وبسایت و پروفایل شخصی داود جمیری

نحوه انجام آزمایش A/B: 15 مرحله برای آزمایش کامل تقسیم

وقتی بازاریابان مانند ما صفحات فرود را ایجاد می کنند ، نوشتن کپی ایمیل یا طراحی دکمه های دعوت به اقدام ، ممکن است وسوسه انگیز باشد که از شهود خود برای پیش بینی آنچه باعث کلیک و تبدیل افراد می شود ، وسوسه انگیز باشد.

اما تصمیم گیری های بازاریابی بر اساس “احساس” می تواند برای نتایج بسیار مضر باشد. به جای تکیه بر حدسیات یا فرضیات برای اتخاذ این تصمیمات ، بهتر است از آزمون A/B استفاده کنید – که گاهی اوقات به عنوان آزمون تقسیم نیز نامیده می شود.

Free Download: A/B Testing Guide and Kit

آزمایش A/B می تواند ارزشمند باشد زیرا مخاطبان مختلف رفتارهای متفاوتی دارند. چیزی که برای یک شرکت کار می کند لزوماً برای شرکت دیگر کار نمی کند. در واقع ، کارشناسان بهینه سازی نرخ تبدیل (CRO) از عبارت “بهترین شیوه ها” متنفرند زیرا ممکن است در واقع بهترین عمل برای شما نباشد.

اما آزمونهای A/B نیز می توانند پیچیده باشند. اگر مراقب نباشید ، می توانید مفروضات نادرستی در مورد اینکه مردم چه چیزی را دوست دارند و چه چیزی باعث کلیک آنها می شود ، انجام دهید – تصمیماتی که به راحتی می توانند سایر بخشهای استراتژی شما را نادرست نشان دهند.

برای یادگیری نحوه انجام آزمایش A/B قبل ، حین و بعد از جمع آوری داده ها ، به خواندن ادامه دهید تا بتوانید بهترین نتایج را از نتایج خود بگیرید.

برای اجرای آزمایش A/B ، باید دو نسخه متفاوت از یک قطعه محتوا ، با تغییرات در یک متغیر ایجاد کنید. سپس ، این دو نسخه را به دو مخاطب با اندازه مشابه نشان می دهید و تجزیه و تحلیل می کنید که کدام یک در یک بازه زمانی خاص بهتر عمل کرده است (به اندازه کافی طولانی برای نتیجه گیری دقیق در مورد نتایج شما).

Explanation of what a/b testing is

منبع تصویر

آزمایش A/B به بازاریابان کمک می کند تا نحوه عملکرد یک نسخه از یک محتوای بازاریابی را در کنار نسخه دیگر مشاهده کنند. در اینجا دو نوع آزمایش A/B وجود دارد که ممکن است برای افزایش نرخ تبدیل وب سایت خود انجام دهید:

مثال 1: آزمایش تجربه کاربر

شاید بخواهید ببینید آیا انتقال یک دکمه فراخوانی برای اقدام (CTA) به بالای صفحه اصلی به جای نگه داشتن آن در نوار کناری ، میزان کلیک آن را بهبود می بخشد.

برای آزمایش A/B این نظریه ، باید یک صفحه وب جایگزین دیگر ایجاد کنید که از محل جدید CTA استفاده می کند. طرح موجود با نوار کناری CTA – یا “ کنترل ” – نسخه A. است. نسخه B با CTA در بالا “ چالشگر ” است. سپس ، این دو نسخه را با نمایش هر یک از آنها به درصد از پیش تعیین شده از بازدیدکنندگان سایت ، آزمایش کنید. در حالت ایده آل ، درصد بازدیدکنندگان از هر دو نسخه یکسان هستند.

بیاموزید که چگونه به راحتی A/B یک جزء از وب سایت خود را با مرکز بازاریابی HubSpot .

مثال 2: آزمایش طراحی

شاید می خواهید بدانید که آیا تغییر رنگ دکمه فراخوان (CTA) می تواند نرخ کلیک آن را افزایش دهد.

برای آزمایش A/B این نظریه ، باید یک دکمه CTA جایگزین با رنگ دکمه متفاوت طراحی کنید که به صفحه فرود یکسان با کنترل منتهی می شود. اگر معمولاً در محتوای بازاریابی خود از دکمه قرمز فراخوانی برای اقدام استفاده می کنید و تنوع سبز پس از آزمایش A/B کلیک های بیشتری دریافت می کند ، این می تواند از این پس رنگ پیش فرض دکمه های اقدام به عمل را به سبز تغییر دهد. روشن.

