تست A/B چیست؟ A/B test + آموزش 0 تا 100

تست A/B به ایجاد 2 نسخه از دارایی دیجیتال برای دیدن اینکه کاربران به کدام یک بهتر پاسخ می دهند کمک می کند. نمونه‌هایی از دارایی‌ها عبارتند از صفحه فرود، آگهی نمایشی، ایمیل بازاریابی و پست اجتماعی. در تست A/B، نیمی از مخاطبان شما به طور خودکار “نسخه A” و نیمی از مخاطبان شما “نسخه B” را دریافت می کنند. عملکرد هر نسخه بر اساس اهداف نرخ تبدیل مانند درصد افرادی است که روی یک پیوند کلیک می کنند، یک فرم را تکمیل می کنند یا خرید می کنند. تست A/B با ظهور دیجیتال مارکتینگ ایده جدیدی نیست. قابلیت‌های دیجیتال بر اساس یک ایده است، اما نتایج تست دقیق‌تر، قابل اعتمادتر و مسیر سریع‌تر را ممکن می‌سازد.

اگر می‌خواهید کسب و کار خود را توسعه دهید، تشخیص اینکه کدام استراتژی‌های بازاریابی بیشتر در بین مخاطبان شما طنین انداز می‌شوند، دشوار است. تست A/B – همراه با سایر استراتژی‌های بهینه‌سازی تبدیل – به شما امکان می‌دهد چیزهایی را امتحان کنید تا بتوانید محتوای خود را بهبود ببخشید، بهترین تجربیات مشتری را ارائه دهید و سریع‌تر به اهداف تبدیل خود برسید. این راهنمای تست AB به شما کمک می کند تا با اصول آن آشنا شوید.

تست A/B چیست؟

تست‌های A/B که به‌عنوان تست تقسیم‌بندی نیز شناخته می‌شوند، به شما این امکان را می‌دهند که 2 نسخه از چیزی را برای یادگیری مقایسه کنید که موثرتر است. به بیان ساده، آیا کاربران شما نسخه A را دوست دارند یا نسخه B؟

مفهوم مشابه روش علمی است. اگر می‌خواهید بفهمید وقتی یک چیز را تغییر می‌دهید چه اتفاقی می‌افتد، باید شرایطی ایجاد کنید که فقط آن یک چیز تغییر کند.

به آزمایشاتی که در مدرسه ابتدایی انجام دادید فکر کنید. اگر 2 دانه را در 2 فنجان خاک بریزید و یکی را در کمد و دیگری را کنار پنجره بگذارید، نتایج متفاوتی خواهید دید. این نوع تنظیم آزمایشی تست A/B است.

تست A/B تکامل می یابد

در دهه 1960، بازاریابان شروع کردند به دیدن اینکه چگونه این نوع آزمایش می تواند به آنها در درک تأثیر تبلیغاتشان کمک کند. آیا یک آگهی تلویزیونی یا یک اسپات رادیویی کسب و کار بیشتری را به همراه خواهد داشت؟ آیا نامه یا کارت پستال برای بازاریابی مستقیم بهتر است؟

هنگامی که اینترنت در دهه 90 شروع به تبدیل شدن به بخشی جدایی ناپذیر از دنیای تجارت کرد، تست A/B دیجیتالی شد. هنگامی که تیم‌های بازاریابی دیجیتال منابع فنی داشتند، شروع به آزمایش استراتژی‌های خود در زمان واقعی و در مقیاس بسیار بزرگ‌تر کردند.

تست A/B در عصر دیجیتال چگونه است؟

در هسته خود، تست A/B همان است که همیشه بوده است. شما عاملی را که می‌خواهید بررسی کنید، انتخاب می‌کنید، مانند یک پست وبلاگ با تصاویر در مقابل همان پست بدون تصویر. سپس به طور تصادفی یک سبک از پست وبلاگ را به بازدیدکنندگان نمایش می دهید و عوامل دیگر را کنترل می کنید. همچنین می‌توانید تا حد امکان داده‌ها را ثبت کنید – نرخ پرش، زمان صرف شده در صفحه و غیره.

