A/B testleri, dönüşüm araştırması ve fikir önceliklendirme hakkında bilgi edinin. Google, HubSpot ve Shopify uzmanlarından analiz testi ve arşiv yönetimi öğrenin.
İster deneyimli bir girişimci olun, ister yeni başlıyor olun, A/B testleri hakkında sayısız makale ve kaynakla karşılaşmış olma ihtimaliniz yüksek. Belki de e-posta konu başlıklarınızı veya sosyal medya paylaşımlarınızı A/B test etmeye başlamışsınızdır bile.
Pazarlama alanında A/B testleri hakkında çok şey söylense de birçok girişimci uygulamada zorlanıyor. Sonuç? Yanlış testlerden elde edilen hatalı sonuçlara dayanan büyük iş kararları.
A/B testleri genellikle basitleştiriliyor, özellikle mağaza sahipleri için yazılan içeriklerde. Aşağıda, e-ticaret için farklı A/B test türleriyle başlamanızı sağlayacak her şeyi, mümkün olduğunca açık ama faydalı bir şekilde bulacaksınız. A/B testleri, doğru ürün konumlandırmasını seçmek, bir iniş sayfasındaki dönüşümleri arttırmak ve çok daha fazlası için oyun değiştirici olabilir.
A/B testi nedir?
A/B testi, aynı web sayfasının, e-postanın veya diğer dijital varlıkların iki versiyonunu karşılaştırarak hangisinin kullanıcı davranışına dayalı olarak daha iyi performans gösterdiğini belirleme sürecidir.
Pazarlama kampanyalarının performansını arttırmak ve hedef kitlenizde neyin dönüşüm sağladığını daha iyi anlamak için faydalı bir araçtır. A/B testi, önemli iş sorularını yanıtlamaya, mevcut trafiğinizden daha fazla gelir elde etmeye ve veri odaklı bir pazarlama stratejisi oluşturmaya yardımcı olur.
A/B testi nasıl işler?
- Hedefinizi tanımlayın. A/B testi için dönüşümleri arttırma, tıklama oranlarını yükseltme veya genel satışları arttırma gibi hedeflerinizi belirleyin.
- Test edilecek unsuru seçin. Başlıkları, görselleri, e-posta konu başlıklarını, harekete geçirici mesajları (CTA), fiyatlandırmayı, düzenleri vb. test edebilirsiniz.
- Varyasyonlar oluşturun. İki versiyon geliştirin: A versiyonu, varlığınızın orijinal versiyonu veya “kontrol” olarak adlandırılır. B versiyonu, test etmek istediğiniz değişikliklerle yeni versiyondur ve “varyant” olarak bilinir. Pazarlama bağlamında, ziyaretçilerin %50’sine A versiyonunu, %50’sine B versiyonunu gösterirsiniz.
- Testi yürütün. Her iki grubu belirlenmiş bir süre boyunca aynı versiyona maruz bırakın. Örneğin, bir e-ticaret sitesinin ana sayfasındaki CTA butonunu test ediyorsanız, istatistiksel olarak anlamlı sonuçlar elde etmek için iki hafta boyunca test yapabilirsiniz.
- Veri toplayın. Her iki versiyon üzerindeki dönüşümleri, tıklama oranlarını, etkileşim seviyelerini ve satışları izleyin ve ölçün.
- Sonuçları analiz edin. A versiyonunun performansını B versiyonuyla karşılaştırarak hangisinin hedefinize daha etkili bir şekilde ulaştığını belirleyin. En yüksek dönüşüm oranı olan versiyon kazanır.
- Kazananı ilan edin. Eğer B versiyonunun dönüşüm oranı daha yüksekse onu kazanan olarak ilan edin ve tüm ziyaretçileri oraya yönlendirin. Bu versiyon yeni kontrol haline gelir ve gelecekteki testler için başka bir varyant tasarlamanız gerekir.
💡Dikkat: A/B testinin dönüşüm oranı genellikle başarıyı ölçmek için kusurlu bir ölçü olabilir.
Örneğin, bir sayfada bir ürünü 50 dolara fiyatlandırıp diğer sayfada tamamen ücretsiz yaparsanız, bu gerçekten değerli bir içgörü sağlamaz. İşletmeniz için kullandığınız herhangi bir araç veya strateji gibi, bu da stratejik olmalıdır.
