流量分配可视化
观察用户如何被随机分配到对照组（A组）和实验组（B组）
A组 (对照组)
{{ trafficSplit }}%
B组 (实验组)
{{ 100 - trafficSplit }}%
总用户数
{{ totalUsers }}
A组用户
{{ groupAUsers }}
B组用户
{{ groupBUsers }}
50/50分配能最快检测出差异，确保两组样本量足够大以获得统计显著性
A/B组结果对比
比较两组的转化率和统计显著性
转化率
{{ conversionA }}%
转化数
{{ conversionsA }}
样本量
{{ sampleSize }}
VS
转化率
{{ conversionB }}%
转化数
{{ conversionsB }}
样本量
{{ sampleSize }}
相对提升
{{ relativeLift > 0 ? '+' : '' }}{{ relativeLift.toFixed(2) }}%
Z值
{{ zScore.toFixed(3) }}
P值
{{ pValue.toFixed(5) }}
统计显著性
{{ isSignificant ? '显著' : '不显著' }}
{{ ciLower.toFixed(2) }}%
← 真实差异 →
{{ ciUpper.toFixed(2) }}%
我们有95%的信心认为，真实差异在这个区间内
P值 < 0.05 表示结果统计显著，说明差异不太可能是随机产生的
样本量计算器
计算达到统计显著性所需的最小样本量
每组所需样本量
{{ calculatedSampleSize.toLocaleString() }}
总样本量（A+B组）
{{
(calculatedSampleSize * 2).toLocaleString()
}}
目标转化率（实验组）
{{ targetRate }}%
绝对差异
{{ absoluteDifference }}%
检测时长估算
{{ estimatedDays }}
提升目标越小，所需样本量越大。5%的提升比20%的提升需要更多样本