在一个百分比变成结果之前
烟雾测试要多少访客才够——把转化率读成区间
单独一个百分比不是判决。“烟雾测试要多少访客才够？”问的是精度：小样本会给出很宽的、仍然说得通的真实转化率范围。上线之前先写：谁算匹配访客、转化事件是什么、通过线、失败线、固定的 N，以及通过 / 未过 / 无法判定时各做什么。然后把 n 个访客里的 k 次报名读成区间——不是“我们有 5%”。
最近更新：2026年10月6日
直接回答
烟雾测试要多少访客才够？
够把报名率对照事先写好的线，读成一个区间——不够“验证”点子。把 n 个匹配访客里的 k 次转化读成 95% Wilson 区间，而不是只看 k/n。同样观察到 5%，100 个访客是 2.2%–11.2%，200 个是 2.7%–9.0%，400 个是 3.3%–7.6%。零转化也是信息：n 次里一次都没有，95% 置信下真实转化率大约不超过 3/n（0/100 → 约 3%；0/300 → 约 1%）。上线前固定 N；图看起来好看的那一刻不要停。
要记住的
带走这五句
- 烟雾测试不是 A/B 测试。你是在用事先写好的通过线和失败线，检查一个转化率。
- 把 n 个匹配访客里的 k 次转化读成 95% Wilson 区间，而不是一个单独的百分比。
- 上线前写好三向规则——明确未过、明确通过、无法判定——并为每一种点名动作。这是 Yibud 建议的模板，不是统计定律。
- 零事件也是信息（3/n 法则（rule of three））。不匹配的点击会把区间收在错误的数字周围。流量质量胜过更大的 N。
- 通过的报名率是兴趣证据，不是钱。通过之后，下一步通常是付费意愿测试。
为什么要做
单独一个百分比，会让创始人一直开着测试，而不是做决定
常见的情况是：在混杂点击之后，把“我们有 5%”当成判决，某一天曲线难看就把失败线往后挪。这个数字从来不会告诉他们点子会成功。它只能告诉他们：仍然说得通的真实转化率，范围有多宽。Brown、Cai 与 DasGupta（2001）表明，教科书里的 Wald 区间——p ± 1.96 · sqrt(p(1−p)/n)——覆盖率反复无常，比课本暗示的更差。他们建议：n 较小（40 及以下）用 Wilson 区间或 Jeffreys 区间，更大的 n 用 Agresti–Coull 区间。Wilson（1927）是得分区间的来源。先定数字，再看结果。热闹的一个下午之后发明的转化率，是复盘。
用语
上线前这七个字段是什么意思
这一页不是“等到感觉流量够了”。它是一份写了日期的合同：谁算数、什么算转化、通过和失败落在哪、你能接受多宽的区间、固定的 N，以及测试进行中你不会做的事。
1. 匹配访客——这个转化率在说谁
匹配访客符合你上线前点名的角色和来源。错误职位的随机点击要丢掉，不要平均进去。不匹配的流量，会把区间收在并不属于你顾客的转化率周围。
2. 转化事件——你要数的那一个动作
等候名单、回复，或一笔你真能退的定金。点标志不算。两个按钮会拆散信号。用陌生人也能打分的一句话写下事件。
3. 通过线——让你愿意继续的转化率
如果它站得住你也能接受的数字，第一个访客到来之前写好。“有意思”不是一条线。本页不会给你发明“典型创业转化率”。
4. 失败线——让你停或改写的转化率
第二个数字，同样在上线前写好。失败线通常低于通过线。只有一条线，每个混乱的星期都会变成故事。
5. 置信区间——仍然说得通的转化率范围
这里指 n 次试验里 k 次事件的 95% Wilson 得分区间（z = 1.96）。它是仍然说得通的真实转化率范围，不是对下一百个访客的承诺。它也不是 Yibud 引擎分数。
6. 固定 N——你要等多少个匹配访客
上线前写好 N。可选：一次事先声明的检查点加上限（只延长一次，然后停）。图已经好看了再去选 N，不行。边看边停，已经不是你写下的那次实验。
7. 偷看——因为好看就停
Evan Miller（2010）写 A/B 测试时指出：显著性假定样本量事先固定。一显著就停，会抬高假阳性。他最坏的例子——最多观察到 150 就每次都检查，基础率 50%——假阳性是 26.1%，而不是 5%。偷看 10 次，报告的 1% 显著性实际上大约是 5%。这个教训可以搬到单转化率的烟雾测试：先固定 N，再读。
证据
这些论文和文章实际量了什么——以及没量什么
这些是已发表的发现，按原样标注。它们不是对你个人的预报，不是典型报名率，也不是 Yibud 规则。本页没公布的转化基准，不要自己搬进来。
