「スワイプ型LPを作ったけど、これで本当に良いのかわからない」「どのスライドを改善すればCVRが上がるのかわからない」
スワイプ型LPの大きなメリットは、スライド単位での効果測定・改善ができること。「3枚目で離脱が多い」「5枚目の滞在時間が短い」など、ピンポイントで改善点を特定できます。この記事では、スワイプ型LPのLPO（ランディングページ最適化）でA/Bテストすべき5つの指標と改善サイクルの回し方を解説します。
A/Bテストとは
A/Bテスト（スプリットテスト）とは、2つのバージョンを同時に運用して、どちらが効果的かをデータで判断する手法です。
- パターンA：現在のLP（コントロール）
- パターンB：一部を変更したLP（バリエーション）
訪問者をランダムに振り分け、一定期間後にコンバージョン率を比較します。
なぜA/Bテストが必要？
「こっちの方が良さそう」という感覚は当てにならないことが多いです。実際にテストしてみると、予想と逆の結果になることも珍しくありません。データに基づく意思決定が成果改善の鍵です。
テストすべき要素（優先順位順）
すべてをテストする時間はありません。効果が出やすい要素から優先的にテストしましょう。
| 優先度 | テスト要素 | 期待できる効果 |
|---|---|---|
| ★★★ | ファーストビュー（1枚目） | 離脱率に大きく影響 |
| ★★★ | CTAボタン（色・文言） | クリック率に直結 |
| ★★☆ | オファー（価格・特典） | 最終的な成約率に影響 |
| ★★☆ | キャッチコピー | 興味喚起に影響 |
| ★☆☆ | スライドの順番 | 中間離脱率に影響 |
| ★☆☆ | デザイン・配色 | ブランドイメージに影響 |
A/Bテストの進め方
ステップ1：仮説を立てる
「なんとなく変えてみる」ではなく、仮説に基づいてテストします。
- 悪い例：「ボタンの色を青から緑に変えてみよう」
- 良い例：「緑は『安全』のイメージがあるので、不安を感じやすい高額商品のCTAボタンを緑にすると、クリック率が上がるのではないか」
ステップ2：変更は1要素だけ
複数の要素を同時に変えると、どの変更が効果に影響したかわからなくなります。
- ボタンの色を変えるなら、文言は変えない
- キャッチコピーを変えるなら、画像は変えない
ステップ3：テスト期間を決める
統計的に有意な結果を得るためには、十分なサンプル数が必要です。
- 最低でも各パターン100〜200件のクリック（または訪問）
- コンバージョン数が少ない場合は各パターン50件以上のCV
- 曜日による変動を考慮し、最低1週間は継続
ステップ4：結果を判断する
単純に「CVRが高い方が勝ち」ではありません。統計的有意性を確認します。
- 信頼度95%以上で差があれば有意
- 無料のA/Bテスト計算ツールを使うと便利
- 有意差がない場合は、テストを延長するか別の要素をテスト
よくある間違い
サンプル数が少ない段階で「Bの方が良さそう」と判断するのは危険です。100件中10件と12件では、誤差の範囲内。十分なデータが集まるまで待ちましょう。
縦型スワイプLPでのテスト例
テスト例1：ファーストビュー
| パターン | 内容 |
|---|---|
| A（現行） | 「こんな悩みありませんか？」（問題提起型） |
| B（テスト） | 「たった1ヶ月で-5kg達成」（結果訴求型） |
測定指標：2枚目への遷移率
テスト例2：CTAボタン
| パターン | 内容 |
|---|---|
| A（現行） | 「今すぐ購入」（オレンジボタン） |
| B（テスト） | 「30日間お試しする」（緑ボタン） |
測定指標：CTAクリック率、最終CV率
テスト例3：スライド構成
| パターン | 内容 |
|---|---|
| A（現行） | 8枚構成（標準） |
| B（テスト） | 5枚構成（短縮版） |
測定指標：完走率（最終スライドまでの到達率）、CV率
A/Bテストツールの選び方
無料ツール
- Google Optimize（2023年9月終了→GA4のテスト機能へ移行）
- 手動振り分け：URLを2つ用意して広告で振り分け
有料ツール
- VWO：導入しやすく、小規模サイト向け
- Optimizely：大規模サイト向け、高機能
- KARTE：Web接客と組み合わせたテストが可能
簡易的な方法（ツールなし）
予算やリソースが限られている場合は、期間を分けてテストする方法もあります。
- 1週目：パターンAを運用、データを記録
- 2週目：パターンBを運用、データを記録
- 結果を比較
※外部要因の影響を受けやすいため、精度は下がります
改善サイクルの回し方
PDCAで継続改善
- Plan（計画）：データ分析→仮説立案→テスト設計
- Do（実行）：A/Bテストを実施
- Check（評価）：結果を統計的に検証
- Act（改善）：勝者を採用→次のテストへ
テスト結果の記録
テスト結果は必ず記録して蓄積しましょう。同じ失敗を繰り返さないため、また成功パターンを他のLPに展開するためです。
- テスト内容（何を変えたか）
- 仮説
- テスト期間
- サンプル数
- 結果（CVR、信頼度）
- 考察（なぜその結果になったか）
テスト結果が出ない時は
有意差が出ない場合
- 変更が小さすぎる可能性→より大胆な変更をテスト
- サンプル数が足りない→テスト期間を延長
- その要素は成果に影響しない→別の要素をテスト
予想と逆の結果が出た場合
- 結果を素直に受け入れる（感覚よりデータを信じる）
- なぜその結果になったか仮説を立てる
- その学びを次のテストに活かす
実践チェックリスト
- テストする要素に対して仮説を立てたか
- 変更する要素は1つだけに絞ったか
- 十分なサンプル数を確保できる期間を設定したか
- 統計的有意性を確認する方法を決めたか
- テスト結果を記録する準備ができているか
- テスト終了後のアクション（採用/次のテスト）を決めているか
まとめ
A/Bテストは、LPの成果をデータに基づいて継続的に改善するための必須手法です。
最初から完璧なLPを作ることは不可能です。まずは公開し、テストを繰り返しながら改善していくことで、着実に成果を伸ばしていきましょう。
この記事のポイント
- A/Bテストは2パターンを比較してデータで判断する手法
- ファーストビューとCTAを優先的にテスト
- 変更は1要素ずつ、仮説を持って実施
- 十分なサンプル数（100件以上）で判断
- 結果を記録し、PDCAで継続改善