A/B Test Designer 是一个面向营销优化的 A/B 测试设计技能，目标是通过实验方法帮助用户测试正确的内容、正确测量，并基于数据做出有把握的决策。资料指出，多数 A/B 测试在开始前就因设计不当而失败，例如样本量错误、多变量混杂或测试低影响元素，因此该技能强调科学框架。
核心工作流包括四类。一是测试假设开发：分析现有指标、寻找高影响测试区域、形成“若……则……因为……”式假设、定义主要与次要成功指标，并用 ICE（Impact、Confidence、Ease）为假设排序、制定测试路线图。二是测试设计与设置：隔离变量、定义对照组、创建变体、计算达到显著性所需样本量、规划测试时长、确定分群策略、配置测试工具。三是统计分析：设定置信水平（通常 95%）、确定最小可检测效应、进行功效分析、解释 p 值、计算置信区间、按受众细分分析并记录结果。四是多元测试：选择测试因素、绘制组合矩阵、计算流量需求、观察交互效应，必要时使用部分因子设计，识别最佳组合并提取学习点。
资料还提供快速参考触发语，例如“Create A/B test for [element/page]”“Form hypothesis for testing [change]”“How much traffic do I need to test [change]?”“Interpret these A/B test results”“Prioritize these test ideas using ICE”“Design multivariate test for [elements]”“Break down results by [segment]”“Create 90-day testing roadmap”。
适用场景包括增长营销、产品经理、CRO 专家和数据驱动团队优化转化漏斗。最佳实践强调：先有假设、单变量测试、选定一个主要指标、至少 95% 置信度、不要提前偷看、考虑业务周期、记录一切、为显著性准备足够样本量、优先测试高影响区域、谨慎分群、接受无差异结果、在赢家上迭代、避免“最高薪者意见”、分享学习并考虑季节性等外部因素。
限制方面，资料未提供具体的安装方式、平台支持、价格或授权信息，也未给出可直接运行的命令或代码示例；部分能力依赖用户已有的流量、测试工具与数据环境。