FUKUOKA EC福岡EC

商品ページのA/Bテストで改善につながらない理由と検証優先度を決める判断基準とは

2026.06.26 福岡ECサイト　運用ノウハウ　

福岡ECサイト株式会社
代表鳥井敏史

この記事を書いた人

福岡ECサイト株式会社　代表　鳥井敏史

ECサイト制作・AI検索対策の実務コンサルタント。15年以上にわたりECサイトの売上構造改善と集客設計を支援。売上改善・集客改善の実務支援を中心に企業のECサイト構造の再設計を行う。

専門分野

ECサイト制作 ECサイトリニューアル AI検索対策 SEO / コンテンツ設計

ECサイト改善の主な実績

・ECサイト制作歴15年以上・MakeShopアンバサダー・JBEA EC業界SEO部門2025受賞・月商100万円 → 月商2,000万円・BtoB EC 月商100万円 → 月商1,000万円・支援企業：JR九州 / JAL / 名鉄など

この記事の監修

福岡ECサイト株式会社　代表　鳥井敏史

商品ページのA/Bテストで成果が出ない理由

商品ページのA/Bテストを実施しているのに、CVRが改善しない。そんな悩みを抱える企業は少なくありません。

実は、A/Bテストで成果が出ない企業の共通点は、テスト設計にあります。ここ、意外と見落とされがちなポイントです。

—

テストの前に、改善すべき要素の優先順位が決まっていない状態で施策を進めているのです。

結果として、小さな改善を積み重ねても売上に直結しない結果になってしまいます。

—

商品ページのA/Bテストで成果を出すとは、CVRに影響する要素を正しい順番で検証し、各テストで判断基準を持って実行することです。

A/Bテストの成果が出ない企業が見落とす3つの構造的課題

A/Bテストで成果が出ない背景には、3つの構造的な課題があります。

検証対象の優先順位が決まっていない

企業担当者がGA4を開き、改善施策を思いつきで試している状態です。Shopify管理画面で「売上が低いから試しに商品画像を変えてみよう」という形で進められています。しかし商品ページの改善は順番があり、導線→商品訴求→信頼設計の順で進めなければ、テスト結果が出ても売上に反映されません。
サンプルサイズが不足したままテストを終了している

CVR改善は統計的な有意性が必要です。月間の商品ページ訪問者が100人しかない状態で、A/Bテストを2週間実施しても、偶然の変動と施策の効果を区別できません。判断基準を持たずに「前月より1%上がったから改善した」と結論づけると、実は有意でない変動に投資している可能性があります。
改善要素が単独ではなく複数変更されている

商品ページの「画像・説明文・価格表示・レビュー表示」を同時に変更してA/Bテストを実施している企業があります。これでは、どの要素が成果を生んだのか判断できず、次のテストに活かせません。制作会社の提案で「ページ全体をリニューアル」した後、「改善したかどうか不明」という状態になってしまいます。

CVR改善は5つの要素で構成される

商品ページのCVR改善を構造的に理解することから始まります。

導線構造（ユーザーがページに到達する流れ）

商品ページへのアクセス源によって、ユーザーの購買意欲は異なります。検索で訪問したユーザーと、SNS経由で訪問したユーザーでは商品理解の深さが違うため、同じページレイアウトでは対応できません。A/Bテストの前に、どの流入源のユーザーをターゲットにするかを決める必要があります。
商品訴求要素（ベネフィット・利用シーン・比較情報）

商品画像・説明文・価格表示・利用シーン写真など、ユーザーが「買いたい」と判断するために必要な情報が整理されているかです。ここが最も改善効果が大きいセクションであり、A/Bテストの優先度は高いです。
信頼設計（レビュー・企業情報・実績表示）

購入決定の直前に、ユーザーが「このショップは大丈夫か」と確認する要素です。レビュー数・星評価・企業情報の表示位置で購買意欲は大きく変わります。ただし導線が不明確な状態でここを改善しても効果は限定的です。
ページ構造（情報の配置・カラム数・スクロール距離）