برای کسب اطلاعات بیشتر در مورد آزمایش A/B ، راهنمای مقدماتی رایگان ما را از اینجا بارگیری کنید.

آزمایش A/B در بازاریابی

آزمایش A/B دارای مزایای زیادی برای تیم بازاریابی است ، بسته به اینکه تصمیم دارید چه چیزی را آزمایش کنید. اما مهمتر از همه ، این آزمایشات برای یک تجارت ارزشمند است زیرا هزینه کم اما پاداش بالایی دارد.

فرض کنید شما از خالق محتوا با حقوق 50،000 دلار در سال استفاده می کنید. این تولید کننده محتوا در هفته پنج مقاله برای وبلاگ شرکت منتشر می کند که در مجموع 260 مقاله در سال است. اگر میانگین پست در وبلاگ شرکت 10 سرنخ ایجاد می کند ، می توانید بگویید ایجاد 10 امتیاز برای کسب و کار کمی بیش از 192 دلار هزینه دارد (حقوق 50،000 دلار ÷ 260 مقاله = 192 دلار در هر مقاله). این یک بخش جامد تغییر است.

حال ، اگر از این پدیدآورنده محتوا بخواهید به جای نوشتن دو مقاله در آن بازه زمانی دو روز به توسعه یک آزمون A/B در یک مقاله بپردازد ، ممکن است 192 دلار بسوزانید زیرا یک مقاله کمتر منتشر می کنید. اما اگر آن آزمایش A/B مشخص کرد که می توانید نرخ تبدیل هر مقاله را از 10 به 20 امتیاز افزایش دهید ، فقط 192 دلار هزینه کرده اید تا تعداد مشتریانی که کسب و کار شما از وبلاگ شما به طور بالقوه دو برابر می کند دو برابر شود.

البته اگر این آزمون شکست بخورد ، شما 192 دلار باختید – اما اکنون می توانید بعدی A/B آزمون خود را حتی بیشتر آموزش دهید. اگر آن آزمایش دوم بتواند نرخ تبدیل وبلاگ شما را دو برابر کند ، در نهایت 284 دلار هزینه کردید تا درآمد شرکت خود را به طور بالقوه دو برابر کنید. مهم نیست که چند بار آزمون A/B شما شکست می خورد ، موفقیت نهایی تقریباً همیشه بیش از هزینه انجام آن است.

انواع مختلفی از آزمایش های تقسیم شده وجود دارد که می توانید آزمایش را در پایان انجام دهید. در اینجا برخی از اهداف متداول بازاریابان برای کسب و کار خود هنگام آزمایش A/B وجود دارد:

  • افزایش ترافیک وب سایت: آزمایش عناوین مختلف پست وبلاگ یا عناوین صفحات وب می تواند تعداد افرادی را که برای دسترسی به وب سایت شما بر روی عنوان پیونددهی شده کلیک می کنند ، تغییر دهد. این می تواند در نتیجه ترافیک وب سایت را افزایش دهد.
  • نرخ تبدیل بالاتر: آزمایش مکان ها ، رنگ ها یا حتی تکیه گاه متن روی CTA ها می تواند تعداد افرادی را که روی این CTA ها کلیک می کنند تغییر دهد تا به صفحه فرود برسد. این می تواند تعداد افرادی را که در وب سایت شما فرم پر می کنند افزایش دهد ، اطلاعات تماس خود را برای شما ارسال کرده و به “تبدیل” به سرپرست تبدیل کنید.
  • کاهش نرخ بازگشت: اگر بازدیدکنندگان وب سایت شما پس از بازدید از وب سایت شما به سرعت از سایت خارج شوند (یا “گزاف گویی”) ، آزمایش مقدمه های مختلف وبلاگ ، فونت ها یا تصاویر برجسته می تواند این نرخ بازگشت را کاهش داده و بیشتر را حفظ کند بازدیدکنندگان.
  • رها کردن سبد خرید پایین: کسب و کارهای تجاری به طور متوسط ​​ 70٪ مشتریان وب سایت خود را با مواردی در سبد خرید خود ترک می کنند . این امر به عنوان “رها کردن سبد خرید” شناخته می شود و البته برای هر فروشگاه آنلاین مضر است. آزمایش عکس های مختلف محصول ، طراحی صفحات خروجی و حتی جایی که هزینه حمل و نقل نمایش داده می شود می تواند این میزان رها شدن را کاهش دهد.

