トラフィックの配分｜CheckoutOSドキュメント

トラフィックの配分は、実験の各バリエーションに訪問者をどう振り分けるかを決めます。適切な戦略は、統計的検出力とビジネス上のリスクを両立します。

配分の基本

訪問者がチェックアウトに入ると、CheckoutOSは配分設定に基づき、無作為にバリエーションへ割り当てます。一度割り当てられると、セッション全体と今後の訪問でも同じバリエーションを維持します。

トラフィック配分の例

{
  "traffic_allocation": {
    "method": "random",
    "variants": [
      { "name": "Control", "weight": 50 },
      { "name": "Variant A", "weight": 50 }
    ],
    "sticky_assignment": true,
    "assignment_key": "visitor_id"
  }
}

配分戦略

均等配分（50/50）

大半の実験で使う標準的な方法です。

最も早く有意性に到達 — 同じサンプル数が検出力を最適化
分析が簡単 — 計算で重み付けが不要
適した用途 — 大半の標準的なA/Bテスト

慎重な配分（90/10）

影響が大きい可能性のある変更で、リスクを抑えます。

低いリスク — 新しい体験を見るのは10%だけ
遅い結果 — 有意性に達するまで時間がかかる
適した用途 — 大きな変更、新機能、リスクのある実験

慎重な配分

{
  "traffic_allocation": {
    "variants": [
      { "name": "Control", "weight": 90 },
      { "name": "New Checkout Flow", "weight": 10 }
    ]
  }
}

段階的な展開

バリエーションを見る割合を徐々に増やします。

段階的配分

{
  "traffic_allocation": {
    "method": "ramped",
    "stages": [
      { "day": 1, "control": 95, "variant": 5 },
      { "day": 3, "control": 80, "variant": 20 },
      { "day": 7, "control": 50, "variant": 50 }
    ],
    "auto_progress": true,
    "hold_on_degradation": true
  }
}

段階的展開が適した場面

テストの利点を得ながらリスクを最小限にしたい場合に使います。成果が悪い場合も、影響を小さな割合に抑えられます。

多腕バンディット

成果のよいバリエーションに自動でトラフィックを移します。

バンディット配分

{
  "traffic_allocation": {
    "method": "bandit",
    "algorithm": "thompson_sampling",
    "exploration_rate": 0.1,
    "optimize_for": "revenue_per_visitor",
    "minimum_traffic_per_variant": 0.05
  }
}

バンディットの利点と欠点

利点：テスト中の売上を最大化
利点：成果に合わせて自動調整
欠点：有意性の計算が難しい
欠点：早すぎる収束の可能性

対象の絞り込み

特定の顧客セグメントで実験します。

対象を絞った実験

{
  "audience": {
    "include": [
      { "type": "customer_tag", "value": "vip" },
      { "type": "order_count", "operator": "gte", "value": 2 }
    ],
    "exclude": [
      { "type": "customer_tag", "value": "wholesale" }
    ],
    "percentage_of_audience": 100
  }
}

ターゲティングのオプション

顧客タグとセグメント
新規訪問者と再訪者
注文履歴（初回、リピート）
カート金額のしきい値
所在地
端末の種類（モバイル、デスクトップ）
流入元（自然検索などのオーガニック、有料、他サイトからの参照）

除外ルール

特定の訪問者を実験に参加させないようにします。

除外設定

{
  "exclusions": {
    "other_experiments": ["experiment-123", "experiment-456"],
    "customer_segments": ["employees", "testers"],
    "conditions": [
      { "type": "cart_value", "operator": "lt", "value": 20 }
    ]
  }
}

相互除外

複数の実験を行う場合は、互いに競合しないようにしてください。アップセル価格テストの顧客を、配置テストにも参加させるべきではありません。結果が交絡してしまいます。

サンプル数計算ツール

CheckoutOSにはサンプル数計算ツールが組み込まれています。次を入力します。

基準コンバージョン率 — 現在の成果
最小検出効果 — 検出する価値のある最小の改善
統計的有意性 — 通常95%
統計的検出力 — 通常80%

必要な訪問者数と、現在のトラフィックに基づくおおよその実行期間を計算します。

効果的な使い方

トラフィック配分のヒント

50/50で始める — 別の配分にする理由がなければ均等に
割り当てを固定する — 訪問者に一貫した体験を見せる
途中で配分を変えない — 結果が無効になる
他の実験を除外 — 相互作用を避ける
事業の周期を考慮 — テストは週単位で実行

トラフィックの配分