A/B 測試（AB Test）是將受眾隨機分為控制組與實驗組，透過改變單一變量來比較兩個版本的表現差異，從而做出數據驅動的行銷決策。 本文完整解析 A/B 測試的核心概念、5 步驟執行教學、統計顯著性判讀方法、6 大應用場景，並附上 Landing Page 與 Email 工具比較表及實戰案例分析。
AB Test 是什麼？A/B 測試意思與核心概念
A/B 測試，也稱為拆分測試（Split Testing），是數位行銷中最基礎也最有效的市場調查方法之一。它的運作邏輯很簡單：
- 控制組（A 版本）：維持現有狀態不變，作為基準線
- 實驗組（B 版本）：僅改變一個變量（例如 CTA 按鈕顏色、標題文案、圖片），其他條件完全相同
- 比較結果：觀察兩組在特定指標（轉化率、點擊率、開信率等）上的差異
這裡的關鍵是「單一變量原則」——每次測試只改動一個元素。如果你同時改了標題和按鈕顏色，即使 B 版本表現更好，你也無法確定是哪個改動造成的。
A/B 測試與多變量測試（MVT）的核心差異在於：A/B 測試一次只測一個變量，而 MVT 同時測試多個變量的所有組合。對大多數台灣中小企業來說，A/B 測試是更實際的選擇——原因在下一節說明。
A/B 測試 vs 多變量測試：如何選擇？
很多行銷人在入門時會困惑：什麼時候該用 A/B 測試，什麼時候該升級為多變量測試？以下是完整的判斷依據：
| 比較維度 | A/B 測試 | 多變量測試（MVT） |
|---|---|---|
| 定義 | 比較兩個版本（僅改動一個變量） | 同時測試多個變量的所有組合 |
| 目的 | 確定單一改動是否有效 | 找出多個變量的最佳組合 |
| 複雜度 | 低，適合初學者 | 高，需要統計分析能力 |
| 所需流量 | 較低（每組約 1,000-5,000 人即可） | 極高（每月 UV 需 > 10,000） |
| 測試時長 | 1-2 週 | 4-8 週 |
| 結果解讀 | 直接比較 A 與 B 的表現 | 需分析各變量的交互作用 |
| 適用情境 | 測試單一假設（如「橘色按鈕比藍色好」） | 重新設計整個頁面佈局 |
| 實施難度 | 低，多數工具內建支援 | 高，需要進階工具與技術 |
判斷標準： 如果你的網站每月獨立訪客（UV）低於 10,000，建議先從 A/B 測試開始。流量不足的情況下做多變量測試，會因為樣本量不夠而無法得到統計顯著的結果——你可能測了一個月，卻什麼都沒學到。
Email 行銷中的 A/B 測試是什麼？
在電子郵件行銷活動中，A/B 測試的邏輯相同，但有幾個特殊之處：
主要測試指標不同： 網頁 A/B 測試通常看轉化率，但 Email A/B 測試的核心指標是開信率（Open Rate）和點擊率（Click-Through Rate）。這兩個指標決定了你的郵件是否被看到、內容是否有效。
常見測試元素：
- 主旨行（Subject Line）：影響開信率最大的因素，通常是第一個值得測試的變量
- 發送時間：星期二上午 vs 星期四下午，不同受眾的最佳時段不同
- 寄件者名稱：「品牌名稱」vs「個人名字 from 品牌」
- CTA 按鈕文案與位置：影響點擊率的關鍵
- 郵件內容長度：簡短摘要 vs 完整內容
執行方式： 大多數 Email 行銷工具（如 Mailchimp、GetResponse）都內建 A/B 測試功能。你可以先將郵件名單的 20%-30% 隨機分為兩組，分別發送 A 和 B 版本，等待 2-4 小時後，系統自動將表現較好的版本發送給剩餘的 70%-80% 收件人。
為什麼要做 A/B Testing？5 大核心價值
對台灣中小企業來說，行銷預算有限是常態。A/B 測試的價值在於：它讓你用最小的成本驗證假設，避免把整筆預算押在一個未經驗證的方案上。以下是 5 大核心價值：
1. 數據驅動決策，降低主觀判斷風險