اکنون ، بیایید از طریق چک لیست تنظیم ، اجرا و اندازه گیری تست A/B را بررسی کنیم.

نحوه انجام آزمایش A/B

> = “https://blog.hubspot.com/hs-fs/hubfs/kissmetrics_Abtestkit_headerimage.png؟width=650&name=kissmetrics_Abtestkit_headerimage.png” alt = “ab test graphic” width = “650” srcset = ” – png 650w، https://blog.hubspot.com/hs-fs/hubfs/kissmetrics_Abtestkit_headerimage.png؟width=975&name=kissmetrics_Abtestkit_headerimage.png 975w، https://blog.hubspot.com/ png؟ width = 1300 & name = kissmetrics_Abtestkit_headerimage.png 1300w ، https://blog.hubspot.com/hs-fs/hubfs/kissmetrics_Abtestkit_headerimage.png؟width=1625&name=kissmetrics_Abtestkit headerimage.png 1625w ، https://blog.hubspot.com/hs-fs/hubfs/kissmetrics_Abtestkit_headerimage.png؟width=1950&name=kissmetrics_Abtestkit_headerimage.png 1950w “اندازه =” ، 50w

همراه با کیت تست رایگان A/B ما با همه چیزهایی که برای اجرای تست A/B نیاز دارید از جمله الگوی ردیابی آزمایش ، راهنمای نحوه آموزش و الهام ، و یک محاسبه کننده اهمیت آماری برای بررسی اینکه آیا آزمون های شما برنده ، باخت یا غیرقابل نتیجه بوده است.

قبل از آزمون A/B

اجازه دهید مراحل قبل از شروع آزمایش A/B خود را بررسی کنیم.

1. یک متغیر برای آزمایش انتخاب کنید.

با بهینه سازی صفحات وب و ایمیل های خود ، ممکن است تعدادی متغیر وجود دارد که می خواهید آنها را آزمایش کنید . اما برای ارزیابی تأثیر یک تغییر ، 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 عملکرد بوده است.

می توانید بیش از یک متغیر را برای یک صفحه وب یا ایمیل آزمایش کنید – فقط مطمئن شوید که آنها را یکی یکی آزمایش می کنید.

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. موارد دیگری که ممکن است آزمایش کنید شامل خطوط موضوع ایمیل ، نام فرستنده و روش های مختلف برای شخصی سازی ایمیل های شما است.

به خاطر داشته باشید که حتی تغییرات ساده ، مانند تغییر تصویر در ایمیل شما یا کلمات روی دکمه فراخوان شما برای اقدام ، می تواند پیشرفت های بزرگی را به همراه داشته باشد. در حقیقت ، اندازه گیری این نوع تغییرات معمولاً راحت تر از تغییرات بزرگتر است.

توجه: مواردی وجود دارد که آزمایش چند متغیر به جای یک متغیر منطقی تر است. این فرایندی به نام آزمایش چند متغیره است. اگر از خود می پرسید که آیا باید آزمایش A/B را در مقابل آزمون چند متغیره اجرا کنید ، در اینجا مقاله مفیدی از Optimizely آمده است که این دو فرایند را مقایسه می کند.

2. هدف خود را مشخص کنید.

اگرچه در هر آزمایشی چندین معیار اندازه گیری می کنید ، اما متریک اصلی را برای تمرکز بر قبل از انتخاب کنید. در واقع ، قبل از اینکه تنوع دوم را تنظیم کنید ، این کار را انجام دهید. این “ متغیر وابسته ” شماست که بر اساس نحوه دستکاری متغیر مستقل تغییر می کند.

به این فکر کنید که می خواهید این متغیر وابسته در پایان آزمون تقسیم کجا باشد. حتی ممکن است یک فرضیه رسمی بیان کنید و بر اساس این پیش بینی نتایج خود را بررسی کنید.

اگر تا بعد منتظر بمانید تا در مورد معیارهای مهم برای شما مهم باشد ، اهداف شما چیست و تغییرات پیشنهادی شما چگونه می تواند بر رفتار کاربران تأثیر بگذارد ، ممکن است آزمون را به موثرترین روش تنظیم نکنید.

