轉換率

每個經驗都報告轉換率、提升率、置信度和置信間隔。

下圖顯示活動範例的圖表標題，並醒目提示轉換率、提升度和信賴度。

轉換率

顯示中位數轉換率、信賴度、區間和轉換次數。

例如，檢查下列轉換率報表欄:

第一行是控制體驗。其中顯示 15% 的轉換率，轉換三次。第二行 (體驗 B) 顯示 15% 轉換率，信賴區間加或減 15.65%，轉換三次。

提升度

對照控制體驗來比較每一個體驗的轉換率。

提升度 = (體驗 CR - 控制 CR) / 控制 CR

若控制值為 0，則無百分比提升度。

零售資料

如果您插入了定位訂單(orderConfirmPage框，並將其選作轉換框。

信賴等級與信賴區間

對於每個經驗，顯示置信度和置信度間隔。

您可以對 for Target (A4T) 執行離線計算，但在 AnalyticsAnalytics 中需要執行資料匯出的步驟。如需詳細資訊，請參閱以下的「對 Target (A4T) 執行離線計算」。

可信度

所顯示的經驗或要約的置信度是獲得結果的概率（以百分比表示），該結果比實際觀察到的結果的極小，如果空假說是真的，（實質上，如果該經驗或要約與控制經驗/要約之間的轉換率沒有差別）。 在p值方面，顯示的置信度為1-p值。 更簡單地說，置信度較高表明資料與控制和非控制提供/經驗具有相等轉換率的假設不一致。

可信度大於或等於 99.995% 時會四捨五入為 100.00%。

下定任何商業決策之前，請試著靜待出現足夠大小的樣本，且有一或多個體驗的四條信賴度在一段持續的時間內保持一致，以確保獲得穩定的結果。

信賴區間

的 置信區間 是在給定置信度下可找到度量真實值的估計範圍。 目標始終顯示95%置信區間。 信賴區間在「轉換率」欄中以淺灰色 +/- 百分比出現。在下列範例中，體驗 B 提升度的信賴區間會加或減 15.65%。

示例： 經觀察，RPV為10美元，95% 置信區間 5到15美元。 我們不知道，它的真正RPV是12美元。 然後，如果我們多次運行此test，我們計算的置信區間的95%將包含 真 價值12美元。

影響信賴區間的因素為何？​公式會遵循標準統計方法來計算信賴區間。

• 樣本尺寸: 樣本增大，區間就縮小或變窄。這代表您的報表越來越接近成功度量的真值，因此為有利狀況。
• 標準偏差較小: 結果越近似 (例如相似的 AOV、數字或每日轉換訪客)，便越會縮小標準偏差。

可信度計算以及如何離線執行計算

下載的 CSV 報表只包含原始資料，不含計算度量，例如每次造訪帶來的收入、提升度或用於 A/B 測試的信賴度。

要計算這些計算的度量，請下載目標 完全置信度計算器 Excel檔案，用於輸入活動值或查看 目標使用的統計計算。

為Adobe Target(A4T)執行分析的離線計算

您可以為 A4T 執行離線計算，但是它需要在 Analytics 中進行資料匯出的步驟。

對於 A4T，我們採用 Student 的 t 檢定來計算連續變數 (而非二元量度)。在 Analytics 中，一律會追蹤訪客，並統計每一個採取的動作。因此，如果訪客多次購物或多次造訪成功量度，這些額外的點閱會納入計算。這會使量度變成連續變數。要執行學生的ttest計算，需要「平方和」來計算差異，差異用於t統計的分母。 此文檔解釋了詳細資訊 所用的數學公式。 可從 Analytics。 若要取得平方和資料，您需要針對想要最佳化的量度，在樣本期間內執行訪客等級的匯出。

例如，假設您想最佳化每位訪客的頁面檢視，則需要匯出每位訪客在指定時間範圍內的頁面檢視總數樣本，或許是幾天 (所有您需要的就是幾千個資料點)。接著，您會求每一個值的平方，並算出總和 (此處的運算順序很重要)。然後，在「完整信賴度計算機」中會使用此「平方和」值。針對這些值，使用該試算表的「收入」區段。

使用 Analytics 資料匯出功能來這樣做:

1. 登入 Adobe Analytics。

2. 按一下「工具 > 資料倉儲」。

3. 在​「資料倉儲要求」​標籤上，填寫欄位。

   如需每一個欄位的相關資訊，請參閱資料倉儲中的「資料倉儲說明」。

   欄位	說明
   請求名稱	指定要求的名稱。
   報告日期	指定時段和精度。 最佳做法是不要為第一個要求選擇超過一小時或一天的資料。所要求的時段越長，資料倉儲檔案處理的時間就越長，最好一律先要求較短時段的資料，以確保檔案傳回預期的結果。接著，前往「要求管理程式」，複製要求，再第二次要求更多資料。此外，如果您將精度切換為「無」以外的任何值，檔案大小會大幅增加。
   可用區段	視需要套用區段。
   劃分	選取所需的維度:標準是內建 (OOTB)，而「自訂」包含 eVars 與屬性。如果需要訪客 ID 層級資訊，建議您使用「訪客 ID」，而非「Experience Cloud 訪客 ID」。 訪客 ID 是 Analytics 使用的最終 ID。這會是 AID (如果客戶是舊的) 或 MID (如果客戶是新的，或已清除從 MC 訪客 ID 服務啟動以來的 Cookie)。 僅針對新的客戶，或客戶已清除從 MC 訪客服務啟動以來的 Cookie，才會設定 Experience Cloud 訪客 ID。
   量度	選取所需的量度。標準是 OOTB，而「自訂」包含自訂事件。
   報表預覽	在排定報表之前檢閱設定。
   計劃傳送	輸入要將檔案傳送到哪個電子郵件地址、命名檔案，然後選取「立即傳送」。 注意: 在「進階傳送選項」 。