同じ情報でも、配置が違うとCVRは変わります。特に1カラム設計と2カラム設計でスマートフォンでのスクロール距離が大きく変わり、CVRに影響します。福岡ECサイト株式会社では、この構造的な差を「2カラム/1カラム理論」と呼び、改善優先度を高めています。
選択肢設計（サイズ・色・個数の見せ方）

選択肢が多すぎると、ユーザーは購入決定を先延ばしにします。サイズ・色・セット内容などの選択肢をどう見せるかで、購買率は大きく変わります。ただしこの改善は、他の4要素が最適化された後に実施すべきです。

CVR改善の優先順位は流入パターンで決まる

A/Bテストで失敗する企業の多くは、全ての商品ページに同じ改善を加えています。しかし改善の優先順位は、ユーザーの流入パターンによって異なります。

GA4で商品ページの流入源を確認すると、流入の質が見えてきます。

例えば、同じ商品でも「オーガニック検索からのユーザー」と「SNS広告からのユーザー」では、購買までのプロセスが異なります。

そのため、A/Bテストの内容も流入源ごとに変えるべきです。

—

流入パターン	ユーザーの状態	優先改善要素
検索（商品名検索）	購買意欲が高い・商品認知あり	価格・在庫表示・配送情報
検索（悩みキーワード）	商品未認知・問題解決を探索中	ベネフィット・利用シーン・レビュー
SNS広告	興味段階・商品を初めて見た	ビジュアル・説明文・限定感
SNS自然流入	低購買意欲・情報探索段階	興味喚起・関連商品提案・ついで買い
リターゲティング広告	再検討段階・購買迷っている	信頼要素・割引情報・決定障壁除去

同じ商品ページでも、流入源によって改善すべき要素が違うのです。

ここが、A/Bテストで「やっているのに結果が出ない」企業の多くがつまずく分岐点です。GA4で流入源を確認し、どのユーザーセグメントをターゲットにするかを決めることが、テスト前の最重要ステップです。

—

改善要素を単独で検証する仕組み

A/Bテストで信頼できる結果を得るには、一度に1つの要素のみ変更する必要があります。しかし多くの企業は、複数要素を同時に変更し、結果として何が効果を生んだのか判断できなくなっています。

改善要素を正しく検証する流れは以下の通りです。

1つの要素を特定する

「商品画像の枚数」「説明文の長さ」「レビュー表示位置」など、1つの変数のみに絞ります。複数の改善を並行したい場合は、異なるページで個別にテストを実施する必要があります。
変更パターンと現状をA/Bで分割

Shopify管理画面やMakeShop管理画面を使い、50%のユーザーには現在のページ（A）、50%のユーザーには改善版ページ（B）を表示します。重要なのは、ランダムに分割することです。「月前半はA、月後半はB」という時系列分割は、季節変動の影響を受けるため使用してはいけません。
十分なサンプルサイズを確保する

CVRテストの場合、有意な結果を得るには最低200～500のコンバージョンが必要です。月間の商品ページコンバージョン数が50件であれば、4～10ヶ月間のテスト期間が必要になります。短期間でテストを終了して判断すると、偶然の変動を改善と誤認してしまいます。
統計的有意性を確認してから判断

テスト結果が「AパターンのCVRが3.2%、BパターンのCVRが3.5%」だったとしても、これが有意差か判断する必要があります。サンプルサイズが小さければ、3%の差でも偶然の可能性があります。統計的有意性（p値＜0.05）を確認してから、改善を本番反映させます。

福岡ECサイト株式会社が支援した事例：検証設計の見直しで改善効果が3倍になった

月商300万円のアパレルECサイトで、商品ページのA/Bテストを3ヶ月実施していても改善が進まないという相談をいただきました。

実際に現状を診断すると、以下の課題がありました。

毎週のように画像・説明文・レビュー表示を同時に変更していた
GA4で流入源別のCVRを分析していなかった
テスト期間が2週間と短く、有意な結果が出る前に判断していた
改善の優先順位が決まらず、思いつきでテストを実施していた