「老闆覺得藍色比較好」和「數據顯示藍色按鈕的轉化率高出 18%」是完全不同的決策品質。A/B 測試讓團隊從「我覺得」轉向「數據顯示」，這在行銷預算有限時尤其重要——每一分錢都應該花在有數據支撐的方案上。
2. 持續優化轉化率，累積複利效應
單次 A/B 測試可能只提升 5% 的轉化率，但如果你每月執行 2-3 次測試，一年下來的累積效果是驚人的。例如，電商平台測試 CTA 按鈕文案從「立即購買」改為「限時優惠，立即搶購」，點擊率提升了 21%——這個改動的開發成本幾乎為零。
3. 降低大規模改版的風險
在全面改版Landing Page 之前，先用 A/B 測試驗證關鍵改動是否有效。這比「改完才發現轉化率下降」要好得多。
4. 深入理解目標受眾
A/B 測試的結果不只是「A 好還是 B 好」，更重要的是「為什麼」。當你發現具體折扣數字（「-30%」）比模糊描述（「大促銷」）的開信率高出 8.4 個百分點，你就更理解了受眾的心理偏好——這些洞察可以應用到所有行銷通道。建立Persona 時，A/B 測試的結果是最真實的行為數據來源。
5. 建立團隊的實驗文化
當團隊養成「先測試再決策」的習慣，行銷策略的品質會持續提升。每次測試都是一次學習——即使「失敗」的測試（B 版本沒有比 A 好）也有價值，因為你排除了一個無效假設。
A/B 測試適合用在哪裡？6 大應用場景
幾乎所有涉及用戶互動的行銷元素都可以進行 A/B 測試。以下是 6 個最常見且投資報酬率最高的應用場景：
場景 1：Landing Page 優化
- 測試元素：標題文案、主視覺圖片、表單欄位數量、頁面長度
- 衡量指標：轉化率（填表、註冊、購買）
- 預期效益：優化後的 Landing Page 轉化率通常可提升 10%-30%
- 實例：將表單欄位從 7 個縮減為 3 個（姓名、Email、公司），轉化率從 2.1% 提升至 3.8%
場景 2：Email 主旨行
- 測試元素：主旨行文案、長度、是否包含 emoji、個人化（加入收件人名字）
- 衡量指標：開信率（Open Rate）
- 預期效益：好的主旨行可將開信率提升 5%-15%
- 實例：「您的專屬優惠」vs「王小明，這是你的 NT$500 折扣碼」——後者開信率高出 12%
場景 3：CTA 按鈕
- 測試元素：按鈕文案、顏色、大小、位置
- 衡量指標：點擊率（CTR）
- 預期效益：CTA 是轉化漏斗的最後一步，微小改動可能帶來顯著提升
- 實例：「免費試用」vs「開始你的 14 天免費試用」——後者點擊率高出 9%
場景 4：定價策略
- 測試元素：價格呈現方式（月付 vs 年付折扣）、方案命名、價格錨定
- 衡量指標：付費轉化率、平均客單價
- 預期效益：定價頁面的 A/B 測試直接影響營收
- 實例：將年付方案標示為「每月省 NT$200」vs「年省 NT$2,400」——前者的年付選擇率高出 15%
場景 5：廣告文案
- 測試元素：廣告標題、描述文字、圖片/影片素材
- 衡量指標：點擊率（CTR）、每次點擊成本（CPC）、ROAS
- 預期效益：優化廣告文案可降低 CPC 並提升廣告投放效率
- 實例：Facebook 廣告測試「痛點導向」vs「利益導向」標題，後者 CTR 高出 23%
場景 6：App 介面與用戶流程
- 測試元素：註冊流程步驟數、引導頁設計、功能入口位置
- 衡量指標：註冊完成率、功能使用率、留存率
- 預期效益：簡化流程可顯著降低用戶流失
- 實例：將 App 註冊從 5 步縮減為 3 步，註冊完成率從 34% 提升至 52%
行銷團隊的實務建議： 當你有多個測試想法時，用「高影響力 × 低開發成本」的矩陣來排序。CTA 文案和 Email 主旨行通常是最值得優先測試的——改動成本幾乎為零，但對轉化率的影響最直接。我們行銷團隊在 monday.com 的看板上維護一份「A/B 測試待辦清單」，每個測試卡片標註預期影響力和開發成本，這樣團隊每週都能快速決定下一個要執行的測試。