حتی می توانید بیش از 1 متغیر را به طور همزمان آزمایش کنید. به عنوان مثال، اگر می خواهید فونت و همچنین وجود تصاویر را ارزیابی کنید، می توانید 4 صفحه ایجاد کنید که هر یک پست وبلاگ را با موارد زیر نمایش می دهد:

1. فونت آریال با تصاویر
2. فونت آریال بدون عکس
3. Times New Roman با تصاویر
4. Times New Roman بدون تصویر

نرم افزار تست A/B داده های آزمایش هایی مانند این را برمی گرداند. سپس فردی از شرکت شما نتایج را تفسیر می کند تا تصمیم بگیرد که آیا منطقی است که شرکت بر اساس آنها عمل کند یا خیر – و اگر چنین است، چگونه.

چرا تست A/B مهم است؟

تست‌های A/B داده‌هایی را به شما می‌دهند که برای استفاده حداکثری از بودجه بازاریابی خود به آن نیاز دارید. بیایید بگوییم که رئیس شما بودجه ای را به شما اختصاص داده است تا با استفاده از گوگل ادوردز، ترافیک را به سایت خود هدایت کنید. شما یک تست A/B راه اندازی می کنید که تعداد کلیک ها را برای 3 عنوان مقاله مختلف ردیابی می کند. شما آزمایش را به مدت یک هفته اجرا می کنید و مطمئن می شوید که در هر روز و در هر زمان خاص، تعداد تبلیغات یکسانی را برای هر گزینه اجرا می کنید.

نتایج حاصل از انجام این تست به شما کمک می کند تا مشخص کنید کدام عنوان بیشترین کلیک را دارد. سپس می توانید از این داده ها برای شکل دادن به کمپین خود استفاده کنید و بازده سرمایه گذاری آن (ROI) را بیشتر از زمانی که عنوانی را به صورت تصادفی انتخاب کرده باشید، بهبود بخشید.

تغییرات جزئی، پیشرفت های عمده

تست‌های A/B به شما امکان می‌دهند تاثیر تغییراتی را ارزیابی کنید که پیاده‌سازی آن‌ها نسبتاً ارزان است. اجرای کمپین AdWords می تواند پرهزینه باشد، بنابراین شما می خواهید هر جنبه ای تا حد امکان موثر باشد.

فرض کنید که شما تست A/B را روی فونت صفحه اصلی، اندازه متن، عنوان منو، پیوندها و موقعیت فرم ثبت نام سفارشی اجرا می کنید. شما این عناصر را 2 یا 3 در یک زمان آزمایش می کنید تا مجهولات زیادی در تعامل با یکدیگر نداشته باشید.

وقتی آزمایش انجام شد، متوجه می‌شوید که تغییر 3 عنصر اخیر، هر کدام را 6 درصد افزایش می‌دهد. طراح وب شما این تغییرات را در کمتر از یک ساعت پیاده‌سازی می‌کند و پس از اتمام آنها، می‌توانید 18 درصد بیشتر از قبل درآمد کسب کنید.

ریسک کم، پاداش بالا

تست A/B نه تنها مقرون به صرفه است، بلکه زمان کارآمد است. شما 2 یا 3 عنصر را تست می کنید و پاسخ خود را می گیرید. از آنجا، تصمیم گیری در مورد اینکه آیا تغییر را اعمال کنید یا خیر، آسان است. اگر داده‌های واقعی با نتایج آزمایش شما سازگار نیستند، همیشه می‌توانید به نسخه قدیمی‌تر برگردید.

استفاده حداکثری از ترافیک

اگر از تست A/B استفاده می‌کنید تا وب‌سایت خود را تا حد ممکن مؤثر کنید، می‌توانید به ازای هر بازدیدکننده تبدیل بیشتری دریافت کنید. هرچه درصد تبدیل شما بیشتر باشد، زمان و هزینه کمتری برای بازاریابی نیاز دارید. این به این دلیل است که، در تئوری، هر کسی که از وب سایت شما بازدید می کند، احتمال بیشتری دارد که اقدام کند.

به یاد داشته باشید، هنگامی که وب سایت خود را بهبود می بخشید، می تواند نرخ تبدیل شما را هم برای ترافیک پولی و هم برای ترافیک غیرپرداخت افزایش دهد.

