Exempel

Exempel på A/B-teststorlekar

Exempel gör A/B-testplanering enklare eftersom de visar hur antaganden förändrar trafikkravet. Den här sidan fokuserar på intuition snarare än formella bevis.

Exempel: måttlig baslinje, måttlig lyft

Tänk dig en sida med en baskonverteringsfrekvens på 10 % och en målökning på 2 procentenheter. Den typen av upplägg ger ofta ett hanterbart men ändå meningsfullt urvalskrav.

Det är ett bra exempel eftersom det ligger inom det intervall som många tillväxt- och produktteam faktiskt arbetar med.

Exempel: liten baslinje, liten lyftning

Tänk dig nu ett basvärde på 2 % och en höjning på 0,3 procentenheter. Det erforderliga urvalet ökar snabbt eftersom effekten är liten och basvärdet är relativt lågt.

Det är därför mycket små måleffekter kan göra experiment opraktiska för upplevelser med låg trafik.

Den praktiska lektionen

Exempel som dessa visar att den viktigaste frågan inte bara är hur mycket trafik du har. Det är om effekten du bryr dig om är tillräckligt stor för att upptäcka inom den trafik du realistiskt kan samla in.

Det är det som gör planering av urvalsstorlek till ett strategiskt filter för experiment.

Hur man lär sig av exempel utan att kopiera dem

Exempel är mest användbara för att bygga upp intuition kring hur antaganden samverkar. De visar hur baslinje, effektstorlek och kraft kan påverka trafikkravet mycket mer än vad folk förväntar sig.

Vad exempel inte bör göra är att ersätta dina egna planeringsinput. Även ett test som ser väldigt likt ut kan behöva ett annat urval om målgruppen, mätvärdet eller baslinjen beter sig annorlunda.

  • Använd exempel för att förstå riktning, inte för att kopiera ett exempelmål
  • Jämför din egen baslinje och MDE med exempeluppställningen
  • Behandla exempelnummer som illustrativa snarare än föreskrivande
  • Kör ditt eget scenario i kalkylatorn innan du startar

Relaterade sidor för Exempel på A/B-teststorlekar

Vanliga frågor

Vad får jag lära mig på den här sidan?
Exempel gör A/B-testplanering enklare eftersom de visar hur antaganden förändrar trafikkravet. Den här sidan fokuserar på intuition snarare än formella bevis.
Vem är den här A/B-testguiden för?
Den här guiden är för produktteam, growth marketers, analytiker och alla som planerar experiment och vill fatta bättre beslut om effektstorlek, trafik och testdesign.
Vad bör jag göra efter att ha läst den här sidan?
Använd förklaringen här för att välja realistiska antaganden och gå sedan vidare till kalkylatorn eller relaterade sidor för att uppskatta den trafik du behöver för ditt experiment.
Varför är exempel användbara om de inte exakt matchar mitt test?
De hjälper dig att bygga upp en intuition kring hur baslinje, MDE och effekt påverkar trafikkravet. Det gör det lättare att se om dina egna testantaganden är konservativa, aggressiva eller orealistiska.
Vad ska jag jämföra mellan ett exempel och mitt eget test?
Jämför baslinjekonverteringsfrekvensen, målökningen, inställningarna för konfidens och effekt samt mängden tillgänglig trafik. Dessa faktorer spelar vanligtvis mycket större roll än ytliga likheter mellan experiment.