3. یک «کنترل» و یک «رقیب» ایجاد کنید.

اکنون متغیر مستقل ، متغیر وابسته و نتیجه دلخواه خود را دارید. از این اطلاعات برای تنظیم نسخه بدون تغییر هر آنچه در حال آزمایش هستید به عنوان سناریوی کنترل خود استفاده کنید. اگر یک صفحه وب را آزمایش می کنید ، این صفحه همانطور که قبلاً وجود دارد تغییر نکرده است. اگر در حال آزمایش صفحه فرود هستید ، این طرح و کپی صفحه فرود است که معمولاً استفاده می کنید.

از آنجا ، یک چالش ایجاد کنید – وب سایت تغییر یافته ، صفحه فرود یا ایمیلی که در برابر کنترل خود آزمایش می کنید. به عنوان مثال ، اگر می پرسید آیا افزودن یک توصیف به صفحه فرود در تبدیل تغییرات ایجاد می کند ، صفحه کنترل خود را بدون توصیفات تنظیم کنید. سپس ، رقیب خود را با یک توصیف ایجاد کنید.

4. گروه های نمونه خود را به طور مساوی و تصادفی تقسیم کنید.

برای آزمایش هایی که کنترل بیشتری بر مخاطب دارید – مانند ایمیل ها – باید با دو یا چند مخاطب برابر آزمایش کنید تا نتایج قطعی داشته باشید.

نحوه انجام این کار بسته به ابزار تست A/B که استفاده می کنید متفاوت خواهد بود. اگر شما مشتری HubSpot Enterprise در حال انجام آزمایش A/B در ایمیل ، به عنوان مثال ، HubSpot به طور خودکار ترافیک را به تغییرات شما تقسیم می کند ، به طوری که هر تنوع یک نمونه تصادفی از بازدیدکنندگان دریافت می کند.

5. اندازه نمونه خود را تعیین کنید (در صورت وجود).

نحوه تعیین اندازه نمونه شما نیز بسته به در ابزار تست A/B و همچنین نوع تست A/B که در حال اجرا هستید

اگر در حال آزمایش نامه الکترونیکی A/B هستید ، احتمالاً می خواهید یک تست A/B را به زیر مجموعه ای از لیست خود ارسال کنید که به اندازه کافی بزرگ باشد تا به نتایج آماری قابل توجه برسد. در نهایت ، شما یک برنده را انتخاب می کنید و تنوع برنده را به بقیه لیست ارسال می کنید. (برای اطلاعات بیشتر در مورد محاسبه حجم نمونه خود ، کتاب الکترونیکی “علم آزمایش تقسیم” را در انتهای این مقاله ببینید.)

اگر مشتری HubSpot Enterprise هستید ، می توانید با استفاده از یک نوار لغزنده به تعیین اندازه گروه نمونه خود کمک کنید. این به شما امکان می دهد 50/50 A/B را در هر اندازه نمونه انجام دهید – اگرچه همه تقسیم نمونه های دیگر نیاز به لیستی از حداقل 1000 گیرنده دارند.

ab test graphic

اگر چیزی را آزمایش می کنید که مخاطب محدودی ندارد ، مانند یک صفحه وب ، پس مدت زمان ادامه آزمایش خود به طور مستقیم بر حجم نمونه شما تأثیر می گذارد. شما باید اجازه دهید آزمون شما به اندازه کافی طولانی اجرا شود تا تعداد قابل توجهی از بازدیدها را به دست آورید. در غیر این صورت ، تشخیص اینکه آیا تفاوت آماری معنی داری بین تغییرات وجود دارد یا خیر ، دشوار خواهد بود.

6. تصمیم بگیرید که نتایج شما چقدر باید مهم باشد.

وقتی معیار هدف خود را انتخاب کردید ، به این فکر کنید که نتایج شما برای توجیه انتخاب یک تنوع بر دیگری چقدر باید مهم باشد. اهمیت آماری بخش فوق العاده مهمی از فرایند تست A/B است که اغلب اشتباه درک می شود. اگر به تجدیدنظر نیاز دارید ، توصیه می کنم این پست وبلاگ را از نظر آماری از نظر بازاریابی از نظر آماری بخوانید .