A/B 測試工具推薦：Landing Page 與 Email 行銷工具比較
選擇 A/B 測試工具時，需要考量五個核心標準：
- 內建 A/B 測試功能的完整度——是否支援自動流量分配、統計顯著性計算
- 與現有工具的整合性——能否串接 GA4、CRM 等系統
- 操作門檻——團隊是否需要額外的技術能力
- 價格與免費方案——台灣中小企業的預算考量
- 數據分析報告品質——能否清楚呈現測試結果與ROI
重要提醒： Google Optimize 已於 2023 年 9 月正式停止服務。如果你過去使用 Google Optimize 進行網頁 A/B 測試，現在需要遷移到其他工具。以下是目前最主流的替代方案。
Landing Page A/B 測試工具比較
| 工具 | 適合對象 | 核心功能 | 免費方案 | 價格(NT$/月) |
|---|---|---|---|---|
| Unbounce | 需要快速建立高轉化 Landing Page 的行銷團隊 | 拖放編輯器、Smart Traffic AI 自動優化、A/B 測試 | 14 天免費試用 | 約 NT$2,900 起 |
| Instapage | 注重個人化體驗與企業級轉化優化 | 熱力圖分析、1:1 廣告對應頁面、A/B 測試 | 14 天免費試用 | 約 NT$6,000 起 |
| Leadpages | 預算有限的小型企業與個人品牌 | 模板豐富、彈出視窗、整合支付功能 | 14 天免費試用 | 約 NT$1,200 起 |
| Landingi | 需要大量建立 Landing Page 的代理商 | 400+ 模板、Smart Sections、A/B 測試 | 14 天免費試用 | 約 NT$900 起 |
Email 行銷 A/B 測試工具比較
| 工具 | 適合對象 | 核心功能 | 免費方案 | 價格(NT$/月) |
|---|---|---|---|---|
| Mailchimp | 入門到中階的 Email 行銷團隊 | A/B 測試主旨行/內容/發送時間、自動化流程 | 免費（500 封/月，250 聯絡人） | 約 NT$640 起（Standard） |
| Omnisend | 電商品牌（Email + SMS 整合） | 多通道自動化、產品推薦、A/B 測試 | 免費（250 封/月） | 約 NT$500 起 |
| Moosend | 追求高 CP 值的中小企業 | 拖放編輯器、行為觸發自動化、A/B 測試 | 30 天免費試用 | 約 NT$300 起 |
| GetResponse | 需要全方位行銷平台的團隊 | Email 行銷、Landing Page、網路研討會、A/B 測試 | 30 天免費試用 | 約 NT$600 起 |
Mailchimp 免費方案可發 500 封信，但 A/B 測試功能需升級 Standard 方案才能解鎖進階分析功能（如多變量測試、發送時間優化）。如果你的 Email 名單超過 500 人且定期發送電子報，Standard 方案的 A/B 測試功能通常能在 2-3 次測試內回本。
你的行銷團隊適合哪個工具？
- 1-3 人、個人品牌或自由接案 → Mailchimp 免費方案（Email 行銷）+ Leadpages（Landing Page）
- 3-10 人行銷團隊、多通道活動 → monday.com 管理測試排程與結果追蹤（免費方案不需要信用卡）+ Unbounce 或 Mailchimp Standard
- 10 人以上、需要 CRM + 行銷自動化 → HubSpot Marketing Hub（免費 CRM 不需信用卡，升級 Marketing Hub Pro 解鎖 A/B 測試與自動化完整功能）
