此文是惠州包装设计公司关于设计公司如果推广和营销企业的分享，惠州包装设计公司旨在想让更多的设计公司提高设计业务能力！

惠州包装设计公司转发原文直译：

在大学里，我上了一堂统计学课，我们花了一个半月的时间用扑克牌计算特定结果的概率。这是迄今为止最有趣的概念之一，我确信它会成为我余生中难以置信的实用数学工具（坦白说，它没有)。

在那堂课上，我还背了一次期中考试的统计显著性的定义。寻找重要性的计算对我正在处理的任何东西来说都太复杂了，所以我很快就忘记了除了定义以外的任何东西。

毕业后，我开始了我在数字营销领域的工作，我的目标和许多营销人员一样："尽可能快地测试一切，并在几个月内实现业务增长"。

如果你读完之后咯咯地笑了，那是因为你可能已经在市场营销领域呆了足够长的时间，知道得更多。在这一点上，我也是。好的、数据驱动的营销需要时间、努力，不仅仅是知道统计学意义的定义就能成功。

统计学意义的学术观点

统计显著性的含义简单明了，定义为：

"……两个统计数据之间的测量差异是测试变量中真实差异的结果而不是偶然结果的概率。这意味着一个测试的结果不是随机或偶然出现的，而是因为被测试的特定变化，所以它可以归因于特定的原因。"

基本上，你在一个特定的活动或特定的测试中发现的令人敬畏的结果有可能会随着时间的推移而保持不变（或有害)。

有几种方法可以计算重要性：

执行计算两个样本的标准差、计算每个样本的方差、查找z指数并将其与t评分表进行比较的步骤，以确定结果是否距离中间值足够远，从而确定结果是否显著。

使用一个计算器来计算重要性，就像这个。

如果您以百分比形式计算显著性，您希望它尽可能高（如果您保留真实形式的p值，目标是使它尽可能低)。对于学术研究，一般把90-95%解释为门槛。也就是说，您的结果有95%的可能性是由您的变量导致的用户行为差异造成的，而观察到的差异有5%的可能性是由偶然因素造成的。

如果数据达到显著性水平，那么就有足够的数据来拒绝零假设，其中零假设是我们想要反驳的点（例如：在一个测试中，我将一个按钮的颜色改变为几种不同的色调，我的零假设是按钮的颜色无关紧要。我想证明这个观点是错误的)。

相反，如果在一项彻底的研究中，置信水平低于95%,就可以说没有足够的证据来拒绝零假设，研究者应该用一组新的变量重新测试，或者选择一个新的零假设。

营销人员对统计重要性的理解

好吧，但这在数字营销领域意味着什么？

简短的回答是：如果测试一个特定的变量没有产生一个具有高度统计学意义的数据集，你的营销费用和网站就有风险了。反之亦然。如果你没有衡量每个结果的重要性，你可能会错过一个宝贵的机会。

例如，在我们合作的一个大型电子商务网站上，我们的目标是提高用户访问男装类产品页面的速度。我们知道，人们越快找到他们喜欢的产品，他们就越有可能在第一次访问时完成转化过程。

我们希望有一个大的改进，当结果没有显示出大的变化时，我们相对失望。事实上，在更深入地分析数据之前，我们认为这根本不是一个好的方向。

空假设（当前状态):过滤选项的样式对搜索和查找所需产品的能力没有影响。

替代假设（我们想要证明的):更强大的过滤选项将在帮助人们快速找到他们需要的东西并在首次访问时转换方面发挥关键作用。

正如你在上面看到的，我们变体体验的转换率提升不是很大。事实上，转化率仅增加了微不足道的3.31%。

但是，当我们通过显著性计算器传递这些数据时，我们发现我们的结果具有98%的统计显著性。这意味着观察到的差异只有2%的几率是由误差引起的。

考虑到这一点，这个测试有了全新的意义。虽然结果不够大，不足以彻底改变用户体验，但通过计算数据集的重要性，我们可以依靠从测试中获得的任何知识，并通过一组新的假设向前推进，从而进一步推动信封。

虽然3.31%并不算大，但对测试中显示的改进充满信心的能力意味着我们可以向前看，并计划在未来6个月内带来数万美元的转换提升。

没有看到很高的意义？

在《哈佛商业评论》中，汤姆莱德曼回应了我们关于营销中意义的真正价值的许多观点。他说：

"如果你在寻找希格斯玻色子，你可能想要一个极低的p值，也许是0.00001。但如果你在测试你的新营销理念是否更好，或者你的工程师设计的新钻头是否比你现有的钻头工作得更快，那么你可能会愿意接受更高的值，甚至可能高达0.25。"

所以，在你放弃这个有80%重要性的实验之前，考虑以下几点：

测试进行了多长时间？

如果它比普通顾客的购买周期短，那就把它放久一点，以后再检查（就我个人而言，我从来不会在数据少于2周的情况下进行测试)

你的样本有多大？

如果你的样本少于1,000个访问者，请仔细考虑是否要进行测试（每组几千个访问者总会减少样本中的差异)。样本越小，数据集内的方差自然就越大。如果你在处理低流量的页面，试试这里的一些方法。

你的趋势线是什么样的？

如果你其中一种经历的转化趋势持续优于另一种——特别是如果差距随着时间的推移而扩大——你可能走对了路。继续调整和测试——你可能已经找到了真正能提高转化率的东西。

同样，如果你在等待一组数据准备好解释，而"表现更好"的趋势线是完全不稳定的，那么在继续走这条路之前要小心。

考虑你的最终目标

如果你在主页上运行A/B测试，你可能会把底线收入作为你需要报告的指标之一。但是，如果整体转换停滞不前或难以解释，那么开始观察微观转换（用户进入下一步)以及宏观转换（本例中为购买)可能是有意义的。

这样，如果你开始发现较小目标的重要性，你可以逐步测试转化漏斗的不同部分，最终找到对最终目标影响最大的步骤。

结论

虽然许多测试会失败，但在没有进行一些基本计算来确定结果是否重要之前，任何分析都不能被认为是"完成"的。

在为新的商业策略、广告设置或网站设计投入大笔资金之前，试着做一些快速计算。这是确保你知道自己前进的风险有多大的最好方法。因为不管一个变量是否能够导致一个足够大的结果来拒绝零假设，绝大多数的测试和变量都应该提供可以给你指明正确方向的信息。

而且，尽管在大学里这肯定不是最有趣的话题，你可能会发现计算重要性真的成为你作为营销人员最实用的技能。

顺便说一句，如果你想在设置自己的网站测试或评估结果方面得到帮助，请在这里或评论中告诉我。我很乐意帮忙！

你如何在你的网站测试中使用统计显著性？这篇文章有助于回答你的问题吗？请在评论中留下你的想法。

特雷弗安德森诺索尔

特雷弗的爱好包括积累户外装备、长篇播客和构建用户行为策略。在他离开办公室的时候，你很可能会发现他在抽肉，和他的爱犬在一起。

惠州包装设计公司

通过惠州包装设计公司的精彩分享，设计师更轻松快捷地掌握惠州包装设计公司分享的营销与设计知识，帮助北京vi设计公司更好地服务好客户 。