4. 按一下​「請求此報表」。

   檔案傳送最多可能需要 72 小時，視所要求的資料量而定。您隨時可以按一下「工具 > 資料倉儲 > 要求管理程式」，以檢查要求的進度。

   如果您想要再次要求從前要求過的資料，您可以視需要從「要求管理程式」複製舊的要求。

如需 Data Warehouse 的相關資訊，請參閱 Analytics 說明文件中的下列連結:

• 建立 Data Warehouse 請求
• Data Warehouse最佳做法

計算方法

您可以選擇依不同的計算方法來檢視報表，以瞭解活動在其存留期或單一作業階段期間影響使用者的方式。

下列活動類型支援計數方法:

• A/B 測試

  例外的是 A/B 活動僅支援預設「造訪」計數方法。

• 體驗鎖定目標 (XT)

• 多變數測試 (MVT)

  對於 MVT 元素貢獻報表，Target 不支援「收入量度」類型的「活動曝光次數」。

• Recommendations

對於自動個人化 (AP) 活動，目前僅支援預設計數方法 (造訪)。

您可以遵循下列計數方法來檢視報表:

• 訪客: 活動期間的唯一參與者。

  如果某人從新電腦或新瀏覽器造訪網站、刪除 Cookie，或以相同 Cookie 轉換和回到活動，則會將此人視為新的加入者。系統會使用訪客 mbox Cookie 中的 PCID 來識別加入者。若 PCID 變更，則會將使用者視為新訪客。

• 造訪: 在單一 30 分鐘的瀏覽器工作階段期間，體驗中的唯一參與者。

  若達成轉換或訪客在離開至少 30 分鐘後返回網站，則會將再度訪問的訪客視為新的造訪。系統會使用訪客 mbox Cookie 中的 sessionID 來識別瀏覽。當 sessionID 變更，則會視為新瀏覽。

• 曝光/頁面檢視: 每次使用者載入任何活動的頁面時，就計算一次。

  單次造訪可能包含多次曝光，例如首頁。

為什麼 Target 建議使用學生ttest?

A/Btest是將控制變數（也稱為經驗）中某個業務度量的平均值與一個或多個備用經驗中該度量的平均值進行比較的試驗。

Target 建議使用 韋爾奇Ttest因為這些假設比ztest等替代方法所需的假設少，並且是在控制體驗和備用體驗之間進行（定量）業務度量成對比較的適當的統計test。

詳細資訊

運行線上A/Btest時，每個用戶/訪問者都被隨機分配給一個變數。 隨後，我們對感興趣的業務指標（如轉換、訂單、收入等）進行計量 每個變數的訪客。 然後，我們使用的testtest平均業務量度（例如，轉換率、每用戶訂單、每用戶收入等）的假設 等於控制項和給定的替代變數。

雖然業務度量本身可能根據某些任意分佈進行分配，但此度量（在每個變數內）的平均值分佈應通過 中心極限定理。 請注意，雖然不能保證平均值的採樣分佈會以多快的速度收斂到正常，但是，考慮到線上測試中訪問者的規模，通常會達到此條件。

考慮到平均值的這種正態性，可以顯示要使用的test統計量遵循t分佈，因為它是基於資料的估計值（均值的標準誤差）的正常分佈值（商業度量手段的差）與縮放項的比。 的 ttest 假設test為t分佈，test統計量為t分佈。

為什麼不使用其他test

A ztest 在技術上是不合適的，因為在典型的A/B測試情形中，test統計的分母不是從已知方差派生的，而是必須從資料中估計。 但是，對於足夠大的樣品尺寸，ztest和ttest是相同的。

方形test 不使用，因為這些參數適合於確定兩個變體之間是否存在定性關係（即在變體之間沒有差異的空假說）。 Ttest更適合 定量 比較度量。

的 曼 — 惠特尼Utest 是非參數test，當平均業務度量（對於每個變數）的抽樣分佈不是正常分佈時，這是合適的。 但是，如前所述，考慮到線上測試所涉及的流量的大小，中心極限定理通常適用，因此ttest可以安全地應用。

更複雜的方法，如 阿諾瓦 (將ttest泛化為兩個以上變型)可在test有兩個以上經驗(「A/Bntest」)時應用。 然而，方差分析回答了「所有變型是否均值相同」的問題，而在典型的A/Bntest中，我們更感興趣的是 特定變體 最好。 在 Target因此，我們應用常規ttest將每個變數與一個控制項進行比較，並用Bonferroni校正來計算多個比較。