نحوه انجام تست A/B: 15 مرحله برای تست تقسیم کامل
به میتوانید سایت آموزشی خوش آمدید، درضمن اگر برای کسب و کار به جذب مشتری نیاز دارید پیشنهاد میکنیم روی سایت تبلیغات کلیک کنید تا بزرگترین سایت تبلیغات ایران بشوید.
نحوه انجام تست A/B: 15 مرحله برای تست تقسیم کامل
بنابراین، میخواهید کشف کنید که چه چیزی واقعاً برای مخاطبان شما مفید است و در مورد این شکل افسانهای از تست بازاریابی شنیدهاید. اما شما سوالاتی مانند این دارید: “به هر حال تست A/B در بازاریابی چیست؟” و “چرا مهم است؟”
نگران نباش! شما تمام پاسخ سوالات داغ خود را دریافت خواهید کرد. من حتی پاسخ دوم را فوراً به شما خواهم گفت…
وقتی بازاریابهایی مانند ما صفحات مقصد ایجاد میکنند، کپی ایمیل بنویسید یا تماس طراحی کنید- دکمههای اقدام، میتواند وسوسهانگیز باشد که از شهود خود برای پیشبینی اینکه چه چیزی باعث کلیک و اتصال افراد میشود، وسوسه انگیز باشد.
اما همانطور که هر کسی که یک دقیقه در بازاریابی بوده است به شما خواهد گفت، همیشه منتظر موارد غیرمنتظره باشید. بنابراین، به جای اینکه تصمیمات بازاریابی را بر اساس یک “احساس” قرار دهید، بهتر است یک تست A/B را اجرا کنید تا ببینید داده ها چه می گویند.
به خواندن ادامه دهید تا بیاموزید چگونه کل فرآیند تست A/B را قبل، در حین و بعد از جمعآوری دادهها انجام دهید تا بتوانید بر اساس نتایج خود بهترین تصمیم را بگیرید.
فهرست مطالب
تست A/B چیست؟
آزمایش A/B، که به عنوان تست تقسیمبندی نیز شناخته میشود، یک آزمایش بازاریابی است که در آن مخاطبان خود را برای آزمایش تغییرات در یک کمپین تقسیم میکنید و تعیین میکنید که کدامیک بهتر عمل میکند. به عبارت دیگر، می توانید نسخه A از یک محتوای بازاریابی را به نیمی از مخاطبان خود و نسخه B را به دیگری نشان دهید.
اگر یک یادگیرنده بصری هستید، هرگز نترسید: این ویدیو شما را با همه چیزهایی که باید بدانید آشنا می کند.
تاریخچه تست A/B
ردیابی منشأ “واقعی” تست A/B دشوار است. با این حال، از نظر بازاریابی، تست A/B – البته در شکل اولیه و ناقص آن – احتمالاً با تبلیغکننده و نویسنده آمریکایی کلود هاپکینز آغاز شد. هاپکینز کمپین های تبلیغاتی خود را با استفاده از کوپن های تبلیغاتی آزمایش کرد.
با این وجود، فرآیند “تبلیغات علمی” هاپکینز شامل اصول کلیدی که امروزه در تست A/B استفاده میکنیم، نیست. ما رونالد فیشر زیستشناس قرن بیستم را داریم که باید از آنها تشکر کنیم. فیشر، که اهمیت آماری را تعریف کرد و فرضیه صفر را توسعه داد، به قابل اعتمادتر کردن تست A/B کمک کرد.
گفته شد، تست بازاریابی A/B که امروز می شناسیم و دوست داریم در دهه 1960 و 70 شروع شد. همچنین برای آزمایش روش های کمپین پاسخ مستقیم استفاده شد. یکی دیگر از لحظات کلیدی بازاریابی در سال 2000 به سراغ ما آمد. در این زمان، مهندسان Google اولین تست A/B خود را انجام دادند. (آنها می خواستند بهترین تعداد نتایج برای نمایش در صفحه نتایج موتور جستجو را بدانند.)
چرا تست A/B مهم است؟
تست A/B، بسته به اینکه چه چیزی را آزمایش کنید، مزایای زیادی برای تیم بازاریابی دارد. به عنوان مثال، لیست بی حد و حصری از مواردی وجود دارد که می توانید آنها را آزمایش کنید تا تأثیر کلی را بر روی قیمت نهایی خود تعیین کنید. اما شما نباید در استفاده از تست A/B بخوابید تا بفهمید که مخاطبان شما دقیقاً به چه چیزی بهترین پاسخ را می دهند. بیایید بیشتر بیاموزیم.
شما می توانید راه هایی برای بهبود خط پایین خود بیابید
فرض کنید یک سازنده محتوا با حقوق 50000 دلار در سال استخدام کرده اید. این سازنده محتوا هر هفته پنج مقاله برای وبلاگ شرکت منتشر می کند که مجموعاً 260 مقاله در سال است.
اگر میانگین پست در وبلاگ شرکت 10 سرنخ ایجاد می کند، می توانید بگویید که برای ایجاد 10 سرنخ برای کسب و کار چیزی بیش از 192 دلار هزینه دارد (50000 دلار حقوق ÷ 260 مقاله = 192 دلار برای هر مقاله). این یک تکه کامل از تغییر است.
اکنون، اگر از این سازنده محتوا بخواهید به جای نوشتن دو پست در آن زمان، دو روز را صرف توسعه یک تست A/B در یک مقاله کند، ممکن است 192 دلار بسوزانید، زیرا مقالات کمتری را منتشر می کنید.
اما، اگر آزمایش A/B نشان دهد که میتوانید نرخ تبدیل را از 10 به 20 سرنخ افزایش دهید، فقط 192 دلار خرج کردهاید تا به طور بالقوه تعداد مشتریانی را که کسبوکارتان از وبلاگتان دریافت میکند دو برابر کنید.
… به روشی کم هزینه و با پاداش بالا
اگر آزمون ناموفق باشد، مطمئناً 192 دلار از دست دادهاید — اما اکنون میتوانید آزمون A/B بعدی خود را حتی بیشتر آموزش دهید. اگر آزمایش دوم موفقیت آمیز باشد، در نهایت 384 دلار برای دو برابر کردن درآمد شرکت خود خرج کرده اید.
مهم نیست چند بار تست A/B شما ناموفق باشد، موفقیت نهایی آن تقریباً همیشه بیشتر از هزینه انجام آن خواهد بود.
شما می توانید انواع مختلفی از تست های تقسیم را اجرا کنید تا در پایان آزمایش ارزش آن را داشته باشد. مهمتر از همه، این آزمایشها برای یک کسبوکار ارزشمند هستند، زیرا هزینهشان کم است، اما پاداش بالایی دارند.
می توانید دریابید که چه چیزی برای شما مخاطب
کار می کند
آزمایش A/B میتواند ارزشمند باشد، زیرا مخاطبان مختلف، خوب، متفاوت رفتار میکنند. چیزی که برای یک شرکت کار می کند ممکن است لزوماً برای شرکت دیگری کارساز نباشد.
بیایید یک تاکتیک بازاریابی B2B بعید را به عنوان مثال در نظر بگیریم. من در حال بررسی اطلاعات 2024 Industry Trends Report HubSpot برای مقاله ای در هفته گذشته بودم. . من متوجه شدم که 10٪ از بازاریابان B2B قصد داشتند سرمایه گذاری خود را در NFTها به عنوان بخشی از استراتژی خود در سال 2024 کاهش دهند.
اولین فکر من این بود، “آخه، NFTها در B2B؟“
سپس به من ضربه زد. برای داشتن این کاهش، بازاریابان B2B باید در وهله اول از NFT استفاده کرده باشند. حتی شگفتانگیزتر از این افشاگری این بود که 34 درصد از بازاریابان قصد دارند سرمایهگذاری در NFTها را به عنوان بخشی از استراتژی B2B خودافزایش کنند.