そこで、CVR改善の優先順位理論に基づいて改善計画を再構築しました。

GA4で流入源別に商品ページのCVRを分析し、「検索流入のCVRが2%、SNS流入のCVRが0.5%」という事実を発見
SNS流入ユーザーをターゲットに、「ビジュアル改善」に絞ったテストを実施
商品画像の枚数を5枚→3枚に厳選し、ユーザーの判断時間を短縮
3ヶ月のテスト期間で、統計的有意性を確保した上で改善を判定

結果として、SNS流入のCVRが0.5%→1.1%に改善し、テスト設計の変更前と比べて効果が3倍になりました。

実際の現場では、「設計が変わると、改善の速度そのものが変わる」という事実がここに表れています。改善のロジックが明確になったため、その後の施策にも再現性を持って応用できるようになりました。福岡ECサイト株式会社代表・鳥井敏史は、この一連の支援を通じて「構造が変わると、テストの質が変わる」という知見を積み重ねています。

—

A/Bテストで陥りやすい失敗パターン

商品ページのA/Bテストで成果が出ない企業には、共通の失敗パターンがあります。

失敗パターン①：サンプルサイズが不足したまま判定している

月間訪問者100人の商品ページで、2週間のテストを実施してCVRが2%→2.5%に上がったから「改善した」と判定している企業があります。この場合、期待される変動数は5人以下であり、偶然の変動である可能性が高いです。結果として、実は効果のない改善を本番に反映させてしまい、次のテストまで無駄な期間が発生します。

失敗パターン②：複数要素を同時にテストして、何が効いたか分からない

Slackの通知が鳴り、営業から「お客様から要望があった。このページに顧客の声を追加して欲しい」という依頼が来ました。同時に、デザインチームから「画像をリニューアルしたい」という提案も出ています。急いで両方を改修してテストを始めると、CVRが向上した時に「どちらの改善が効いたのか」が分からなくなるのです。

結果として、次のテストの設計が曖昧になり、検証サイクルが破綻してしまいます。

改善優先順位の判断基準を持つ

A/Bテストで成果を出すには、改善する要素の優先順位を事前に決めておくことが重要です。現在のページ状況を診断し、どの要素から改善すべきかを明確にしておきます。

診断項目と判断基準は以下の通りです。

導線の明確性（判断基準：直帰率）

商品ページの直帰率が60%以上であれば、ユーザーが「求める商品ではない」と判定して離脱しています。この場合、商品訴求や信頼設計の改善よりも、流入ユーザーの質を改善することが優先です。ページ自体の改善よりも、PPC広告のターゲット設定やキーワード選定を見直すべき段階です。
商品情報の充実度（判断基準：スクロール深度）

GA4で「スクロール深度25%」以上のユーザーが50%未満であれば、商品説明が充実していないか、情報が奥深くに配置されている状態です。この場合、商品画像・説明文・利用シーンの改善テストを優先します。逆にスクロール深度が80%以上であれば、情報は十分であり、信頼設計（レビュー・企業情報）の改善にシフトすべきです。
信頼度の指標（判断基準：離脱ページ）

購入直前ページ（カート画面、決済画面）での離脱が多い場合、信頼設計に課題がある可能性があります。支払い方法の選択肢不足・配送情報の不明確さ・企業情報の不足などが考えられます。この場合、商品ページの改善よりも、決済導線の改善を優先すべきです。

これらの診断項目から、「導線→商品訴求→信頼設計→選択肢設計」の順で改善優先度を決定します。

A/Bテストで成果を出すための検証フロー

A/Bテストで成果を出すには、以下の判断プロセスを踏むことが重要です。

現状診断：改善要素を特定する

GA4・Search Console・Shopify管理画面から、商品ページの課題を数値で把握します。直帰率・スクロール深度・カート追加率・購入率など、複数の指標から「今、何を改善すべきか」を判定します。
テスト設計：1つの要素に絞る