Wilson（1927）——本页使用的得分区间
Edwin B. Wilson，《Probable Inference, the Law of Succession, and Statistical Inference》，Journal of the American Statistical Association 22(158):209–212（1927）。Wilson 得分区间的来源。下表使用 95% 的该区间（z = 1.96）。数字是计算示例，不是 Yibud 的实测结果。
Brown、Cai 与 DasGupta（2001）——小样本为什么不用 Wald 区间
《Interval Estimation for a Binomial Proportion》，Statistical Science 16(2):101–133。标准 Wald 区间（p ± 1.96 · sqrt(p(1−p)/n)）覆盖率反复无常，比课本暗示的更差。作者建议：n 较小（40 及以下）用 Wilson 或 Jeffreys，更大的 n 用 Agresti–Coull。所以本页用 Wilson 读烟雾测试转化率，而不是创始人课堂上记得的正负公式。
Hanley 与 Lippman-Hand（1983）——什么都没发生时的 3/n 法则（rule of three）
《If Nothing Goes Wrong, Is Everything All Right? Interpreting Zero Numerators》，JAMA 249(13):1743–1745。n 次里一次事件都没有，95% 上限大约是 3/n。n > 30 时，这个近似与精确计算在四舍五入到百分点后一致。他们的情境是医学（零不良事件）。同样的数学适用于零报名：0/100 → 约 3%；0/300 → 约 1%。本页的精确（二项）零事件上限 1 − 0.05^(1/n)：n = 100 → 2.95%；n = 300 → 0.99%。这不是 Wilson 上限——0/100 的 Wilson 上限是 3.7%（见表）。零是信息，不是“没有数据”。
Evan Miller（2010）——偷看会抬高假阳性（A/B 语境）
《How Not To Run an A/B Test》（2010-04-18）。显著性假定样本量事先固定。一显著就停，会抬高假阳性。该文最坏的例子：最多观察到 150 就每次都检查，基础率 50%，假阳性 26.1% 而不是 5%。偷看 10 次，报告的 1% 显著性实际上大约是 5%。他的建议：事先决定样本量。把来源标成 A/B 测试语境。搬到烟雾测试，是同一个习惯：报名曲线看起来好看的那一刻不要停。
你可以采用的三向规则——上线前写好，不是定律
Yibud 建议的模板，不是统计定理：整个区间都在通过线之下，算明确未过（连乐观读法都没过）。观察到的转化率不低于通过线，且区间下端高于失败线，算明确通过。其余都是无法判定——做上线前点名的那一个动作（延长一次到上限，或按未过处理）。看到 6/200 之后，不要发明更宽厚的区间。
不是同一页
样本量 vs 怎么跑、访谈次数、付钱、产品市场契合问卷、选测试、合同和分数
Yibud 好几页挨着本页。混在一起，就会把落地页搭建、饱和次数，或中段引擎分数，变成“访客够了”。
烟雾测试、落地页、假门——怎么跑，不是怎么定样本量
那些页是实验本身：页面、那一个行动号召、渠道、诚实的等候名单。本页是要等多少个匹配访客，以及如何把 k/n 读成区间。上线的页面不是样本量合同。落地页指南里 200–500 访客的经验法则，本页并不推翻——这里只说明 200 能告诉你什么、不能告诉你什么。
客户访谈做多少次——覆盖，不是转化区间
那一页的信号是：同一细分的一批还是否会加上新的需求编码。本页的信号是一个访客转化率的精度。饱和不是 Wilson 区间。区间也不是访谈覆盖。
客户访谈做多少次才够 →产品市场契合问卷——当前用户的使用，不是访客转化
那一页的信号是：最近有真实使用的人里，产品消失会非常失望的百分比。本页的信号是 n 个匹配访客里的 k 次报名。Sean Ellis 的百分比不是落地页转化区间。
产品市场契合问卷 →停止、转向、假设、决策——以后能读这条规则的合同
那些页写停止、改一个维度、点名一条主张，或读取你已经有的一周证据。本页提供那些合同以后能读的一种输入：对一个转化率、写了日期的通过 / 未过 / 无法判定。它不是一次停止 / 转向 / 继续的会议。