- 電商品牌、需要 Email + SMS 整合 → Omnisend
【AB Test 教學】5 步驟執行 A/B 測試
這是本文的核心章節。無論你是第一次做 A/B 測試，還是想建立更系統化的測試流程，以下 5 個步驟都適用。
第 1 步：設定測試目標與假設
很多人跳過這一步直接開始改東西，結果測完了不知道自己在測什麼。一個好的 A/B 測試始於一個清晰的假設。
測試假設撰寫公式：
如果我將 [元素] 從 [現狀] 改為 [變更]，預期 [指標] 提升 [幅度]，因為 [理由]。
範例：
- 「如果將 CTA 按鈕文案從『立即購買』改為『限時優惠，立即搶購』，預期點擊率提升 15%，因為限時感會觸發 FOMO（錯失恐懼）心理。」
- 「如果將 Email 主旨行從『本月新品上架』改為『3 款新品限量 100 組，搶先看』，預期開信率提升 10%，因為具體數字和稀缺性能提高緊迫感。」
目標設定的 SMART 原則：
- Specific（具體）：不是「提升轉化率」，而是「提升 Landing Page 的表單提交率」
- Measurable（可衡量）：設定具體數字，如「從 2.1% 提升至 2.8%」
- Achievable（可達成）：首次測試預期提升 5%-20% 是合理的，預期提升 200% 通常不切實際
- Relevant（相關）：測試目標要與業務 KPI 直接相關
- Time-bound（有時限）：設定測試的起止日期
第 2 步：選擇測試變量並建立版本
確定假設後，接下來是選擇要測試的變量並建立兩個版本。
單一變量原則（最重要的規則）： 每次測試只改動一個元素。如果你同時改了標題和圖片，即使 B 版本表現更好，你也無法確定是標題還是圖片造成的差異。
哪些變量最值得優先測試？
用「影響力 × 開發成本」矩陣來排序：
優先測試左上象限——高影響力、低開發成本的變量，例如 CTA 文案、Email 主旨行、按鈕顏色。這些改動通常只需要幾分鐘，但對轉化率的影響最直接。
建立版本時，確保：
- A 版本（控制組）= 目前正在使用的版本
- B 版本（實驗組）= 僅改動一個變量的新版本
- 兩個版本在其他所有方面完全相同（包括頁面載入速度、圖片大小等）
第 3 步：計算樣本量與測試時長
這是初學者最常卡關的步驟，也是很多 A/B 測試失敗的原因——樣本量不夠或測試時間太短，導致結果不可靠。
樣本量計算邏輯：
樣本量取決於三個因素： 1. 基準轉化率：你目前的轉化率是多少？ 2. 最小可偵測效果（MDE）：你希望偵測到多小的提升？ 3. 統計功效（Power）：通常設定為 80%
實際範例：
- 基準轉化率 = 2%
- 預期提升至 2.4%（即 MDE = 20% 相對提升）
- 統計功效 = 80%，顯著水準 = 95%
- 所需樣本量 ≈ 每組 4,700 人，共 9,400 人
如果你的網站每天有 500 位訪客，這個測試大約需要 19 天才能收集到足夠的樣本量。
推薦免費計算工具：
- Evan Miller Sample Size Calculator（搜尋「Evan Miller A/B test sample size」即可找到）——輸入基準轉化率和預期提升幅度，自動計算所需樣本量
- VWO 樣本量計算器——提供更直觀的介面
測試時長建議：
- 最少 7 天——即使樣本量在第 3 天就夠了，也要跑滿一週，以消除「星期效應」（例如週末和工作日的用戶行為可能不同）
- 最長不超過 4 週——測試時間太長會增加外部因素干擾的風險（如季節變化、競品活動等）
- 避開特殊時段——不要在雙 11、農曆新年等促銷期間啟動測試，這些時段的用戶行為不具代表性
第 4 步：執行測試並監控數據
測試啟動後，最重要的原則是：不要動它。
執行期間的注意事項：
- 不要中途修改任何版本——即使你覺得 B 版本的某個地方可以再改進，也要等這輪測試結束後再做
