轉換率計算機

轉換率計算機可將訪客數和轉換數轉換為精確的轉換率，並加上統計學上嚴謹的信賴區間、抽樣誤差和可靠性評估。適用於著陸頁面、註冊漏斗、廣告活動、潛在客戶吸引頁面、結帳流程，以及任何以「使用者是否完成特定動作」為指標的 A/B 測試。本工具提供三種信賴區間方法：Wilson score（推薦的預設方法）、Wald（古典常態逼近法）和 Agresti-Coull（保守的折衷方案），並報告抽樣誤差、樣本充足性判定、動態漏斗視覺化、行業基準帶，以及縮緊估計範圍所需的額外流量。無論您是在評估單個漏斗步驟，還是在為未來的測試規劃樣本量，這裡獲得的結果都比傳統的「轉換數 ÷ 訪客數」計算機更加精確。

如何使用

1. 輸入訪客總數——即到達您正在測量步驟的工作階段數、試用次數或曝光次數。
2. 輸入轉換數——完成目標動作的訪客數。轉換數不能超過訪客數。
3. 選擇信賴水準。95% 是行業標準；對於高影響力的決策請使用 99%；90% 僅用於早期探索。
4. 選擇信賴區間方法。推薦所有樣本量皆選用 Wilson score；Wald 是教科書上的傳統公式；Agresti-Coull 則是一個稍微保守的替代方案。
5. 點擊 計算轉換率 查看轉換率、信賴區間、抽樣誤差、樣本充足性判定、漏斗視覺化、方法比較以及逐步數學公式拆解。

使用公式

本轉換率計算機的獨特之處

• 預設採用 Wilson score —— 大多數線上計算機僅提供 Wald 公式，這在樣本量小或轉換率極端時會產生不可能的區間（例如下限為負數，或上限值 > 100%）。Wilson 在任何情況下都是正確的，也是專業統計學家推薦的方法。
• 送出前即時預覽 —— 輸入任何數字後，轉換率、信賴區間和充足性標籤都會即時更新，無需重新載入整個網頁。
• 動態漏斗視覺化 —— 讓您看到漏斗的形狀，而不僅僅是一個冰冷的數字。
• 樣本充足性紅綠燈 —— 基於 n·p̂ ≥ 10 的經驗法則提供綠 / 黃 / 紅標籤，讓您立即知道估計值是否值得信賴。
• 並排方法比較 —— 在同一個表格中呈現 Wilson、Wald 和 Agresti-Coull 區間。您選擇的方法會被加亮顯示，其餘方法則展示該選擇如何改變答案。
• 行業基準帶 —— 透過六個級別的尺度（非常低 → 頂尖）將您的轉換率置於具體情境中評估。
• 規劃輔助工具 —— 告訴您將抽樣誤差減半或達到 ±1.00 / ±0.50 百分點精確度所需的確切訪客數。
• 逐步數學拆解 —— 逐行拆解每個計算步驟，方便您進行驗證和學習。

解讀樣本充足性判定結果

• 綠色 — 可靠。 n·p̂ 和 n·(1 − p̂) 都至少為 10。常態逼近法成立，信賴區間在決策上值得信賴。
• 黃色 — 臨界邊緣。 n·p̂ 或 n·(1 − p̂) 其中之一低於 10 但至少為 5。此時與其使用 Wald，更應優先選擇 Wilson 或 Agresti-Coull 區間，並在做最終決策前收集更多數據。
• 紅色 — 樣本過小。 n·p̂ 或 n·(1 − p̂) 其中之一低於 5。此時應僅將該轉換率視為粗略指標，並需要收集大幅增加的數據量。

常見轉換率行業基準

渠道 / 步驟	一般範圍	備註
電子商務全站	2% – 3%	成熟的商店通常聚集在 2.5% 左右；行動裝置往往低於桌上型電腦。
電子商務加入購物車 → 結帳	20% – 35%	這是漏斗步驟轉換率，而非全站轉換率。
著陸頁面（付費流量）	3% – 10%	強而有力的文案和緊湊的優惠可以使此指標提升至基準線以上。
SaaS 免費試用註冊	5% – 12%	低門檻的註冊轉換率較高；需要信用卡資訊的註冊轉換率較低。
SaaS 免費 → 付費	2% – 5%	屬於漏斗下半部的「試用轉付費」轉換。
B2B 潛在客戶產生表單	1% – 5%	表單欄位越長轉換率越會急劇下降；封閉式內容（Gated Content）可提升轉換率。
多媒體廣告點擊	0.05% – 1%	高度取決於素材創意和投放版位。
搜尋廣告點擊	2% – 6%	品牌字詞搜尋的點閱率甚至可能超過 10%。
電子郵件開啟 → 點擊	2% – 10%	以已開啟信件為分母；受眾分眾能有效提升轉換率。

為什麼信賴區間至關重要

在有限的訪客樣本上測量出的轉換率只是對真實潛在速率的估計。如果您將同一枚有偏差的硬幣投擲 100 次，您可能會得到 47 次正面；再投擲一次，可能會得到 53 次。這同樣適用於營銷漏斗——由於純粹的隨機性，每天的數字都會圍繞真實轉換率上下浮動。信賴區間告訴您真實轉換率可能存在的合理範圍，從而幫助您避免兩個經典錯誤：在雜訊中過早宣布勝出者，以及在測試樣本過小而無法偵測到變化時草率得出「什麼都沒發生」的結論。