Yibud 分数——不是转化率，也不是置信区间
验证分数含义页和分数计算器页解释的是 Startup MRI 的数字，来自确定性引擎，输入是一句话点子加五个问题。那些分数是照向假设的手电筒。它们不是报名率，也不是 Wilson 区间。不要把中段分数读成“访客够了”，也不要把 10/200 读成 Yibud 的放行。
这一坐
如何在一次坐下来写好并遵守样本量合同
页面公开之前做。定个计时器。字段填完之前，广告先别开。如果有联合创始人，各自先写一稿，然后留下更紧的访客定义。
- 1
任何人能点之前，先写合同
匹配访客、转化事件、通过线、失败线、固定 N、可选的单次检查点加上限，以及通过、未过、无法判定时的具名动作。任何一个字段是空的，你就还没准备好买流量。
- 2
定义匹配访客，让陌生人也能给日志打分
角色加来源。“从一篇点名的社群帖进来的美国独立簿记员”是访客定义。“流量”是一场发布会。其余丢掉。混杂垃圾上的紧区间，仍然是垃圾。
- 3
把通过、失败和三向动作写在同一页
Yibud 的模板，不是定律：整个区间低于通过线，算未过；观察到的转化率不低于通过线且下端高于失败线，算通过；否则无法判定 → 你已经点名的那一个动作。不要再加第四种结果叫“有希望”。
- 4
固定 N——可选检查点也要在上线前决定
按你需要的精度选 N，不是按能写成帖子的数字。下表显示同样 5% 在 100、200、400 时会怎样。如果允许延长一次，现在就写下检查点和上限。周五发明的第二次延长，是偷看。
- 5
跑测试时，好看也不要停
Miller 的 A/B 测试文章是警告：边看边停会抬高假阳性（他最坏的例子里是 26.1% 对 5%；偷看十次，报告的 1% 实际上大约是 5%）。搬过来：等到你写下的 N，再读。跟踪来源。一个真实的渠道，胜过三个你叫不出名字的。
- 6
把 k/n 读成区间，然后当天做具名动作
查表，或用表格软件算 Wilson。遵守未过、通过或无法判定。通过是兴趣，不是收入——下一步通常是付费意愿。不要宣布点子已被验证。
你带走什么
烟雾测试样本量合同（直接抄）
如果这一坐只产出了心情，你就还没做完。这一页应该有一条陌生人也能执行的填好的规则。填空。不要留下“用户”“流量够了”或“看到就知道”。
样本量规则
匹配访客：[角色 + 来源——不是“流量”]。转化事件：[那一个动作]。通过线：[例如 5%]。失败线：[例如 1%]。固定 N：[例如 200 个匹配访客]。可选检查点 + 上限：[事先声明的一次延长 / 无]。明确未过时的动作：[停 / 改写方案 / 杀掉这条假设]。明确通过时的动作：[点名的下一步——通常是付费意愿]。无法判定时的动作：[延长一次到上限 / 按未过处理]。
如果任何一个括号里还写着“访客”“有意思”或“以后”，合同就还没写好。两个岗位的点击不共享一个 N。恭维不是转化。
什么不算这个信号
不是这个信号：Yibud 分数、一句恭维、“我会用”、Sean Ellis 的非常失望百分比、访谈饱和、定金或结账（那是付费意愿页）、对上 Blank 的五条、签了的设计合作伙伴、Nielsen 的 5 个可用性用户。以后可选：那些工具有自己的页。
你仍然可以记下赞美或钱。你不能让它们触发这条样本量规则。触发规则的，是 n 个匹配访客里的 k 次转化——读成区间。
起步规则示例（模板——线是你填的，区间算法不是）
匹配访客：[点名的角色 + 一个渠道]。事件：邮件等候名单。通过线：5%。失败线：1%。固定 N：200。不偷看。明确未过：整个 95% Wilson 区间低于 5%。明确通过：观察转化率 ≥ 5% 且下端 > 1%。无法判定：延长一次到 400，若仍压在通过线两侧则按未过。通过后的下一步：点名的定金测试。
模板里的 5% 和 1% 是你填的空，不是行业基准。本页不发明典型转化率。表里的区间数字是算好的 Wilson 示例（z = 1.96）。
这些数字
k 除以 n 实际能告诉你什么（Wilson 95%，z = 1.96）
计算示例。不是实测结果，不是 Yibud 分数，也不是对创业落地页通常怎样的宣称。请按表上印出的值使用。
| 观察值（k/n） | 观察转化率 | 95% Wilson 区间 |
|---|---|---|
| 0/50 | 0% | 0%–7.1% |
| 0/100 | 0% | 0%–3.7% |
| 0/200 | 0% | 0%–1.9% |
