نحوه بدست آوردن داده های مفید از آزمون های A/B بازنده و بدون نتیجه

آزمایش A/B برای توسعه یک استراتژی بازاریابی دیجیتال قوی بسیار مهم است. با این حال ، همه آزمایشات به داده های ارزشمندی منجر نمی شود.

اگر متغیری که فکر می کردید سنگ را به هم می ریزد به پایان برسد چه می کنید؟ یا اگر نتایج آزمایش شما بی نتیجه باشد چه؟

هنوز حوله را پرتاب نکنید!

می توانید با آزمایشات A/B بدون نتیجه یا از دست دادن اطلاعات زیادی کار کنید. ما قصد داریم نحوه استفاده خوب از این اطلاعات را پوشش دهیم – اما ابتدا بیایید توضیح دهیم که چرا آزمایش A/B در بازاریابی دیجیتال اهمیت دارد.

چرا آزمایش A/B برای موفقیت در بازاریابی دیجیتال بسیار مهم است

آزمایش A/B به بازاریابان کمک می کند تا تاثیر روش های بهینه سازی را درک کنند. به عنوان مثال ، می تواند نشان دهد که چگونه تغییر عنوان یک تبلیغ روی تبدیل ها تأثیر می گذارد یا اینکه آیا استفاده از س questionsالات در عنوان ها باعث افزایش ترافیک می شود.

آزمایش A/B داده های سختی را برای پشتیبانی از تکنیک های بهینه سازی شما ارائه می دهد. این امر به بازاریابان اجازه می دهد تا تصمیمات تجاری بهتری بگیرند ، زیرا آنها فقط حدس نمی زنند که چه چیزی ROI را افزایش می دهد. در عوض ، آنها تصمیم می گیرند که چگونه تغییرات خاص بر ترافیک ، فروش و ROI تأثیر می گذارد.

چگونه می توانم بفهمم که آزمون A/B بازنده یا بی نتیجه هستم؟

پس از اجرای آزمایش A/B ، نتایج را در داشبورد داده خود (مانند Google Analytics) یا در ابزار آزمایش مورد استفاده خود مشاهده خواهید کرد.

Optimizely ، یک پلت فرم تست A/B محبوب ، داده ها را در صفحه نتایج آزمایش ارائه می دهد ، که هر تنوع ، تعداد بازدیدکنندگان ، تعداد افرادی که یک اقدام خاص ، درآمد و سایر معیارها را انجام داده اند را دنبال می کند.

مثال بالا نشان می دهد تنوع شماره یک بازدیدکنندگان کمتری داشته اما 5 درصد درآمد بیشتری داشته است ، و آن را برنده ای مشخص می کند.

در موارد دیگر ، اعداد ممکن است بسیار نزدیکتر باشند. یک آزمایش بی نتیجه ممکن است به این معنی باشد که اعداد کمتر از یک درصد تخفیف دارند ، یا هیچ یک از تغییرات هیچ ترافیکی نداشته اند.

هنگامی که آزمایشات شما داده های کافی ندارند یا اگر اعداد بیش از حد نزدیک هستند ، آنها ناتمام یا از نظر آماری ناچیز تلقی می شوند.

سپس ، از این نکات برای استفاده بیشتر از داده های خود استفاده کنید.

6 راه برای استفاده از داده ها از دست دادن یا عدم نتیجه گیری A/B Test

شما آزمایشات A/B خود را انجام داده اید و مشتاق هستید که به نتایج برسید. سپس ، اتفاقی غیرمنتظره رخ می دهد: تنوعی که انتظار داشتید برنده شوید بدتر عمل می کند! یا متوجه می شوید که تغییرات به هیچ وجه بر معیارهایی که دنبال می کنید تأثیر نمی گذارد.

حالا چی؟ تصور نکنید که آزمون شما شکست خورده است. مراحل زیادی وجود دارد که می توانید برای استفاده از این داده ها انجام دهید.