این تنها یک نمونه از این است که چرا کارشناسان بهینهسازی نرخ تبدیل (CRO) از عبارت «بهترین شیوهها» متنفرند. از آنجا که “بهترین تمرین”؟ خوب، ممکن است در واقع بهترین تمرین برای شما نباشد.
اما، اگر مراقب نباشید، این نوع آزمایش میتواند پیچیده باشد. بنابراین، بیایید نحوه عملکرد تست A/B را مرور کنیم تا اطمینان حاصل کنیم که در مورد آنچه مخاطبانتان دوست دارند، فرضیات نادرستی ندارید.
آزمایش A/B چگونه کار می کند؟
برای اجرای تست A/B، باید دو نسخه متفاوت از یک محتوا را با تغییرات در یک متغیر ایجاد کنید.
سپس، این دو نسخه را به دو مخاطب با اندازه مشابه نشان میدهید و تحلیل میکنید که کدام یک در یک دوره خاص عملکرد بهتری داشته است. اما به یاد داشته باشید، دوره آزمایش باید به اندازه کافی طولانی باشد تا نتیجه گیری دقیقی در مورد نتایج شما حاصل شود.
آزمایش A/B به بازاریابان کمک میکند مشاهده کنند که یک نسخه از یک محتوای بازاریابی در کنار نسخه دیگر چگونه عمل میکند. در اینجا دو نوع تست A/B وجود دارد که ممکن است برای افزایش نرخ تبدیل وب سایت خود انجام دهید.
مثال 1: تست تجربه کاربر
شاید بخواهید ببینید که آیا انتقال یک دکمه تماس برای اقدام (CTA) به بالای صفحه اصلی خود به جای نگه داشتن آن در نوار کناری، نرخ کلیک آن را بهبود می بخشد.
برای آزمایش A/B این تئوری، باید یک صفحه وب جایگزین دیگری ایجاد کنید که از قرارگیری CTA جدید استفاده میکند.
طراحی موجود با نوار کناری CTA – یا “کنترل” – نسخه A است. نسخه B با CTA در بالا، “چالش کننده است.” سپس، این دو نسخه را با نشان دادن هر کدام به درصد از پیش تعیین شده بازدیدکنندگان سایت آزمایش کنید.
در حالت ایدهآل، درصد بازدیدکنندگانی که هر یک از نسخهها را میبینند یکسان است.
مثال 2: تست طراحی
شاید بخواهید بدانید که آیا تغییر رنگ دکمه CTA می تواند نرخ کلیک آن را افزایش دهد یا خیر.
برای آزمایش A/B این نظریه، باید یک دکمه CTA جایگزین با رنگ دکمه متفاوت طراحی کنید که به صفحه فرود همان کنترل منتهی میشود.
اگر معمولاً از یک دکمه قرمز CTA در محتوای بازاریابی خود استفاده میکنید، و تغییر رنگ سبز پس از تست A/B شما کلیکهای بیشتری دریافت میکند، ممکن است از این به بعد رنگ پیشفرض دکمههای CTA خود را به سبز تغییر دهید.
>
برای کسب اطلاعات بیشتر درباره A/ تست B، راهنمای مقدماتی رایگان ما را از اینجا دانلود کنید.
تست A/B در بازاریابی
در اینجا چند عنصر وجود دارد که ممکن است تصمیم بگیرید در کمپین های بازاریابی خود آزمایش کنید:
- خطوط موضوع.
- CTA.
- سرصفحه ها.
- عناوین.
- قلم ها و رنگ ها.
- تصاویر محصول.
- گرافیک وبلاگ.
- کپی متن.
- پیمایش.
- فرمهای انتخابی.
البته این فهرست جامع نیست. گزینه های شما بی شمار هستند و بسته به نوع کمپین بازاریابی که در حال آزمایش A/B هستید، متفاوت است. (برای مثال، گرافیک وبلاگ معمولاً برای کمپین های ایمیل اعمال نمی شود. اما تصاویر محصول می توانند هم برای آزمایش ایمیل و هم برای آزمایش وبلاگ اعمال شوند.)
اما فرض کنید میخواستید نحوه تأثیر موضوعات مختلف بر نرخ تبدیل کمپین بازاریابی ایمیلی را آزمایش کنید. برای شروع به چه چیزی نیاز دارید؟
آزمایش A/B شامل چه چیزی است؟
در اینجا چیزی است که برای اجرای یک آزمون A/B موفق نیاز دارید.
- یک کمپین: شما باید یک کمپین بازاریابی (به عنوان مثال، یک خبرنامه، صفحه فرود یا ایمیل) را انتخاب کنید که از قبل فعال است. ما با ایمیل می رویم.
- آنچه میخواهید آزمایش کنید: باید عنصر(هایی) را که میخواهید A/B تست کنید انتخاب کنید. در این مورد، این موضوع مورد استفاده در کمپین بازاریابی ایمیلی است. اما شما می توانید همه چیز را تست کنید، حتی به اندازه فونت و رنگ دکمه CTA. به خاطر داشته باشید که اگر اندازهگیری دقیق میخواهید، هر بار فقط یک عنصر را آزمایش کنید.
- اهداف شما: آیا به خاطر آن آزمایش می کنید؟ یا اهداف مشخصی دارید؟ در حالت ایده آل، تست A/B شما باید به اهداف درآمدی شما مرتبط باشد. (بنابراین، کشف اینکه کدام کمپین تأثیر بهتری بر موفقیت درآمد دارد.) برای پیگیری موفقیت، باید معیارهای مناسب را انتخاب کنید. برای درآمد، معیارهایی مانند فروش، ثبتنام و کلیکها را ردیابی میکنید.
اهداف تست A/B
آزمایش A/B می تواند چیزهای زیادی در مورد نحوه رفتار و تعامل مخاطبان مورد نظر شما با کمپین بازاریابی شما به شما بگوید.
آزمایش A/B نه تنها به تعیین رفتار مخاطبان شما کمک میکند، بلکه نتایج آزمایشها میتواند به تعیین اهداف بازاریابی بعدی شما کمک کند.
در اینجا برخی از اهداف متداول بازاریابان برای کسب و کار خود هنگام تست A/B آورده شده است.
افزایش ترافیک وب سایت
میخواهید از تست A/B برای کمک به یافتن عبارت مناسب برای عناوین وبسایت خود استفاده کنید تا بتوانید توجه مخاطبان خود را جلب کنید.
آزمایش عناوین مختلف وبلاگ یا صفحات وب میتواند تعداد افرادی را که روی آن عنوان پیوندی کلیک میکنند تا به وبسایت شما برسند، تغییر دهد. این می تواند ترافیک وب سایت را افزایش دهد.
به شرط مرتبط بودن، افزایش ترافیک وب چیز خوبی است! ترافیک بیشتر معمولاً به معنای فروش بیشتر است.
نرخ تبدیل بالاتر
آزمایش A/B نه تنها به افزایش ترافیک به وبسایت شما کمک میکند، بلکه میتواند به افزایش نرخ تبدیل نیز کمک کند.
آزمایش مکانها، رنگها یا حتی متن لنگر در CTAهای شما میتواند تعداد افرادی را که روی این CTA کلیک میکنند تا به صفحه فرود بروند، تغییر دهد.
این میتواند تعداد افرادی را که فرمها را در وبسایت شما پر میکنند، اطلاعات تماس خود را برای شما ارسال میکنند و به سرنخ «تبدیل» میشوند، افزایش دهد.
نرخ پرش کمتر
آزمایش A/B میتواند به تعیین اینکه چه چیزی ترافیک را از وبسایت شما دور میکند کمک کند. شاید احساس وب سایت شما با مخاطبان شما خوشایند نباشد. یا شاید رنگها با هم برخورد کنند و طعم بدی در دهان مخاطبان شما ایجاد کنند.