改善要素が決まったら、その1要素のみを変更する仕様を定義します。例えば「商品画像の枚数」であれば、「5枚→3枚」という具体的な変更内容を明記します。同時に、テスト期間・必要なサンプルサイズ・判定基準を事前に決めておきます。
テスト実施：ランダムに50%ずつ分割

Shopify App StoreやMakeShopの拡張機能を使い、訪問者をランダムに2グループに分割します。期間中、Slackに日次レポートを送信し、サンプルサイズと有意性の進捗を監視します。
結果判定：有意性を確認してから判定

テスト期間が終了したら、統計的有意性（p値）を確認します。p値が0.05未満であれば有意差ありと判定し、改善をベースラインとして本番反映させます。p値が0.05以上の場合は、有意差なしと判定し、次のテスト要素に移行します。
検証サイクルの継続：改善を積み重ねる

改善がベースラインになったら、次の改善要素に着手します。このサイクルを4～6週間ごとに繰り返すことで、継続的なCVR改善が実現します。

商品ページリニューアルとA/Bテストの使い分け

A/Bテストで小さな改善を積み重ねるのか、それともサイトリニューアルで大きく変更するのか、企業担当者は悩むことがあります。

判断基準は、「現在のページが基本構造から改善すべき段階か、細部の最適化段階か」です。

以下の場合はサイトリニューアルを優先すべきです。

直帰率が70%以上で、商品理解ができていない
商品ページの訪問者が月100人未満で、統計的に有意なテストができない規模
ページのロード速度が4秒以上で、ユーザー体験が著しく低下している
スマートフォン対応の設計が古く、2カラム設計のままになっている

逆に、以下の場合はA/Bテストによる段階的改善が効果的です。

直帰率が40～60%で、基本構造は成立している
月間訪問者が1,000人以上で、統計的に有意なテストが可能
CVRが1%以上あり、改善の余地がある状態
改善の優先順位が明確で、段階的な施策が実行可能

福岡ECサイト株式会社では、この判断に基づいてサイトリニューアルとA/Bテストのどちらを優先すべきかを診断しています。

改善要素別：A/Bテストの期間と期待値

A/Bテストを実施する際、「どの程度の期間が必要か」「どの程度の改善が期待できるか」を事前に把握しておくことで、テスト計画が立てやすくなります。

改善要素	テスト期間	期待改善率	優先度
商品画像の改善	4～6週間	5～20%	高
説明文の構成改善	6～8週間	3～10%	高
レビュー表示位置	4～6週間	2～8%	中
価格表示の工夫	2～4週間	1～5%	中
選択肢数の削減	4～6週間	1～3%	低

この表は、平均的なECサイトの期待値です。実際には、流入パターン・商品カテゴリ・ユーザーセグメントによって変動します。重要なのは、期待改善率より小さい改善は統計的に有意か判定できないため、テスト期間が長くなるということです。

A/Bテストの結果を組織で共有し、次の施策に活かす

A/Bテストで得られた知見を、組織全体で共有することが、継続的な改善につながります。

テスト結果をまとめる際のポイントは以下の通りです。

テスト仮説を明記する

「商品画像を5枚から3枚に削減することで、ユーザーの判断時間が短縮され、CVRが向上すると仮説した」というように、テスト前の予想を記録します。結果がその仮説と合致したのか、予想外だったのかを記録することで、次のテスト設計に活かせます。
数値結果と統計的有意性を並記する

「CVRがA：2.5%、B：3.1%で、有意差あり（p値=0.02）」というように、数値と有意性の両方を記載します。単に数値だけを見ると、改善と思い込んでしまう危険があります。
改善の理由を考察する

