輸入對照組（A）與實驗組（B）的訪客數和轉換數，即時計算統計顯著性、p-value 和信賴區間，判斷實驗結果是否可靠。
A/B 測試計算器讓你輸入對照組（A）與實驗組（B）的訪客數與轉換數，即時計算統計顯著性、p-value 與信賴區間，判斷兩組的差異是否「真的有效」，而非只是隨機波動。它幫你在做產品或行銷決策前，先確認實驗結果是否可靠。
很多人看到 B 組轉換率較高就以為「贏了」，但若樣本不足，差異可能只是偶然。這個工具讓你用統計而非直覺下判斷。
統計顯著性（Statistical Significance）表示實驗組和對照組之間的差異不太可能是隨機誤差造成的。通常以 p-value 衡量：p < 0.05 代表在 95% 信賴水準下顯著，即只有 5% 的機率是偶然差異。
p-value 是「假設兩組沒有真正差異，出現目前或更極端結果的機率」。p-value 越小，代表這個差異越不可能是巧合。一般行銷和產品決策以 p < 0.05（95% 信賴）為標準，科學研究則要求更嚴格的 p < 0.01 或 p < 0.001。
樣本量取決於期望的效果大小（Minimum Detectable Effect）、轉換率基準、信賴水準和統計效力。一般建議每組至少 1,000 名訪客，若轉換率較低（如 1-2%）則需要更多。可用 A/B 測試樣本量計算器事先規劃。
95% 信賴區間表示：如果重複實驗 100 次，有 95 次實驗組和對照組的轉換率真實差值會落在此區間內。若區間不包含 0，則在 95% 信賴水準下，兩組有顯著差異。
常見以 p-value < 0.05（即 95% 信心水準）作為顯著門檻，代表觀察到的差異不太可能純由隨機造成。但門檻可依情境調整。
不一定。若樣本數不足，較高的轉換率可能只是隨機波動。需透過統計顯著性確認，才能判斷差異是否可靠。
不會。所有計算都在你的瀏覽器本機完成，實驗數據不會上傳或儲存。
不是。顯著只代表「差異不太可能是隨機」，不代表差異「很大」。仍要看實際的提升幅度與信賴區間，評估是否值得採用。