Bu nedenle, bir dönüşümün değerini son satışa kadar takip etmelisiniz.
Ne zaman A/B testi yapmalısınız?
Düşük trafikli bir site veya mobil uygulama işletiyorsanız, A/B testi muhtemelen en iyi optimizasyon çabası değildir. Örneğin, kullanıcı testi yapmak veya müşterilerinizle konuşmak size daha yüksek bir yatırım getirisi (ROI) sağlayabilir. Yaygın bir yanlış anlamanın aksine, dönüşüm oranı optimizasyonu testlerle başlar ve biter.
Neden iki ila dört hafta? Unutmayın, testleri en az iki tam iş döngüsü boyunca yürütmek istersiniz. Genellikle bu, iki ila dört hafta sürer. Şimdi belki de düşünüyorsunuz, “Sorun değil, gerekli örnek boyutuna ulaşmak için testimi iki ila dört haftadan daha uzun süre yapacağım.” Bu da işe yaramaz.
Bir test ne kadar uzun sürerse, dış geçerlilik tehditlerine ve örnek kirliliğine o kadar duyarlı hale gelir. Örneğin, ziyaretçiler çerezlerini silebilir ve A/B testine yeni ziyaretçiler olarak yeniden girebilir. Ya da birisi mobil telefonundan masaüstüne geçebilir ve alternatif bir varyasyonu görebilir.
Temelde, testinizin çok uzun sürmesine izin vermek, yeterince uzun sürmesine izin vermemek kadar sonuçları çarpıtabilir.
Test yapma yatırımı, iki ila dört hafta içinde gerekli örnek boyutunu karşılayabilen mağazalar için değerlidir. Bunu başaramayan mağazalar, trafikleri artana kadar başka optimizasyon biçimlerini düşünmelidir.
A/B test sürecini kurun
A/B test fikirlerini önceliklendirin
Büyük bir A/B testi örnekleri listesi heyecan verici olabilir, ancak neyi test edeceğinizi belirlemek için faydalı değildir. Nereden başlayacaksınız? İşte burada önceliklendirme devreye giriyor.
Kullanabileceğiniz birkaç yaygın A/B testi önceliklendirme çerçevesi vardır:
- ICE. ICE, etki, güven ve kolaylık anlamına gelir. Bu faktörlerin her biri 1 ile 10 arasında bir sıralamada yer alır. Örneğin, testi tek başınıza geliştirip geliştirip geliştiremeyeceğinizi düşünüyorsanız, kolaylığa 8 verebilirsiniz. Burada kendi yargınızı kullanıyorsunuz ve birden fazla kişi için test yapıyorsanız, sıralamalar çok öznel hale gelebilir. Herkesin nesnel kalmasını sağlamak için bir dizi kılavuz oluşturmak faydalıdır.
- PIE. PIE, potansiyel, önem ve kolaylık anlamına gelir. Yine, her faktör 1 ile 10 arasında bir sıralamada yer alır. Örneğin, testiniz trafiğin %90'ına ulaşacaksa, öneme 8 verebilirsiniz. PIE, ICE kadar öznel olduğundan, bu çerçeve için de kılavuzlar faydalı olabilir.
- PXL. PXL, eğitim platformu CXL'nin önceliklendirme çerçevesidir. Biraz farklıdır ve daha özelleştirilebilir, sizi daha nesnel kararlar almaya zorlar. Üç faktör yerine, Evet/Hayır soruları ve uygulanabilirlik sorusu bulacaksınız. Örneğin, şu soru gelebilir: “Test, motivasyonu artırmak için mi tasarlandı?” Eğer evet ise, 1 alır. Eğer hayır ise, 0 alır. Bu çerçeve hakkında daha fazla bilgi edinebilir ve bir tablo indirebilirsiniz.
Başlamak için bir fikir edindiğinizde, fikirlerinizi kategorize etmek de faydalı olabilir. Örneğin, bazı dönüşüm araştırmaları sırasında üç kategori kullanabilirsiniz: uygula, araştır ve test et.
- Uygula. Hemen yapın.
- Araştır. Problemi tanımlayın veya çözümleri daraltın .
- Test et. Fikir mantıklı ve veri odaklı. Test edin!
Bu kategorileştirme ve önceliklendirme ile A/B testlerine başlamaya hazırsınız.
