轉換率是結果，是一個聚集了很多影響變因的龐大綜合指標，有很多因素會影響轉換率，僅僅知道轉換率這個數字並不能幫助我們了解造成轉換率上升或下降的原因，就像發燒量體溫一樣，量完體溫，你知道自己發燒了，但不知道病因是什麼。

要對症下藥之前，至少要知道生了什麼病，或是知道找哪一科醫生讓醫生幫你。先試著想想看，在紙上或是電腦上打出你認為能影響轉換率的因素有哪些，看看自己能想到多少種因素？

在開始數據分析的第一步文中，提到網站數據分析的目的可分為兩種：①確認每月的狀況並進行微調改善；②檢測改版或措施的效果。後者在我們對網站進行改版或微調後，扮演著重要的驗證角色。文中將介紹在進行此舉時常見的迷思，以及有效檢測的技巧。
其中最常見的錯誤是，直接藉由檢測網站最後的轉換率（CV），來衡量網站改版或調整的成效。然而，從「合計」的結果無法得知各個措施的效用，必須為各措施一一設定KPI（Key Performance Indicator，關鍵績效指標），並分別確認結果才行。

所以你在HTML裡加入了Google Analytics（GA）的追蹤碼，登入GA之後出現了許多數據可以查看。非常好，那麼，下一步應該做甚麼？在茫茫數據海中，有哪些指標是最重要的？
一般來說，網站數據分析的目的可分為兩種：①確認每月的狀況並進行微調改善；②檢測改版或舉措的效果。其中第一種是相對容易，且建議定期進行的，也是本文將要探討的範圍。

在一次跟客戶的會議中，我們和客戶針對如何改善其網站首頁與內容頁面討論的相當熱烈，由於每個人意見不同，甚至到爭論的不可開交的程度，遲遲無法下定論。這時後突然有人打斷了討論：＂等等，我們做這些頁面的修改，對於最終的轉換率到底有多少貢獻？＂

本篇重點：在AB測試前先透過使用者調查來找出網站關鍵的議題，有助於使測試專注在真正對網站成效有影響的變數上。

AB測試雖然可以理解不同設計元素（不同變數）對網站帶來的成效，同時也存在一些可能發生的潛在錯誤，例如：變數並不能反映真正造成問題的原因、變數的選擇是基於直覺或猜測等。

AB測試（A/B test）是許多網站、尤其是具備電子商務功能的網站拿來快速測試改版、微調效果並協助設計與商業決策的方法之一。簡單來說就是將欲測試的變因或假說分別做成A版與B版（甚至C、D等版），利用一些工具，將造訪網站的人流隨機均分至兩個版本，最後選擇目標達成表現較好的版本。