تست A/B روی چه چیزی کار می کند؟

وقتی صحبت از محتوای جذب مشتری می‌شود، چیزهای زیادی وجود دارد که می‌توانید با تست A/B ارزیابی کنید. اهداف مشترک عبارتند از:

• کمپین های ایمیلی
• ایمیل های فردی
• استراتژی های بازاریابی چند رسانه ای
• تبلیغات اینترنتی پولی
• خبرنامه ها
• طراحی سایت

در هر دسته، می توانید تست های A/B را روی هر تعداد متغیر انجام دهید. برای مثال، اگر طراحی سایت خود را آزمایش می کنید، می توانید گزینه های مختلفی را امتحان کنید:

• طرح رنگی
• چیدمان
• تعداد و نوع تصاویر
• سرفصل ها و زیرعنوان ها
• قیمت گذاری محصول
• پیشنهادهای ویژه
• طراحی دکمه Call-to-Action

تقریباً هر سبک یا عنصر محتوایی در یک مورد مشتری قابل آزمایش است.

چگونه تست های A/B را انجام می دهید؟

وقتی همه چیز گفته شود و انجام شود، فرآیند تست A/B فقط یک روش علمی است. اگر می خواهید بیشترین بهره را از آن ببرید، باید به صورت علمی به آن نزدیک شوید.

فرآیند

درست مانند نسخه آزمایشگاهی روش علمی، آزمایش A/B با انتخاب چه چیزی برای آزمایش شروع می شود. کل فرآیند شامل چندین مرحله است:

1. یک مشکل را شناسایی کنید.

مطمئن شوید که یک مشکل خاص را شناسایی کرده اید. برای مثال، «تبدیل‌های کافی» خیلی کلی است. فاکتورهای زیادی وجود دارد که در مورد تبدیل شدن یا نشدن یک بازدیدکننده وب سایت به مشتری یا اینکه آیا یک گیرنده ایمیل به سایت شما کلیک می کند، تأثیر می گذارد. شما باید بدانید که چرا مواد شما تبدیل نمی شود.

مثال: شما برای یک خرده‌فروش لباس زنانه کار می‌کنید که فروش آنلاین زیادی دارد، اما تعداد بسیار کمی از این فروش‌ها از طریق کمپین‌های ایمیلی آن حاصل می‌شود. به داده های تجزیه و تحلیل خود می روید و متوجه می شوید که درصد بالایی از کاربران ایمیل های شما را با پیشنهادات ویژه باز می کنند و آنها را می خوانند، اما تعداد کمی از آنها در واقع بی تفاوت عبور می کنند.

2. داده های کاربر را تجزیه و تحلیل کنید.

از نظر فنی می‌توانید تست A/B را روی هر چیزی که مشتریانتان هنگام باز کردن ایمیل‌هایتان می‌بینند، انجام دهید، اما این کار زمان زیادی می‌برد. عناصر طراحی و محتوای زیادی وجود دارد که با آنها مواجه می شوند و احتمالاً مرتبط نیستند، بنابراین باید بفهمید کدام عنصر را هدف قرار دهید.

مثال: مردم ایمیل‌های شما را باز می‌کنند، بنابراین مشکلی در نحوه نوشتن خطوط موضوعی شما وجود ندارد. آنها همچنین وقت خود را صرف خواندن آنها می کنند، بنابراین چیزی نیست که باعث شود آنها فوراً کلیک کنند. از آنجا که بسیاری از کاربرانی که وب سایت شما را از جاهای دیگر پیدا می کنند، در نهایت مشتری می شوند، می توانید بگویید که در نحوه ارائه محصولات خود نیز مشکلی وجود ندارد. این نشان می‌دهد که اگرچه افراد ایمیل‌های شما را قانع‌کننده می‌دانند، اما وقتی واقعاً به سایت شما مراجعه می‌کنند، به نوعی گم می‌شوند.

3. یک فرضیه برای آزمایش ایجاد کنید.

حالا شما واقعاً دارید آن را محدود می کنید. قدم بعدی شما این است که تصمیم بگیرید دقیقاً چه چیزی را می خواهید آزمایش کنید و چگونه می خواهید آن را آزمایش کنید. حداقل برای شروع، مجهولات خود را به 1 یا 2 گروه محدود کنید. سپس می توانید تعیین کنید که چگونه تغییر آن عنصر یا عناصر ممکن است مشکلی که با آن روبرو هستید را برطرف کند.

مثال: متوجه می‌شوید که دکمه‌ای که افراد را به فروشگاه آنلاین شما می‌برد، در پایین ایمیل، زیر تاشو قرار دارد. شما مشکوک هستید که اگر آن را به بالای صفحه بیاورید، می توانید به طور موثرتری مردم را تشویق کنید که از سایت شما بازدید کنند.

4. آزمون فرضیه را انجام دهید.

