القائمة
A/B 测试设计器 - 设计产品页面 A/B 测试，包括样本量计算、统计显著性分析和结果解读
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
高级客户细分 - RFM 分析、客户生命周期价值(CLV)计算、行为细分和个性化营销建议
高级财务分析器 - P&L报表、现金流预测、部门/产品线盈利分析、财务比率分析、预算vs实际对比、财务仪表板、合规报告
异常检测器 - 销售异常检测、流量异常、转化率异常、库存异常、原因分析、告警设置、自动通知
API 集成连接器 - 指导电商 API 集成，包括 Shopify API、ERP/CRM 集成和 Webhook 配置
归因分析器 - 多触点归因模型分析，归因价值分配，渠道贡献度分析，转化路径分析
自动化工作流设计器 - 复杂多步骤自动化、条件逻辑和分支、多系统集成、错误处理和重试、工作流监控、效率优化
| name | ab-test-designer |
| description | A/B 测试设计器 - 设计产品页面 A/B 测试，包括样本量计算、统计显著性分析和结果解读 |
| version | 1.0.0 |
| author | Shopilot |
| argument-hint | <test-type> <page-element> [hypothesis] |
| disable-model-invocation | false |
| user-invocable | true |
科学的 A/B 测试设计，数据驱动的优化决策
专业的 A/B 测试设计系统，帮助电商企业设计、执行和分析科学的 A/B 测试，通过数据驱动优化产品页面和营销策略。
测试类型:
├─ 标题测试
├─ 价格测试
├─ 图片测试
├─ 描述测试
├─ CTA测试
├─ 布局测试
└─ 完整页面测试
测试要素:
├─ 原假设（H0）
├─ 备择假设（H1）
├─ 变量定义
├─ 对照组设置
└─ 实验组设置
计算参数:
├─ 基准转化率
├─ 最小检测效应（MDE）
├─ 显著性水平（α）
├─ 统计功效（1-β）
└─ 测试变体数量
计算方法:
├─ Z检验样本量
├─ 卡方检验样本量
├─ 顺序检验样本量
└─ 贝叶斯样本量
分析方法:
├─ Z检验（比例）
├─ t检验（均值）
├─ 卡方检验（分类）
├─ 方差分析（多组）
└─ 贝叶斯分析（概率）
显著性指标:
├─ p值
├─ 置信区间
├─ 效应量
└─ 统计功效
解读维度:
├─ 统计显著性
├─ 实际显著性
├─ 商业影响
├─ 风险评估
└─ 实施建议
可视化:
├─ 转化率曲线
├─ 置信区间图
├─ 累积收益图
└─ 贝叶斯后验分布
识别机会:
数据分析:
- 高流量页面
- 低转化率页面
- 高跳出率页面
- 高退单率页面
用户反馈:
- 客户投诉
- 评价反馈
- 客服咨询
- 用户测试
竞品分析:
- 竞品做法
- 行业趋势
- 最佳实践
- 创新机会
优先级评估:
- 影响范围
- 实施难度
- 资源投入
- 预期收益
假设结构:
IF-THEN-BECAUSE:
IF: [改变什么]
THEN: [预期结果]
BECAUSE: [原因机制]
示例:
IF: 将"立即购买"改为"加入购物车-免运费"
THEN: 转化率提升 15%
BECAUSE: 降低决策风险，增加购买动机
假设评估:
具体: 可量化
可测: 可验证
相关: 与目标相关
时间: 有时间框架
设计原则:
单一变量:
- 一次测试一个变量
- 避免混淆因素
- 清晰归因
对照组:
- 保持原样
- 作为基准
- 随机分配
实验组:
- 修改目标变量
- 控制其他因素
- 独立随机分配
设计示例:
标题测试:
对照组: "Markdown 编辑器"
实验组: "技术写作者的 Markdown 编辑器"
价格测试:
对照组: ¥99
实验组: ¥89（限时优惠）
CTA测试:
对照组: "提交"
实验组: "立即获得-30天退款保证"
计算公式:
两比例检验:
n = (Zα/2 + Zβ)² × [p1(1-p1) + p2(1-p2)] / (p1-p2)²
参数设定:
α (显著性水平): 0.05
1-β (统计功效): 0.8
p1 (基准转化率): 0.02
p2 (目标转化率): 0.023 (+15%)
快速计算表:
基准率 | 提升 | 每组样本量 | 总样本量
------|-----|----------|--------
1% | 20% | 156,800 | 313,600
2% | 15% | 46,800 | 93,600
3% | 10% | 39,000 | 78,000
5% | 10% | 23,400 | 46,800
10% | 5% | 15,600 | 31,200
执行步骤:
准备:
- 技术实现
- 数据追踪
- 质量检查
- 灰度发布
启动:
- 随机分流
- 流量分配
- 监控启动
- 实时检查
监控:
- 每日检查
- 异常检测
- 数据质量
- 用户体验
结束:
- 达到样本量
- 统计显著性
- 时间限制
- 商业决策
统计分析:
描述性统计:
- 转化率
- 标准差
- 置信区间
- 效应量
推断性统计:
- p值
- 显著性判断
- 统计功效
- 贝叶斯概率
商业分析:
- 收益估算
- 成本分析
- ROI计算
- 风险评估
测试目标: 提升点击率和转化率
对照组:
标题: "无线蓝牙耳机"
实验组 A:
标题: "降噪无线蓝牙耳机 - 30小时续航"
实验组 B:
标题: "运动健身专用蓝牙耳机 - 防水防汗"
假设:
H0: 标题修改不影响转化率
H1: 包含卖点的标题提升转化率 20%
样本量:
基准转化率: 2%
预期提升: 20%
每组样本: 46,800访客
测试周期: 2-3周
成功标准:
- 统计显著性: p < 0.05
- 最小提升: >15%
- 置信区间: 不跨越0
测试目标: 找到最优价格点
对照组:
价格: ¥199
实验组 A:
价格: ¥179（-10%）
