A/B 測試該執行多久？

在Adobe Target中成功的A/B Test活動需要足夠的訪客（樣本大小）來提高轉換率。 您如何知道執行A/B測試的時間長度？ 本文包含有關Auto-Allocate活動與Adobe Target樣本大小計算器的資訊，可協助您確保您的活動具有足夠的訪客來達成您的目標。

如果其中一個選件在活動的最初幾天效能優於或低於其他選件，您就很容易停止活動。 不過，當觀察值數目太少時，觀察到正提升度或負提升度極有可能只是機遇，因為轉換率以很少的訪客數目來算平均值。隨著活動收集更多的資料點，轉換率就會往真正長期值收斂。

Adobe Target提供的工具可協助確保您的活動有足夠的樣本大小來達成您的轉換目標：自動分配。

自動分配

自動分配活動是A/B測試的型別，可識別兩個或多個體驗中的獲勝者。 Auto-Allocate測試會自動重新分配更多流量給成功者以增加轉換，同時測試會繼續執行和學習。

標準 A/B 測試有其固有成本。您必須耗費流量來測量每個體驗的效能，並透過分析來定奪勝出體驗。即使在您認定某些體驗勝過其他體驗之後，流量分布仍然固定。另外，很難決定樣本大小，必須等到活動執行完整個過程，您才能對獲勝者採取動作。而且已識別的獲勝者也有可能不是真正的獲勝者。

方案是Auto-Allocate。 Auto-Allocate可減少決定成功體驗的成本和額外負荷。 Auto-Allocate會監視所有體驗的目標量度績效，並成比例地將更多新加入者傳送至表現優異的體驗。 有足夠的流量保留來探索其他體驗。即使活動仍在執行中，您仍可在結果中看到活動的好處：最佳化與學習同時發生。

Auto-Allocate會逐步將訪客推向成功體驗，而不是要求您等到活動結束再決定成功者。 您會更快從提升中受益，因為原本安排到較差體驗的活動加入者會看到潛在的勝出體驗。

使用Auto-Allocate時，Target會在活動的頁面頂端顯示徽章，指出「尚未有贏家」，直到活動達到具有足夠信賴的最低轉換數量為止。 Target接著會在活動頁面頂端顯示徽章，以宣告成功體驗。

如需詳細資訊，請參閱自動分配總覽。

AdobeTarget樣本大小電腦

如果您選擇使用手動A/B Test活動而非Auto-Allocate，Target樣本大小計算器可協助您判斷成功測試所需的樣本大小。 手動A/B測試是固定水平線測試，因此計算器會很有幫助。 使用Auto-Allocate活動的計算器是選用的，因為Auto-Allocate會為您宣告獲勝者。 計算器會提供您所需樣本大小的粗略估計。 如需有關如何使用此計算機的詳細資訊，請繼續閱讀。

設定A/B測試之前，請先存取Adobe Target 樣本大小電腦。

在執行A/B測試以建立活動在評估結果之前應執行的時間之前，請務必確定足夠的樣本大小（訪客數）。 在達到統計顯著性之前簡單地監控活動會導致信賴區間被大幅低估，使測試變得不可靠。 這個結果背後的直覺是，在偵測到統計上顯著的結果時，測試會停止，並宣告獲勝者。 不過，如果結果沒有統計顯著性，則可繼續測試。 此程序非常偏袒正面結果，這會增加誤判率，因而扭曲測試的有效顯著水準。

此程式可能會導致許多誤判，進而導致實施未最終提供預測提升度的選件。 提升度本身不佳，令人不滿意，但更嚴重的後果是，隨著時間的推移，無法準確預測提升度會削弱組織對測試慣例的信任。

本文討論決定樣本大小時必須平衡的因素，並介紹用於估計足夠樣本大小的計算器。 在任何A/B測試開始之前，使用樣本大小計算器（以上提供的連結）計算樣本大小，有助於確保您一律執行符合統計標準的高品質A/B測試。

有五個使用者定義參數可定義 A/B 測試。這些參數相互關聯，建立其中四個時，即可算出第五個:

在 A/B 測試中，統計顯著性、統計檢定力、最低可靠偵測提升度及基準轉換率由分析師設定，然後從這些數目算出必要的訪客數目。本文會討論這些元素，並提供如何針對特定測試決定這些量度的准則。

下圖顯示 A/B 測試可能的四種結果:

最好是沒有偽陽性或偽陰性。然而，統計測試永遠無法保證取得零誤判。 觀察的趨勢很可能無法代表基礎轉換率。例如，在測試中，看看翻硬幣時正面或反面是否更可能，即使使用平價硬幣，十次擲硬幣時也有可能得到10個正面或反面。 統計顯著性和檢定力協助我們將偽陽性率和偽陰性率量化，還可讓我們在給定的測試中，將這兩種比率維持在合理的水準。