- 不要提前偷看結果就下結論——前 2-3 天的數據波動很大，不具統計意義。很多人在第 2 天看到 B 版本領先就急著宣布勝利，結果第 5 天 A 版本反超
- 避免外部干擾事件——如果測試期間剛好遇到突發事件（如品牌被媒體報導、競品大促銷），這些外部因素會污染測試結果，可能需要重新測試
- 確保流量分配均勻——使用工具的自動隨機分配功能，不要手動分配
監控重點：
- 確認兩組的流量分配比例是否接近 50:50
- 確認追蹤代碼正常運作（GA4 有收到數據）
- 記錄測試期間的任何異常事件（伺服器當機、廣告預算變動等）
第 5 步：解讀結果並採取行動
測試結束後，不要只看「哪個版本的數字比較大」——你需要確認結果是否具有統計顯著性。
p 值白話解釋：
p 值（p-value）是統計學中衡量「結果是否為隨機巧合」的指標。
- p < 0.05 = 95% 的信心水準，表示觀察到的差異有 95% 的機率不是隨機造成的 → 結果可信
- p > 0.05 = 差異可能只是隨機波動 → 結果不可信，不應據此做決策
舉例：如果 A 版本轉化率 2.1%、B 版本轉化率 2.5%，看起來 B 比較好。但如果 p 值 = 0.12，代表有 12% 的機率這個差異只是隨機波動——你不應該因此就全面部署 B 版本。
推薦免費統計顯著性計算工具：
- AB Testguide Significance Calculator
- VWO A/B Test Significance Calculator
三種結果情境的處理方式：
| 情境 | 判斷標準 | 行動 |
|---|---|---|
| B 版本顯著勝出 | p < 0.05 且 B 版本指標明顯優於 A | 全面部署 B 版本，記錄學習，設計下一個測試假設 |
| 結果不顯著 | p > 0.05 | 延長測試時間（如果樣本量不足）或重新設計假設（如果樣本量已足夠） |
| A 版本反而更好 | p < 0.05 且 A 版本指標優於 B | 保留 A 版本，分析 B 版本失敗的原因，記錄學習並測試新假設 |
實務建議： 每次測試結束後，在 monday.com 的行銷活動看板上建立一張「測試結果卡片」，記錄假設、結果、p 值和學習重點。當你累積了 10-20 次測試結果，就能看出受眾的行為模式——這些洞察比任何單次測試都有價值。
A/B 測試結果怎麼看？4 個關鍵數據指標
除了上一節提到的統計顯著性，以下是解讀 A/B 測試結果時必須關注的 4 個關鍵指標：
指標 1：轉化率（Conversion Rate）
計算公式： 轉化率 = （達成目標行為的用戶數 ÷ 總訪問用戶數）× 100%
判讀標準：
- 比較兩組的轉化率差異，而非絕對數字
- 例如 A 版本 2.1% vs B 版本 2.5%，相對提升幅度 = (2.5-2.1)/2.1 = 19%
常見誤判： 只看轉化率的絕對差異（0.4 個百分點看起來很小），忽略了相對提升幅度（19% 其實很顯著）。對電商來說，轉化率從 2.1% 提升到 2.5%，如果月流量 10 萬人，等於每月多 400 筆訂單。
指標 2：樣本大小（Sample Size）
判讀標準：
- 樣本量是否達到測試前計算的最低門檻
- 兩組的樣本量是否大致相等（偏差不超過 5%）
常見誤判： 樣本量不足就下結論。如果你計算出需要每組 4,700 人，但只收集了 1,000 人就停止測試，結果的可信度極低。
指標 3：測試時長（Duration of Test）
判讀標準：
- 是否涵蓋至少一個完整的業務週期（通常是 7 天）
- 是否避開了異常事件（促銷活動、系統故障等）
常見誤判： 週一到週三的數據顯示 B 版本大幅領先，就提前結束測試。但週末的用戶行為可能完全不同——B 版本的優勢可能在週末消失。
指標 4：分段分析（Segmented Analysis）
判讀標準：
