订单少的 Shopify 店铺，该 A/B 测试什么、用什么指标衡量？

订单少的店铺照样可以做 A/B 测试，只是要挑着做。以订单为判定指标的测试动辄几个月，只值得留给大改动；产品页上的改动则可以先用加购来提前判断。不管用什么指标判定，胜出的版本都要等真实订单也印证了再上线。

“流量不决定 CRO 有没有用，它决定你学得有多快。”（Conal Brady）

用月订单数除以 200，算出每月能跑几个测试

Conal Brady 的算法基于一个基准：测试中每个版本大约需要 100 次转化，结果才开始有意义。一个测试有两个版本（原版和改动版），所以大约需要 200 单。

每月 10,000 次访问、转化率 2%，店铺就有 200 单，够每月跑一个干净的测试。转化率不变、访问只有 1,000 次的话，就只有 20 单，同一个测试要拖到十个月左右。

由此，Conal 建议用月订单数除以 200，看店铺每月能跑几个测试。

按这个算法，每月 60 单的店铺一年只能跑三到四个测试。100 这个数字只是估算，拿来估计自家店铺的测试节奏就好，不必当成硬性门槛。

以订单判定的测试，留给优惠和落地页

每个测试都要跑好几个月时，哪怕一个小改动也会占掉一整个名额。一条推广 A/B 测试工具 Visually 的帖子提到，一个 Shopify 品牌在促销产品页的折后价旁边加了一个“价值 $XX”的标签（badge），转化率提升了 7.5%。

对每月 20 单的店铺来说，光是用订单验证这样一个小改动，就要花掉将近一年。

X 上一位写 CRO 的作者认为，真正拉开差距的地方不在这里。Josh Thompson 在分享一家高销量店铺的后台数据时写道，疲弱的优惠，加上所有广告角度共用同一个落地页（landing page），做不到那样的规模：“如果你最好的一个月还没到这个水平，再测一个标签大概不是能拉开差距的那一步。”

JJosh Thompson@joshtCRO

Last 30 days: $4,731,973 in sales from 26.81K orders.

One spike on the graph gets close to $400,000 in a single day.

Sales were up 74%.

Orders were up 75%.

Conversion rate reached 3.63%, up 22%.

The same dashboard also shows what happens when that kind of volume hits the operation:

- 50+ orders waiting to be fulfilled
- 21 high-risk orders
- 8 chargebacks

I’m not naming the store, and I’m not going to pretend…

Oct 21, 2026 · 在 X 上查看

设计优惠时，先从顾客实际怎么买每类产品出发。

Paddy 为 Shopify 店铺做 CRO 和网站，讲过一个服装品牌的案例，团队和这个品牌合作了三个月。他们没有做全店统一折扣，而是给每个品类单独设计优惠：

• T 恤：按数量递减价格，买 1、2、3 或 4 件，省得越来越多
• 卫衣：连帽卫衣加圆领卫衣组合一口价，颜色和尺码可以自由搭配

据 Paddy 说，这个品牌出现了单日营收 1 万英镑的日子，客单价（AOV）上涨 44%，达到 126.54 英镑。团队先重做了落地页，再改优惠，这些数字是两项改动共同的结果，并非来自 A/B 测试，所以没法单独拆出优惠的贡献。

即便如此，这个案例还是指出了一类值得测试的优惠：每个产品组一种买法。

拿去测试的任何优惠，都得建立在真实价格上。经常审核落地页的 CRO 从业者 Jonas Staben，把从一个从未真正卖过的“原价”打折，列为在多数地区都违法的手法。Jonas 援引了欧盟的价格标示规定，要求能证明打折前的价格；还提到美国 FTC 把这种做法称为“虚假定价”（fictitious pricing）。

如果要测试省钱标签或划线价，先确认店铺真的按那个原价卖过，并且留有证据。

产品页的改动可以用加购提前判断

除了选对测试对象，换一个判定指标也能缩短等待时间。

Conal Brady 建议用加购率（add-to-cart rate）来判定产品页测试，因为在 Conal 看来，加购次数通常是购买次数的 3 到 8 倍。同一个测试，用订单判定可能要几个月，用加购率判定，几周就可能攒够数据看出结果。

拿开头那家每月 20 单的店铺来说，3 到 8 倍意味着每月大约 60 到 160 次加购。沿用每个版本约 100 次的基准，等待时间就从十个月左右缩短到一个多月至三个月左右。

不过，加购只是替代指标（proxy），顾客加购变多，不一定就买得更多。

所以 Conal 建议，在订单积累够之后，用订单或每次访问收入（revenue per session）再确认一遍，然后才把改动推到全店。

我们认为，这种衡量方式最适合产品页测试，Conal 举的例子也正是这一类。组合装、按量折扣这类优惠测试，通常是为了改变客单价，而加购看不出顾客最后买了多少。

按新客判定的测试，要和 Shopify 客户名单核对

用订单确认还能帮你避开另一个藏在测试工具里的错误。Arijan 所在的团队为品牌做审核和测试，10月22日在 X 上讲了团队刚跑完的一个测试，目标是提升新客转化率。按 A/B 测试工具 Intelligems 的数据，改动版胜出，提升约 10%。

团队把测试数据和从 Shopify 导出的客户名单一对，发现测试里 52% 的“新客”以前在店里买过，平均每人 7 单。新客群体的真实提升只有 3% 左右。Arijan 也提到，这家店的回头客很多。因此，回头客少的店铺，偏差可能会小一些。

Arijan 解释说，A/B 测试工具判断一个人是不是新客，看的是浏览器里有没有旧 cookie。顾客清缓存、换浏览器或换设备，cookie 就没了，所以一个点邮件进来、或者自己搜品牌名的老顾客，照样可能被算成新客。

Arijan 的做法分四步：

1. 从 A/B 测试工具导出测试数据
2. 从 Shopify 导出全部客户名单
3. 比对两个文件里的邮箱、姓名和地址（Arijan 用 AI 做这一步）
4. 只保留从未下过单的人，这些才是真正的新客

每个测试名额，都要配一个值得问的问题

开头那家每月 20 单的店铺，一年只有大约一次以订单判定的测试机会。这个名额应该留给可能彻底改变营收的问题，比如换一种优惠，顾客会不会买得更多；产品页上的小调整，则通过加购提前看结果。

而且不管工具多早宣布胜出，都要等 Shopify 里的真实订单给出相近的结果，再把胜出版本推到全店。