對於變體 C，HubSpot 向用戶發送了應用內通知。 您剛剛完成的 A/B 測試可能已經幫助您發現了一種讓您的營銷內容更有效的新方法——但不要止步於此。 確保您在任何活動中一次只運行一項測試。 A/B 測試可能很有價值，因為不同的受眾行為不同。 適用於一家公司的東西不一定適用於另一家公司。 在處理 A/B 測試的數學運算時，您可以獲得有關不同類型錯誤的更多信息。 否則，我們最終必然會做出錯誤的決定，從長遠來看會損害網頁。 獲得有效性的過程稱為假設檢驗，我們尋求的有效性稱為統計顯著性。 如果預期 A/B 測試會產生分段結果，則應從一開始就正確設計測試，使其均勻分佈在關鍵客戶屬性（例如性別）中。 也就是說，測試應包含男性與女性的代表性樣本，並將男性和女性隨機分配給每個“變體”（變體 A 與變體 B）。 不這樣做可能會導致實驗偏差和從測試中得出不准確的結論。 因此，如果測試的目的僅僅是查看哪封電子郵件會為網站帶來更多流量，那麼包含代碼 B1 的電子郵件可能會更成功。 您也可以從一個問題開始，例如“為什麼我的目標網頁沒有轉換？