هر چه درصد سطح اطمینان شما بیشتر باشد ، می توانید از نتایج خود اطمینان بیشتری داشته باشید. در بیشتر موارد ، شما اطمینان از حداقل 95–ترجیحا حتی 98–را می خواهید ، به خصوص اگر این یک آزمایش زمان بر بوده است. با این حال ، گاهی اوقات منطقی است که از میزان اطمینان کمتری استفاده کنید اگر نیازی به آزمون ندارید.

Matt Rheault ، مهندس ارشد نرم افزار در HubSpot ، دوست دارد به اهمیت آماری مانند شرط بندی فکر کند. با چه شرطی شرط بندی می کنید؟ گفتن “من 80٪ مطمئن هستم که این طرح مناسب است و من مایلم همه چیز را روی آن شرط ببندم” شبیه اجرای یک آزمون A/B با اهمیت 80٪ و سپس اعلام برنده است.

ریول همچنین می گوید هنگام آزمایش چیزی که فقط کمی نرخ تبدیل را بهبود می بخشد ، احتمالاً آستانه اطمینان بالاتری می خواهید. چرا؟ زیرا واریانس تصادفی به احتمال زیاد نقش بزرگتری را ایفا می کند.

“مثالی که در آن می توانیم ایمن تر باشیم تا آستانه اعتماد خود را کاهش دهیم ، آزمایشی است که احتمالاً نرخ تبدیل را تا 10 or یا بیشتر بهبود می بخشد ، مانند بخش قهرمان دوباره طراحی شده.”

“نکته مهم اینجاست که هرچه تغییرات ریشه ای تر باشد ، از نظر فرآیند باید علمی نباشیم. هرچه تغییر دقیق تر باشد (رنگ دکمه ، میکروکپی و غیره) ، باید علمی تر باشیم زیرا تغییر کمتر می تواند تأثیر زیادی بر نرخ تبدیل داشته باشد. “

7. مطمئن شوید که در هر کمپین فقط یک آزمایش را همزمان اجرا می کنید.

آزمایش بیش از یک مورد برای یک کمپین – حتی اگر در یک دارایی دقیق نباشد – می تواند نتایج را پیچیده کند. به عنوان مثال ، اگر A/B یک کمپین ایمیلی که به صفحه فرود هدایت می شود را همزمان با آزمایش A/B آن صفحه فرود آزمایش کنید ، چگونه می توانید بفهمید که کدام تغییر باعث افزایش سرنخ ها شده است؟

در طول A/B Test

بیایید مراحل انجام آزمایش A/B را بررسی کنیم.

8. از ابزار تست A/B استفاده کنید.

برای انجام آزمایش A/B در وب سایت خود یا در یک ایمیل ، باید از یک ابزار تست A/B استفاده کنید. اگر مشتری HubSpot Enterprise هستید ، نرم افزار HubSpot دارای ویژگی هایی است که به شما امکان می دهد ایمیل های A/B را آزمایش کنید ( نحوه کار در اینجا را بیاموزید ) ، فراخوان به عمل ( نحوه یادگیری در اینجا ) ، و صفحات فرود ( اینجا را بیاموزید ).

برای مشتریان غیر HubSpot Enterprise ، گزینه های دیگر شامل Google Analytics است که به شما امکان می دهد شما A/B تا 10 نسخه کامل از یک صفحه وب را آزمایش می کنید و عملکرد آنها را با استفاده از یک نمونه تصادفی از کاربران مقایسه می کنید.

9. هر دو تغییر را به طور همزمان آزمایش کنید.

زمان بندی نقش مهمی در نتایج کمپین بازاریابی شما ایفا می کند ، خواه زمان روز باشد ، روز هفته ، یا ماه سال. اگر بخواهید نسخه A را در طول یک ماه و نسخه B را یک ماه بعد اجرا کنید ، چگونه متوجه خواهید شد که تغییر عملکرد ناشی از طراحی متفاوت یا ماه متفاوت است؟

هنگامی که آزمایشات A/B را اجرا می کنید ، باید دو تنوع را همزمان اجرا کنید ، در غیر این صورت ممکن است نتایج خود را حدس بزنید.

تنها استثنا در اینجا این است که اگر خودتان زمان بندی را آزمایش می کنید ، مانند یافتن زمان های بهینه برای ارسال ایمیل. آزمایش بسیار خوبی است زیرا بسته به آنچه کسب و کار شما ارائه می دهد و مشترکین شما چه کسانی هستند ، زمان بهینه برای مشارکت مشترکین می تواند به طور قابل توجهی در صنعت و بازار هدف متفاوت باشد.