اگر بازدیدکنندگان وبسایت شما پس از بازدید از وبسایت شما سریعاً (یا «پرش») را ترک میکنند، آزمایش معرفی پستهای مختلف وبلاگ، فونتها یا تصاویر برجسته میتواند بازدیدکنندگان را حفظ کند.
تصاویر کامل محصول
میدانید که محصول یا خدمات عالی را برای ارائه به مخاطبان خود دارید. اما، چگونه میدانید که تصویر محصول مناسبی را برای انتقال آنچه ارائه میدهید انتخاب کردهاید؟
از تست A/B برای تعیین اینکه کدام تصویر محصول به بهترین شکل توجه مخاطبان مورد نظر شما را جلب می کند، استفاده کنید. تصاویر را با یکدیگر مقایسه کنید و یکی را با بالاترین نرخ فروش انتخاب کنید.
ترک کردن سبد خرید
کسبوکارهای تجارت الکترونیک بهطور میانگین ۷۰٪ از مشتریان را ترک میکنند وب سایت آنها با اقلام در سبد خرید آنها. این به عنوان “رها کردن سبد خرید” شناخته می شود و البته برای هر فروشگاه آنلاین مضر است.
آزمایش عکسهای محصول مختلف، طراحیهای صفحه خروج، و حتی مکانهایی که هزینههای حمل و نقل نمایش داده میشود، میتواند این نرخ رها شدن را کاهش دهد.
اکنون، بیایید چک لیستی را برای راهاندازی، اجرا و اندازهگیری تست A/B بررسی کنیم.
چگونه یک تست A/B طراحی کنیم
طراحی تست A/B در ابتدا می تواند کاری پیچیده به نظر برسد. اما، به ما اعتماد کنید – ساده است.
کلید طراحی موفقیت آمیز تست A/B این است که تعیین کنید کدام عناصر وبلاگ، وب سایت یا کمپین تبلیغاتی شما را می توان با یک نسخه جدید یا متفاوت مقایسه و مقایسه کرد.
قبل از اینکه تمام عناصر کمپین بازاریابی خود را آزمایش کنید، این بهترین روشهای تست A/B را بررسی کنید.
موارد مناسب را آزمایش کنید.
عناصری را فهرست کنید که می توانند بر نحوه تعامل مخاطبان هدف با تبلیغات یا وب سایت شما تأثیر بگذارند. به طور خاص، در نظر بگیرید که کدام عناصر وب سایت یا کمپین تبلیغاتی شما بر فروش یا تبدیل تأثیر می گذارد.
مطمئن شوید که عناصری که انتخاب میکنید مناسب هستند و میتوان آنها را برای اهداف آزمایشی تغییر داد.
برای مثال، میتوانید آزمایش کنید که کدام فونتها یا تصاویر در کمپین تبلیغاتی فیسبوک به بهترین وجه توجه مخاطبان را جلب میکنند. یا، ممکن است دو صفحه را آزمایش کنید تا تعیین کنید کدامیک بازدیدکنندگان را برای مدت طولانی تری در وب سایت شما نگه می دارد.
نکته حرفهای: با فهرست کردن عناصری که بر فروش کلی یا تبدیل سرنخ شما تأثیر میگذارند، موارد آزمایشی مناسب را انتخاب کنید و سپس آنها را اولویتبندی کنید.
اندازه نمونه صحیح را تعیین کنید.
اندازه نمونه آزمون A/B شما میتواند تأثیر زیادی بر نتایج داشته باشد – و گاهی اوقات، این چیز خوبی نیست. حجم نمونه خیلی کوچک نتایج را منحرف می کند.
مطمئن شوید که حجم نمونه شما به اندازه کافی بزرگ است تا نتایج دقیقی به دست آید. از ابزارهایی مانند ماشین حساب اندازه نمونه استفاده کنید برای کمک به شما در تعیین تعداد صحیح تعاملات یا بازدیدکنندگان وب سایت یا شرکت کنندگان در کمپین خود، باید بهترین نتیجه را به دست آورید.
داده های خود را بررسی کنید.
آزمایش تقسیم صدا نتایج آماری قابلتوجه و قابل اعتمادی را به همراه خواهد داشت. به عبارت دیگر، نتایج آزمون A/B شما تحت تأثیر تصادفی بودن یا شانس بودن قرار نمی گیرد. اما، چگونه می توانید مطمئن شوید که نتایج شما از نظر آماری قابل توجه و قابل اعتماد هستند؟
درست مانند تعیین اندازه نمونه، ابزارهایی برای کمک به تأیید دادههای شما در دسترس هستند.
ابزارهایی مانندCalatorize’s, Testatorifica’s, Testatorific’s’s برای وصل کردن داده های ترافیک و نرخ تبدیل متغیرها و انتخاب سطح اطمینان دلخواه.
هرچه اهمیت آماری به دست آمده بیشتر باشد، کمتر می توانید انتظار داشته باشید که داده ها به طور تصادفی رخ دهند.
نکته حرفهای: با استفاده از ابزارهایی مانند ماشینحسابهای اهمیت تست A/B، مطمئن شوید دادههای شما از نظر آماری قابلاعتماد و قابل اعتماد هستند.
آزمایشات خود را برنامه ریزی کنید.
هنگام مقایسه متغیرها، ثابت نگه داشتن بقیه کنترلها مهم است – از جمله زمانی که برای اجرای آزمایشهای خود برنامهریزی میکنید.
اگر در فضای تجارت الکترونیک هستید، باید فروش تعطیلات را در نظر بگیرید.
به عنوان مثال، اگر در زمان اوج فروش، تست A/B را روی کنترل اجرا کنید، ممکن است ترافیک وبسایت و فروش شما بیشتر از متغیری باشد که در یک «هفته تعطیل» آزمایش کردهاید.
برای اطمینان از صحت تست های تقسیم خود، یک بازه زمانی قابل مقایسه برای هر دو عنصر آزمایش شده انتخاب کنید. حتماً کمپینهای خود را برای مدت زمان مشابهی نیز اجرا کنید تا بهترین و دقیقترین نتایج را دریافت کنید.
نکته حرفهای: زمانی را انتخاب کنید که بتوانید انتظار ترافیک مشابهی را برای هر دو بخش تست تقسیم خود داشته باشید.
فقط یک عنصر را آزمایش کنید.
هر متغیر وب سایت یا کمپین تبلیغاتی شما می تواند به طور قابل توجهی بر رفتار مخاطب مورد نظر شما تأثیر بگذارد. به همین دلیل است که هنگام انجام تست های A/B، نگاه کردن به یک عنصر در یک زمان مهم است.
تلاش برای آزمایش چندین عنصر در یک آزمون A/B یکسان، نتایج غیر قابل اعتمادی به همراه خواهد داشت. با نتایج غیرقابل اعتماد، نمیدانید کدام عنصر بیشترین تأثیر را بر رفتار مصرفکننده داشته است.
حتما تست تقسیم خود را فقط برای یک عنصر از کمپین تبلیغاتی یا وب سایت خود طراحی کنید.
نکته حرفه ای: سعی نکنید چندین عنصر را همزمان آزمایش کنید. یک تست A/B خوب برای آزمایش تنها یک عنصر در هر زمان طراحی خواهد شد.
داده ها را تجزیه و تحلیل کنید.
به عنوان یک بازاریاب، ممکن است تصوری از نحوه رفتار مخاطبان هدف با کمپین و صفحات وب خود داشته باشید. آزمایش A/B میتواند نشانه بهتری از نحوه تعامل مشتریان واقعی با سایتهای شما به شما ارائه دهد.
بعد از کامل شدن آزمایش، کمی زمان بگذارید تا داده ها را به طور کامل تجزیه و تحلیل کنید. ممکن است متعجب شوید که آنچه فکر میکردید برای کمپینهای شما مؤثر است، کمتر از آنچه در ابتدا فکر میکردید، مؤثر بوده است.
نکته حرفهای: دادههای دقیق و قابل اعتماد ممکن است داستانی متفاوت از آنچه در ابتدا تصور میکردید بیان کنند. از داده ها برای کمک به برنامه ریزی یا ایجاد تغییرات در کمپین های خود استفاده کنید.
نحوه انجام تست A/B
تست رایگان A/B را با رایگان دنبال کنید کیت با همه چیزهایی که برای اجرای تست A/B نیاز دارید، از جمله یک الگوی ردیابی تست، یک راهنمای نحوه آموزش و الهام گرفتن، و یک ماشین حساب آماری اهمیت برای اینکه ببینید آیا آزمون های شما برنده، باخت یا بی نتیجه بوده است.
قبل از تست A/B
بیایید مراحلی را که باید قبل از شروع تست A/B خود انجام دهید، بیان کنیم.
1. یک متغیر را برای آزمایش انتخاب کنید.
همانطور که صفحات وب و ایمیل های خود را بهینه می کنید، متوجه خواهید شد که متغیرهای زیادی وجود دارد که می خواهید آزمایش کنید. اما برای ارزیابی اثربخشی، باید یک متغیر مستقل را جدا کرده و عملکرد آن را اندازه گیری کنید.
در غیر این صورت، نمی توانید مطمئن باشید که کدام متغیر مسئول تغییرات در عملکرد بوده است.
میتوانید بیش از یک متغیر را برای یک صفحه وب یا ایمیل آزمایش کنید — فقط مطمئن شوید که آنها را یکی یکی آزمایش میکنید.
برای تعیین متغیر خود، به عناصر موجود در منابع بازاریابی خود و جایگزین های احتمالی آنها برای طراحی، جمله بندی و طرح بندی نگاه کنید. همچنین میتوانید خطوط موضوع ایمیل، نام فرستنده، و روشهای مختلف برای شخصیسازی ایمیلهای خود را آزمایش کنید.
نکته حرفه ای: می توانید از HubSpot’s AI Email Writer برای نوشتن کپی ایمیل برای مخاطبان مختلف. این نرم افزار در ابزارهای بازاریابی و فروش HubSpot تعبیه شده است.
به خاطر داشته باشید که حتی تغییرات ساده، مانند تغییر تصویر در ایمیل یا کلمات روی دکمه CTA شما، می توانند پیشرفت های بزرگی را ایجاد کنند. در واقع، اندازه گیری این نوع تغییرات معمولا آسان تر از تغییرات بزرگتر است.
توجه: گاهی اوقات، آزمایش چندین متغیر به جای یک متغیر منفرد منطقیتر است. این تست چند متغیره نامیده می شود.
اگر میپرسید آیا باید تست A/B را در مقابل تست چند متغیره اجرا کنید، در اینجا یک مقاله مفید از Optimizely وجود دارد که فرآیندها را با هم مقایسه می کند.
2. هدف خود را مشخص کنید.
اگرچه در طول هر آزمایشی چندین معیار را اندازه گیری می کنید، یک معیار اصلی را انتخاب کنید تا بر روی آن تمرکز کنید قبل از اجرای آزمون. در واقع، قبل از اینکه نسخه دوم را تنظیم کنید، این کار را انجام دهید.
این متغیر وابسته شما است که بر اساس نحوه دستکاری متغیر مستقل تغییر میکند.
به این فکر کنید که می خواهید این متغیر وابسته در پایان تست تقسیم کجا باشد. حتی ممکن است یک فرضیه رسمی بیان کنید و نتایج خود را بر اساس این پیشبینی بررسی کنید.
اگر منتظر بمانید تا بعد از آن به این فکر کنید که کدام معیارها برای شما مهم هستند، اهداف شما چیست و تغییراتی که پیشنهاد می کنید چگونه ممکن است بر رفتار کاربر تأثیر بگذارد، ممکن است تست را به مؤثرترین روش تنظیم نکنید.
3. یک “کنترل” و یک “چالشگر” ایجاد کنید.
شما اکنون متغیر مستقل، متغیر وابسته و نتیجه دلخواه خود را دارید. از این اطلاعات برای تنظیم نسخه بدون تغییر هر چیزی که در حال آزمایش هستید به عنوان سناریوی کنترل خود استفاده کنید.
اگر در حال آزمایش یک صفحه وب هستید، این صفحه بدون تغییر است همانطور که قبلاً وجود دارد. اگر در حال آزمایش یک صفحه فرود هستید، این طراحی و کپی صفحه فرود است که معمولاً استفاده می کنید.
از آنجا، یک رقیب بسازید – وبسایت تغییر یافته، صفحه مقصد یا ایمیلی که در مقابل کنترل خود آزمایش خواهید کرد.
برای مثال، اگر نمیپرسید آیا یک گواهینامه به صفحه فرود اضافه میکنید در تبدیلها تفاوت ایجاد میکند، صفحه کنترل خود را بدون گواهینامه راهاندازی کنید. سپس، رقیب خود را با یک گواهی بسازید.
4. گروه های نمونه خود را به طور مساوی و تصادفی تقسیم کنید.
برای آزمایشهایی که کنترل بیشتری روی مخاطبان دارید – مانند ایمیلها – باید با دو یا چند مخاطب مساوی تست کنید تا نتایج قطعی داشته باشید.
نحوه انجام این کار بسته به ابزار تست A/B که استفاده می کنید متفاوت است. فرض کنید شما یک مشتری HubSpot Enterprise در حال انجام آزمایش A/B در ایمیل، برای مثال.
HubSpot بهطور خودکار ترافیک را به تغییرات شما تقسیم میکند، بهگونهای که هر تنوع نمونهای تصادفی از بازدیدکنندگان دریافت میکند.
5. اندازه نمونه خود را تعیین کنید (در صورت وجود).
چگونه تعیین اندازه نمونه شما نیز بسته به ابزار تست A/B شما و همچنین نوع تست A/B شما متفاوت خواهد بود. در حال اجرا است.
اگر در حال آزمایش یک ایمیل A/B هستید، احتمالاً میخواهید یک آزمون A/B را به زیرمجموعهای از فهرست خود بفرستید که به اندازه کافی بزرگ باشد تا به نتایج آماری قابل توجهی برسید.
در نهایت، یک برنده را برای ارسال به بقیه لیست انتخاب خواهید کرد. (برای اطلاعات بیشتر به کتاب الکترونیکی «علم تست تقسیم» در انتهای این مقاله مراجعه کنید.)
اگر مشتری HubSpot Enterprise هستید، برای تعیین اندازه گروه نمونه خود با استفاده از یک نوار لغزنده کمکی خواهید داشت.
به شما امکان میدهد یک آزمایش ۵۰/۵۰ A/B با هر اندازه نمونه انجام دهید – اگرچه همه تقسیمبندیهای نمونه دیگر به فهرستی از حداقل ۱۰۰۰ گیرنده نیاز دارند.
قوی>
اگر چیزی را آزمایش می کنید که مخاطب محدودی ندارد، مانند یک صفحه وب، مدت زمانی که آزمایش خود را اجرا می کنید مستقیماً بر حجم نمونه شما تأثیر می گذارد.
باید اجازه دهید آزمایش شما به اندازه کافی طول بکشد تا تعداد قابل توجهی بازدید داشته باشید. در غیر این صورت، تشخیص اینکه آیا تفاوت آماری معنیداری بین تغییرات وجود دارد یا خیر، دشوار خواهد بود.
6. تصمیم بگیرید که نتایج شما چقدر باید قابل توجه باشد.
هنگامی که معیار هدف خود را انتخاب کردید، به این فکر کنید که نتایج شما چقدر باید قابل توجه باشد تا انتخاب یک تغییر را بر دیگری توجیه کنید.
اهمیت آماری بخش فوقالعاده مهمی از فرآیند تست A/B است که اغلب به اشتباه درک میشود. اگر به تجدید نظر نیاز دارید، خواندن این پست وبلاگ در مورد اهمیت آماری از دیدگاه بازاریابی.
