ab-test-setup

用途：帮助规划、设计并实施 A/B 测试或实验，产出统计上有效、可执行的结果。\n\n主要能力：先做初始评估（改进目标、当前基线转化率与流量、历史数据、技术复杂度、时间与可用工具）；强调四大原则——先立假设、单变量测试、统计严谨（预先定样本量、不偷看提前停止）、衡量真正重要的指标。提供假设框架：因为[观察/数据]，我们相信[改动]会为[受众]带来[预期结果]，当[指标]达到时即验证。\n\n测试类型：A/B（对照与单一变体）、A/B/n、多变量 MVT、拆分 URL 测试。样本量计算需基线转化率、最小可检测效果 MDE、显著性水平（通常 95%）、统计功效（通常 80%），并给出对照表与 Evan Miller、Optimizely 计算器链接。测试时长按公式：所需每变体样本量×变体数÷（测试页日流量×转化率），最短 1–2 个业务周期，最长避免过久。\n\n指标分主指标（与假设直接相关）、辅助指标（解释原因）、护栏指标（不应变差，如收入、留存、满意度）。变体设计围绕标题文案、视觉设计、CTA、内容，记录控制组与变体截图。流量分配支持 50/50、保守 90/10 或 80/20、渐进放量。实施分客户端（PostHog、Optimizely、VWO，改版后改页面，可能闪烁，适合营销页/文案/视觉）与服务端（PostHog、LaunchDarkly、Split，渲染前定变体，无闪烁，适合产品功能/复杂改动/性能敏感页），功能开关可转百分比 A/B。\n\n运行阶段给出上线前检查清单，强调监控技术问题、检查分段质量、记录外部因素，不做偷看结果提前停止、改变体、加新流量来源。分析阶段检查是否达到样本量、统计显著性（95% 置信度即 p<0.05）、实际业务意义、辅助指标一致性与护栏问题、分段差异。结果解读分显著赢家、显著输家、无显著差异、信号混杂四种处理。最后提供测试文档模板、学习库建设、输出格式（测试计划与结果摘要）及常见错误清单。文件还列出相关技能（page-cro、analytics-tracking、copywriting）。限制：未提供具体收费、价格、平台支持范围或效果保证等信息。