Bir hipotez geliştirin
Herhangi bir şeyi test etmeden önce bir hipoteziniz olmalıdır. Örneğin, “Eğer kargo ücretimi düşürürsem, dönüşüm oranları artacak.”
Endişelenmeyin, bu durumda bir hipotez oluşturmak göründüğü kadar karmaşık değildir. Temelde, bir hipotezi test etmeniz gerekir, bir fikri değil. Bir hipotez ölçülebilir, belirli bir dönüşüm sorununu çözmeyi hedefler ve kazanımlar yerine içgörülere odaklanır.
Bir hipotez yazarken, Craig Sullivan’ın Hipotez Kiti'nden alınan formülü kullanmak faydalı olabilir:
- Çünkü [araştırmadan elde edilen veri/görüşleri ekleyin]
- [Test ettiğiniz değişiklik]’in [beklediğiniz etkiyi] yaratacağını düşünüyorsunuz ve
- Bunu [veri metriği] kullanarak ölçeceksiniz.
Kolay, değil mi? Tek yapmanız gereken boşlukları doldurmak ve A/B test fikriniz bir hipoteze dönüşmüş olacak.
A/B testi aracı seçin
Artık bir A/B testi aracı veya bölünmüş test hizmeti seçmeye başlayabilirsiniz. Çoğu zaman, ilk aklınıza gelen Google Optimize, Optimizely ve VWO olacaktır. Üçü de iyi, güvenli seçeneklerdir.
Bu popüler A/B testi araçları hakkında daha fazla bilgi:
- Google Optimize. Bazı çok değişkenli sınırlamalar dışında ücretsizdir, bu da yeni başlıyorsanız sizi çok etkilememelidir. Google Analytics A/B testi yaparken iyi çalışır, bu da bir avantajdır.
- Optimizely. Küçük testleri başlatmak kolaydır, hatta teknik beceriler olmadan bile. İstatistik Motoru, test sonuçlarını analiz etmeyi kolaylaştırır. Genellikle, Optimizely üç seçenekten en pahalı olanıdır.
- VWO. VWO, analizi kolaylaştırmak için SmartStats sunar. Ayrıca, yeni başlayanlar için harika bir WYSIWYG editörü vardır. Her VWO planı, ısı haritaları, yerinde anketler, form analizleri vb. ile birlikte gelir.
Ayrıca, Shopify Uygulama Mağazası'nda bulabileceğiniz A/B testi araçları da vardır.
Bir A/B testi aracı veya bölünmüş test yazılımı seçtikten sonra, kayıt formunu doldurun ve talimatları izleyin. Süreç, araçtan araca değişiklik gösterir. Ancak genellikle, sitenize bir kod parçası yüklemeniz ve hedefler belirlemeniz istenir.
Sonuçları analiz etme yöntemini belirleyin
Hipotezi doğru bir şekilde oluşturursanız avantajlı olursunuz, çünkü gelecekteki testler ve işletmenizin diğer alanları için kullanabileceğiniz içgörüler elde edersiniz. Bu nedenle, test sonuçlarını analiz ederken, içgörülere odaklanmalısınızl. Öğrenecek her zaman bir şeyler vardır, analiz edilecek bir şeyler de hep vardır.
Burada dikkat edilmesi gereken en önemli şey, segmentasyon ihtiyacıdır. Bir test genel olarak kaybedebilir, ancak muhtemelen en az bir hedef kitle segmentinde iyi performans göstermiştir.
İşte bazı hedef kitle segmenti örnekleri:
- Yeni ziyaretçiler
- Tekrar eden ziyaretçiler
- iOS ziyaretçileri
- Android ziyaretçileri
- Chrome ziyaretçileri
- Safari ziyaretçileri
- Masaüstü ziyaretçileri
- Tablet ziyaretçileri
- Organik arama ziyaretçileri
- Ücretli ziyaretçiler
- Sosyal medya ziyaretçileri
- Giriş yapmış alıcılar
Fikri anladınız, değil mi?
Hipotezin bazı segmentlerde doğru olma ihtimali yüksektir. Bu da size bir şeyler söyler.
Analiz, o testin kazanıp kazanmadığından çok daha fazlasıdır. Verilerinizi segmentlere ayırarak üstü kapalı, gizli içgörüler bulabilirsiniz.
A/B testi yazılımı bu analizi sizin için yapmayacaktır, bu nedenle zamanla geliştirilmesi gereken önemli bir beceridir.