实验组 B:
价格: ¥189（-5%）
假设:
H0: 价格变化不影响总收益
H1: 降价提升销量，总收益增加
关注指标:
- 转化率
- 总收益
- 利润率
- 客单价
样本量:
基准转化率: 3%
每组样本: 39,000访客
测试周期: 2-3周
风险控制:
- 设置最低价格
- 监控利润率
- 库存影响
- 品牌价值
测试目标: 提升点击率
对照组:
文案: "提交"
颜色: 灰色
位置: 右下角
实验组 A:
文案: "立即购买-免运费"
颜色: 红色
位置: 右下角
实验组 B:
文案: "立即购买-30天退款保证"
颜色: 绿色
位置: 右下角
假设:
H0: CTA修改不影响点击率
H1: 降低风险的CTA提升点击率 25%
样本量:
基准点击率: 5%
预期提升: 25%
每组样本: 15,600访客
测试周期: 1-2周
测试目标: 提升转化率和停留时间
对照组:
图片: 产品白底图
实验组 A:
图片: 产品使用场景图
实验组 B:
图片: 产品+模特图
假设:
H0: 图片类型不影响转化率
H1: 场景化图片提升转化率 15%
关注指标:
- 转化率
- 停留时间
- 跳出率
- 点击率
样本量:
基准转化率: 2.5%
预期提升: 15%
每组样本: 54,600访客
测试周期: 3-4周
测试目标: 优化价格展示方式
对照组:
展示: "¥199"
实验组 A:
展示: "¥199 ¥299"（划线价）
实验组 B:
展示: "¥199 (省¥100)"
实验组 C:
展示: "分期: ¥16.58×12期"
假设:
H0: 展示方式不影响转化率
H1: 锚定价格提升感知价值，提升转化率
样本量:
基准转化率: 2%
每组样本: 46,800访客
测试周期: 2-3周
# 转化率比较
from statsmodels.stats.proportion import proportions_ztest
# 数据
control_conversions = 1000
control_total = 50000
treatment_conversions = 1200
treatment_total = 50000
# 执行检验
count = [control_conversions, treatment_conversions]
nobs = [control_total, treatment_total]
z_stat, p_value = proportions_ztest(count, nobs)
# 结果判断
if p_value < 0.05:
print("统计显著！p =", p_value)
else:
print("不显著", p_value)
# 计算提升
control_cr = control_conversions / control_total
treatment_cr = treatment_conversions / treatment_total
lift = (treatment_cr - control_cr) / control_cr
print(f"提升: {lift:.2%}")
import numpy as np
from statsmodels.stats.proportion import proportion_confint
# 转化率置信区间
conversions = 1200
total = 50000
cr = conversions / total
# 95% 置信区间
ci_low, ci_upp = proportion_confint(conversions, total, alpha=0.05)
print(f"转化率: {cr:.4f}")
print(f"95% CI: [{ci_low:.4f}, {ci_upp:.4f}]")
# 提升置信区间
# 需要考虑两组的方差
# 标准化均值差异
import numpy as np
from scipy import stats
# 两组数据
control = np.array([...]) # 对照组数据
treatment = np.array([...]) # 实验组数据
# 计算效应量
pooled_std = np.sqrt(
((len(control)-1)*control.std()**2 +
(len(treatment)-1)*treatment.std()**2) /
(len(control) + len(treatment) - 2)
)
cohens_d = (treatment.mean() - control.mean()) / pooled_std
# 解释
if abs(cohens_d) < 0.2:
effect = "小"
elif abs(cohens_d) < 0.5:
effect = "中"
elif abs(cohens_d) < 0.8:
effect = "大"
else:
effect = "非常大"
print(f"Cohen's d: {cohens_d:.3f} ({effect}效应)")
/ab-test-designer --design --type "标题" --page "产品页"
/ab-test-designer --calculate --baseline 0.02 --lift 0.15
/ab-test-designer --analyze --control 0.02 --treatment 0.023 --n 50000
/ab-test-designer --full --element "CTA按钮" --variants 3
/prime-page-builder - 创建测试页面/basic-analytics - 监控测试数据/checkout-optimizer - 优化结账流程/prime-product-desc - 优化产品描述让每一个决策都有数据支持！ 📊
版本: 1.0.0 更新: 2026-04-12 作者: Shopilot Team