10. به آزمایش A/B زمان کافی برای تولید داده های مفید بدهید.

باز هم ، باید مطمئن شوید که اجازه داده اید آزمایش شما به اندازه کافی طولانی انجام شود تا حجم نمونه قابل توجهی را بدست آورید. در غیر این صورت ، تشخیص اینکه آیا تفاوت آماری معنی داری بین این دو تنوع وجود دارد یا خیر ، دشوار خواهد بود.

مدت زمان کافی چقدر است؟ بسته به شرکت شما و نحوه اجرای آزمایش A/B ، نتایج آماری قابل توجه می تواند در عرض چند ساعت یا چند روز یا چند هفته اتفاق بیفتد. بخش بزرگی از مدت زمان لازم برای به دست آوردن نتایج آماری قابل توجه این است که چقدر ترافیک دریافت می کنید – بنابراین اگر کسب و کار شما ترافیک زیادی به وب سایت شما نداشته باشد ، اجرای A/B شما بسیار بیشتر طول می کشد. آزمایش.

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 لزوماً به شما کمک نمی کند چرا افراد اقدامات خاصی را نسبت به دیگران انجام می دهند. در حالی که آزمون A/B خود را اجرا می کنید ، چرا بازخورد کیفی را از کاربران واقعی جمع آوری نمی کنید؟

یکی از بهترین روش ها برای درخواست نظرات افراد ، از طریق نظرسنجی است یا نظرسنجی . ممکن است نظرسنجی خروجی را در سایت خود اضافه کنید که از بازدیدکنندگان می پرسد چرا روی CTA خاصی کلیک نکرده اند ، یا در صفحات تشکر شما که از بازدیدکنندگان می پرسد چرا روی دکمه کلیک کرده یا فرم را پر کرده اند.

به عنوان مثال ، ممکن است متوجه شوید که بسیاری از افراد بر روی یک دعوت به اقدام کلیک کرده و آنها را به کتاب الکترونیکی هدایت می کنند ، اما هنگامی که قیمت را می بینند ، تبدیل نمی شوند. این نوع اطلاعات به شما اطلاعات زیادی در مورد اینکه چرا کاربران شما به شیوه های خاصی رفتار می کنند ، می دهد.

بعد از آزمون A/B

در نهایت ، بیایید مراحل انجام آزمایش A/B خود را بررسی کنیم.

12. بر معیار هدف خود تمرکز کنید.

باز هم ، اگرچه چندین معیار را اندازه گیری می کنید ، هنگام تجزیه و تحلیل خود تمرکز خود را بر آن معیار هدف اصلی حفظ کنید.

برای مثال ، اگر دو نوع ایمیل را آزمایش کرده اید و سرنخ ها را به عنوان معیار اصلی خود انتخاب کرده اید ، در نرخ باز یا نرخ کلیک کلیک نکنید. ممکن است نرخ کلیک بالا و نرخ تبدیل ضعیفی مشاهده کنید ، در این صورت ممکن است در نهایت تنوعی را انتخاب کنید که در انتها نرخ کلیک پایین تری داشته باشد.

13 با استفاده از ماشین حساب تست A/B ، اهمیت نتایج خود را اندازه گیری کنید.

اکنون که تعیین کردید کدام تنوع بهترین عملکرد را دارد ، وقت آن است که تعیین کنید آیا نتایج شما از نظر آماری قابل توجه است یا خیر. به عبارت دیگر ، آیا آنها برای توجیه تغییر کافی هستند؟

برای پی بردن به این موضوع ، باید آزمایشی با اهمیت آماری انجام دهید. می توانید این کار را به صورت دستی انجام دهید … یا فقط می توانید نتایج آزمایش خود را به وصل کنید ماشین حساب تست رایگان A/B ما .

برای هر تنوعی که آزمایش کرده اید ، از شما خواسته می شود تا تعداد کل تلاش ها را وارد کنید ، مانند ایمیل های ارسال شده یا تعداد نمایش داده شده. سپس ، تعداد اهدافی را که وارد کرده اید وارد کنید – عموماً به کلیک ها نگاه می کنید ، اما این می تواند انواع دیگر تبدیل نیز باشد.

ab testing sample size settings in hubspot

ماشین حساب سطح اطمینان داده های شما را برای تغییرات برنده تف می کند. سپس ، آن عدد را با مقداری که برای تعیین اهمیت آماری انتخاب کرده اید ، اندازه گیری کنید.