Test sonuçlarını arşivleyin
Diyelim ki yarın ilk testinizi yapıyorsunuz. İki yıl sonra, o testin detaylarını hatırlayacak mısınız? Muhtemelen hayır.
Bu nedenle, A/B testi sonuçlarınızı arşivlemek önemlidir. İyi bir şekilde korunmayan bir arşiv olmadan, elde ettiğiniz tüm içgörüler kaybolacaktır. Ayrıca, arşivlemediğiniz takdirde aynı şeyi iki kez test etmek çok kolaydır.
Bu işlemi yapmanın “doğru” bir yolu yoktur. Effective Experiments gibi bir araç veya basit bir elektronik tablo kullanabilirsiniz. Bu tamamen size kalmış, özellikle de yeni başlıyorsanız.
Kullandığınız herhangi bir araçla, aşağıdakileri takip ettiğinizden emin olun:
- Test edilen hipotez
- Kontrol ve varyasyonun ekran görüntüleri
- Test kazandı mı yoksa kaybetti mi
- Analiz yoluyla elde edilen içgörüler
İşiniz büyüdükçe, bu arşivi tutmanın faydasını göreceksiniz. Sadece size yardımcı olmakla kalmayacak, aynı zamanda yeni çalışanlar ve danışmanlar/paydaşlar için de faydalı olacaktır.
A/B testi örnekleri
Teknik analiz
Mağazanız her tarayıcıda düzgün ve hızlı bir şekilde yükleniyor mu? Her cihazda? Belki yeni bir akıllı telefonunuz var, ama birisi hala 2005'ten kalma bir katlanabilir telefon kullanıyor. Eğer siteniz düzgün ve hızlı çalışmıyorsa, kesinlikle dönüşüm oranlarını arttırmaz.
Yerinde anketler
Bu anketler, mağazanızın ziyaretçileri dolaşırken ortaya çıkar. Örneğin, bir yerinde anket, aynı sayfada bir süre kalan ziyaretçilere, bugün satın alma yapmalarını engelleyen bir şey olup olmadığını sorabilir. Eğer varsa, nedir? Bu verileri kopyanızı ve dönüşüm oranınızı iyileştirmek için kullanabilirsiniz.
Müşteri görüşmeleri
Hiçbir şey, müşterilerle telefonla konuşmanın yerini tutamaz. Neden sizin mağazanızı rakiplerinden daha çok tercih ettiler? Sitenize geldiklerinde hangi problemi çözmeye çalışıyorlardı? Müşterilerinizin kim olduğunu ve neden gerçekten sizden satın aldıklarını anlamak için sorabileceğiniz milyonlarca soru var.
Müşteri anketleri
Müşteri anketleri, zaten bir satın alma gerçekleştirmiş olan kişilere (ziyaretçilere kıyasla) gönderilen tam kapsamlı anketlerdir. Müşteri anketi tasarlarken, odaklanmanız gereken noktalar: müşterilerinizi tanımlamak, onların problemlerini tanımlamak, satın alma öncesindeki tereddütlerini tanımlamak ve mağazanızı tanımlamak için kullandıkları kelime ve ifadeleri belirlemektir.
Analitik analizi
Analitik araçlarınız verilerinizi doğru bir şekilde takip ediyor ve raporluyor mu? Şaşırtıcı olabilir, ancak birçok analitik aracın yanlış yapılandırıldığını göreceksiniz. Analitik analizi, ziyaretçilerin nasıl davrandığını anlamaya yönelik bir süreçtir. Örneğin, funnel'ı (dönüşüm hunisini) inceleyebilirsiniz: En büyük dönüşüm hunisi sızıntılarınız nerede? Diğer bir deyişle, çoğu insan huninizden nerede çıkıyor? Burası test etmeye başlamak için iyi bir yerdir.
Kullanıcı testi
Bu aşama, gerçek ziyaretçilerin, ücretli ve kontrollü bir deneyde sitenizdeki görevleri yerine getirmeye çalışırken izlenmesidir. Örneğin, onlardan 40 ile 60 dolar arasındaki bir video oyununu bulmalarını ve sepete eklemelerini isteyebilirsiniz. Bu görevleri yerine getirirken, düşüncelerini ve eylemlerini yüksek sesle anlatırlar.