چیزی واقعاً متفاوت را امتحان کنید

نتایج آزمایش غیرقطعی می تواند به این معنی باشد که تغییرات شما بسیار نزدیک هستند. آزمایش A/B می تواند به شما کمک کند ببینید آیا تغییر کوچکی (مانند استفاده از دکمه های قرمز در مقابل سبز) بر تبدیل ها تأثیر می گذارد ، اما گاهی اوقات این تغییرات کوچک تأثیر چندانی ندارند.

به یاد داشته باشید که ممکن است لازم باشد آزمایش را با چندین تغییر مشابه انجام دهید تا ببینید علت این تغییر چیست.

به جای دلسرد شدن ، آن را فرصتی برای امتحان کردن چیزی کاملاً متفاوت در نظر بگیرید. به عنوان مثال ، طرح صفحه را تغییر دهید ، یک تصویر متفاوت اضافه کنید یا یک عکس را حذف کنید ، یا تبلیغ ، دارایی یا CTA خود را کاملاً تغییر دهید.

بخش های مختلف ترافیک را تجزیه و تحلیل کنید

بنابراین ، آزمایش A/B شما با نتایج تقریباً یکسان برگشت. یعنی چیزی تغییر نکرده؟ شاید نه. به جای نگاه کردن به همه داده ها ، سعی کنید مخاطب را تقسیم بندی کنید تا ببینید آیا افراد مختلف پاسخ متفاوتی داده اند یا خیر.

به عنوان مثال ، ممکن است داده ها را با موارد زیر مقایسه کنید:

• مشتریان جدید در مقابل مشتریان بازگشتی
• خریداران در مقابل مشتریان احتمالی
• صفحات خاص بازدید شده
• دستگاه های مورد استفاده
• تغییرات جمعیتی
• مکانها یا زبانها

به طور کلی ، ممکن است آزمون شما بی نتیجه باشد. با این حال ، ممکن است متوجه شوید که بخشهای خاصی از مخاطبان شما به فرمت ها ، رنگها یا کلمات خاصی بهتر پاسخ می دهند.

می توانید از این اطلاعات برای تقسیم بندی مناسبتر تبلیغات یا ایجاد تبلیغات یا محتوای شخصی سازی شده استفاده کنید.

فراتر از معیارهای اصلی خود نگاه کنید

تبدیل مهم است ، اما همه چیز نیست. ممکن است در از دست دادن نتایج آزمایش داده های پنهان داشته باشید.

به عنوان مثال ، ممکن است متوجه شوید که تبدیل ها کم بوده اند ، اما بازدیدکنندگان برای مشاهده وبلاگ شما کلیک کرده یا مدت بیشتری در صفحه باقی مانده اند.

مطمئناً شما ترجیح می دهید فروش داشته باشید. با این حال ، اگر بازدیدکنندگان قصد دارند وبلاگ شما را بخوانند به این معنی است که به نحوی با آنها ارتباط برقرار کرده اید. چگونه می توانید از این اطلاعات برای بهبود فرایند خرید استفاده کنید؟

بگویید دو نوع تبلیغ را اجرا می کنید. اگر یک تنوع باعث ایجاد ترافیک عظیم شود و 30 درصد بازدیدکنندگان از آن تنوع را تغییر دهند ، این می تواند به معنای درآمد بیشتر باشد. بدیهی است که برنده ، درست است؟

لازم نیست. به آگهی “از دست دادن” خود نگاهی بیندازید تا ببینید ترافیک کمتری ایجاد کرده است ، اما برای مثال تبدیل بالاتری داشته است. اگر فقط به ترافیک و درآمد مستقیم نگاه می کردید ، شاید متوجه نمی شدید که آگهی دوم از نظر آماری بهتر عمل می کند ، اگر نه در تعداد خشن.

اکنون ، می توانید داده ها را جستجو کنید تا دریابید که چرا ترافیک کمتری ایجاد کرده است و از آن برای بهبود مجموعه بعدی تبلیغات خود استفاده کنید.