- 按裝置類型（桌機 vs 手機）分段查看結果——手機用戶和桌機用戶的行為模式可能截然不同
- 按流量來源（自然搜尋 vs 付費廣告 vs 社群）分段——不同來源的用戶意圖不同
- 按地理位置分段——台北和高雄的用戶偏好可能不同
常見誤判： 只看整體結果，忽略了分段差異。例如，整體結果顯示 A 和 B 沒有顯著差異，但分段後發現 B 版本在手機用戶中轉化率高出 30%，而在桌機用戶中反而低了 10%。這種情況下，你可以對手機用戶部署 B 版本，桌機用戶保留 A 版本。
統計顯著性計算工具推薦：
- AB Testguide（abtestguide.com）——輸入兩組的訪客數和轉化數，自動計算 p 值和信賴區間
- VWO 顯著性計算器——提供視覺化的結果呈現，適合向非技術背景的團隊成員報告
進行市場分析時，A/B 測試的分段數據是最有價值的第一手資料——它告訴你不同用戶群體的真實行為偏好，而非問卷調查中的「自稱偏好」。
A/B 測試實戰案例：電郵主旨行優化
以下是一個完整的 Email A/B 測試案例，從設計到結果分析，展示如何將上述 5 步驟付諸實踐。
測試背景與假設
某電商公司希望提高電郵行銷活動的開信率。根據過去的數據，他們的平均開信率約 20%。行銷團隊提出假設：
如果將主旨行從模糊的促銷描述改為具體的折扣數字，預期開信率提升 5-10 個百分點，因為具體數字比模糊描述更能吸引注意力。
測試設計
- 變量：電郵主旨行
- A 版本（控制組）：「大促銷已開始！」
- B 版本（實驗組）：「所有商品 -30% 折扣！」
- 衡量指標：電郵開信率
- 執行時間：星期二上午 9:30
- 對象分配：訂閱者隨機分為 4 組，前兩組各 25% 分別接收 A 和 B 版本
測試結果
| 版本 | 主旨行 | 開信率 |
|---|---|---|
| A 版本（控制組） | 大促銷已開始！ | 19.4% |
| B 版本（實驗組） | 所有商品 -30% 折扣！ | 27.8% |
B 版本的開信率高出 8.4 個百分點，相對提升幅度達 43%。
結果分析：為什麼 B 版本勝出？
這個結果背後有一個認知心理學原理——具體性原則（Concreteness Principle）：
人類大腦對具體的數字和資訊的處理速度遠快於抽象描述。「-30%」是一個具體的、可立即理解的數字，收件人在掃描信箱時能瞬間判斷「這對我有多少價值」。而「大促銷」是模糊的——促銷可能是 5% 也可能是 50%，收件人需要額外的認知努力才能判斷是否值得打開。
在信箱中，你的主旨行只有 1-2 秒的注意力窗口。具體數字能在這個極短的時間內傳遞明確的價值主張。
後續行動與延伸測試
根據這次測試結果，公司在星期三上午 9:30 將 B 版本發送給剩餘 50% 的訂閱者，最大化這波活動的開信率。
延伸測試假設： 既然具體數字有效，下一步可以測試「加入緊迫感」是否能進一步提升：
- C 版本：「限時 24 小時：所有商品 -30% 折扣！」
- 預期：緊迫感（限時 24 小時）+ 具體數字（-30%）的組合可能進一步提升開信率 3-5 個百分點
GA4 串接追蹤： 開信率只是第一步。更重要的是追蹤這些開信的用戶後續在網站上的行為。在 Email 中的連結加入 UTM 參數（如 utm_campaign=email_ab_test_subject&utm_content=version_b），就能在 GA4 中追蹤：
- 從 Email 進站的用戶轉化率
- 平均瀏覽頁數和停留時間
- 最終購買轉化率
這樣你不只知道「哪個主旨行開信率高」，還知道「哪個主旨行帶來的用戶品質更好」。
行銷團隊在規劃這類測試時，建議將每次測試的假設、結果和學習重點記錄在統一的地方。我們團隊用 monday.com 的行銷看板追蹤所有 A/B 測試的進度和結果，每張卡片包含測試假設、執行日期、結果數據和下一步行動——這樣團隊成員都能看到過去的測試學習，避免重複測試已經驗證過的假設。
結論
A/B 測試是行銷人最實用的數據驅動決策工具。回顧本文重點：
- A/B 測試的核心是單一變量原則——每次只改一個元素，才能確定是什麼造成了差異
- 5 步驟執行流程：設定假設 → 選擇變量 → 計算樣本量 → 執行測試 → 解讀結果
- 統計顯著性是關鍵：p < 0.05 才能確認結果不是隨機巧合，推薦使用 AB Testguide 或 VWO 計算器
- 優先測試高影響低成本的變量：CTA 文案、Email 主旨行、按鈕顏色是最佳起點
- 每次測試都是學習：即使 B 版本沒有勝出，你也排除了一個無效假設，這本身就有價值
下一步行動建議： 從你的行銷企劃中挑出一個正在進行的活動，用本文的假設撰寫公式寫出你的第一個測試假設。然後在 monday.com 用「行銷活動模板」建立一個 A/B 測試追蹤看板，填入測試假設、預期指標和時程——10 分鐘就能建好你的第一個測試框架，免費方案不需要信用卡。
A/B 測試常見問題（FAQ）
A/B 測試會影響 SEO 嗎？
正確執行的 A/B 測試不會影響 SEO。關鍵是使用 rel="canonical" 標籤指向原始頁面（A 版本），告訴搜尋引擎哪個是「正式版本」。大多數 A/B 測試工具（如 Unbounce、VWO）會自動處理這個設定。需要避免的是：為 A/B 測試建立完全不同 URL 的頁面卻不設定 canonical——這可能導致重複內容問題。
A/B 測試需要多少樣本量？
樣本量取決於你的基準轉化率和預期提升幅度。以基準轉化率 2%、預期提升至 2.4% 為例，每組需要約 4,700 人。推薦使用 Evan Miller Sample Size Calculator 進行計算——輸入基準轉化率、最小可偵測效果和統計功效（建議 80%），即可得到所需樣本量。
A/B 測試結果不一致怎麼辦？
首先檢查樣本量是否足夠、測試時長是否涵蓋完整週期（至少 7 天）。如果這些都沒問題，嘗試做分段分析——整體結果不顯著，但特定用戶群（如手機用戶）可能有顯著差異。如果分段後仍無顯著結果，代表這個變量對用戶行為的影響不大，記錄學習後轉向測試其他變量。
A/B 測試有哪些道德與隱私問題？
在台灣，A/B 測試需要遵守《個人資料保護法》。主要注意事項：
- 不要在測試中收集超出必要範圍的個人資料
- 如果測試涉及定價差異，確保不會對特定用戶群造成不公平的價格歧視
- 在隱私政策中說明網站可能進行體驗優化測試
- 如果你的用戶包含歐盟居民，還需要遵守 GDPR 的相關規定
如何選擇 A/B 測試工具？
5 個選擇標準：(1) 是否內建統計顯著性計算；(2) 能否與你現有的 GA4、CRM 系統整合；(3) 操作介面是否直覺（團隊不需要額外培訓）；(4) 免費方案或試用期是否足夠評估；(5) 價格是否符合你的行銷預算與預期 ROI。詳細的工具比較請參考本文的「A/B 測試工具推薦」章節。
A/B 測試和 AA 測試有什麼不同？
AA 測試是將兩組用戶同時展示完全相同的版本（A vs A），目的不是比較哪個版本更好，而是驗證你的測試工具和流量分配機制是否準確。如果 AA 測試的兩組結果出現顯著差異，代表你的測試環境有問題（可能是流量分配不均、追蹤代碼有誤等），需要先修復再進行正式的 A/B 測試。建議在首次使用新的測試工具時，先跑一次 AA 測試作為校準。
A/B 測試工具值得付費嗎？
如果你每月只做 1-2 次簡單的 Email 主旨行測試，Mailchimp Standard 方案（約 NT$640/月）的內建 A/B 測試功能就足夠了。但如果你需要測試 Landing Page、需要進階的分段分析和統計報告，專業工具（如 Unbounce、VWO）的投資通常能在 3-5 次測試內回本——一次成功的 A/B 測試帶來的轉化率提升，往往遠超工具的月費成本。