Oturum tekrarları
Oturum tekrarları, kullanıcı testine benzer, ancak burada gerçek insanlar gerçek parayla ve satın alma niyetiyle sitenizi gezmektedir. Gerçek ziyaretçilerin sitenizde nasıl gezindiğini izlersiniz. Ne bulmakta zorluk çekiyorlar? Nerede hayal kırıklığına uğruyorlar? Nerede kafaları karışıyor?
Ekstra araştırma türleri de vardır, ancak işe önce sizin için en iyi A/B testi yöntemini seçerek başlayın. Bazılarını deneyerek, test etmeye değer büyük bir veri odaklı fikir listesi elde edeceksiniz.
Uzmanların A/B testi süreçleri
Artık standart bir A/B testi eğitimi aldığınıza göre, profesyonellerin tam süreçlerine bakalım.
Krista Seiden, KS Digital
Web ve uygulama A/B testi için sürecim analizle başlar. Bana göre, bu iyi bir test programının özüdür. Analiz aşamasında, amacınız analitik verilerinizi, anket veya kullanıcı deneyimi verilerinizi veya elinizdeki diğer müşteri içgörülerini inceleyerek optimizasyon fırsatlarınızı anlamaktır.
Analiz aşamasından iyi bir fikir akışı elde ettikten sonra, neyin yanlış gidebileceğini ve bu optimizasyon alanlarını nasıl düzeltebileceğinizi veya geliştirebileceğinizi düşünmeye geçebilirsiniz.
Sonra, testlerinizi oluşturup çalıştırma zamanı. Testleri makul bir süre boyunca (ben genellikle iki hafta varsayıyorum, böylece haftalık değişiklikleri veya anormallikleri hesaba katabiliyorum) sürdürün ve yeterli veriye sahip olduğunuzda sonuçlarınızı analiz ederek kazananı belirleyin.
Ayrıca, bu aşamada kaybedenleri analiz etmek için de biraz zaman ayırmak önemlidir, bu varyasyonlardan ne öğrenebilirsiniz?
Son olarak, sağlam bir optimizasyon programı için temel oluşturduktan sonra, kişiselleştirmeye bakma zamanı. Bunun için mutlaka şık bir araç setine ihtiyacınız yok, ancak kullanıcılar hakkındaki verileri değerlendirebilirsiniz.
Pazarlama kişiselleştirmesi, doğru içeriği doğru konumlara hedeflemek kadar basit veya bireysel kullanıcı eylemlerine dayalı olarak hedeflemeyi gerektirecek kadar karmaşık olabilir. Ancak, kişiselleştirme kısmına bir anda girmeyin. Öncelikle temel noktaları doğru yapmak için yeterince zaman harcadığınızdan emin olun.
Alex Birkett, Omniscient Digital
Büyük ölçüde şu süreci takip etmeye çalışıyorum:
- Veri toplayın ve analitik uygulamaların doğru olduğundan emin olun.
- Verileri analiz edin ve içgörüler bulun.
- İçgörüleri hipotezlere dönüştürün.
- Etki ve kolaylık temelinde önceliklendirin ve kaynak tahsisini (özellikle teknik kaynakları) maksimuma çıkarın.
- Bir test yapın (istatistiksel en iyi uygulamaları bildiğim ve yapabildiğim ölçüde takip ederek).
- Sonuçları analiz edin, sonuçlara göre uygulayın veya uygulamayın.
- Bulguya göre yineleyin ve tekrarlayın.
Daha basit bir şekilde: araştırın, test edin, analiz edin, tekrar edin.
Bu süreç, bağlam ne olursa olsun (Bir iş açısından kritik bir ürün özelliğini mi test ediyorum? Bir blog yazısı CTA'sı mı? Risk profili ve yenilik ile risk azaltma dengesi nedir?) değişebilir veya sapabilir, ancak her boyut ve türdeki şirketler için oldukça uygulanabilirdir.
Önemli olan, bu sürecin çevik olmasıdır, ancak aynı zamanda daha iyi test fikirleri oluşturmak ve bunları önceliklendirmek için yeterli veri toplar, hem müşteri geri bildirimi hem de nicel analitik sağlar.