| 1/50 | 2% | 0.4%–10.5% |
| 2/100 | 2% | 0.6%–7.0% |
| 3/100 | 3% | 1.0%–8.5% |
| 5/100 | 5% | 2.2%–11.2% |
| 2/200 | 1% | 0.3%–3.6% |
| 6/200 | 3% | 1.4%–6.4% |
| 10/200 | 5% | 2.7%–9.0% |
| 20/400 | 5% | 3.3%–7.6% |
| 5/50 | 10% | 4.3%–21.4% |
| 10/100 | 10% | 5.5%–17.4% |
同样观察到 5%，100 个访客是 2.2%–11.2%，200 个是 2.7%–9.0%，400 个是 3.3%–7.6%——N 变成四倍，宽度大约减半。零事件的精确（二项）上限 1 − 0.05^(1/n)，用来对照 3/n 法则（rule of three）：n = 100 → 2.95%；n = 300 → 0.99%。这不是 Wilson 上限——0/100 的 Wilson 上限是 3.7%（见表）。3/n 法则（rule of three）（Hanley 与 Lippman-Hand）：n 次里 0 次，95% 下大约不超过 3/n（0/100 → 约 3%；0/300 → 约 1%）。
Wilson 公式，只用纯文本写一次
n 个匹配访客里有 k 次报名，令 p̂ = k/n，z = 1.96。95% Wilson 区间是 [p̂ + z²/(2n) ± z · sqrt(p̂(1 − p̂)/n + z²/(4n²))] / (1 + z²/n)。
任何表格软件都能算。本页不提供交互计算器。不想算，就用表。
分岔
什么时候样本量是最贵的未知——什么时候不是
本页只决定：现在该不该为“这个 N 能告诉我一个转化率的什么”去买证据。怎么搭页面、访谈覆盖、付钱、使用问卷、选哪个测试、决策合同，各有自己的页。
先写区间合同
你已经知道怎么把页面挂上去。最贵的未知是 N 能告诉你什么。写下七个字段。然后再买或去要流量。
先搭或先选测试
你还没有页面、行动号召，或这个工具为什么胜过访谈的理由。用烟雾、落地页、假门或最便宜测试那一页。没有测试的 N，是一张电子表格。
先转到钱
通过已经触发，或未知已经是他们会不会付钱。用付费意愿页。更多不收费的访客不会让钱动起来。
什么时候烟雾测试样本量规则是最贵的未知
你能点名匹配访客和转化事件。你还没写 N、通过线、失败线或无法判定时的动作。你正准备从一个很小的 n 读出一个百分比。那就是本页。Yibud 报告上偏弱的分发或需求那一行，靠近这个分岔——当作手电筒，照出烟雾测试该瞄准哪条假设，而不是当作一个 N。
什么时候烟雾测试样本量规则是错误的下一步
你叫不出谁算数。你还在问“你会用这个吗？”你只需要脚本、对已经做过真事的人做使用问卷、一份稀缺承诺，或一次收费。你把三个渠道混进一个 n。你在对两个标题做 A/B，却把它叫成烟雾测试。去跑那些页。把不匹配的点击跨来源累加，是表演。
演算例子
一份可以抄的区间合同（示意）
下面这一周是示意——名字、产品和次数都是编的，好让你看清设置。它不是研究，不是转化基准，也不是 Yibud 报告。抄方法，别抄故事。区间数字是表里算好的 Wilson 示例。
转化率赌注，第一次点击之前写好
示意名字：创始人陈梅，Ledgerping，给独立簿记员的 B2B 等候名单页。上线前写好的匹配访客：从一篇点名的社群帖进来的美国独立簿记员。转化事件：邮件等候名单。通过线：5%。失败线：1%。固定 N：200 个匹配访客。可选检查点：无。很诱人的下一步是“先看看前五十个怎样”。
2/200——明确未过
观察值 1%，区间 0.3%–3.6%。整个区间都在 5% 通过线之下。连乐观读法都没过。这是你已经点名的未过——停，或改写方案。不是再买两百个“因为文案就差一点点”的理由。
10/200——明确通过
观察值 5%，区间 2.7%–9.0%。观察转化率落在通过线上，下端（2.7%）高于 1% 失败线。这是你已经点名的通过——兴趣，不是钱。动作是点名的付费意愿测试，不是一座工厂。
6/200——无法判定
观察值 3%，区间 1.4%–6.4%。范围压在 5% 通过线两侧。这是无法判定。做上线前写下的那一个动作——延长一次到上限，或按未过处理。看到六封邮件之后，不要发明“有希望”。
为什么 5/100 是脆弱的通过