یک نسخه جدید از آیتم آزمایشی ایجاد کنید که ایده شما را اجرا کند. سپس یک تست A/B بین آن نسخه و صفحه فعلی خود با مخاطبان هدف خود اجرا کنید.

مثال: شما نسخه ای از ایمیل را با دکمه ای که در بالای قسمت قرار دارد ایجاد می کنید. شما طراحی آن را تغییر نمی دهید – فقط موقعیت آن. شما تصمیم می گیرید که تست را به مدت 24 ساعت اجرا کنید، بنابراین آن را به عنوان پارامتر زمان خود تنظیم می کنید و تست را شروع می کنید.

5. داده ها را تجزیه و تحلیل کنید.

پس از پایان تست، به نتایج نگاه کنید و ببینید آیا نسخه جدید آیتم شما تغییرات قابل توجهی داشته است یا خیر. اگر نه، یک عنصر جدید را آزمایش کنید.

مثال: ایمیل جدید شما تبدیل ها را اندکی افزایش داد، اما رئیس شما می خواهد بداند آیا چیز دیگری می تواند بهتر انجام دهد یا خیر. از آنجایی که متغیر شما موقعیت دکمه بود، تصمیم می گیرید آن را در 2 مکان دیگر قرار دهید.

6. رقبای جدیدی برای قهرمان خود پیدا کنید.

دنیای تست A/B گاهی اوقات از “قهرمان” و “چلنجر” برای اشاره به بهترین گزینه فعلی و احتمالات جدید استفاده می کند. وقتی 2 یا چند گزینه با هم رقابت می کنند و یکی به طور قابل توجهی موفق تر است، به آن قهرمان می گویند. سپس می‌توانید آن برنده را در مقابل گزینه‌های دیگری که چالش نامیده می‌شوند، آزمایش کنید. آن آزمایش ممکن است به شما یک قهرمان جدید بدهد، یا ممکن است نشان دهد که قهرمان اصلی واقعا بهترین بوده است.

مثال: شما در تست A/B ،دو نسخه از یک صفحه فرود را آزمایش کرده اید و قهرمان بین آنها را پیدا کرده اید، اما نسخه سومی از صفحه نیز وجود دارد که می خواهید آن را با قهرمان آزمایش اول خود مقایسه کنید. نسخه 3 تبدیل به رقیب جدیدی برای آزمایش در برابر قهرمان قبلی می شود.

هنگامی که تمام 6 مرحله را انجام دادید، می توانید تصمیم بگیرید که آیا بهبود به اندازه کافی قابل توجه بوده است که بتوانید آزمون را پایان دهید و تغییرات لازم را ایجاد کنید. یا می‌توانید آزمایش A/B دیگری را برای ارزیابی تأثیر عنصر دیگر، مانند اندازه دکمه یا طرح رنگ آن، اجرا کنید.

نکاتی برای آزمایش کننده های A/B

در اینجا چند نکته وجود دارد که به شما کمک می کند تا تست های A/B خود را تا حد امکان مفید کنید.

از نمونه های نماینده کاربران خود استفاده کنید.

هر دانشمندی به شما خواهد گفت که اگر آزمایشی را اجرا می‌کنید، باید مطمئن شوید که گروه‌های شرکت‌کننده شما تا حد امکان مشابه هستند. اگر در حال آزمایش یک وب سایت هستید، می توانید از تعدادی ابزار تست خودکار استفاده کنید تا مطمئن شوید که انتخاب تصادفی از افراد هر نسخه را می بینند.

اگر مطالب را مستقیماً برای مشتریان یا مشتریان بالقوه خود ارسال می کنید، باید به صورت دستی لیست های قابل مقایسه ایجاد کنید. گروه ها را تا جایی که می توانید از نظر اندازه برابر کنید و – در صورت دسترسی به داده ها – گیرندگان را بر اساس جنسیت، سن و جغرافیا به طور مساوی توزیع کنید. به این ترتیب، تغییرات در این عوامل کمترین تأثیر را بر نتایج شما خواهد داشت.

حجم نمونه خود را به حداکثر برسانید.

هرچه تعداد افراد بیشتری را آزمایش کنید، نتایج شما قابل اعتمادتر خواهد بود. این به مفهومی مرتبط است که آماردانان از آن به عنوان «اهمیت آماری» یاد می کنند.