Ton Wesseling, Online Dialogue
Müşteri yolculuğunu optimize etmek istediğimizde her zaman yanıtladığımız ilk soru şudur: Bu ürün veya hizmet, Online Dialogue'da oluşturduğumuz ROAR modelinde nereye oturuyor? Hala risk aşamasında mısınız, burada çok fazla araştırma yapabiliriz, ama bulgularımızı A/B test çevrimiçi deneyleriyle doğrulayamıyoruz (ayda 1.000 dönüşümün altında mı), yoksa optimizasyon aşamasında mısınız? Ya da daha da başlarda?
- Risk aşaması: Çok fazla araştırma, bir iş modeli değişikliğinden tamamen yeni bir tasarım ve değer önerisine kadar her şeye dönüştürülecektir.
- Optimizasyon aşaması: Değer önerisini ve iş modelini optimize edecek büyük deneyler ile kullanıcı davranışı hipotezlerini doğrulamak için küçük deneyler, bu da daha büyük tasarım değişiklikleri için bilgi birikimi oluşturacaktır.
- Otomasyon: Hala deneme gücünüz (ziyaretçiler) var, yani kullanıcı yolculuğunu doğrulamak için tam test potansiyeli gerekli değildir. Kalanı, şimdi daha hızlı büyümek için kullanılmalıdır (uzun vadeli öğrenmelere odaklanmadan). Bu süreç /algoritmalar kullanarak otomatikleştirilebilir.
- Yeniden düşünme: Çok fazla yeni araştırmaya gerek yok, bu araştırmalar yepyeni bir dönüşüm yaratmayacaksa.
Bu nedenle, web veya uygulama A/B testi, ROAR'ın optimizasyon aşamasında ve sonrası (yeniden düşünme aşamasına kadar) büyük bir şeydir.
Deneyler yürütme yaklaşımımız FACT & ACT modelidir:
Yaptığımız araştırma, 5V Modelimize dayanır:
Tüm bu içgörüleri toplarız ve ana araştırma destekli hipotez oluştururuz, bu da masaüstü veya mobil A/B testi yoluyla toplanan verilere dayanarak önceliklendirilecek alt hipotezlere yol açar. Hipotezin doğru olma olasılığı ne kadar yüksekse, o kadar üst sıralarda yer alır.
Hipotezimizin doğru veya yanlış olduğunu öğrendikten sonra, öğrendiklerimizi birleştirip müşteri yolculuğunun daha büyük kısımlarını yeniden tasarlayarak/birleştirerek daha büyük adımlar atmaya başlayabiliriz. Ancak bir noktada, tüm kazanan uygulamalar yerel bir maksimuma ulaşacaktır. O zaman potansiyel bir küresel maksimuma ulaşmak için daha büyük bir adım atmanız gerekir.
Ve elbette, temel bilgiler şirket genelinde yayılacak, bu da doğrulanmış birinci taraf içgörülerine dayalı daha geniş optimizasyon ve yenilik çeşitlerine yol açacaktır.
Uluslararası bir kitleye mi pazarlama yapıyorsunuz? Bu süreci sahte yerelleştirme (“pseudolocalization”) metodu ile nasıl kolaylaştıracağınızı öğrenin.
Julia Starostenko, Pinterest
Bir deneyin amacı, mevcut bir web sayfasında yapılan değişikliklerin iş üzerinde olumlu bir etkisi olacağını doğrulamaktır.
Başlamadan önce, bir deney yürütmenin gerçekten gerekli olup olmadığını belirlemek önemlidir. Aşağıdaki senaryoyu düşünün: Tıklama oranı son derece düşük bir düğme var. Bu düğmenin performansını düşürmek neredeyse imkansız olacaktır. Bu nedenle, düğme için önerilen bir değişikliğin etkinliğini doğrulamak (yani bir deney yürütmek) gerekli değildir.
Aynı şekilde, bu düğme için önerilen değişiklik küçükse, muhtemelen bir deney oluşturmak, yürütmek ve durdurmak için zaman harcamaya değmez. Bu durumda, değişikliklerin herkes için uygulanması ve düğmenin performansının izlenmesi gerekir.
Eğer bir deney yürütmenin faydalı olacağına karar verilirse, bir sonraki adım, iyileştirilmesi gereken iş metriklerini tanımlamaktır (örneğin, bir düğmenin dönüşüm oranını artırmak). Ardından, uygun veri toplandığından emin oluruz.