14. براساس نتایج خود اقدام کنید.

اگر از نظر آماری یکی از تغییرات بهتر از دیگری باشد ، شما یک برنده دارید. با غیرفعال کردن تغییرات از دست رفته در ابزار آزمایش A/B ، آزمایش خود را تکمیل کنید.

اگر از نظر آماری هیچ یک از تنوع ها بهتر نیستند ، تازه آموخته اید که متغیری که آزمایش کرده اید بر نتایج تأثیر نمی گذارد ، و باید این آزمون را به عنوان غیر قطعی علامت گذاری کنید. در این حالت ، به تنوع اصلی پایبند باشید ، یا آزمایش دیگری را اجرا کنید. می توانید از داده های ناموفق برای کمک به تشخیص تکرار جدید در آزمایش جدید خود استفاده کنید.

در حالی که آزمون های A/B به شما کمک می کند تا نتایج را به صورت موردی تحت تأثیر قرار دهید ، همچنین می توانید درسهایی را که از هر آزمون آموخته اید به کار بگیرید و آن را در تلاش های آینده اعمال کنید.

به عنوان مثال ، اگر در بازاریابی ایمیلی خود آزمایش های A/B انجام داده اید و مکرراً متوجه شده اید که استفاده از اعداد در خطوط موضوع ایمیل میزان کلیک بهتری را ایجاد می کند ، ممکن است بخواهید از این تاکتیک در بیشتر ایمیل های خود استفاده کنید.

15. آزمون بعدی A/B خود را برنامه ریزی کنید.

آزمایش A/B که به تازگی به پایان رسانده اید ممکن است به شما کمک کند راه جدیدی را برای موثرتر کردن محتوای بازاریابی خود بیابید – اما به همین جا بسنده نکنید. همیشه جا برای بهینه سازی بیشتر وجود دارد.

حتی می توانید آزمایش A/B را بر روی ویژگی دیگری از همان صفحه وب یا ایمیلی که به تازگی در آن آزمایش کرده اید انجام دهید. به عنوان مثال ، اگر شما فقط یک عنوان را در یک صفحه فرود آزمایش کرده اید ، چرا یک آزمایش جدید روی نسخه اصلی انجام ندهید؟ یا طرح رنگی؟ یا تصاویر؟ همیشه مراقب فرصت های افزایش نرخ تبدیل و امتیازها باشید.

نمونه های آزمایش A/B

ما در مورد نحوه استفاده از آزمون های A/B در بازاریابی و نحوه انجام آن بحث کردیم – اما در عمل چگونه به نظر می رسند؟

همانطور که احتمالاً حدس می زنید ، ما بسیاری از تست های A/B را برای افزایش تعامل و افزایش تبدیل در پلتفرم خود اجرا می کنیم. در اینجا پنج نمونه از آزمون های A/B برای الهام بخشیدن به آزمایشات خود آورده شده است.

1. جستجوی سایت

نوارهای جستجوی سایت به کاربران کمک می کند تا به سرعت آنچه را که در وب سایت خاصی دنبال آن هستند پیدا کنند. HubSpot از تجزیه و تحلیل قبلی دریافت که بازدیدکنندگانی که با نوار جستجوی سایت خود ارتباط برقرار کرده اند ، به احتمال زیاد در یک پست وبلاگ تغییر حالت می دهند. بنابراین ، ما برای افزایش تعامل با نوار جستجو ، یک آزمایش A/B اجرا کردیم.

در این آزمایش ، عملکرد نوار جستجو متغیر مستقل بود و بازدیدها در صفحه تشکر محتوای ارائه شده متغیر وابسته بود. ما در آزمایش از یک شرط کنترل و سه شرط چالش برانگیز استفاده کردیم.

در شرایط کنترل (نوع A) ، نوار جستجو بدون تغییر باقی ماند.

hubspot ab testing calculator

در نوع B ، نوار جستجو بزرگتر و از نظر بصری برجسته تر شد ، و متن جایگزین روی “جستجو بر اساس موضوع” تنظیم شد.

در control condition in the hubspot search bar A B test P>

Variant C appeared identical to variant B, but only searched the HubSpot Blog rather than the entire website.