به طور خلاصه، اگر نتیجه از نظر آماری معنادار باشد، به این معنی است که بعید است به طور تصادفی رخ داده باشد. به عنوان مثال، اگر یک نسخه جدید از یک ایمیل را برای 50 نفر و یک نسخه کنترلی را برای 50 نفر دیگر ارسال کنید، افزایش 5 درصدی در نرخ کلیک تنها به این معنی است که 5 نفر به نسخه جدید شما بهتر پاسخ داده اند. تفاوت آنقدر کوچک است که می تواند به طور تصادفی قابل توضیح باشد – و اگر دوباره همان آزمایش را انجام دهید، شانس خوبی برای دریافت نتایج متفاوت وجود دارد. به عبارت دیگر، نتایج شما از نظر آماری معنی دار نبود.

اگر بتوانید همان مجموعه ایمیل‌ها را به گروه‌های 500 نفری ارسال کنید، افزایش 5 درصدی به این معنی است که 50 نفر به سبک جدید شما بهتر پاسخ داده‌اند، که احتمالاً بسیار مهم‌تر است.

از اشتباهات رایج اجتناب کنید.

ایجاد یک دکمه پاپ آپ با فونت جدید، اندازه متن جدید، اندازه دکمه های جدید و رنگ های دکمه جدید وسوسه انگیز است. اما هر چه عناصر جدید بیشتری اضافه کنید، نتایج شما درهم‌تر خواهد بود.

با رعایت مثال بالا، اگر پاپ آپ جدید شما از نظر طراحی کاملاً متفاوت از نمونه اصلی باشد، احتمالاً همبستگی هایی را مشاهده خواهید کرد که کاملاً تصادفی هستند. شاید به نظر می‌رسد که دکمه بزرگ بنفش «خروج» با تصویر علامت دلار بهتر از دکمه آبی کوچکی که جایگزین شده است، عمل می‌کند، اما این امکان وجود دارد که تنها 1 مورد از آن عناصر طراحی، مانند اندازه، مهم باشد.

به یاد داشته باشید، همیشه می توانید بعداً یک آزمایش جدید با عناصر مختلف اجرا کنید. نگاه کردن به آن آزمون پیگیری آسان تر از تلاش برای تجزیه و تحلیل یک آزمون با 18 متغیر مختلف خواهد بود.

قبل از ایجاد تغییرات اجازه دهید آزمون به پایان برسد.

از آنجایی که تست های A/B به شما امکان می دهد اثرات تغییر را در زمان واقعی مشاهده کنید، وسوسه انگیز است که به محض مشاهده نتایج، آزمایش را پایان دهید تا بتوانید فوراً نسخه جدیدی را اجرا کنید. با این حال، انجام این کار به این معنی است که نتایج شما احتمالا ناقص است و احتمال کمتری دارد که از نظر آماری معنادار باشد. عوامل حساس به زمان می توانند بر نتایج شما تأثیر بگذارند، بنابراین برای بهره مندی از تصادفی سازی باید منتظر پایان دوره آزمایش باشید.

تست ها را بیش از یک بار اجرا کنید.

حتی بهترین نرم افزار تست A/B نیز به دلیل متغیر بودن رفتار کاربر، نتایج مثبت کاذب را برمی گرداند. تنها راه برای اطمینان از دقیق بودن نتایج این است که دوباره همان آزمایش را با همان پارامترها اجرا کنید.

اگر نسخه جدید شما کمی بهبود داشته باشد، آزمایش مجدد بسیار مهم است. یک نتیجه مثبت کاذب تنها زمانی اهمیت بیشتری دارد که نتایج مثبت زیادی وجود نداشته باشد.

همچنین، اگر تست های A/B زیادی را انجام دهید، احتمال اینکه هر چند وقت یکبار با مثبت کاذب مواجه شوید بیشتر است. ممکن است نتوانید از پس اجرای مجدد هر آزمون برآیید، اما اگر هر چند وقت یکبار مجدداً تست کنید، شانس بیشتری برای دریافت خطا خواهید داشت.

ببینید چه چیزی بهترین کار را می کند

تست A/B روشی کارآمد و مؤثر برای سنجش پاسخ مخاطبان شما به یک ایده طراحی یا محتوا است، زیرا تجربه کاربران شما را مختل نمی کند یا نظرسنجی های بازخورد مخرب ارسال نمی کند. فقط چیز جدیدی را امتحان کنید و بگذارید نتایج خودشان صحبت کنند.

نظرات و یا تجربیات خود را با ما در پایین همین صفحه به اشتراک بگذارید.

پیج رسمی اینستاگرام بیزی لوک

مطالب بیشتر