如果团队只有 100 个匹配访客，看到 5/100（5%，区间 2.2%–11.2%），按模板在技术上算通过：观察转化率落在 5% 通过线上，下端（2.2%）高于 1% 失败线。但这是一次脆弱的通过。区间从不到通过线一半一直拉到 11.2%，真实转化率完全可能远低于 5%。精度远不如 10/200（2.7%–9.0%）或 20/400（3.3%–7.6%）——所以按你需要的精度固定 N，而不是按能塞进日历的数字。
第一次点击之前写好合同。把 k/n 读成区间。遵守未过、通过或无法判定。通过之后，继续推进到下一个最便宜的测试——通常是钱，不是工厂。方法是写了日期的那一页，不是事后讲的故事。
Yibud 放在哪
把免费验证器用作手电筒，然后自己写样本量规则
Yibud 是免费、不用注册的创业点子验证器。分数来自确定性规则引擎，不是语言模型在猜成败。可选的 AI 文字若被使用，只润色文案。它不发明数字。一份 Startup MRI 报告可以点出偏弱的需求或分发维度，再给出第 7 天的继续 / 收窄 / 重测 / 停止信号。样本量工作挨着那条假设——用最弱的维度决定烟雾测试该瞄准哪条主张。不要指望中段分数表示“访客已经够了”。如果你已经有报告，从点名的假设开始写合同——不是从总分开始。然后自己跑测试。即使你从不打开分析器，这套方法也能单独成立。
分析我的点子 →常见错误
什么通常会浪费样本量规则
图看起来好看就停
Miller 的 A/B 测试文章：显著性假定 N 事先固定；边看边停会抬高假阳性（他最坏的例子里是 26.1% 对 5%；偷看十次，报告的 1% 实际上大约是 5%）。搬过来：等候名单“看起来不错”的那个下午，不要关掉烟雾测试。等到你写下的 N。
把 3/100 读成“3%”
3/100 的观察值是 3%，95% Wilson 区间是 1.0%–8.5%。单独一个百分比会藏起宽度。同样的习惯用在 5/100（2.2%–11.2%），就是团队喊出一个他们守不住的通过。
把不匹配的流量也算进去
错误的人周围收得很紧的区间，仍然是错误的人。跟踪来源。一个真实的渠道。已经喜欢你的朋友和通讯读者会抬高报名——用他们调试页面，然后分开读陌生人。
把零当成“没有数据”
Hanley 与 Lippman-Hand：n 次里一次事件都没有，95% 上限大约是 3/n（n > 30 时，与精确计算四舍五入到百分点后一致）。0/100 → 约 3%；0/300 → 约 1%。本页的精确（二项）零事件上限 1 − 0.05^(1/n)：n = 100 时 2.95%，n = 300 时 0.99%。这不是 Wilson 上限——0/100 的 Wilson 上限是 3.7%（见表）。零是结果。
把通过当成付费意愿
一封邮件是兴趣。定金、结账或标了价的管家服务是钱。通过之后，打开付费意愿页。不要宣布产品市场契合。
在很小的 n 上用 Wald 区间
Brown、Cai 与 DasGupta：Wald 区间覆盖率反复无常，比课本暗示的更差。他们建议 n 在 40 及以下用 Wilson 或 Jeffreys，更大的 n 用 Agresti–Coull。课堂幻灯片上的正负号，在五十个访客时，是很差的烟雾测试工具。
来源
这些想法从哪来
- Brown、Cai 与 DasGupta，《Interval Estimation for a Binomial Proportion》，Statistical Science 16(2):101–133（2001） — 用于这一发现：标准 Wald 区间（p ± 1.96 · sqrt(p(1−p)/n)）覆盖率反复无常，比课本暗示的更差；以及作者的建议：n 较小（40 及以下）用 Wilson 或 Jeffreys，更大的 n 用 Agresti–Coull。本页不发明其他覆盖率主张。 作者 PDF
- Wilson, E. B.，《Probable Inference, the Law of Succession, and Statistical Inference》，Journal of the American Statistical Association 22(158):209–212（1927） — 用作 Wilson 得分区间的来源。本页的表由该区间在 95%（z = 1.96）下算出。