حذف داده های ناخواسته

گاهی اوقات آزمایشات بی نتیجه نیستند نه به این دلیل که تغییرات شما وحشتناک بوده یا آزمایش شما معیوب بوده است ، بلکه به این دلیل است که یک سری داده های ناخواسته نتایج شما را منحرف می کند. خلاص شدن از شر داده های ناخواسته می تواند به شما کمک کند روندها را واضح تر ببینید و برای یافتن روندهای مهم تحقیق کنید.

در اینجا چند روش برای پاکسازی داده های ناخواسته وجود دارد تا بتوانید نتایج واضح تری از نتایج خود بدست آورید:

• ترافیک ربات ها را کنار بگذارید.
• اگر به آدرس های IP دسترسی دارید ، هر کدام را از آدرس IP شرکت خود حذف کنید.
• در صورت امکان ترافیک رقبا را حذف کنید.

همچنین ، مطمئن شوید که ابزارهای ردیابی مورد استفاده شما ، مانند پارامترهای URL ، به درستی کار می کنند. عدم پیگیری صحیح آزمایشات می تواند نتایج را کج کند. سپس ، بررسی کنید که فرم های ثبت نام ، پیوندها و هر چیز دیگری که می تواند بر داده های شما تأثیر بگذارد ، در حال کار هستند.

به دنبال تعصب باشید و از شر آنها خلاص شوید

سوگیری ها عوامل خارجی هستند که بر نتایج آزمایش شما تأثیر می گذارند.

به عنوان مثال ، فرض کنید می خواهید از مخاطبین خود نظرسنجی کنید ، اما پیوند فقط روی یک رایانه رومیزی کار می کند. در این صورت ، شما می توانید یک نمونه سوگیری داشته باشید ، زیرا فقط افرادی که دسکتاپ دارند پاسخ می دهند. هیچ کاربر تلفن همراه مجاز نیست.

سوگیری های مشابه می تواند بر آزمون های A/B تأثیر بگذارد. در حالی که نمی توانید آنها را به طور کامل از بین ببرید ، می توانید داده ها را تجزیه و تحلیل کنید تا تأثیر آنها را به حداقل برسانید.

با جستجوی عواملی که می توانند بر آزمون شما تأثیر بگذارند ، شروع کنید. مثلا:

• تبلیغات انجام دادید؟
• آیا در فصلی شلوغ یا کند در صنعت شما بوده است؟
• آیا پرتاب یک رقیب بر آزمایش های شما تأثیر گذاشت؟

سپس ، به دنبال راه هایی باشید تا نتایج خود را از این تأثیرات جدا کنید. اگر نمی توانید بفهمید چه مشکلی پیش آمده است ، دوباره امتحان را امتحان کنید.

همچنین نگاهی به نحوه اجرای آزمون خود بیندازید. به عنوان مثال ، آیا تصادفی کردید که چه نسخه هایی را دید؟ آیا یک نسخه برای موبایل بهینه شده بود در حالی که نسخه دیگر آن نه؟ در حالی که نمی توانید این مشکلات را با مجموعه داده فعلی تصحیح کنید ، می توانید تست A/B بعدی خود را بهبود بخشید.

دوباره تست های A/B خود را اجرا کنید

تست A/B یک آزمون تک کاره نیست. هدف از آزمایش A/B بهبود مستمر عملکرد ، تبلیغات یا محتوای سایت شما است. تنها راه بهبود مستمر آزمایش مداوم است.

پس از تکمیل یک آزمون و تعیین برنده (یا مشخص شد که هیچ برنده ای وجود ندارد!) ، زمان آزمایش مجدد فرا رسیده است. سعی کنید از آزمایش تغییرات متعدد به طور همزمان (به نام آزمایش چند متغیره) اجتناب کنید ، زیرا این امر تشخیص اینکه کدام تغییر بر نتایج شما تأثیر می گذارد را دشوار می کند.

در عوض ، تغییرات را یکی یکی اجرا کنید. به عنوان مثال ، ممکن است یک تست A/B را برای یافتن بهترین عنوان ، یکی دیگر را برای یافتن بهترین تصویر و یک سوم را برای پیدا کردن بهترین پیشنهاد اجرا کنید.

