转化率优化，新旧页面能否直接横向比较
📱 Mozilla/5.0 (compatible; QlyzeBot/1.0; +https://app.qlyze.io/bot)
🔗 /bad57af56f1b.html
📄
转化率优化，新旧页面能否直接横向比较
不能直接比较，除非你能把“页面年龄”带来的流量结构差异剥离掉。一个上线三年的页面和一个上线三周的页面，即使转化率数值相差一倍，也不说明新页面设计更差或更优——它们面对的是不同的访客构成、不同的信任积累、不同的入口组合。直接横向比较，最常见的后果是把“流量结构变化”误读成“页面改版有效或无效”。
矛盾现象：小样本上成立，规模化后失效
很多团队都有过类似经历：新页面刚上线，拿一周数据和旧页面比，转化率略高，于是判断新版本胜出，全量切换。切换后整体转化率反而掉了。回头看，那一周新页面的流量里，来自品牌词和老用户回访的比例偏高，而这批人本来就更容易转化。样本小的时候，这种结构偏差被数值波动掩盖；样本放大后，结构偏差被放大成整体下滑。
这个矛盾说明：页面之间的转化率差异，可能来自页面本身，也可能来自流量的来源构成。上线时间不同，恰恰是构成差异最常见的来源之一。
两种解释：页面效应还是流量结构效应
解释一：页面效应。新页面在信息层级、加载速度、行动按钮位置上确实更好，访客更容易完成目标动作。如果是这种原因，那么把同一批来源、同一类访客随机分给两个页面，新页面依然应该胜出。
解释二：流量结构效应。新页面拿到的流量里，自然搜索长尾词、新用户、低意图渠道占比更高；旧页面沉淀了品牌词、老访客、高意图入口。如果是这种原因，那么把来源结构对齐之后，两者的差距会大幅缩小甚至反转。
两种解释都成立，而且经常同时存在。问题不在于判断哪个“对”，而在于判断当前观察到的差距里，哪一部分可以归因于页面本身。
能区分两种解释的证据
关键动作是分层比较，而不是只看总转化率。具体做法：把两个页面的流量按来源渠道、新老访客、设备类型分别拆开，在同一层内部比较转化率。如果新页面在每个分层里都稳定胜出，页面效应的解释更强；如果只在某些分层胜出、总体胜出主要靠高意图流量占比，流量结构效应的解释更强。
一个假设例子：旧页面总转化率 4%，新页面总转化率 3%。看起来旧页面更好。但拆开后发现，旧页面 60% 流量来自品牌词，该层转化率 8%；新页面只有 20% 来自品牌词，该层转化率 7%。非品牌流量层，旧页面 1.5%，新页面 2.2%。这时总转化率的差距主要来自品牌词占比，页面本身在新流量上反而更好。这个结论会直接改变下一步：不是回滚新页面，而是想办法让新页面承接更多高意图入口。
另一条可核查的证据链是时间序列上的结构变化。记录两个页面每周的流量来源占比和分层转化率。如果某次改版后总转化率变化，但各分层转化率几乎没动，只是来源占比变了，那么变化更可能来自流量分配，而不是页面改动。反之，如果来源占比稳定，分层转化率同步变化，页面效应的解释更可信。
什么条件下可以直接比较
直接横向比较成立，需要同时满足几个条件：两个页面的流量来源结构接近；新老访客比例接近；承接的意图层级接近；观察窗口覆盖了完整的转化周期。任何一条不满足，比较结论都要打折扣。
实际操作中，更稳妥的做法是先对齐再比较：只取同一来源、同一访客类型、同一设备的数据做对比；或者用分流实验把同一批访客随机分配到两个页面。前者是观察性对齐，能减少但不能消除混杂；后者是实验性对齐，因果解释更强，但需要足够的样本量和完整的实验周期。
还有一个容易被忽略的边界：上线时间本身会改变页面能拿到的流量。新页面在索引、内链、外部引用上的积累不同，导致它拿到的入口组合不同。这不是页面内容的问题，而是页面在站点结构中的位置问题。把这类差异算进页面转化率的比较，等于把结构位置和页面设计混在一起评价。
诊断顺序与下一步动作
- 先确认两个页面的总转化率差距有多大，是否超出日常波动范围。
- 按来源渠道、新老访客、设备类型分层，看差距是否在每一层都稳定存在。
- 如果差距集中在某一层，检查该层的流量占比在两个页面之间是否不同。
- 如果占比不同，优先怀疑流量结构效应；如果占比接近但分层转化率仍不同，优先怀疑页面效应。
- 根据判断结果决定下一步：结构问题就调整入口分配或等待新页面积累；页面问题就做分流实验验证。
这个顺序的价值在于：它不要求你先有完美数据，而是用现有分层数据把两种解释区分开。区分清楚之后，你才知道该优化页面，还是该优化流量分配。把这两件事混在一起，转化率优化就会变成反复改版却看不到稳定改善的循环。