- Hanley 与 Lippman-Hand，《If Nothing Goes Wrong, Is Everything All Right? Interpreting Zero Numerators》，JAMA 249(13):1743–1745（1983） — 用于 3/n 法则（rule of three）：n 次里一次事件都没有，95% 上限大约是 3/n；n > 30 时，近似与精确计算四舍五入到百分点后一致。医学语境；本页把同样的数学用在零报名上。 作者重印 PDF
- Evan Miller，《How Not To Run an A/B Test》（2010-04-18） — 用于这些 A/B 测试事实：显著性假定样本量事先固定；一显著就停会抬高假阳性；最坏的例子（最多观察到 150 就每次都检查，基础率 50%）给出 26.1% 的假阳性而不是 5%；偷看 10 次，报告的 1% 显著性实际上大约是 5%；以及事先决定样本量的建议。标成 A/B 测试语境；偷看的教训可以搬过来。
一段话
可以引用的摘要
烟雾测试要多少访客，问的是精度，不是证明需求的奖状。上线前写好匹配访客、转化事件、通过线、失败线、固定 N 和具名动作。把 k/n 读成 95% Wilson 区间（Wilson 1927；Brown、Cai 与 DasGupta 2001 警告 Wald 区间覆盖率反复无常，并建议 n 在 40 及以下用 Wilson 或 Jeffreys）。同样观察到 5%，100 个访客是 2.2%–11.2%，200 个是 2.7%–9.0%，400 个是 3.3%–7.6%。零事件也是信息：3/n 法则（rule of three）在 95% 下大约是 3/n（Hanley 与 Lippman-Hand 1983；0/100 → 约 3%）。固定 N；边看边停会抬高假阳性（Evan Miller 2010，A/B 测试语境：他最坏的例子里是 26.1% 对 5%）。Yibud 的三向模板——整个区间低于通过线算未过；观察转化率 ≥ 通过线且下端高于失败线算通过；否则做事先声明的无法判定动作——是模板，不是定律。通过是兴趣，不是钱。Yibud 分数不是转化区间。先写规则再遵守，才是方法。
常见问题
创始人真正会问的
烟雾测试要多少访客才够？
够让 95% Wilson 区间窄到能对照你事先写好的通过线和失败线来读。同样观察到 5%，100 个访客是 2.2%–11.2%，200 个是 2.7%–9.0%，400 个是 3.3%–7.6%。没有哪个 N 能“验证”点子。这些是计算示例，不是定律。
200–500 访客的经验法则是错的吗？
本页并不推翻它。落地页指南写的是 200–500 访客的经验法则。这里要说明的是 200 能告诉你什么、不能告诉你什么：10/200 的 5% 是 2.7%–9.0%；6/200 的 3% 是 1.4%–6.4%，对照 5% 通过线可能无法判定。按你需要的精度写 N。
如果一次报名都没有呢？
零是信息。Hanley 与 Lippman-Hand 的 3/n 法则（rule of three）：n 次里 0 次，95% 置信下真实转化率大约不超过 3/n（0/100 → 约 3%；0/300 → 约 1%），n > 30 时近似与精确计算四舍五入到百分点后一致。本页的精确（二项）零事件上限 1 − 0.05^(1/n)：n = 100 时 2.95%，n = 300 时 0.99%。这不是 Wilson 上限——0/100 的 Wilson 上限是 3.7%（见表）。0/200 是 0%–1.9%。
转化率已经好看，可以提前停吗？
如果你写了固定 N，不行。Evan Miller 的 A/B 测试文章：显著性假定样本量事先固定；一显著就停会抬高假阳性。他最坏的例子（最多观察到 150 就每次都检查，基础率 50%）给出 26.1% 的假阳性而不是 5%。偷看 10 次，报告的 1% 显著性实际上大约是 5%。事先决定 N。如果想延长一次，上线前写好检查点和上限。
Yibud 分数是转化区间吗？需要账户吗？
不是。Yibud 分数来自对点子输入的确定性规则引擎。Wilson 区间来自 n 个匹配访客里的 k 次转化。你不需要账户。本页的方法可以单独成立。如果你想在写合同前，用手电筒照一照偏弱的需求或分发假设，再跑免费分析器。可选的语言模型文字只润色文案。
第一次点击之前，先写区间合同
Yibud 用确定性引擎给偏弱的需求和分发假设打分。你在还诚实的时候写好匹配访客、事件、通过线、失败线和 N——然后一个百分比才是区间，不是感觉。
生成 Yibud 报告 →