تست A/B بازنده و بدون نتیجه: سوالات متداول

ما به مواردی که در صورت از دست دادن یا عدم نتیجه گیری آزمایش A/B اقدام می کنید ، پرداخته ایم ، اما ممکن است هنوز س haveالاتی داشته باشید. در اینجا به سوالات متداول در مورد آزمایش A/B پاسخ داده می شود.

آزمایش A/B چیست؟

آزمایش A/B نسخه های مختلف یک دارایی آنلاین مشابه به آگهی ، پست رسانه های اجتماعی ، بنر وب سایت ، تصویر قهرمان ، صفحه فرود یا دکمه CTA را به بازدیدکنندگان مختلف نشان می دهد. هدف این است که بهتر بفهمید کدام نسخه منجر به تبدیل بیشتر ، ROI ، فروش یا سایر معیارهای مهم برای کسب و کار شما می شود.

آزمون بدون نتیجه A/B به چه معناست؟

این می تواند چندین معنی داشته باشد. به عنوان مثال ، ممکن است به این معنی باشد که شما اطلاعات کافی ندارید ، آزمایش شما به اندازه کافی طولانی انجام نشده است ، تغییرات شما بسیار شبیه به هم بوده است ، یا باید داده ها را با دقت بیشتری بررسی کنید.

هدف از آزمون A/B چیست؟

هدف از آزمایش A/B این است که ببیند کدام نسخه از تبلیغات ، وب سایت ، محتوا ، صفحه فرود یا سایر دارایی های دیجیتالی بهتر از نسخه های دیگر عمل می کند. بازاریابان دیجیتال از تست A/B برای بهینه سازی استراتژی های بازاریابی دیجیتال خود استفاده می کنند.

آیا آزمون های A/B بهتر از آزمون های چند متغیره است؟

یکی بهتر از دیگری نیست زیرا A/B و آزمون های چند متغیره اهداف متفاوتی را ارائه می دهند. تست های A/B برای آزمایش تغییرات کوچک مانند رنگ دکمه CTA یا زیر عنوان استفاده می شود. در همین حال ، آزمونهای چند متغیره متغیرهای متعدد را مقایسه کرده و اطلاعاتی در مورد نحوه تعامل تغییرات با یکدیگر ارائه می دهند.

به عنوان مثال ، ممکن است از آزمایش چند متغیره استفاده کنید تا ببینید آیا تغییر کل طرح صفحه فرود بر تبدیل ها تأثیر می گذارد و کدام تغییر را بیشتر تغییر می دهد.

بهترین ابزارهای تست A/B چیست؟

طیف وسیعی از ابزارهای آزمایش بر اساس نیازهای شما و بستری که استفاده می کنید وجود دارد. گوگل یک ابزار تست A/B رایگان به نام Google Optimize ارائه می دهد. ابزارهای پرداخت شده A/B شامل Optimizely ، VWO ، Adobe Target و AB Tasty است.

همچنین ممکن است بتوانید با استفاده از افزونه های وردپرس ، پلت فرم وب سایت خود یا ابزارهای بازاریابی مانند HubSpot ، آزمایش A/B را اجرا کنید.

نتیجه گیری: از آزمایش A/B بازنده یا بدون نتیجه حداکثر استفاده را ببرید

آزمایش A/B برای موفقیت استراتژی بازاریابی آنلاین شما بسیار مهم است. چه بر SEO ، رسانه های اجتماعی ، بازاریابی محتوا یا تبلیغات پولی تمرکز کنید ، برای اینکه بدانید کدام استراتژی ها نتایج را نتیجه می گیرند ، به آزمایش A/B نیاز دارید.

هر آزمون A/B ارزشمند است – چه تغییرات جدید شما برنده باشد ، چه باخت ، یا بی نتیجه باشد ، در هر نتیجه آزمایش داده های مهمی وجود دارد. مراحل بالا به شما کمک می کند تا نتایج آزمایش A/B خود را بهتر درک کنید تا بتوانید با اطمینان تغییراتی را ایجاد کنید.

آیا قبلا از تست A/B بازنده یا بدون نتیجه استفاده کرده اید؟ چه بینش هایی جمع آوری کرده اید؟