In variant D, the search bar was made larger but the placeholder text was set to “search the blog.” This variant also searched only the HubSpot Blog

variant b of the hubspot search bar AB test

We found variant D to be the most effective: It increased conversions by 3.4% over the control and increased the percentage of users who used the search bar by 6.5%.

2. Mobile CTAs

HubSpot uses several CTAs for content offers in our blog posts, including ones in the body of posts as well as at the bottom of the page. We test these CTAs extensively for optimize their performance.

For our mobile users, we ran an A/B test to see which type of bottom-of-page CTA converted best. For our independent variable, we altered the design of the CTA bar. Specifically, we used one control and three challengers in our test. For our dependent variables, we used pageviews on the CTA thank you page and CTA clicks.

The control condition included our normal placement of CTAs at the bottom of posts. In variant B, the CTA had no close or minimize option.

variant c of the hubspot search bar AB testIn variant C, mobile readers could close the CTA by tapping an X icon. Once it was closed out, it wouldn’t reappear.

variant B of the hubspot mobile CTA AB test

In variant D, we included an option to minimize the CTA with an up/down caret.

variant C of the hubspot mobile CTA AB test

Our tests found all variants to be successful. Variant D was the most successful, with a 14.6% increase in conversions over the control. This was followed by variant C with an 11.4% increase and variant B with a 7.9% increase.

3. Author CTAs

In another CTA experiment, HubSpot tested whether adding the word “free” and other descriptive language to author CTAs at the top of blog posts would increase content leads. Past research suggested that using “free” in CTA text would drive more conversions and that text specifying the type of content offered would be helpful for SEO and accessibility.

In the test, the independent variable was CTA text and the main dependent variable was conversion rate on the content offer form.

In the control condition, author CTA text was unchanged (see the orange button in the image below).

variant d of hubspot's mobile cta A B test

In variant B, the word “free” was added to the CTA text.

variant A of the author CTA AB test

In variant C, descriptive wording was added to the CTA text in addition to “free.”

variant B of the author CTA AB test

Interestingly, variant B saw a loss in form submissions, down by 14% compared to the control. This was unexpected, since including “free” in content offer text is widely considered a best practice.

Meanwhile, form submissions in variant C outperformed the control by 4%. It was concluded that adding descriptive text to the author CTA helped users understand the offer and thus made them more likely to download.

4. Blog Table of Contents

To help users better navigate the blog, HubSpot tested a new Table of Contents (TOC) module. The goal was to improve user experience by presenting readers with their desired content more quickly. We also tested whether adding a CTA to this TOC module would increase conversions.

The independent variable of this A/B test was the inclusion and type of TOC module in blog posts, and the dependent variables were conversion rate on content offer form submissions and clicks on the CTA inside the TOC module.

The control condition did not include the new TOC module — control posts either had no table of contents, or a simple bulleted list of anchor links within the body of the post near the top of the article (pictured below).

variant C of the author CTA AB test

In variant B, the new TOC module was added to blog posts. This module was sticky, meaning it remained onscreen as users scrolled down the page. Variant B also included a content offer CTA at the bottom of the module.

variant A of the hubspot blog chapter module AB test

Variant C included an identical module to variant B but with the CTA removed.

variant B of the hubspot blog chapter module AB test

Both variants B and C did not increase the conversion rate on blog posts. The control condition outperformed variant B by 7% and performed equally with variant C. Also, few users interacted with the new TOC module or the CTA inside the module.

5. Review Notifications

To determine the best way of gathering customer reviews, we ran a split test of email notifications versus in-app notifications. Here, the independent variable was the type of notification and the dependent variable was the percentage of those who left a review out of all those who opened the notification.

In the control, HubSpot sent a plain text email notification asking users to leave a review. In variant B, HubSpot sent an email with a certificate image including the user’s name.

variant C of the hubspot blog chapter module AB test

For variant C, HubSpot sent users an in app-notification.

variant B of the hubspot notification AB test

Ultimately, both emails performed similarly and outperformed the in-app notifications. About 25% of users who opened an email left a review versus the 10.3% who opened in-app notifications. Emails were also more often opened by users.

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. Learn how to best carry out some of the steps above using the free e-book below.

Editor’s note: This post was originally published in May 2016 and has been updated for comprehensiveness.

variant C of the hubspot notification AB test

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *