Amazon 图片 A/B 测试方法论：一次只改一个变量
A/B 测试的核心不是"换张图试试"，而是控制变量。这篇文章讲透了 EasySKU 定义的 8 个图片变量——从 clarity 到 crop_angle，每个变量测什么、怎么对照、泳装和箱包品类分别怎么选。同时详细说明了 Amazon 主图的合规边界：哪些变量只能在副图测，哪些根本不能碰。最后回答了"不显著的实验是不是白测了"——不是。
核心原则
如果你同时改了图片、标题、价格，赢了也不知道谁赢的，输了也不知道谁输的。
控制变量法是 A/B 测试唯一的科学方法。 医学生物实验用了几百年，电商一样适用。
8 个可测变量，你想测哪个？
EasySKU 把主图 A/B 测试拆成 8 个独立变量：
| 变量 | 测什么 | 泳装举例 |
|---|---|---|
clarity（清晰基准） |
平铺 vs 模特正面 | 白底平铺泳装 vs 白底模特正面，谁更清晰 |
benefit（利益点） |
模特姿势传达效果 | 手放腰间突出收腹 vs 侧身展示曲线 |
usage_scene（使用场景） |
场景代入感 | 白底 vs 海滩/泳池度假场景 |
trust（信任背书） |
打消顾虑 | 纯产品 vs 面料细节/尺码对比 |
scale（尺寸数量） |
防止误判 | 纯背包 vs 旁边放一瓶水做尺寸参照 |
comparison（价值对比） |
问题-解决说服 | 普通面料 vs 速干面料对比 |
premium（高级感） |
价格接受度 | 标准光 vs 柔光/高质感布光 |
crop_angle（构图变化） |
轮廓识别度 | 正面 vs 45° vs 背面 |
这就是为什么 EasySKU 的 A/B 测试功能强制每个变体标注 test_variable——不标注你就不知道自己在测什么。
泳装的例子：benefit 变量怎么测
假设你有一个泳装 SKU，当前主图是白底平铺。
Version A（control）：白底平铺泳装，无模特
Version B（treatment）：白底 + 模特侧身站立，手放腰间突出收腹效果
改了什么？ 只有模特姿势——背景不变、光线不变、产品不变。
只有一个变量不同。 如果 B 的 CTR 比 A 高，你可以确信是"模特展示收腹效果"带来的提升，而不是"背景更亮了"或者"角度不一样了"。
如果 A 和 B 同时改了背景、模特、光线、角度——你什么结论都得不出。
箱包的例子：clarity 变量怎么测
箱包品类的第一决策因子是轮廓——买家第一眼认的是包型。
Version A（control）：正面平铺
Version B（treatment）：斜 45° 视角
改了什么？ 只有拍摄角度。
箱包品类这个测试的结果通常是：45° 比正面平铺高 15-20% CTR——因为买家能看到包的厚度，理解"容量"只需要 0.1 秒。
Amazon 平台的坑：不是所有变量都能在主图测
Amazon 主图规则极其严格：
| 主图可以 | 主图不可以 |
|---|---|
| 纯白底 | 任何场景背景 |
| 模特上身（仅服装品类） | 道具（墨镜、帽子、沙滩巾） |
| 不同角度/裁切 | 文字、logo、水印 |
| 多图拼接、before/after |
所以 usage_scene（海滩场景）只能在副图测，comparison（对比）只能在 A+ Content 测。EasySKU 已经标注了这些限制——选 Amazon 平台时，受限变量会显示"仅副图"。
一次测多久？
新手最常见的错误：跑一周，看到点趋势就停了。
Amazon 的实验需要统计显著性。一周的数据可能只是运气。影响因素：
- 日流量 < 50 的 ASIN：可能 4-6 周才显著
- 日流量 50-200 的 ASIN：通常 2-4 周
- 日流量 > 200 的 ASIN：1-2 周
急什么？选错主图的代价比多等两周大得多。
实验记录
每次测完，记下来。不用复杂，三行：
泳装 ASIN B0xxx
变量：benefit（收腹效果展示）
结果：B 比 A CTR 高 30%，CVR 持平 → 全量上线 B
攒够 20 条记录，你就有了自己的品类决策手册。
不是每个变量都值得测
新手常犯的第二个错：每个变量都测一遍，从 clarity 测到 crop_angle，8 个变量全过一遍。
不需要。 不同品类的关键变量不同：
| 品类 | 最值得测的变量 | 原因 |
|---|---|---|
| 泳装/内衣 | benefit + clarity |
视觉驱动，"穿上什么效果"决定点击 |
| 箱包 | clarity + usage_scene |
轮廓 + 上身容量感 |
| 3C 数码 | clarity + scale |
参数驱动，"清楚展示"比"好看"重要 |
| 食品 | benefit + trust |
食欲 + 安全认证 |
| 家居 | usage_scene + scale |
场景想象 + 尺寸感知 |
EasySKU 已经内置了品类决策知识——选"提高点击率"，系统会根据你的品类自动推荐最值得测的变量。
不显著的实验也是收获
很多人觉得"测完发现没显著差异"= 白测了。
不是。 "这个变量在当前条件下不影响 CTR"也是一个有效结论。它告诉你：
- 别在这个变量上花时间了，去测别的
- 当前 ASIN 的瓶颈不在这张主图上，可能是标题、价格或者流量本身
A/B 测试的目的不是每次都有 winner，而是逐步缩小不确定性。
建议阅读顺序：
- 为什么要做 A/B 测试 —— 新手入门
- 图片 A/B 测试方法论 —— 变量隔离
- 文案 A/B 测试方法论 —— 文案策略
- A/B Test 怎么用 —— EasySKU 实操指南