A / B-testene eller også kaldet A / B-analyser er meget anvendte tests, især inden for markedsføring, hvilket tillad os at foretage den mest korrekte mulighed mellem to eller flere muligheder. Fra komparative data mellem de forskellige muligheder giver de os mulighed for empirisk at vide, hvilket eller hvilket produkt der er bedst egnet. De bruges også meget i webdesign, for eksempel, da de hjælper med at træffe beslutninger om arrangementet af de forskellige elementer. På denne måde kan vi sikre, at den endelige finish på det, der henvises til, er den, der tilpasser sig et større antal brugere og / eller klienter.
Lad os virkelig se, hvad det handler om, og hvordan de fungerer. Og hvilke parametre der er mest hensigtsmæssige at overveje for at sikre, at A / B-testen er så vellykket som muligt.
Hvad er en A / B-test?
En A / B-test er en adfærdsanalyse, der udtrækker sine resultater fra at præsentere de forskellige muligheder for rigtige brugere. Dens formål er at bestemme, hvilken mulighed der har fungeret bedst og er den mest ideelle. For at gøre dette præsenteres en eller flere muligheder med "små" ændringer mellem de to, og der foretages en sammenligning, hvor man er kommet tættest på vores mål. Uanset om det er til informationsformål, til værdiansættelsesformål, i jagten på højere fortjeneste eller den underliggende karakter af vores formål.
Ejemplo 1: Vi har et websted, og vi vil placere en "knap til handling", men vi ved ikke, hvilken placering der er bedre. Da vores kriterium er subjektivt (ikke empirisk), præsenterer vi f.eks. 3 forslag. I en af dem placerer vi den i en zone A, en anden i en zone B og en anden i en anden zone, som vi vil kalde C. Vi sender publikationen / artiklen eller præsenterer den i dens 3 forskellige former for at opnå data på ca. 12.000 brugere, opdelt i 3 grupper på 4.000 mennesker. Derefter vil vi være i stand til at vide, hvilken af de 3 måder der har været den mest effektive. Og det er den, som vi ender med at vælge.
Ejemplo 2: A / B-testen kan udvides eller reduceres så meget, som vi vil, så lad os forestille os, at vi kan forbedre det foregående eksempel. Vi har placeringen af, hvor vi skal placere "opfordringen til handling." Men det viser sig, at vi har to potentielle modeller, og vi er ubeslutte om, hvilken der vil være mere attraktiv. Igen kunne vi præsentere mulighed A og mulighed B for et ensartet antal mennesker. Efter at have set, hvilken der har opnået den største indvirkning, ville vi vælge den mulighed.
Årsager til at lave en A / B-analyse
- Forbedre designet af dit websted: Disse konklusioner kan drages fra Google Analytics. Om hvilke websteder brugere har tendens til at besøge mere, fra sidelayout, menuer osv. Meget nyttigt, hvis du har brug for at vælge et foruddefineret tema eller design, og du ikke ved, hvilket tema du skal vælge.
- Weboptimering: I tråd med eksemplerne i det foregående afsnit. Det giver os mulighed for at bestemme, hvilket banner, design, placering eller farver der er mere ideelt og opnår større succes. I disse tilfælde tillader Adsense, at disse tests udføres meget let.
- Øg rentabiliteten: At bestemme, hvad der er mest effektivt, giver dig bedre fordele. Fra webkonvertering til reklame for et produkt eller reklamebannere.
- Bliv ikke skør: Og det er, at det nogle gange, selv for marketingfolkene selv, er meget vanskeligt at springe ud i tomrummet uden at have kontrast til en idé. Hvis du ikke behøver at gå væk for at prøve at gætte hvilken linje der er bedst, hjælper det dig med at fortsætte med hver idé, du har på et fast og sikkert trin. Undgå frustrationen ved at miste dig selv uden at vide, hvorfor resultaterne ikke forbedres.
- Udfør virkelig effektiv reklame: Hvilken type reklame vil være mest effektiv? Hvor skal man gøre det og med hvilke midler? En A / B-test hjælper dig med at vælge, hvilken der er bedst for dig. Derudover kan du stole på Adwords-data for at finde ud af, hvilken onlinekampagne der kan være den mest effektive for dig.
- Opdag, definer dit publikum og bevar det: Hver person vælger et mærke af visse grunde, og at vide, hvad de forventer af det, hjælper dig med at træffe de bedste beslutninger. På denne måde minimeres risikoen for at "afspore" med det indhold, du vil vise. Dine egne brugere vil være dem, der foretrækker dig gennem A / B-testen, og derfor vil du være i stand til at fortsætte med at tilbyde dem, der fik dem til at nærme sig dit brand.
Trin til at følge for at lave en A / B-test
- Definer det mål, der skal forfølges: Find ud af, om vi vil integrere noget nyt fra et produkt, design, reklamekampagne eller ethvert element på vores destinationsside. Tværtimod, mål hvis vi har problemer med noget, vi havde etableret, men det virker ikke.
- Løft de forskellige alternativer: Når vi har identificeret, hvad vi vil analysere, skal du præsentere de forskellige forslag, der skal testes. Hvis det ikke er gjort før, er der typiske fejl såsom mætning med for mange forskellige tests. En anden typisk fejl er at sammenligne usammenhængende ting med hinanden, for eksempel en video eller et billede. Resultaterne er måske ikke særlig pålidelige eller har lidt at gøre med den endelige idé. Undgå at sammenligne ting, der er forskellige dybt nede.
- Udfør testen: Send testen på en generaliseret måde og tilfældige brugere. Det kan være både via mail eller landingssiden eller selve produktet. Afhængig af teknologien og typen af element, som vi analyserer, beslutter vi at gøre det på den ene eller anden måde. Under alle omstændigheder er det vigtige her at være i stand til at udtrække de data, som optionen har været mere vellykket.
- Træk konklusionerne: Den del, der interesserer os, med resultaterne i hånden, kan vi evaluere, at den har været mere succesrig. I tilfælde af at være et nyt produkt kan vi bestemme, hvilken der vil sælge mest.
- Implementere: Defineret, der gav mest resultat, vil vi implementere det, der har givet et bedre resultat, med sikkerhed for på forhånd at vide, at det vil fungere.
konklusioner
Der er mange værktøjer på internettet til at udføre A / B-analysetest. Som vi har nævnt, tilbyder Google Analytics, Adsense, Adwords os disse muligheder. Men vi har også andre værktøjer som f.eks Nelio AB-test, et plugin til WordPress. Hvis du ikke er en af dem, der bruger WordPress, er der websteder og virksomheder, der tilbyder deres tjenester såsom Optimizeley, rent fokuseret på evaluering af resultaterne.
At vænne sig til at analysere med A / B-test kan føre til tage noget videnskabelige holdninger i beslutningsprocessen. I så fald skal du drage fordel af det! At være i stand til at beslutte, hvilken mulighed der er mere gunstig og vellykket for dig, ender med at bringe dig det samme. Og jo mere lydstyrke du spiller i din sektor, jo mere interessant bliver det at analysere hvert trin, du tager.