TapCub 正式上线:统计、分析、客服一个平台免费用
增长与运营

网站个性化步骤:从分群到量出提升

网站个性化的六个步骤,用一个从分群到留出组测试的算例走一遍,包含样本量、显著性,并把提升区间折算成钱。

索菲娅·贝内特 发布于 2026 年 11 月 20 日 8 分钟阅读 增长与运营
示例数据:每组 10,000 位访客。实测相对提升 +17.1%;95% 区间大约是 +3% 到 +31%,所以实验组的真实转化率合理范围在 4.34% 到 5.50% 之间。示例数据

网站个性化的步骤是:定一个目标和指标,查清可以使用哪些数据,选一个分群,设计一个变化,用留出组做测试,上线之前量出提升。在算例里,一条购物车横幅把转化率从 4.20% 提到 4.92%,相对提升 17.1%,合理范围是 3% 到 31%。决定要不要上线的是这个区间,不是那个点。

读完你会知道

  • 按顺序走六步:目标、数据与同意、分群、一个变化、留出组测试、带区间的提升
  • 先算分群的大小:基线 4.2% 时,检测 15% 的提升,每组约需 17,000 位访客
  • 把提升写成区间,并给下限定价;只有它能覆盖搭建和维护成本才上线

网站个性化有哪些步骤?

网站个性化分六步:定一个目标和指标,查清可以使用哪些数据,选一个分群,设计一个变化,用留出组做测试,上线之前先量出提升。 顺序很重要。从第 4 步的变化开始、事后才去度量的团队,最后得到的是一个看起来很个性化的页面,和一个没人相信的数字。本文用同一个例子走完六步,算式全部写出。想了解更宽的概念和高级形式,见 超个性化;想了解买家怎么感受它,见 个性化购物体验。

步骤回答的问题产出
1. 目标要改变什么,怎么量?一个指标和一个目标值
2. 数据与同意我们可以用什么?一份允许使用的信号清单
3. 分群谁会看到变化?一条规则和一个人数
4. 变化他们会看到什么不同?一个写下来的改动
5. 留出组测试是这个改动造成的吗?对照组和实验组的结果
6. 提升与上线值得保留吗?带区间的决定
步骤回答的问题产出
1. 目标要改变什么,怎么量?一个指标和一个目标值
2. 数据与同意我们可以用什么?一份允许使用的信号清单
3. 分群谁会看到变化?一条规则和一个人数
4. 变化他们会看到什么不同?一个写下来的改动
5. 留出组测试是这个改动造成的吗?对照组和实验组的结果
6. 提升与上线值得保留吗?带区间的决定

跳过第 5 步的留出组,是最常见的失败。

第 1 步:单一目标是什么,怎么量?

选一个和业务结果挂钩的指标,并有基线。贯穿全文的例子(示例数据):一家网店想让加过购物车但七天内没有购买的回访访客多下单。指标是这个群体的下单转化率,基线是 4.2%。

为什么要这么做?麦肯锡 2021 年「个性化的下一步」调查在 2021 年 9 月访问了 1,013 名美国成年人,报告称 71% 的消费者期望企业提供个性化互动,76% 在没有做到时感到沮丧。这说明个性化值得尝试,但不能说明你的改动有没有效。只有你自己的指标能回答。

第 2 步:可以使用哪些数据?

列出你真正拥有、且允许使用的信号:页面浏览、来源、之前的访问、购物车内容、登录身份。匿名访客没有档案,所以信号必须是你能在会话里观察到的,或来自第一方标识。

查清针对你的受众的规则。按欧盟 GDPR 第 21 条,个人有权随时反对为直接营销而进行的处理,包括画像,一旦反对,其数据不得再用于该目的。把退出机制设计进去,如果你服务多个地区,就按更严格的规则执行。如果不确定某个信号是否允许使用,就在第一次测试里先不用它。

第 3 步:分群里有谁,人数够吗?

把规则写成同事能核对的条件语句:回访访客,购物车金额高于 40 美元,7 天内没有购买。 然后在动手构建之前先算人数。

示例数据:这条规则在测试窗口内匹配 20,000 位访客。基线 4.2%,需要多少人才能检测出提升?在 80% 检验功效、5% 显著性水平下,标准的双比例计算给出:检测 15% 的相对提升(4.2% 到 4.83%),每组约需 17,000 位访客;检测 20% 的相对提升,每组约需 9,800 位。每组 10,000 人时,测试能可靠发现约 20% 或更大的提升。如果分群太小,就放宽规则(去掉购物车金额的门槛),或把测试时间拉长。

第 4 步:他们会看到哪一个改动?

只改一件事,结果才能归因。示例数据:分群中的访客在页头下方看到一条横幅「还差 12 美元免运费」,数字根据他们的购物车金额计算,对照组看到原来的页面。上线前把假设写下来:横幅减少了对运费的意外,所以这个分群的转化率会上升。 与一个已知原因挂钩的假设,比「个性化横幅」更容易从中学到东西。

对照组的页面要和测试之前访客看到的完全一致,这样对比量的就只有这条横幅。两条护栏让这个变化保持诚实:不要展示会泄露敏感数据的内容(提到健康类购买的横幅是隐私问题,不是功能),并且当分群规则在一次访问中途不再匹配时,保证体验仍然连贯。

第 5 步:怎么用留出组来测试?