هرچه درصد سطح اطمینان شما بیشتر باشد، می توانید در مورد نتایج خود مطمئن تر باشید. در بیشتر موارد، حداقل سطح اطمینان 95٪ را می خواهید، به خصوص اگر آزمایش زمان زیادی داشته باشد.
با این حال، گاهی اوقات، اگر نیازی به سخت گیری تست ندارید، استفاده از نرخ اطمینان کمتر منطقی است.
مت رئول، مهندس نرم افزار ارشد در HubSpot ، به اهمیت آماری مانند شرط بندی فکر می کند.
با چه شانسی شرط بندی می کنید؟ گفتن “80% مطمئن هستم که این طرح درستی است، و حاضرم روی آن شرط بندی کنم”، شبیه اجرای یک تست A/B با اهمیت 80٪ و سپس اعلام برنده است.
Rheault همچنین میگوید هنگام آزمایش چیزی که فقط کمی نرخ تبدیل را بهبود میبخشد، احتمالاً آستانه اطمینان بالاتری میخواهید. چرا؟ زیرا احتمال اینکه واریانس تصادفی نقش بزرگتری داشته باشد.
“نمونه ای که در آن می توانیم احساس امنیت در آستانه اعتماد به نفس خود داشته باشیم ، آزمایشی است که احتمالاً میزان تبدیل 10 ٪ یا بیشتر را بهبود می بخشد ، مانند بخش قهرمان طراحی مجدد ،” او توضیح داد.
“هرچه پیش از این در اینجا این تغییر باشد ، هرچه تغییر رادیکال تر باشد ، ما باید از نظر علمی کمتری داشته باشیم. هرچه تغییر (رنگ دکمه ، میکروکوپی و غیره) خاص تر باشد ، باید علمی تر باشیم زیرا این تغییر کمتر تأثیر بزرگی و قابل توجه بر میزان تبدیل دارد. ”
7. اطمینان حاصل کنید که فقط یک بار در هر زمان یک آزمایش را اجرا می کنید.
آزمایش بیش از یک چیز برای یک کمپین واحد می تواند نتایج را پیچیده کند.
به عنوان مثال ، اگر شما A/B یک کمپین ایمیل را آزمایش کنید که به صفحه فرود هدایت می شود در حالی که شما آن صفحه فرود را آزمایش می کنید ، چگونه می توانید بدانید که کدام تغییر باعث افزایش منجر شده است؟
در طول آزمون A/B
بیایید مراحل انجام در طول آزمون A/B خود را بپوشانیم.
8. از یک ابزار تست A/B استفاده کنید.
برای انجام تست A/B در وب سایت خود یا از طریق ایمیل ، باید از یک ابزار تست A/B استفاده کنید.
اگر شما یک مشتری شرکت Hubspot هستید ، نرم افزار HubSpot دارای ویژگی هایی است که به شما امکان می دهد ایمیل های آزمایشی A/B را به شما بدهد ( بیاموزید که چگونه اینجا ) ، CTAS ( یاد بگیرید که چگونه اینجا ) و صفحات فرود ( می آموزید که چگونه اینجا ).
برای مشتریان شرکت های غیر hubspot ، گزینه های دیگر شامل Google Analytics است که اجازه می دهد. شما A/B را تا 10 نسخه کامل از یک صفحه وب تست کنید و عملکرد آنها را با استفاده از یک نمونه تصادفی از کاربران مقایسه کنید.
9. هر دو تغییر را همزمان آزمایش کنید.
زمان بندی نقش مهمی در نتایج کمپین بازاریابی شما دارد ، خواه زمان روز ، روز هفته یا ماه سال باشد.
اگر قرار بود نسخه A را به مدت یک ماه اجرا کنید و نسخه B یک ماه بعد ، چگونه می دانید تغییر عملکرد ناشی از طراحی متفاوت بوده است یا ماه متفاوت؟
هنگام اجرای تست های A/B ، باید دو تغییر را همزمان اجرا کنید. در غیر این صورت ، ممکن است شما نتایج دوم خود را حدس بزنید.
تنها استثنا این است که اگر زمان بندی را آزمایش می کنید ، مانند یافتن زمان بهینه برای ارسال ایمیل.
بسته به آنچه که مشاغل شما ارائه می دهد و مشترکان شما چه کسانی هستند ، زمان بهینه برای تعامل مشترکین می تواند با توجه به صنعت و بازار هدف متفاوت باشد.
10. به تست A/B زمان کافی برای تولید داده های مفید بدهید.
دوباره ، شما می خواهید مطمئن شوید که اجازه می دهید آزمایش خود به اندازه کافی طولانی انجام شود تا اندازه نمونه قابل توجهی را بدست آورید. در غیر این صورت ، دشوار خواهد بود که بگوییم آیا این دو تغییر از نظر آماری تفاوت معنی داری دارند.
چه مدت به اندازه کافی طولانی است؟ بسته به شرکت شما و نحوه اجرای آزمون A/B ، گرفتن نتایج قابل توجهی از نظر آماری ممکن است در ساعت ها … یا روزها … یا هفته ها اتفاق بیفتد.
بخش بزرگی از مدت زمان لازم برای به دست آوردن نتایج قابل توجهی از نظر آماری این است که چقدر ترافیک دریافت می کنید – بنابراین اگر تجارت شما ترافیک زیادی به وب سایت شما نمی رسد ، اجرای A/ آزمون ب.
برای کسب اطلاعات بیشتر این پست وبلاگ را بخوانید درباره اندازه و زمان نمونه .
11. از کاربران واقعی بازخورد بخواهید.
آزمایش A/B ارتباط زیادی با داده های کمی دارد … اما این امر به شما کمک نمی کند تا درک کنید چرا مردم اقدامات خاصی را نسبت به دیگران انجام می دهند. در حالی که شما تست A/B خود را اجرا می کنید ، چرا بازخورد کیفی را از کاربران واقعی جمع نمی کنید؟
نظرسنجی یا نظرسنجی یکی از بهترین راهها برای درخواست مردم برای نظرات خود است.
شما ممکن است یک بررسی خروجی را در سایت خود اضافه کنید که از بازدید کنندگان سؤال می کند که چرا روی یک CTA خاص یا یکی در صفحات تشکر از شما کلیک نکرده اند که از بازدید کنندگان می پرسد که چرا روی یک دکمه کلیک کرده اند یا فرم را پر کرده اند. >
به عنوان مثال ، ممکن است متوجه شوید که بسیاری از افراد روی CTA کلیک کرده اند که آنها را به یک کتاب الکترونیکی منتهی می کنند ، اما وقتی قیمت را دیدند ، آنها تبدیل نشدند.
این نوع اطلاعات به شما بینش زیادی می دهد که چرا کاربران شما به روش های خاصی رفتار می کنند.
پس از آزمون A/B
سرانجام ، بیایید مراحل انجام پس از تست A/B خود را بپوشانیم.
12. روی متریک هدف خود تمرکز کنید.
دوباره ، اگرچه شما چندین معیار را اندازه گیری خواهید کرد ، هنگامی که تجزیه و تحلیل خود را انجام می دهید ، روی آن متریک هدف اصلی تمرکز کنید.
به عنوان مثال ، اگر شما دو نوع ایمیل را آزمایش کرده اید و منجر به انتخاب شده به عنوان متریک اصلی خود هستید ، از نرخ کلیک گرفتار نشوید.
ممکن است نرخ کلیک بالا و تبدیل ضعیف را مشاهده کنید ، در این صورت ممکن است تنوع را انتخاب کنید که در پایان نرخ کلیک پایین تر داشته باشد.
13. اهمیت نتایج خود را با استفاده از ماشین حساب تست A/B ما اندازه گیری کنید.
اکنون که مشخص کرده اید که کدام تنوع بهترین عملکرد را انجام می دهد ، زمان آن رسیده است که مشخص کنید که آیا نتایج شما از نظر آماری معنی دار است یا خیر. به عبارت دیگر ، آیا آنها برای توجیه تغییر کافی هستند؟
برای پیدا کردن ، شما باید یک آزمون از اهمیت آماری را انجام دهید. شما می توانید این کار را به صورت دستی انجام دهید ، یا فقط می توانید نتایج آزمایش خود را به رایگان ما وصل کنید. ماشین حساب تست A/B . (ماشین حساب به عنوان بخشی از کیت تست A/B رایگان ما ارائه می شود.)
از شما خواسته می شود برای هر تنوع آزمایش شده ، نتیجه خود را به سلولهای قرمز وارد کنید. نتایج این الگوی مربوط به “بازدید کنندگان” یا “تبدیل” است. با این وجود ، شما می توانید این عناوین را برای انواع دیگر نتایج سفارشی کنید.
سپس یک سری از محاسبات خودکار را بر اساس ورودی های خود مشاهده خواهید کرد. از آنجا ، ماشین حساب اهمیت آماری را تعیین می کند.
14. بر اساس نتایج خود اقدام کنید.
اگر یک تغییر از نظر آماری بهتر از دیگری باشد ، شما یک برنده دارید. تست خود را با غیرفعال کردن تغییرات از دست دادن در ابزار تست A/B خود انجام دهید.
اگر هیچ تنوع قابل توجهی نباشد ، متغیری که شما آزمایش کرده اید بر نتایج تأثیر نمی گذارد ، و شما باید آزمون را به عنوان بی نتیجه علامت گذاری کنید. در این حالت ، با تنوع اصلی بچسبید یا آزمایش دیگری را اجرا کنید. شما می توانید از داده های شکست خورده برای کمک به شما در کشف تکرار جدید در آزمون جدید خود استفاده کنید.
در حالی که تست های A/B به شما کمک می کند تا نتایج را به صورت موردی تحت تأثیر قرار دهید ، می توانید درسهایی را که از هر آزمون می آموزید برای تلاشهای آینده نیز اعمال کنید.
به عنوان مثال ، فرض کنید که تست های A/B را در بازاریابی ایمیل خود انجام داده اید و بارها دریافتید که استفاده از شماره ها در خطوط موضوع ایمیل باعث ایجاد نرخ کلیک بهتر می شود. در این حالت ، استفاده از آن تاکتیک را در بیشتر ایمیل های خود در نظر بگیرید.
15. آزمون بعدی A/B خود را برنامه ریزی کنید.
آزمون A/B که به تازگی به پایان رسیده اید ممکن است به شما در کشف یک روش جدید برای مؤثرتر کردن محتوای بازاریابی خود کمک کند – اما در آنجا متوقف نشوید. همیشه جایی برای بهینه سازی بیشتر وجود دارد.
حتی می توانید آزمایش A/B را در یکی دیگر از ویژگی های همان صفحه وب یا ایمیلی که فقط یک آزمایش را انجام داده اید انجام دهید.
به عنوان مثال ، اگر فقط یک تیتر را در صفحه فرود آزمایش کردید ، چرا آزمایش جدیدی را روی کپی بدن انجام نمی دهید؟ یا یک طرح رنگی؟ یا تصاویر؟ همیشه مراقب فرصت ها برای افزایش نرخ تبدیل و منجر باشید.
شما می توانید از کیت ردیابی تست A/B استفاده کنید. آزمایشات خود را برنامه ریزی و سازماندهی کنید.
این الگوی را اکنون بارگیری کنید
نحوه خواندن نتایج آزمایش A/B
به عنوان بازاریاب ، ارزش اتوماسیون را می دانید. با توجه به این ، شما به احتمال زیاد از نرم افزاری استفاده می کنید که محاسبات آزمون A/B را برای شما انجام می دهد – کمک بزرگی. اما ، پس از انجام محاسبات ، باید بدانید که چگونه نتایج خود را بخوانید. بیایید چگونه پیش برویم.
1. متریک هدف خود را بررسی کنید.
اولین قدم در خواندن نتایج آزمون A/B شما در حال بررسی متریک هدف شماست ، که معمولاً نرخ تبدیل است.
بعد از اینکه نتایج خود را به ماشین حساب تست A/B وصل کردید ، برای هر نسخه مورد نظر دو نتیجه دریافت خواهید کرد. شما همچنین می توانید برای هر یک از تغییرات خود نتیجه قابل توجهی کسب کنید.
2. نرخ تبدیل خود را مقایسه کنید.
با نگاه به نتایج خود ، احتمالاً می توانید بگویید که آیا یکی از تغییرات شما بهتر از دیگری عمل کرده است یا خیر. با این حال ، آزمون واقعی موفقیت این است که آیا نتایج شما از نظر آماری معنی دار است.
به عنوان مثال ، تنوع A دارای نرخ تبدیل 16.04 ٪ بود. تنوع B میزان تبدیل 16.02 ٪ داشت و فاصله اطمینان شما از اهمیت آماری 95 ٪ است. تنوع A نرخ تبدیل بالاتری دارد ، اما نتایج از نظر آماری معنی دار نیستند ، به این معنی که تغییر A به طور قابل توجهی نرخ تبدیل کلی شما را بهبود نمی بخشد.
3. مخاطبان خود را برای بینش بیشتر بخش کنید.
صرف نظر از اهمیت ، تجزیه نتایج شما توسط بخش مخاطبان ارزشمند است تا درک کنید که چگونه هر منطقه کلیدی به تغییرات شما پاسخ می دهد. متغیرهای متداول برای مخاطبان تقسیم بندی عبارتند از:
- نوع بازدید کننده ، یا کدام نسخه بهترین عملکرد را برای بازدید کنندگان جدید در مقابل بازدید کنندگان مکرر انجام داد.
- نوع دستگاه ، یا کدام نسخه بهترین عملکرد را در موبایل در مقابل دسک تاپ انجام داد.
- منبع ترافیک ، یا کدام نسخه بر اساس جایی که ترافیک به دو تغییر شما سرچشمه گرفته است ، بهترین عملکرد را دارد.
بیایید نمونه هایی از آزمایش های A/B را که می توانید برای تجارت خود اداره کنید ، طی کنیم.
نمونه های آزمایش A/B
ما بحث کرده ایم که چگونه از آزمون های A/B در بازاریابی استفاده می شود و چگونه می توان آن را انجام داد – اما چگونه آنها واقعاً در عمل به نظر می رسند؟
همانطور که ممکن است حدس بزنید ، ما بسیاری از تست های A/B را انجام می دهیم تا تعامل را افزایش داده و تبدیل ها را در سکو خود افزایش دهیم. در اینجا پنج نمونه از آزمون های A/B برای الهام بخشیدن به آزمایشات شخصی شما آورده شده است.
1. جستجوی سایت
میله های جستجوی سایت به کاربران کمک می کند تا به سرعت آنچه را که در یک وب سایت خاص قرار دارند ، پیدا کنند. HubSpot از تجزیه و تحلیل قبلی دریافت که بازدید کننده هایی که با نوار جستجوی سایت خود در تعامل بودند ، احتمالاً در یک پست وبلاگ تبدیل می شوند. بنابراین ، ما یک تست A/B را برای افزایش تعامل با نوار جستجو انجام دادیم.
در این آزمون ، عملکرد نوار جستجو متغیر مستقل بود و دیدگاه های مربوط به محتوا از صفحه تشکر متغیر وابسته بود. ما در آزمایش از یک شرایط کنترل و سه شرایط رقیب استفاده کردیم.
نوار جستجو در شرایط کنترل (نوع A) بدون تغییر باقی مانده است.
در نوع B ، نوار جستجو بزرگتر و از نظر بصری برجسته تر بود ، و متن نگهدارنده محل به “جستجو براساس موضوع” تنظیم شد.
نوع C یکسان با Variant B یکسان ظاهر شد اما فقط به جای کل وب سایت ، وبلاگ HubSpot را جستجو کرد.
