转化率计算器

转化率计算器可以将访问者数量和转化次数转化为具体的转化率，并且提供统计学上严格的置信区间、误差幅度和可靠性评估。本工具非常适用于着陆页、注册漏斗、广告系列、吸睛引流页、结账流程以及任何以“用户是否完成了特定操作”为衡量指标的 A/B 测试。本工具提供了三种置信区间计算方法——Wilson score（推荐默认方法）、Wald（经典正态近似）和 Agresti-Coull（保守的折中方案）——并报告误差幅度、样本量充足性结论、动态漏斗可视化、行业基准区间，以及缩窄估计范围所需的额外流量。无论您是在评估单个漏斗步骤，还是在规划未来测试的样本量，在此处获得的结果都比普通的“转化次数 ÷ 访问者”计算器更加精确。

如何使用

1. 输入访问者总数——即到达您所测量步骤的会话次数、试用次数或曝光次数。
2. 输入转化次数——即完成了目标操作的访问者数量。转化次数不能超过访问者数量。
3. 选择置信水平。95% 是行业标准；对于高影响力的决策可使用 99%，而 90% 仅用于早期探索。
4. 选择一种置信区间方法。默认推荐 Wilson score，适用于所有样本量；Wald 是教科书式的经典公式；Agresti-Coull 则是一个略微保守的替代方案。
5. 点击计算转化率以查看转化率、置信区间、误差幅度、样本充足性结论、漏斗可视化、方法对比以及数学计算的逐步拆解。

使用公式

是什么让这个转化率计算器与众不同

• 默认采用 Wilson score —— 大多数在线计算器仅提供 Wald 公式，这在小样本或极端转化率情况下可能会产生不可能存在的区间（负数下限或大于 100% 的上限）。Wilson 在任何样本规模下都是正确的，也是专业统计学家所推荐的方法。
• 提交前实时预览 —— 输入任何数字，转化率、置信区间和可靠性徽章都会实时更新，无需刷新整个页面。
• 动态漏斗可视化 —— 直观看到您漏斗的形状，而不仅仅是一个冰冷的数字。
• 样本充足性红绿灯 —— 根据 n·p̂ ≥ 10 经验法则提供绿色 / 黄色 / 红色徽章，让您立即知道估计值是否值得信赖。
• 并排方法对比 —— 在同一个表格中直观对比 Wilson、Wald 和 Agresti-Coull 区间。您选择的方法会被高亮显示，其余方法则展示了不同选择下答案的微调。
• 行业基准区间 —— 六个区间级别（从极低到顶尖）让您的转化率在行业背景下一目了然。
• 规划辅助器 —— 精确计算出如果要将误差幅度减半，或达到 ±1.00 / ±0.50 百分点的精度，您还需要多少访问者。
• 逐步数学拆解 —— 每一步计算都按行拆解，方便您进行验证和学习。

如何解读样本量充足性结论

• 绿色 — 可靠。 n·p̂ 和 n·(1 − p̂) 都至少为 10。正态近似成立，该置信区间对决策具有很高的参考价值。
• 黄色 — 临界边缘。 n·p̂ 或 n·(1 − p̂) 的其中一个低于 10，但至少为 5。此时相比 Wald 区间，更倾向于采用 Wilson 或 Agresti-Coull 区间，并在最终做出决策前收集更多数据。
• 红色 — 样本量过小。 n·p̂ 或 n·(1 − p̂) 的其中一个低于 5。仅能将此转化率视作粗略的参考指标，应收集大幅增加的数据量。

典型的转化率行业基准

为什么置信区间至关重要

在有限的访问者样本上测得的转化率只是对真实潜在转化率的一个估计。如果您将同一枚有偏差的硬币抛 100 次，您可能会得到 47 次正面；再次抛投可能得到 53 次。这同样适用于漏斗——由于纯粹的随机性，日常测得的数据总是在真实转化率上下浮动。置信区间告诉您真实转化率可能存在的合理范围，这能帮您避免两个经典的错误：把随机噪音当成胜负手，以及在测试样本太小、根本无法检测出变化时轻率地得出“什么都没发生”的结论。

Wilson vs Wald vs Agresti-Coull

这三个区间回答的是同一个问题，但在数学计算方法上有所不同：

• Wald 是教科书上的经典公式 p̂ ± z·√[p̂(1−p̂)/n]。简单、计算快速，但在小样本或转化率接近 0% / 100% 时会失效——它甚至可能会计算出负数的下限或超过 100% 的上限。
• Wilson 是基于得分（Score）的区间。它是得分检验的逆运算，也是官方推荐的默认方法，因为在任何样本量下它都能保持在 [0, 100%] 的合理范围内，对任何转化率都具有极近标称的覆盖率，符合统计学研究的最佳实践。
• Agresti-Coull 增加了 z² 个伪观测值（一半算作转化，一半算作未转化），然后对调整后的计数应用 Wald 公式。这是一个稍显保守、但极易于解释的折中方案。