Wilson vs Wald vs Agresti-Coull

這三種區間回答的是同一個問題，但計算方式不同：

• Wald 是教科書上的傳統公式 p̂ ± z·√[p̂(1−p̂)/n]。簡單、快速，但在樣本量小或轉換率接近 0% / 100% 時會失效——它可能會產生負的下限或超過 100% 的上限。
• Wilson 是 score 區間。它是 score 檢定的逆運算，也是推薦的預設方法，因為它在任何樣本量下都能保持在 [0, 100%] 的範圍內，對任何轉換率都有接近名義的覆蓋率，最符合統計學研究的最佳實踐。

在實際工作上，請預設使用 Wilson。僅在轉換率遠離 0% 或 100% 且樣本量非常大的情況下才選用 Wald。當您想要一個稍微寬一些、更保守且易於推導的區間時，請使用 Agresti-Coull。

針對目標抽樣誤差規劃樣本量

如果您的目標是在轉換率周圍獲得 ±E 百分點的信賴區間，您所需的樣本量為：

測量轉換率時常見的陷阱

• 混淆訪客定義範圍 —— 對於一種版本測量「工作階段數」，而對另一種版本測量「不重複使用者數」，會使其中一個轉換率失真。請選擇一種定義範圍並始終如一地套用。
• 機器人流量 —— 訪客計數中若混入未過濾的機器人點閱，會拉低實際轉換率。在計算前請先過濾掉已知的爬蟲和無頭瀏覽器流量。
• 過早停止測試 —— 每天查看結果並在第一次出現顯著提升時就停止測試，會大幅增加偽陽性（False Positives）。請務必提前決定好目標樣本量。
• 跨不同時間窗口比較轉換率 —— 周末與工作日、旺季與淡季、或上線前與上線後的流量組合變化會改變基準線。請務必在相同條件下進行比較。
• 忽略細分受眾的異質性 —— 4% 的綜合轉換率可能會掩蓋 2% 的行動裝置轉換率和 8% 的桌上型電腦轉換率。在得出結論前，請先對大型漏斗進行細分分析。
• 重複計算同一個使用者 —— 如果一個訪客在轉換前造訪了三次，請決定是要計算一次轉換還是三次。不一致的計算標準會使速率產生偏差。
• 追蹤遺漏 —— 成功頁面上若遺漏了追蹤像素（Pixel），會悄悄降低轉換計數和轉換率。在信任數據之前，請先端到端驗證漏斗追蹤是否正常。

與 A/B 測試的關聯

轉換率是任何 A/B 測試的核心基石。要測試兩個轉換率是否存在顯著差異，您可以比較它們的信賴區間（或更精確地說，對潛在計數進行兩樣本比例 z 檢定）。A/B 測試顯著性計算機能直接處理該比較。而比例信賴區間計算機則純粹專注於區間本身。這三種工具相輔相成，涵蓋了大部分漏斗分析的需求。

常見問題

什麼是轉換率？

轉換率是指完成特定目標動作（例如購買、註冊、點擊、下載或產生潛在客戶）的訪客百分比。它等於轉換數除以訪客數，並以百分比表示。任何可以表述為「使用者是否完成了 X 動作」的事件都是轉換事件。

為什麼轉換率需要信賴區間？

在有限的訪客樣本上測量出的轉換率只是對真實潛在速率的估計。信賴區間告訴您在給定數據下真實速率的合理範圍，這對於 A/B 測試、漏斗分析以及任何取決於某個速率是否確實更好的決策至關重要。

我應該使用哪種信賴區間方法？

建議預設使用 Wilson score 區間——它在任何樣本量下都很準確，且絕不會產生低於 0% 或高於 100% 的不可能數值。僅當樣本量較大且轉換率遠離 0% 或 100% 時才使用 Wald。當您想要一個稍微保守且易於解釋的替代方案時，請使用 Agresti-Coull。

抽樣誤差是如何計算的？

抽樣誤差是信賴區間寬度的一半。對於 Wald 區間，它等於 z · √[p̂(1 − p̂) / n]，其中 z 是所選信賴水準的標準常態分位數（95% 信賴水準時為 1.96）。對於 Wilson 和 Agresti-Coull，公式略有不同，但解讀方式相同：即上限和下限與點估計值之間的距離。

需要多少訪客才能獲得可靠的轉換率？

根據經驗法則，當 n · p̂ 和 n · (1 − p̂) 都至少為 10 時，樣本就是可靠的。對於 1% 的轉換率，這意味著大約需要 1000 名訪客；對於 5% 的轉換率，需要 200 名訪客。此計算機顯示了達到目標抽樣誤差（例如 ±1%）所需的確切樣本量。

如何將抽樣誤差減半？

將抽樣誤差減半大約需要四倍的訪客，因為抽樣誤差會隨著樣本量的平方根而縮減。「需要增加多少訪客」面板會根據您目前的數據報告確切的人數。

轉換率與點閱率相同嗎？

在數學上是的——兩者都是「事件數 ÷ 機會數」。點閱率是產生點擊的曝光次數比例；轉換率則是產生轉換事件的訪客比例。其數學與統計處理完全相同，因此本計算機對兩者皆適用。

如果我的轉換率恰好是 0% 或 100% 該怎麼辦？

Wald 區間在邊界處會塌陷為零寬度，這會產生誤導——單次投擲硬幣得到正面並不代表硬幣永遠只會得到正面。Wilson 區間能正確處理邊界並給出非零的範圍。在極端情況下，請務必優先選擇 Wilson 方法。