در نوع D ، نوار جستجو بزرگتر بود ، اما متن نگهدارنده مکان برای “جستجوی وبلاگ” تنظیم شد. این نوع همچنین فقط وبلاگ HubSpot را جستجو کرد.
ما نوع D را مؤثرترین دانستیم: این افزایش 3.4 ٪ از کنترل را افزایش داد و درصد کاربرانی را که از نوار جستجو 6.5 ٪ استفاده کرده اند ، افزایش داد.
2. CTA های موبایل
HubSpot از چندین CTA برای پیشنهادات محتوا در پست های وبلاگ ما ، از جمله موارد موجود در بدنه پست و همچنین در پایین صفحه استفاده می کند. ما این CTA ها را بطور گسترده آزمایش می کنیم تا عملکرد آنها را بهینه کنیم.
ما یک تست A/B را برای کاربران تلفن همراه خود اجرا کردیم تا ببینیم کدام نوع از صفحه پایین CTA بهترین تبدیل شده است.
برای متغیر مستقل ما ، ما طراحی نوار CTA را تغییر دادیم. به طور خاص ، ما در آزمون خود از یک کنترل و سه رقیب استفاده کردیم. ما از صفحه نمایش در صفحه CTA تشکر می کنیم و CTA را برای متغیرهای وابسته ما کلیک می کنیم.
شرایط کنترل شامل قرار دادن طبیعی CTA های ما در پایین پست ها بود. در نوع B ، CTA هیچ گزینه نزدیک یا به حداقل رساندن نداشت.
در نوع C ، خوانندگان تلفن همراه می توانند CTA را با ضربه زدن به یک نماد X ببندند. پس از بسته شدن ، دوباره ظاهر نمی شود.
در نوع D ، ما گزینه ای را برای به حداقل رساندن CTA با یک سرپرست بالا/پایین درج کردیم.
تست های ما همه انواع را موفق یافتند. Variant D موفق ترین بود ، با افزایش 14.6 ٪ در تبدیل ها بر کنترل. این نوع C با افزایش 11.4 ٪ و نوع B با افزایش 7.9 ٪ دنبال شد.
3. نویسنده CTA
در یک آزمایش CTA دیگر ، HubSpot آزمایش کرد که آیا اضافه کردن کلمه “رایگان” و سایر زبان توصیفی به نویسنده CTA در بالای پست های وبلاگ باعث افزایش محتوا می شود.
تحقیقات گذشته نشان می دهد که استفاده از “رایگان” در متن CTA باعث تبدیل بیشتر می شود و متن مشخص شده نوع محتوای ارائه شده به seo . در آزمون ، متغیر مستقل متن CTA بود ، و متغیر اصلی وابسته به نرخ تبدیل در فرم های ارائه محتوا بود.
در شرایط کنترل ، متن CTA نویسنده بدون تغییر بود (دکمه نارنجی را در تصویر زیر مشاهده کنید).
در نوع B ، کلمه “رایگان” به متن CTA اضافه شد.
در نوع C ، متن توصیفی علاوه بر “رایگان” به متن CTA اضافه شد.
جالب اینجاست که ، نوع B باعث از بین رفتن فرم های ارسالی فرم ، در مقایسه با کنترل 14 ٪ کاهش یافته است. این غیر منتظره بود ، از جمله “رایگان” در متن ارائه محتوا به طور گسترده ای بهترین روش محسوب می شود.
در ضمن ، ارسال فرم در نوع C از کنترل 4 ٪ بهتر است. نتیجه گیری شد که اضافه کردن متن توصیفی به نویسنده CTA به کاربران کمک کرده است تا این پیشنهاد را درک کنند و بنابراین باعث می شود آنها بیشتر بارگیری کنند.
4. جدول وبلاگ مطالب
برای کمک به کاربران در وبلاگ بهتر ، HubSpot یک جدول جدید از ماژول محتویات (TOC) را آزمایش کرد. هدف این بود که با ارائه سریعتر به خوانندگان محتوای مورد نظر خود ، تجربه کاربر را بهبود بخشید. ما همچنین آزمایش کردیم که آیا اضافه کردن CTA به این ماژول TOC باعث افزایش تبدیل می شود.
متغیر مستقل این آزمون A/B گنجاندن و نوع ماژول TOC در پست های وبلاگ بود. متغیرهای وابسته نرخ تبدیل به مطالب ارائه مطالب ارسال شده و کلیک بر روی CTA در داخل ماژول TOC بود.
شرایط کنترل شامل ماژول جدید TOC نیست – پست های کنترل یا هیچ فهرست محتویات یا لیست ساده ای از پیوندهای لنگر در بدن پست در نزدیکی بالای مقاله (تصویر زیر) وجود ندارد.
در نوع B ، ماژول TOC جدید به پست های وبلاگ اضافه شد. این ماژول چسبناک بود ، به این معنی که کاربران در صفحه حرکت می کردند ، روی صفحه نمایش باقی می ماند. Variant B همچنین شامل یک پیشنهاد محتوا CTA در پایین ماژول است.
نوع C شامل یک ماژول یکسان به نوع B اما با حذف CTA.
نوع C شامل یک ماژول یکسان به نوع B اما با حذف CTA.
هر دو نوع B و C نرخ تبدیل را در پست های وبلاگ افزایش ندادند. شرایط کنترل از نوع B از 7 ٪ بهتر عمل کرده و به طور مساوی با نوع C. انجام شده است.
5. اعلان ها را مرور کنید
برای تعیین بهترین راه جمع آوری بررسی های مشتری ، ما یک آزمایش تقسیم شده از اعلان های ایمیل را در مقابل اعلان های درون برنامه انجام دادیم.
در اینجا ، متغیر مستقل نوع اعلان بود ، و متغیر وابسته درصد کسانی بود که از بین همه کسانی که اعلان را باز کردند ، بررسی کردند.
در کنترل ، HubSpot یک اعلان ایمیل ساده متن ارسال کرد و از کاربران خواسته بود تا یک بررسی را ترک کنند. در نوع B ، HubSpot با یک تصویر گواهی نامه از جمله نام کاربر ایمیل ارسال کرد.
برای نوع C ، HubSpot یک اطلاعیه درون برنامه را به کاربران ارسال کرد.
در نهایت ، هر دو ایمیل به طور مشابه انجام شده و از اعلان های درون برنامه ای بهتر عمل می کنند. حدود 25 ٪ از کاربرانی که یک ایمیل باز کرده اند ، در مقابل 10.3 ٪ که اعلان های درون برنامه را باز کرده اند ، بررسی کردند. ایمیل ها نیز بیشتر توسط کاربران باز می شدند.
10 نکته تست A/B از متخصصان بازاریابی
من با نه متخصص بازاریابی از در طول صحبت کردم تا نکات خود را در مورد آزمایش A/B دریافت کنم.
1. ابتدا اهداف و معیارهای خود را به روشنی تعریف کنید.
“در تجربه من ، نکته شماره یک برای آزمایش A/B در بازاریابی این است که اهداف و معیارهای خود را قبل از انجام هرگونه آزمایش به وضوح تعریف کنید.” com/”rel =” noopener “target =” _ blank “> supplygem .
Griffith explains that this means having a solid understanding of what you want to achieve with your test and how you will measure its success. This matters because, without clear goals, it’s easy to get lost in the data and draw incorrect conclusions.
For example, Griffith says, if you’re testing two different email subject lines, your goal could be to increase open rates.
“By clearly defining this goal and setting a specific metric to measure success (e.g., a 10% increase in open rates), you can effectively evaluate the performance of each variant and make data-driven decisions,” says Griffith.
Aside from helping you focus your testing efforts, Noel explains that having clear goals also means you can accurately interpret the results and apply them to improve your marketing strategies.
2. Test only ONE thing during each A/B test.
“This is the most important tip for A/B marketing from my perspective… Always decide on one thing to test for each individual A/B test,” says Hanna Feltges, growth marketing manager at Niceboard.
For example, when A/B testing button placement in emails, Feltges makes sure the only difference between these two emails is the button placement. No difference should be in the subject line, copy, or images, as this could skew the results and make the test invalid.
Feltges applies the same principle to metrics by choosing one metric to evaluate test results
“For emails, I will select a winner based on a predefined metric, such as CTR, open rate, reply rate, etc. In my example of the button placement, I would select CTR as my deciding metric and evaluate the results based on this metric,” Feltges says.
3. Start with a hypothesis to prove or disprove.
Another similarly important tip for A/B testing is to start with a hypothesis. The goal of each A/B test is then to prove the hypothesis right or wrong, Feltges notes.
For example, Feltges poses testing two different subject lines for a cold outreach email. Her hypothesis here is: “Having a subject line with the prospect’s first name will lead to higher open rates than a subject line without the prospect’s first name,” she says.
Now, she can run multiple tests with the same hypothesis and can then evaluate if the statement is true or not.
Feltges explains that the idea here is that marketers often draw quick conclusions from A/B tests, such as “Having the first name in the subject line performs better.” But that is not 100% true. A/B tests are all about being precise and specific in the results.
4. Track key test details for accurate planning and analysis.
“I keep a running log of how long my A/B tests for SEO took, and I make sure to track critical metrics like the statistical significance rate that was reached,” says NamePepper Founder Dave VerMeer.
VerMeer explains that the log is organized in a spreadsheet that includes other columns for things like:
- The type of test.
- Details about what was tested.
- Dates.
“If I notice any factors that could have influenced the test, I note those as well,” he adds. Other factors could be a competitor having a special event or something that happened in the news and caused a traffic spike.
“I check the log whenever I’m planning a series of A/B tests. For example, it lets me see trends and forecast how the seasonality may affect the test period lengths. Then I adjust the test schedule accordingly,” VerMeer says.
According to VerMeer, this form of tracking is also helpful for setting realistic expectations and providing clues as to why a test result did or didn’t match up with past performance.
5. Test often…
When I spoke to Gabriel Gan, head of editorial for In Real Life Malaysia, for my guide on running an email marketing audit, he set out two main rules for A/B testing . For the A/B testing email, Gan recommends setting email A as the incumbent and email B as the contender.
Like Hanna, Gabriel emphasizes changing only one variable at a time. “For example, in email B, when testing open rates, only tweak the subject line and not the preview,” says Gan.
That’s because if you have more than one variable changed from the old email, “it’s almost impossible to determine which new addition you made has contributed to the improvement in OPR/CTR.”
Aside from only changing one variable at a time, Gan recommends testing often until you find out what works and what doesn’t.
“There’s a perception that once you set up your email list and create a template for your emails, you can ‘set it and forget it.’” Gan says. “But now, with the power of A/B testing, with just a few rounds of testing your headlines, visuals, copy, offer, call-to-action, etc., you can find out what your audience loves, do more of it, and improve your conversion rates twofold or threefold.”
6. …But don’t feel like you need to test everything.
“My top tip for A/B testing is only to use it strategically,” says Joe Kevens, director of demand generation at PartnerStack and the founder of B2B SaaS Reviews. Kevens explains that “strategically” means that only some things warrant an A/B test due to the time and resources it consumes.
“I’ve learned from experience that testing minor elements like CTA button colors can be a waste of time and effort (unless you work at Amazon or some mega-corporation that gets a gazillion page visits, and a minor change can make a meaningful impact),” Kevens says.
Kevens recommends that instead, it’s more beneficial to concentrate on high-impact areas such as homepage layouts, demo or trial pages, and high-profile marketing messages. That’s because these elements have a better shot to impact conversion rates and overall user experience.
Kevens reminds us that “A/B testing can be powerful, but its effectiveness comes from focusing on changes that can significantly impact your business outcomes.”
7. Use segmentation to micro-identify winning elements.
“When using A/B testing in marketing, don’t limit your target audience to just one set of parameters,” says Brian David Crane, founder and CMO of Spread Great Ideas .
Crane recommends using criteria like demographics, user behavior, past interactions, and buying history to experiment with A/B testing of these different segments. You can then filter the winning strategy for each segment.
“We use core metrics like click-through rates, bounce rates, and customer lifetime value to identify the combination that converts the most,” explains Crane.
8. Leverage micro-conversions for granular insights.
“I know that it’s common to focus on macro-conversions, such as sales or sign-ups, in A/B testing. However, my top tip is to also pay attention to micro-conversions,” says Laia Quintana, head of marketing and sales at TeamUp.
Quintana explains that micro-conversions are smaller actions users take before completing a macro-conversion. They could be actions like clicking on a product image, spending a certain amount of time on a page, or watching a promotional video.
But why are these micro-conversions important? Quintana states, “They provide granular insights into user behavior and can help identify potential roadblocks in the conversion path.”
For example, if users spend a lot of time on a product page but do not add items to their cart, there might be an issue with the page layout or information clarity. By A/B testing different elements on the page, you can identify and rectify these issues to improve the overall conversion rate.
“Moreover, tracking micro-conversions allows you to segment your audience more effectively. You can identify which actions are most indicative of a user eventually making a purchase and then tailor your marketing efforts to encourage those actions. This level of detail in your A/B testing can significantly enhance the effectiveness of your marketing strategy,” says Quintana.
9. Running LinkedIn Ads? Start with five different versions and A/B test them.
“A best practice when running LinkedIn Ads is to start a campaign with five different versions of your ad,” says Hristina Stefanova, head of marketing operations at Goose’n’Moose. Stefanova reminds us that it’s important to tweak just one variable at a time across each version.
For a recent campaign, Stefanova started with five ad variations — four using different hero images and three having the CTA tweaked.
“I let the campaign run with all five variations for a week. At that point, there were two clearly great performing ads, so I paused the other three and continued running the campaign with the two best-performing ones,” says Stefanova.
According to Stefanova, the two ads performed best and had the lowest CPC. The A/B testing exercise helped not only the specific campaign but also helped her to better understand what attracts their target audience.
So what’s next? “Images with people in them are better received, so for upcoming campaigns, I am focusing right away on producing the right imagery. All backed up by real performance data thanks to A/B testing,” Stefanova says.
10. Running SEO A/B tests? Do this with your test and control group URLs.
“Given that the SEO space is constantly evolving, it’s getting increasingly difficult to run any sort of experiments and get reliable and statistically significant results. This is especially true when running SEO A/B tests,” says Ryan Jones, marketing manager at SEOTesting.
Luckily, Jones explains that you can do things to mitigate this and make sure that any SEO A/B tests you run now — and in the future — are reliable. You can then use the tests as a “North Star” when making larger-scale changes to your site.
“My number one tip would be to ensure that your control group and test group of URLs contain as identical URLs as you can make them. For example, if you’re running an A/B test on your PLP pages as an ecommerce site, choose PLPs from the same product type and with the same traffic levels. This way, you can ensure that your test data will be reliable,” says Jones.
Why does this matter? “Perhaps the number one thing that ‘messes’ with A/B test data is control and variant groups that are too dissimilar. But by ensuring you are testing against statistically similar URLs, you can mitigate this better than anything else,” Jones says.
Start A/B Testing Today
A/B testing allows you to get to the truth of what content and marketing your audience wants to see. With HubSpot’s Campaign Assistant, you’ll be able to generate copy for landing pages, emails, or ads that can be used for A/B testing.
Learn how to best carry out some of the steps above using the free ebook below.
Editor’s note: This post was originally published in May 2016 and has been updated for comprehensiveness.
قبل از هر چیزی اگر به بازارمالی علاقمندید روی اخبار ارزدیجیتال، فارکس و بورس کلیک کنید و اگر ورزش علاقمندید روی اخبار ورزشی و اگه به بازی علاقمندید روی گیم آنلاین کلیک کنید.