在实际工作中，默认选择 Wilson 即可。仅在样本量非常庞大且转化率远离 0% 或 100% 时才使用 Wald。如果您想要一个稍微更宽、更保守且推导直接的区间，可以使用 Agresti-Coull。

针对目标误差幅度的样本量规划

如果您的目标是将转化率周围的置信区间控制在 ±E 百分点以内，您所需要的样本量计算公式为：

测量转化率时的常见陷阱

• 混淆访问者口径范围 —— 比如衡量一个版本时使用会话数（Sessions），而衡量另一个版本时使用独立用户数（Unique Users），这会导致其中一个转化率被虚假放大。请选择同一种口径并保持一致。
• 网络爬虫流量 —— 访问者计数中如果包含了未清洗的爬虫曝光，会无形中拉低转化率。在计算前请过滤已知的网络爬虫和无头浏览器流量。
• 过早停止测试 —— 每天频繁查看结果，并在第一次看到显著提升时就立即停止测试，这会大幅增加假阳性（误报）的概率。请提前确定好目标样本量。
• 对比不同时间窗口的转化率 —— 周末与工作日、旺季与淡季、或者发布前与发布后的用户群体构成往往不同。请确保在同等基准下进行对比。
• 忽视细分群体的异质性 —— 一个 4% 的综合转化率背后，可能掩盖了 2% 的移动端转化率和 8% 的桌面端转化率。在得出结论前，应对大型漏斗进行细分拆解。
• 对同一个用户进行重复计数 —— 如果一个访问者在最终转化前访问了三次，请明确是要算作一次转化还是三次访问。不一致的统计标准会使转化率产生偏差。
• 追踪代码遗漏 —— 成功页面上缺失的追踪像素会悄悄拉低转化次数和转化率。在信任数据之前，请端到端验证漏斗追踪是否完好。

与 A/B 测试的关联

转化率是任何 A/B 测试的核心基石。为了检验两个转化率是否存在显著差异，您需要对比它们的置信区间（更准确地说，是对底层计数进行双比例 z 检验）。我们的 A/B 测试显著性计算器可以直接处理这种对比。而本比例置信区间计算器则完全专注于区间本身。这三个工具组合在一起，可以覆盖绝大多数漏斗分析的需求。

常见问题（FAQ）

什么是转化率？

转化率是指完成特定目标操作（如购买、注册、点击、下载或生成销售线索）的访问者占总访问者的百分比值。它等于转化次数除以访问者数量，以百分比表示。任何可以被归纳为“用户是否完成了操作 X”的事件都是转化事件。

为什么转化率需要置信区间？

在有限的访问者样本上测得的转化率只是对真实底层转化率的一个估计。置信区间告诉您在当前数据下真实转化率的合理范围，这对于 A/B 测试、漏斗分析以及任何取决于某一转化率是否可靠地优于另一转化率的决策都至关重要。

我应该使用哪种置信区间方法？

默认推荐使用 Wilson score 区间——它在任何样本量下都很准确，并且永远不会产生低于 0% 或高于 100% 的不可能数值。仅当样本量巨大且转化率远离 0% 或 100% 时，才使用 Wald。如果您想要一个略微保守、且易于解释的替代方案，可选择 Agresti-Coull。

误差幅度是如何计算的？

误差幅度是置信区间宽度的一半。对于 Wald 区间，它等于 z · √[p̂(1 − p̂) / n]，其中 z 是所选置信水平的标准正态分位数（95% 置信度下为 1.96）。对于 Wilson 和 Agresti-Coull，公式虽然略有不同，但其核心含义是一致的：即上下限偏离点估计值的距离。

需要多少访问者才能获得可靠的转化率？

根据经验法则，当 n · p̂ 和 n · (1 − p̂) 都至少为 10 时，样本是可靠的。对于 1% 的转化率，这大约意味着需要 1000 名访问者；对于 5% 的转化率，需要 200 名访问者。本计算器会准确显示达到目标误差幅度（如 ±1%）所需要的精确样本量。

如何将误差幅度减半？

将误差幅度减半大约需要四倍的访问者数量，因为误差幅度随着样本量的平方根而缩小。您可以通过“还需要多少访问者”面板查看基于您当前数据的精确数值。

转化率和点击率是一回事吗？

在数学层面上是一样的——它们都代表“事件次数 ÷ 机会次数”。点击率是指产生点击的曝光次数比例；转化率则是指产生转化事件的访问者比例。它们的数学与统计处理完全一致，因此本计算器对两者同样适用。

如果我的转化率正好是 0% 或 100% 该怎么办？

Wald 区间在边界处的宽度会坍缩为零，这是极具误导性的——因为单次硬币抛出正面并不能证明这枚硬币永远只能抛出正面。Wilson 区间可以正确地处理边界，并给出一个非零的合理区间。在极端数据情况下，请务必优先选择 Wilson 方法。