Bunlar tamamlandığında, kitle rastgele olarak iki gruba ayrılır: Bir grup mevcut düğme versiyonunu, diğer grup yeni versiyonu görür. Her kitle için dönüşüm oranı izlenir ve istatistiksel anlamlılık sağlandığında deneyin sonuçları belirlenir.
Peep Laja, CXL
A/B testi, daha büyük bir dönüşüm optimizasyonu resminin bir parçasıdır. Bana göre, bunun %80’i araştırma ile ilgilidir, sadece %20’si de test ile. Dönüşüm araştırması, neyi test etmeniz gerektiğini belirlemenize yardımcı olacaktır.
Bana kalırsa süreç genellikle şu şekilde işler (basitleştirilmiş bir özet):
- Dönüşüm araştırması yaparak sitenizdeki sorunları belirleyin.
- Yüksek öncelikli bir sorun seçin (büyük bir kullanıcı kısmını etkileyen, ciddi bir sorun) ve bu soruna mümkün olduğunca çok çözüm düşünün. Fikir oluşturma sürecini dönüşüm araştırması içgörülerinizle birleştirin. Testi hangi cihazda yapacağınızı belirleyin (mobil A/B testini masaüstünden ayrı yapmanız gerekir).
- Test edebileceğiniz varyasyon sayısını belirleyin (trafik/işlem seviyenize bağlı olarak) ve ardından kontrol ile test edilecek en iyi bir veya iki çözüm fikrini seçin.
- Kesin çözümleri tasarlayın (metni yazın, tasarım değişikliklerini yapın, vb.). Değişikliklerin kapsamına bağlı olarak, yeni öğeleri tasarlamak için bir tasarımcıyı da dahil etmeniz gerekebilir.
- Ön uç geliştiricinin çözümleri test aracına uygulamasını sağlayın. Gerekli entegrasyonları (Google Analytics) kurun ve uygun hedefleri belirleyin.
- Testin kalite kontrolünü yapın ve her tarayıcı/cihaz kombinasyonuyla çalıştığından emin olun.
- Testi başlatın!
- Test tamamlandığında, test sonrası analizi yapın.
- Sonuca bağlı olarak, ya kazananı uygulayın veya başka bir şeyi test edin.
A/B testinde yaygın hatalar
Aynı anda çok fazla değişken test etmek
İki değişkeni aynı anda karşılaştırdığınızda, hangi değişikliğin etkili olduğunu belirlemek zordur.
Diyelim ki bir iniş sayfasını optimize etmek istiyorsunuz. Sadece bir başlığı test etmek yerine, şunları test ediyorsunuz:
- Harekete geçirici mesaj metni
- CTA düğme rengi
- Başlık görselleri
- Başlıklar
Dönüşüm oranları artıyor, ancak hangi değişikliğin sorumlu olduğunu belirlemek zor. Bir seferde bir değişken test ederseniz, her değişikliğin etkisini izole edebilir ve daha doğru sonuçlar elde edebilirsiniz.
💡Dikkat: Eğer birden fazla değişkenin birbirleriyle nasıl etkileşime girdiğini anlamak istiyorsanız, çok değişkenli test bir seçenektir. Ancak bir çok değişkenli test yürütmek için daha fazla trafik ve kademeli iyileştirmeler yapmak için zaten iyi optimize edilmiş bir sayfaya ihtiyacınız vardır. Süreç, bir A/B testinden çok daha karmaşıktır.
Örnek büyüklüğünün yetersizliği
A/B testinin sonuçlarının güvenilirliği kullanılan örnek boyutuna bağlıdır. Küçük örnekler yanlış pozitif ve negatif sonuçlara neden olabilir, bu da değişikliklerin sonuçlarının sizin değişikliklerinizden mi yoksa rastgele mi olduğuna karar vermeyi zorlaştırır.
Bir ürün sayfasının iki versiyonunu test ettiğinizi ve hangisinin daha yüksek satın alma oranlarına yol açtığını görmek istediğinizi hayal edin. Trafiği bölüyorsunuz ama sadece A versiyonuna 100 ziyaretçi ve B versiyonuna 100 ziyaretçi alıyorsunuz.
Eğer A versiyonunun dönüşüm oranı %6, B versiyonunun dönüşüm oranı %5 ise, A versiyonunun daha iyi olduğunu düşünebilirsiniz. Ancak, her versiyon için yalnızca 100 ziyaretçi olduğunda, bu istatistiksel olarak anlamlı değildir. Eğer daha fazla ziyaretçi ile test etseydiniz, sonuçların farklı olması mümkündür.
