落地页转化诊断与 A/B 实验设计

问题：优化建立在猜测上

大多数 landing page 的 CRO 工作靠三种习惯推进：抄竞品版式、套通用 best practices、测试按钮颜色。这些做法的共同缺陷是不回答访客为什么不转化。团队以为自己知道原因，验尸式分析却反复证明动机认知是错的；实验侧同样脆弱——样本量没算就上线，跑几天偷看一次结果，统计显著但实际影响只有 0.1% 的"获胜变体"被推全，几周后又悄悄回滚。

这个技能的价值在于把"降低跳出率"这类模糊目标换成可执行的研究-假设-实验闭环。

它如何工作

1. Quick Diagnostic（七行快诊）

• 先回答"访客应该执行的 ONE action 是什么"，กำจัด competing CTA
• 确认是否有研究（而非猜测）支撑对流失原因的判断
• 检查价值主张能否在 5 秒内被读懂，说服资产（证言、奖项、担保）是否摆在摩擦点而非 FAQ
• 检查有没有漏斗地图、UX 阻塞（加载速度、移动端布局、表单长度）
• 每行 Yes/No，满分 10 分；5～6 分档的通病是 copy 靠猜、proof 埋在 FAQ 里

2. O/CO Framework

• 把每条 visitor objection 映射到具体、有证据支撑的 counter-objection
• 反证放在访客产生顾虑的位置（支付处的信用卡顾虑就放在支付表单旁），而不是翻到 FAQ 找
• implicit objections 用 "CO Only" 模式——给出缓解方案但不把顾虑说出来；对比 "Worried you're too lazy to...?" 与 "Let the audio do the work for you."
• 数据来源：surveys、chat logs、tickets、sales calls，support 的固定回复本身就是已测试的反证金矿

3. Hypothesis Design + ICE

• 每个实验写进固定格式：If we [change X], then [metric Y] will improve because [research]
• 正式跑之前定义 primary / secondary / guardrail 指标
• ICE（Impact / Confidence / Ease）各 1–10 分，取平均排优先级
• 10x screen：可能 double conversion 的完整重构、新价值主张、根本不同的 offer 才值得测；按钮颜色、字号、换图不值得
• 一个按钮换色的例子：I:2、C:2、E:10 平均 4.7，直接 skip，即便实现成本几乎为零

4. A/B Testing Methodology

• 跑之前先算样本量（baseline rate、MDE、80% power、95% significance）
• 跑满至少一个完整业务周期（1–2 周，含 weekday 和 weekend）
• Never peek and stop early——这会大幅放大假阳性
• 区分 statistical significance 与 practical significance；统计显著但实际收益小于实施成本的变体直接放弃
• 多变量测试只在 100k+/月访客且已有 winning page 时才考虑

适用边界与注意点

• 证明素材的真实性是不可妥协的边界：禁止伪造证言、夸大数字或使用虚假信任徽章。"47,832 customers" 的说服力来自精确数字，但前提是数字为真。
• 实验报告是一份诚实约束：样本量和周期在开跑前定死，之后照实汇报——不因中途偷看而提前停、不为拿到想要的结论而重跑、不把 inconclusive 结果埋掉。
• O/CO 表的反证必须解决顾虑，而不是驳回顾虑：合法担忧被一句 "this concern is unfounded" 打发掉，等于在漏斗里埋一颗新雷。
• 七个诊断行不是 checklist，是研究入口：每个 No 都指向一个必须补的研究动作（exit survey、chat log 分析、ticket 挖掘），而不是一个模板化补丁。
• 无法替代真正的客户研究：方法论本身不产生 objection 数据，survey、支持工单、销售录音才是原料；数据到位后，想绕过研究直接抄竞品的冲动依然要被明确拒绝。