀，这点成绩简直是小菜一碟！我都懒得费心去实施它。”
事实上，如果你的网站已经体验很好，流量不会一直有大幅的提升。实际上，流量大幅上升的情况是非常罕见的。如果现有网站很垃圾，每次测试后很容易发现提升幅度达到50%。但即使这样情况也不会是无止境的。
大多数测试中胜出的方案可能只有很小的提升—1%，5%，8%。有时，1%的提升也会带来数百万美元的收入。这完全取决于我们面对的绝对数值。但这里的关键是：你需要以12个月的时间跨度角度来看待这点提升。
当你只做了一次测试时，那就是一次测试。你要做很多很多的测试。如果你每个月都能把转化率提高5%，那么12个月内就会提升80%。这叫复利，通过数学计算出来。80%可不低。
所以，继续取得这些微小的收益吧。最后它们会形成累加效应。
没有一直运行测试
每一个没有测试的日子都是一种浪费。测试就是了解。了解你的用户，了解什么有效，以及为什么有效。你所有的洞察，都可以用于所有的营销活动，比如PPC广告（PayPerClick广告，点击付费广告）等等。
不测试，就不知道什么有效。测试需要时间和流量（而且需要很多流量）。
虽然要进行测试并一直运行，但这不意味着要做垃圾测试。绝对不要！你仍然要做适当的研究，提出恰当的假设等等。
测试要持续不断地运行。学习如何制定制胜的A/B测试计划。不断优化你的计划。
对效度威胁一无所知
即使具备了合适的样本量、适宜的置信水平和持续的监测，还无法保证你的测试结果有效。影响测试效度的因素有以下几个方面。
工具性误差
这是最常见的问题。当测试工具（或仪器）存在问题时，就会导致测试收集到的数据有缺陷。这通常是网站上的错误代码造成的，这将扭曲所有的测试结果。需要加倍小心这种误差。设置测试时，要像鹰眼一样盯紧。确认记录下了每个设定跟踪的目标和指标。如果某些指标没有发送数据（例如，“添加到购物车”的点击数据），马上停止测试，查找并解决问题，重置数据后再重新开始。
历史效应
外界的变化可能导致测试数据不准确。可能是你的企业或某位高管的丑闻，也可能是某个特殊的节假日（圣诞节、母亲节等），又或许是媒体的报道导致人们对你测试的某个方案有偏见。无论哪种情况，都要注意外界的变化。
选择偏差
当我们错误地假设某部分的流量代表整个流量时，就会发生这种情况。例如，你利用电子邮件列表将促销流量分发给正在测试的页面。较之于普通访客，订阅了电子邮件的用户会对该页面喜爱得多。于是，你根据忠实用户的反馈来优化页面（例如着陆页、产品页等），以为它们代表总体用户的情况。但事实往往并非如此！
错码效应
某个版本的代码有漏洞，导致测试数据出现缺陷。于是你提出了解决方案，让这个版本回归正常！然而，这个版本并没有胜出或带来差异。殊不知，你的解决方案在某些浏览器或设备上的显示并不佳。每当你提出新的解决方案，请确保运行质量一致性测试，以确保它们在所有浏览器和设备中正确显示。
结论
时至今日，很多优秀的工具都可以让测试变得轻松容易，但是它们并不能替代你思考。我知道，统计学不是你大学时最喜欢的科目，但你应该好好温习温习了。从这12个误区中汲取教训，你就可以在测试中避开它们，取得真正的进步。
原文：Peep Laja的《12 A/B Split Testing Mistakes I See Businesses Make All The Time》
原文链接：https://conversionxl.com/blog/12-ab-split-testing-mistakes-i-see-businesses-make-all-the-time/