🎯 为什么重要
关于标题的意见很廉价，测试才是真相。但一个测试要有意义，得只改一个变量、每组收件人多到有统计显著性、还要记录结果。4 周测试日历的设计、从你名单规模算出可检测的提升，AI 能做，你在邮件系统里跑并记下赢家。
💬 我的观点
对邮件做 A/B 测试，让改进滚起来
猜哪个标题赢是在浪费发送量，一个干净的测试就能定论。
4 周测试日历的设计、从你名单规模算出真正能检测到的提升，AI 能做。你在 Klaviyo 里跑并记录结果，因为真实数字是你的。
最快：一条提示词，端到端
🤖 AI 提示词 — 粘贴到 ChatGPT / Claude
你是一个 CRO 分析师，正在设计一个邮件 A/B 测试项目。
名单规模（一次典型发送）：[个] 发送频率：[每周几次] 当前打开率：[%]
只用我的数字来算：
1. 设计一个 4 周标题测试日历：每次只测一个变量（第 1 周长度、第 2 周个性化、第 3 周 emoji、第 4 周好奇 vs 清晰），每周判定用的那一个指标。
2. 在 95% 置信度、80% 检验力下，只用我的名单规模算出检测到我在意的提升所需的每组最小样本。说明你用的基准打开率和假设的提升幅度。如果我一次发送的名单达不到这个样本，就直说，并告诉我具体要合并几次发送。
3. 给一个记录模板，列：测试｜变量｜版本 A/B｜指标｜结果｜赢家。
不要编我的打开率，别在小样本上宣布赢家，任何样本量数字都要标出背后的假设。算不出来就告诉我缺哪个输入。
输出：4 周日历、样本量说明、记录模板。
或者，五步做完
- 每次只改一个变量。 标题长度、个性化，或者 emoji，绝不一次改好几个，否则结果没法归因到任何一项。
- 老实确认样本够大。 常见的实用下限是每组约 1000 个收件人，但那只能抓出大差距。在 20% 基准、95% 置信度、80% 检验力下，约 10% 的相对提升（20% 到 22%）每组需约 6500；再小的 5% 提升需约 26000；3% 提升需约 70000（suped.com，2026）。用你邮件系统的显著性提示，别太信小胜出。
- 先测杠杆最大的： 标题（影响打开）先于正文调整（影响点击）。先修最大的那根杠杆。
- 跑一个 4 周标题系列，一周一个测试，让赢家滚起来：第 1 周长度，第 2 周个性化，第 3 周 emoji，第 4 周好奇 vs 清晰。
- 每个结果都记在一张表里，把赢家并进默认风格。记下测试、变量、两个版本、指标和赢家。不记录的测试，下个季度什么都教不了你。
实战演算（示例，只从收件人数算）： 能检测到的提升由名单规模决定，不由意见决定。在 20% 基准打开率、95% 置信度、80% 检验力下，一个严谨的 2 个百分点（相对 10%）提升每组需约 6500，也就是每次发送约 13000。
8000 的名单五五分（每组 4000）一次发送只能可靠读出更大的差距，或者把 2 个百分点的测试跨约 3 到 4 次发送合并。
2000 人的名单（每组 1000）够到了粗略下限，但达不到真正显著，跨多次发送合并再信赢家。
每个测试都记录；每月把赢家提升为你的基准。
⚖️ 该做 & 别做
该做
- 先测标题，再测内容和按钮，最后测发送时间，一次只测一个变量
- 每个版本至少凑够约1000个收件人再去信这个结果
- 每次测试跑3到7天，或者跑到统计显著为止，取更长的那个
- 流程也要A/B测试，别只测单次活动，几次测试就能在往后每一次发送里持续复利
避免
- 别在同一次实验里同时测标题、按钮和发送时间
- 别用第一天的数据就下结论，一周里不同天互动情况不一样
- 名单小到根本达不到统计显著，就别硬追这个指标，先把名单或采样窗口做大
- 一个1到2个百分点的胜出，如果要为此长期维护复杂版本却没多少实际收益，就别急着采用
💡 快速提示
- 按流程或活动类型，简单记一下测过什么、结果怎样，很多团队一年后又重新测了一遍去年测输的点子，就因为没人记下来
- 测发送时间时，按收件人所在时区测，别整个名单只用一个固定的钟点
🏢 品牌聚焦
品牌被测流程的人均收入涨到3.5倍
Klaviyo客户案例 · 为什么合适：Cargo Crew是一个服务4.5万多个团队的工装制服品牌，没有为了拉收入把整套邮件项目推倒重来，只针对一个流程的标题和发送时间跑了3到4次A/B测试，正是这篇笔记推荐的小步快跑、按顺序测试，而不是一次性全测的打法。做得好的地方：在售后流程上迭代了几次标题和发送时间测试，而不是整体重新设计，胜出版本持续沿用带来的复利效果，让人均收入涨到了3.5倍。要注意的地方：这是Klaviyo发布的推广案例，具体测了什么、样本量多大都没公开，3.5倍只是一个倍数，没给出具体的美元基数，这个流程同时还受益于更大的售后策略（保养指南反哺再营销活动），不只是测试本身的功劳。
🏷️ 标签
emailab-testingoptimization
🔗 相关内容