テスト結果が出た後、「なぜこの改善が効いたのか」を考察します。

ユーザーの行動変化を分析することで、次の改善ヒントが見つかります。

例えば「画像削減により、スマートフォンでのスクロール距離が短縮され、購買意欲の低下が防げた」というように、理由をロジカルに説明します。
—
実装チェックリストを作成する

テストが成功した改善を本番に反映させるとき、「すべての商品ページに適用するのか」「特定カテゴリのみに適用するのか」を決めておきます。実装漏れがあると、せっかくのテスト効果が減少してしまいます。

商品ページのA/Bテストに関するよくある質問

Q1：月間訪問者数が200人しかない場合、A/Bテストは実施すべきですか？

訪問者数が少ない場合、統計的に有意な結果を得るのに数ヶ月の期間が必要になります。判断としては、以下の選択肢があります。

複数の商品ページをまとめてテストする

同じカテゴリの商品ページ5～10個に同じ改善を加え、トータルの訪問者数を増やすことで、テスト期間を短縮できます。
A/Bテストではなく定性調査に切り替える

ユーザーインタビューやアンケートで改善すべき要素を把握し、優先度が高い施策に絞って実装することも有効です。
サイトリニューアルを優先し、基本構造から改善する

訪問者数が少ない場合、そもそも集客に課題がある可能性があります。細部の最適化より構造的な改善が先になるかもしれません。

—

Q2：A/Bテストの結果が「有意差なし」だった場合、どう判定すべきですか？

有意差がない場合、「改善しなかった」と判定するのが正解です。多くの企業は「数値が0.3%上がったから改善した」と判定してしまいますが、これは誤りです。有意差がない場合は、その改善は効果がないか、効果があっても非常に小さいということを意味します。

テスト期間を延長する

現在のサンプルサイズでは有意性に達していない可能性があります。さらに1～2ヶ月続けることで、有意性が出現することもあります。
改善内容を変更する

「画像の枚数」ではなく「画像の色」を変更するなど、別の改善案を試してみます。
次の改善要素に移行する

その要素の優先度が低いと判定し、別の改善要素に着手します。

Q3：SNS広告とオーガニック検索では、A/Bテストの期待改善率が違いますか？

同じ商品でも、流入源によって改善効果は異なります。オーガニック検索ユーザーは商品認知が高く、購買意欲も高いため、商品訴求の改善よりも信頼設計の改善が効果的です。一方、SNS広告ユーザーは初見のため、ビジュアルやベネフィット訴求の改善が効果的です。

期待改善率の目安としては、オーガニック検索では2～5%程度、SNS広告では5～15%程度の改善が期待できます。SNS広告の方が改善幅が大きいのは、現在の商品ページがSNSユーザーに最適化されていない可能性があるからです。

Q4：複数の商品ページで同じ改善をテストする場合、結果の合算は適切ですか？

複数の商品ページの結果を合算することは、サンプルサイズを増やすという意味で有効です。ただし、商品カテゴリや価格帯によって改善効果が異なる場合があるため、カテゴリごと・価格帯ごとに分析することをお勧めします。

例えば、「衣料品」と「食品」では、ユーザーの購買プロセスが異なるため、同じ改善でも効果が違う可能性があります。最初は複数商品で合算してテストし、結果が出たらカテゴリごとの詳細分析に進むというアプローチが効率的です。

Q5：A/Bテストで改善したページは、どのタイミングで他ページにも反映すべきですか？

改善が有意だと判定されたら、すぐに他の商品ページにも反映させるべきです。ただし、反映前に以下の確認が必要です。

1つ目は、改善内容が他のページにも適用可能か確認することです。例えば、「高単価商品」と「低単価商品」では、改善内容が異なる場合があります。2つ目は、実装が確実に行われたかチェックすることです。デザインチーム・開発チーム・運用チームが連携して、漏れなく反映されたことを確認します。3つ目は、反映後も定期的にモニタリングすることです。テストページと異なる環境では、予想と異なる結果が出る可能性があるため、1ヶ月程度モニタリングして問題がないことを確認します。