随机拆分的是这个分群,不是整个网站。一半人看到个性化横幅,一半人没有。留出组把「前后对比的故事」变成了度量,因为两组经历的是同样的工作日、促销和天气。

测试的示例数据,每组 10,000 位访客:

分组访客数订单数转化率
对照组10,0004204.20%
实验组10,0004924.92%

整个计划周期内都保持拆分。结果一好看就停止,会抬高假阳性。结束日期按第 3 步的样本量来定。

第 6 步:怎么算出提升并决定是否上线?

计算百分点差、相对提升和一个区间。

  • 百分点差:4.92% − 4.20% = 0.72 个百分点。
  • 相对提升:4.92 ÷ 4.20 − 1 = 17.1%。
  • 显著性:合并转化率 = (420 + 492) ÷ 20,000 = 4.56%;双比例 z 统计量约为 2.44,高于 5% 水平所需的 1.96。
  • 区间:差值的 95% 区间约为 0.14 到 1.30 个百分点,折合相对提升大约 3% 到 31%。

诚实的概括是「这次测试 17%,合理范围在 3% 到 31% 之间」。决定之前,先把区间下限折算成钱。测试期内多出的订单:492 − 420 = 72。按每单 24 美元毛利,就是 72 × 24 美元 = 1,728 美元;在区间下限(相对提升 3.4%,约 14 个订单)则是 14 × 24 美元 = 336 美元,约为前者的五分之一。如果搭建和维护的成本低于下限数字,就上线;如果高于点估计,就不要上线。上线之后保留一小块留出组,这样提升衰减时你能发现。

app.tapcub.com

测试中的转化率和提升区间

示例数据,转化的百分比
对照组4.20%
实验组(实测)4.92%
实验组,区间下限4.34%
实验组,区间上限5.50%
示例数据
示例数据:每组 10,000 位访客。实测相对提升 +17.1%;95% 区间大约是 +3% 到 +31%,所以实验组的真实转化率合理范围在 4.34% 到 5.50% 之间。

测试要跑多久?

从流量推算,不要凭感觉。示例数据:这个分群每周约有 5,000 位符合条件的访客。每组 10,000 人的测试需要总共 20,000 位访客,即 20,000 ÷ 5,000 = 4 周。检测较小的 15% 提升,每组需要约 17,000 人,即 34,000 ÷ 5,000 = 6.8 周,向上取整为 7 周。

按整周来跑,让每个工作日出现的次数相同,并避免在促销日开始。留意新鲜感效应:横幅可能第一周赢,只是因为它是新的,所以要对比第一周和最后一周。如果最后一周的提升小得多,就相信后面的数字。

网站个性化会在哪里出错?

  • 没有留出组。 前后对比无法把横幅和季节分开。
  • 分群太小,无法测试。 每组不到几千位访客,只能检测出巨大的效果。
  • 一次改好几样。 文案、优惠和版式一起改,你就不知道是哪一样起了作用。
  • 基于稀疏数据做个性化。 建立在一次页面浏览上的规则,猜错的频率高到会惹恼人。
  • 规则过期。 冬天有效的规则夏天未必有效;用一小块常驻留出组重新检查。

在 TapCub 里怎么做度量这一侧?

以上面的例子为例。TapCub 不投放个性化内容,也不做流量分流;它度量分群和结果。 拆分和横幅发生在你的网站或你的个性化工具里。

  1. 定义目标。 在 网站统计 › 目标 里把购买设为目标,这样 4.2% 的基线和你测试用的是同一份数据。
  2. 建分群。 在 全端分析 › 用户 › 分群与标签 里按「做过 / 没做过某事件」和属性等条件创建规则分群。匿名访客没有档案,不进分群;要先识别登录用户,分群才能包含他们。
  3. 记录每个人看到了哪一组。 从你的网站把分组名作为事件属性或用户属性发送(比如 banner = control 或 variant)。如果想把拆分放在 TapCub 里,分群规则也可以用随机分桶条件。
  4. 读取结果。 打开 全端分析 › 行为分析 › 事件分析,画出购买事件,用按这个属性的拆分,在整个计划周期内对比两组。事件分析可以按事件属性或用户属性拆分次数和人数。
  5. 标注上线。 在上线那天,在 配置 › 日期标注 里加一条备注,并继续看同一个漏斗。

机器人和 AI 爬虫分开统计,所以爬虫流量不会扭曲两个转化率。

常见问题

网站个性化有哪些步骤?

定一个目标和指标,查清可以用哪些数据,选一个分群,设计一个变化,用留出组做测试,上线之前带着区间量出提升。跳过留出组是最常见的失败。

怎么给网站做个性化?

用一条规则定义分群,比如带着购物车商品回来的访客,给这个群体展示一个具体的改动,并和随机留出的一组对比转化率。只有当提升区间的下限能覆盖工作成本时才上线。

个性化测试需要多大样本?

基线 4.2%,在 80% 功效和 5% 显著性下,检测 15% 的相对提升每组约需 17,000 位访客,检测 20% 约需 9,800 位。更小的分群只能检测更大的效果。

网站个性化合法吗?

取决于数据和地区。按 GDPR 第 21 条,人们可以随时反对为直接营销而做的画像。要设计退出机制,并查你的访客所在地的法律。

怎么衡量个性化的成效?

在同一时期,把个性化组的转化率和随机留出的一组对比,并把提升写成区间。在示例中,点估计是 17.1%,区间大约是 3% 到 31%。

资料来源

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

索菲娅·贝内特

产品应用顾问

关注客户上手、在线沟通与自助服务,将常见使用问题整理为清晰的操作建议与改进思路。

度量分群和结果

用目标、分群和事件拆分来对比你测试的各组。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie