Endast ungefär en tredjedel av de idéer som testades på Microsofts experimentplattform förbättrade det mätvärde de var utformat för att förbättra, och Netflix har satt sin egen träffsäkerhet närmare en av tio (Kohavi och Longbotham, 2015). Om merparten av din backlog är felaktig, är den ordning du testar den i den största delen av avkastningen du får. Den här guiden är för CRO-leads och produktägare som redan har fler testidéer än trafik. Vi poängsätter samma tre idéer med ICE, PIE, PXL och RICE, visar varför de fyra rangordningarna inte stämmer överens, ger en regel för att välja mellan dem och lägger till den grind som alla fyra saknar: om ett test kan nå signifikans innan kvartalet är slut.
Vad varje ramverk faktiskt satsar på
Alla fyra producerar ett tal, och ingen mäter samma sak. Var och en är mindre ett poängsystem än en komprimerad åsikt om vad som gör ett test värt att genomföra.
| Ramverk | ingångar | Formel | Ursprung | Vadet den kodar |
|---|---|---|---|---|
| IS | Effekt, Förtroende, Enkelhet, vardera 1 till 10 | I × C × E | Sean Ellis, tillväxtpraktik | Erfarenhetsfullt omdöme är den billigaste signalen |
| PAJ | Potential, Vikt, Enkelhet, var och en 1 till 10 | Genomsnittet av de tre | Chris Goward, WiderFunnel (nu Konvertering) | Var du testar spelar större roll än vad du ändrar |
| PXL | ~9 mestadels binära frågor, vissa viktade 0 eller 2 | Summa, av ett fast maximum | Peep Laja, CXL, 27 sep 2016 | Bevisen bakom en idé överträffar förtroendet för den |
| RIS | Räckvidd (personer per period), Genomslag (0.25 till 3), Förtroende (50/80/100%), Ansträngning (personmånader) | (R × I × C) / E | Sean McBride, Intercom, 5 januari 2018 | Poängpåverkan per arbetsenhet |
Två rättelser innan du antar en. PXL skrevs som en attack mot de andra CRO-ramverken: Lajas argument är att om man på ett tillförlitligt sätt kunde gissa potential eller tillförlitlighet i förväg, skulle man inte behöva ett test. Och PIE:s kanoniska sida definierar kriterierna men publicerar ingen skala och ingen formel, så varje team uppfinner sina egna. Domänen widerfunnel.com omdirigerar nu till conversion.com, så ramverket som de flesta CRO-decks citerar har ingen bibehållen primär specifikation.
Samma eftersläpning, poängsatt på fyra sätt
Tre kandidattester på en medelstor återförsäljare. Siffrorna är illustrativa, inte kunddata.
- A. Avbetalningsspecifikation (taksit) i produktsidans prisblock. 180 000 PDP-tittare per månad, med stöd av analyser och kundröstsärenden.
- B. Ta bort obligatoriskt kontoskapande i kassan. 12 000 utcheckningsstarter per månad, med stöd av användbarhetssessioner, inspelningar, analyser och supportkontakter.
- C. Skriv om startsidans huvudrubrik. 220 000 sessioner på startsidan i månaden, ingen kompletterande forskning, föreslagits i en workshop.
| Testa | RIS | IS | PAJ | PXL (av 12) |
|---|---|---|---|---|
| A: avbetalningsfördelning | 144,000 (1:a) | 294 (2: a) | 7.0 (2: a) | 10 (1:a) |
| B: inget tvångskonto | 18,000 (3: e) | 405 (1:a) | 6.3 (3: e) | 9 (2: a) |
| C: hjälterubrik | 55,000 (2: a) | 144 (3: e) | 7.3 (1:a) | 6 (3: e) |
Varje test vinner under minst ett ramverk. Oenigheten är ramverken som gör sitt jobb:
- RICE sätter A först eftersom Reach är en rå personalstyrka. Det kommer att begrava kassa- och kontoarbete i vilken vanlig tratt som helst.
- ICE sätter B först eftersom en senior utövare poängsätter påtvingat kontoskapande med Impact 9, Confidence 9, och ICE multiplicerar åsikt med åsikt. Ändra poängsättaren, ändra färdplanen.
- PIE sätter C först eftersom hemsidan har den mest värdefulla trafiken och texten är enkel att leverera. PIE byggdes för att välja sidor; ombedd att rangordna förändringar, det belönar billiga redigeringar av viktiga mallar.
- PXL placerar C sist eftersom C får noll poäng på alla fyra bevisfrågorna. Det är det enda ramverket som strukturellt bestraffar en magkänsla istället för att lita på att poängsättaren är ärlig om självförtroende.
Vilken att använda: välj utifrån din bindningsbegränsning
| Bindningsbegränsning | Använda | Därför att |
|---|---|---|
| Inga forskningsinput ännu, de första tio testerna | ICE, med skrivna ankare | Fungerar enbart baserat på bedömning. Behandla resultatet som en kö, inte en rangordning. |
| Laget fortsätter att testa åsikter och förlora | PXL | Frågor om binära bevis är svåra att blåsa upp. |
| Teknisk kapacitet, inte trafik | RIS | Den enda med nämnare, alltså den enda som optimerar genomströmningen. |
| Att välja vilken sida eller mall man ska arbeta med | PAJ | Byggd för den frågan. |
| Trafik | Ingen ensam | Alla fyra är blinda för om ett test kan slutföras. Lägg till grinden nedan. |
Alla fyra grindarna saknas: kan det här testet slutföras?
Räckvidd är inte detekterbarhet. Kontrollera genomförbarheten innan poängsättning, med hjälp av normalapproximationen för ett tvåsidigt test vid 95 % signifikans och 80 % styrka:
n per variant ≈ 15.7 × p × (1 - p) / d²
var p är baslinjetakten för det mätvärde du flyttar och d är den absoluta lyftningen du vill upptäcka. Tillämpat på orderstocken ovan:
| Testa | Mätvärde och baslinje | MDE | Per variant | veckor |
|---|---|---|---|---|
| A | PDP-visningsprogram att köpa, 2.0 % | 5 % relativ (0.1 procentenheter) | ~ 307,700 | ~ 14 |
| A | PDP-visningsprogram att köpa, 2.0 % | 10 % relativ (0.2 procentenheter) | ~ 76,900 | ~4 |
| B | Från början till köp i kassan, 55 % | 5 % relativ (2.75 procentenheter) | ~ 5,140 | ~4 |
Testet RICE som rankas först kan inte läsas under ett kvartal med den känslighet som de flesta team antar, medan testet RICE som rankas sist avslutas om en månad. A ligger på en bas på 2 % och B på en bas på 55 %, och urvalsstorleken styrs av p(1-p)/d², inte utifrån hur många som såg sidan. En blir också möjlig i det ögonblick du deklarerar 10 % som den minsta lyften som är värd att agera på, vilket gör din minsta detekterbara effekt till ett prioriteringsbeslut snarare än en statistisk detalj. Bestäm det i samma möte som poängsättningen och välj en kalkylator för allt, eftersom olika variansapproximationer inte överensstämmer exakt: Evan Millers och Switas A/B-testkalkylator är båda bra.
Genomförbarhetsintervall
- Två veckor eller mindre. Grönt. Gör poäng och spring.
- Två till fyra veckor. Amber. Kör det ensamt, och täck minst två fullständiga veckocykler.
- Fyra till åtta veckor. Rött för ett standard A/B-test. Höj MDE, byt till ett högre mätvärde eller använd en sekventiell design med en förregistrerad stoppregel.
- Över åtta veckor. A/B-testa det inte. Leverera baserat på bedömning med guardrail-mått, eller kör en kvalitativ studie.
Denna grind spelar större roll här än vad den engelskspråkiga CRO-litteraturen antar. Turkiets e-handelsvolym nådde 4.567 biljoner lira fördelat på ungefär 634 000 företag år 2025 (Handelsministeriet, 12 maj 2026), ett genomsnitt på cirka 7.2 miljoner lira per företag per år, och fördelningen är snedvriden mot en handfull marknadsplatser, så den typiska handlaren ligger långt under den. En webbplats som gör några hundra beställningar i månaden kan inte driva ett kassatest på någon användbar MDE. För dessa webbplatser är det ärliga resultatet av prioriteringen en forsknings- och mätfärdplan, inte en testfärdplan.
Att få poängen att betyda något
- Skriv ankare innan du poängsätter. Effekt 3 i RICE måste betyda något i din valuta, till exempel "flyttar köpkonverteringen med mer än 5 % relativt". Utan ankare förändras poängen inom en enda session.
- Begränsa förtroendet per evidensnivå. Inga forskningsgränser på 50 %, endast analys på 80 %, analys plus kvalitativ plus en relaterad tidigare vinst på 100 %. Detta importerar PXL:s disciplin till RICE.
- Poängsätt blindt, stämma av de största spreadarna först. Att tre personer poängsätter oberoende av varandra och sedan diskuterar endast punkter som skiljer sig åt med tre poäng eller mer tar ungefär fyrtio minuter för trettio punkter.
- Registrera förväntat resultat mot faktiskt resultat. Efter tio avläsningar, kontrollera om effektpoängen korrelerar med observerade effekter alls. Om inte, är skalan en dekoration och du bör byta till PXL.
- Jämför aldrig poäng mellan olika ramverk. Ett RICE-värde på 144 000 och ett PXL-värde på 10 har inget samband.
Var detta bryts ner
Dessa ramverk rangordnar idéer, de förbättrar dem inte. En svag hypotes som får 11 av 12 på PXL är fortfarande svag, och ingen modell kommer att berätta för dig att det verkliga problemet ligger uppströms sidan du testar. Specifika begränsningar:
- Ansträngning är den minst tillförlitliga inputen och ingen poängsätter den igen. RICEs nämnare är det tal som mest sannolikt är fel med en faktor två, och det förändrar rankordningen mer än ett felaktigt Impact-poäng.
- Ingen av de fyra modellerna interagerar. Kör tre tester på en och samma tratt samtidigt och resultaten sa ingenting om störningar.
- Nå ut till personer per månad under uppehåll för säsongsföretag. Resor och utbildning bör mäta räckvidd över en hel säsongscykel, eller jämfört med samma period förra året.
- Beroenden är osynliga. Ett resultat som delas över en testbacklog och en produktkarta är också smickrande för vilken sida som har mest trafik.
[INTERNA DATA BEHÖVS: Switas vinstfrekvens per pelare under de senaste 24 månaderna, för att ersätta branschens träfffrekvens med siffror från första part.]
[INTERNA DATA BEHÖVS: en anonymiserad kundorderstock poängsatt enligt två ramverk, för att ersätta det illustrativa exemplet.]
Vanliga frågor och svar
Är RICE bättre än ICE för CRO-arbete?
Inte i sig. RICE lägger till räckvidd och sätter ansträngning i nämnaren, vilket hjälper när leveranskapacitet är flaskhalsen, men det snedvrider sig mot sidor med hög trafik. Använd RICE när ingenjörstiden är knapp, ICE när den inte är det.
Vilket resultat är tillräckligt högt för att göra ett test?
Ingen av de fyra har en absolut tröskel. Poängen är ordinala: de talar om vad du ska göra härnäst, inte om något är värt att göra. Den absoluta gränsen är genomförbarhet. Om ett test inte kan nå signifikans på åtta veckor är dess poäng irrelevant.
Kan vi kombinera två ramverk?
Att kombinera utdata är meningslöst eftersom skalorna är oberoende. Att kombinera indata är det inte. Att begränsa RICE:s Confidence till PXL:s evidensfrågor är en välfungerande hybrid och den vi använder oftast.
Fungerar PXL för webbplatser som inte är e-handelswebbplatser?
Bevisfrågorna kan överföras till vilken produkt som helst. Layoutfrågorna förutsätter en marknadsföringssida och är svaga för inloggade flöden. Ersätt dessa med frågor om hur ofta användare möter elementet i uppgiftsflödet.
Borde webbplatser med låg trafik överhuvudtaget använda dessa ramverk?
Ja, för sekvenseringsarbete, men sluta kalla utdata för en testplan. På en webbplats som inte kan driva tester beställer samma övning UX-granskningsresultat, forskningsfrågor och byggarbete.
Vilka ska vara med i poängsessionen?
Tre till fem personer som ser olika bevis: analyser, forskning eller support, och den som äger leveransen. Att enbart poängsätta ger självsäkert nonsens; att poängsätta med tio personer ger medelvärden som inte rankar någonting.
Testa detta på din egen backlog
Ta de tio punkterna högst upp på din testlista, kör varje punkt genom genomförbarhetsformeln ovan och räkna hur många som överlever vid den känslighet du har antagit. Om mer än hälften inte gör det, var rangordningen aldrig ditt problem. CRO och experimentteam kör detta poängsättnings- och genomförbarhetspass som det första steget i ett engagemang.
Källor
- Kohavi, R. och Longbotham, R. (2015). Onlinekontrollerade experiment och A/B-testningCiterar Kohavi, Crook och Longbotham (2009) för Microsoft-figuren, Moran (2007) för Netflix.
- McBride, S. (5 januari 2018). RICE: Enkel prioritering för produktchefer, Intercom.
- Laja, P. (27 september 2016). PXL: Ett bättre sätt att prioritera dina A/B-tester, CXL.
- PIE-prioriteringsramverk, Conversion (tidigare WiderFunnel), med Chris Goward som källa.
- Turkiska handelsministeriet (12 maj 2026). E-handelsvolymen nådde 4.6 biljoner lira år 2025.
- Miller, E. Kalkylator för provstorlek.
- Switas. A/B-testkalkylator.