Sağlıklı bir örnek boyutunu belirlemenin en iyi yolu, bir örnek boyutu hesaplayıcısı kullanmaktır.
Kısa test süreleri
A/B testini en az bir, tercihen iki, tam iş döngüsü boyunca yürütün. Testi sadece anlamlı veriler sağladığınız için durdurmayın. Ayrıca, önceden belirlenmiş örnek boyutunu karşılamanız gerekecektir. Son olarak, tüm testlerin tam haftalar eklenerek yürütüldüğünü unutmayın.
Neden iki tam iş döngüsü? Öncelikle, iki döngü, aşağıdakileri hesaba katmanıza yardımcı olur:
- “Düşünmem gerekiyor” diyen alıcılar.
- Farklı trafik kaynakları (Facebook, e-posta bülteni, organik arama vb.)
- Anormallikler. Örneğin, Cuma günü gönderilen e-posta bülteni.
İki iş döngüsü, hedef kitlenizin kullanıcı davranışları hakkında değerli içgörüler elde etmek için genellikle yeterlidir.
Eğer herhangi bir A/B test iniş sayfası test aracı kullandıysanız, muhtemelen küçük yeşil “İstatistiksel Olarak Anlamlı” simgesine aşinasınızdır.
Birçok kişi için, maalesef, bu, “test tamamlandı” için evrensel bir işarettir. A/B testinin istatistiksel anlamlılık sağlaması bir testi durdurmanız gerektiği anlamına gelmez.
Kullanıcı segmentasyonunu göz ardı etmek
Farklı kullanıcı segmentlerini dikkate almazsanız, herkes için geçerli olmayabilecek genel sonuçlar elde edersiniz.
Kullanıcıları demografik, davranışsal veya diğer ilgili faktörlere göre segmentlere ayırmak faydalıdır. Yeni kullanıcılar için işe yarayan bir şey, tekrar eden kullanıcılar için işe yaramayabilir. Eğer segmentasyon yapmazsanız, anahtar kullanıcı gruplarını dışlayabilir ve testinizin bütünlüğünü tehlikeye atabilirsiniz.
İşletmeniz için A/B testini optimize edin
Artık süreci biliyorsunuz! O halde, en iyi A/B testi yazılımını edinin ve mağazanızı test etmeye başlayın. Bu içgörüler kısa süre içinde banka hesabınıza yansıyacaktır.
Optimizasyon hakkında daha fazla bilgi edinmek istiyorsanız, Udacity’nin Google tarafından sunulan A/B testi gibi ücretsiz bir kurs almayı düşünebilirsiniz. Web ve mobil uygulama A/B testleri hakkında daha fazla bilgi edinerek optimizasyon becerinizi arttırabilirsiniz.
A/B testi, SSS
A/B testi nedir?
En temel düzeyde, A/B testi, iki versiyonu test ederek hangisinin daha iyi performans gösterdiğini görmektir. İşletmenizle ilgili sosyal medya paylaşımları, içerik, e-posta ve ürün sayfaları dahil olmak üzere çeşitli şeyleri A/B test edebilirsiniz.
A/B testinin bir örneği nedir?
A/B testinin bir örneği, iki hafif farklı ürün sayfasına ücretli trafik yönlendirmek ve hangi sayfanın daha yüksek dönüşüm oranı olduğunu görmek olabilir. A/B testlerinin değerli içgörüler sağlayabilmesi için, belirli bir sayfanın 5.000'den fazla ziyaretçi trafiği olması önerilir.
İnsanlar neden A/B testi kullanır?
A/B testi, insanların bir web sayfasının, uygulamanın veya pazarlama kampanyasının iki versiyonunu, farklı kullanıcı segmentlerine aynı anda göstererek test etmelerini sağlar. Hangi versiyonun daha fazla dönüşüm, etkileşim veya satış aldığını belirlemelerine yardımcı olur.
Sosyal medyada A/B testinin bir örneği nedir?
Sosyal medyada A/B testinin bir örneği, Instagram reklam etkinliğini test etmek olabilir. Örneğin, bir reklamın iki versiyonunu farklı medyalar ile oluşturup, hangi versiyonun daha fazla tıklama ve satış aldığını analiz edersiniz.
