بهینه سازی نرخ تبدیل از طریق آزمایش A / B هدفمند - در اینجا چگونگی ارائه شده است

سال گذشته ، تقریباً 6.6 میلیارد یورو برای اقدامات بازاریابی آنلاین (منبع: Statista) هزینه شده و رشد 7 درصدی (منبع: Bundesverband Digitale Wirtschaft eV) داشته است. پیش بینی می شود تا سال 2020 ، تبلیغات آنلاین 39.8٪ از کل حجم تبلیغات در آلمان را شامل شود (منبع: زنیت).

کلیه اقدامات تبلیغاتی آنلاین دارای یک چیز مشترک است: آنها در صفحه فرود به پایان می رسند. اگرچه توجه توسط آگهی ها ، تبلیغات شبکه جستجو و غیره ایجاد می شود و گروه هدف تا حدی از قبل انتخاب شده است ، کسب واقعی در صفحه فرود روی می دهد.

با این وجود ، اکثر شرکت ها اکثر بودجه تبلیغاتی خود را صرفاً در اقداماتی که ایجاد ترافیک می کند ، سرمایه گذاری می کنند. در نتیجه ، بسیاری از پتانسیل ها باقیمانده و به میزان قابل توجهی پول بیشتری از آنچه لازم است صرف می شود.

به همین دلیل آزمایش A / B ارزشمند است

در اینجا یک مثال محاسبه ساده است که به طور کلی مزیت مالی بهینه سازی نرخ تبدیل را به طور کلی و مفهوم آزمایش A / B به طور خاص نشان می دهد:

• یک تبلیغ کننده 10،000 یورو در ماه در کمپین های تبلیغاتی منجر به تبلیغات Google خود سرمایه گذاری می کند.
• متوسط ​​هزینه در هر کلیک 80 سنت است.
• نرخ تبدیل فعلی وی 16.2٪ است.

→ این تولید 2025 تبدیل در هر ماه با هزینه ای برای خرید 4.94 یورو می کند.

اگر موفق شویم نرخ تبدیل را حتی اندکی افزایش دهیم ، به عنوان مثال به 17.6٪ - که در تجربه ما نشانگر یک نتیجه آزمایش واقع گرایانه است - این منجر به  پس انداز ماهانه تقریبا 800 یورو می شود . روش دیگر ، 175 تبدیل اضافی در هر ماه می تواند برای همان بودجه تولید شود.

می توان گفت که ما به صفحات فرود بهتر نیاز داریم! با این حال ، از آنجا که ما اغلب حتی نمی دانیم که "بهتر" به چه معنی است ، روش های بیشماری برای بهینه سازی تجربه کاربری یک صفحه وجود دارد. آزمایش A / B یک آزمایش متداول است. در ادامه قوانین اساسی تست A / B را توضیح می دهم و اطلاعات مهمی در مورد استفاده موثر و کارآمد از این ابزار ارائه می دهم.

بنابراین شما به درستی تست می کنید

آزمایشات انفرادی اغلب به صورت جدا از یکدیگر مشاهده می شوند و فرضیات دلخواه در مورد یک وب سایت ، قابلیت استفاده آن و تجربه کاربری انجام می شود ، که پس از آن با یک آزمون A / B ، گاهی کم و بیش موفقیت آمیز به پایان می رسد. از این طریق می توان افزایش کوتاه مدت CR را بدست آورد ، اما برای دستیابی به یک افزایش پایدار ، جامد و مداوم در عملکرد ، در نظر گرفتن آزمایش A / B به عنوان یک فرایند طولانی مدت ضروری است.

برای تضمین این روند ، ما دوست داریم خود را در این 6 مرحله آزمایش قرار دهیم:

تحلیل

همانطور که دکتر ادواردز دمینگ گفت: "بدون اطلاعات شما فقط شخص دیگری با نظر هستید". با وحشی شدن زیاد به دست نمی آیید. اگر بتوانید تئوری های خود را با داده ها ثابت کنید ، هدفمند تر کار می کنید. بنابراین: کلیه منابع داده موجود را جمع آوری و مشاهده کنید. مشکلات در جریان کاربر در چه نقاطی نشان می دهد؟ میزان ترک بالاتر از حد متوسط ​​کجاست؟ از CRM خود درمورد مشتریان می توانید چه دیدگاهی کسب کنید؟ داده های کیفی نیز از اهمیت ویژه ای برخوردار هستند: برای مثال ، آیا در گذشته نظرسنجی های مشتری انجام شده است که پتانسیل بهینه سازی را نشان می دهد؟

ابزارهای خارجی همچنین می توانند در اینجا کمک کنند. با توجه به نگاه کاربر ، می توان از داده های ابزار ردیابی چشم استفاده کرد - به عنوان مثال Eyequant . به عنوان مثال ، به شما اطلاعاتی می دهد که آیا بعضی از مناطق مهم (مهم) وب سایت به هیچ وجه مورد توجه قرار نمی گیرند.

فرضیه

پس از انجام کار مقدماتی ، شما باید فرضیه های آزمون واضح را از داده های بدست آمده تشکیل دهید. هر یک از این فرضیه ها باید به گونه ای تدوین شود که پس از انجام آزمایش ، به روشنی قابل تأیید یا رد باشد. این همچنین به ذینفعان شما (همکاران ، مشتریان و غیره) تصویری از اینکه کدام آزمایش انجام شده است ، به چه دلیل و چطور اختصاص داده شده است.

یک مثال کلاسیک از یک فرضیه می تواند: "با رنگ آمیزی دکمه در تقابل مکمل با بقیه صفحه ، این مسئله با شدت بیشتری درک می شود ، که باعث می شود کلیک کنید".

اولویت بندی

البته همه آزمایشات به یکباره قابل انجام نیست. همیشه سایت های ساخت و ساز بزرگتر و کوچکتر در نرخ تبدیل و وابستگی های مهم اما کم اهمیت بین عناصر یک وب سایت یا صفحه فرود وجود دارد. بنابراین یک نقشه آزمایشی ساختاری دقیق تهیه کنید. این یک مرور کلی از کلیه آزمون ها ، فرضیه ها و نتایج آنها را به شما می دهد.

اگر زمان بندی را در اینجا ثبت می کنید ، در نظر بگیرید که - بسته به ترافیک - شما برای دریافت نتایج معتبر زمان کافی را برنامه ریزی می کنید.

تست

اگر آزمایش انجام شده است ، باید سعی کنید عوامل تأثیرگذار خارجی را تا حد ممکن ثابت نگه دارید. در صورت امکان ، آزمایش خود را حداقل برای دو هفته اجرا کنید تا از تحریفات ناشی از شرایط استثنایی (مانند تبلیغات ویژه یا اختلاف ترافیکی در روزهای مختلف هفته) جلوگیری کنید.

ارزیابی

تا زمانی که داده کافی ندارید ، آزمایش خود را ارزیابی نکنید. در راستای تحقیقات اجتماعی ، سطح معناداری 5٪ در اینجا فرض شده است. به عبارت دیگر ، حداقل 95٪ فرضیه آزمون شما می تواند تأیید یا رد شود.

نگران نباشید ، ابزاری برای این محاسبه وجود دارد - مثلاً این مورد.

اگر نتیجه آزمون قابل توجه نیست ، باید اجازه دهید که آزمون ادامه یابد تا زمانی که تضمین شود یا - اگر در طولانی مدت اینگونه نباشد - آن را نیز دور کنید. تحت هیچ شرایطی نباید آزمایشات روشنی را انجام دهید.

اجرا

اگر یک تست مثبت است ، البته باید بلافاصله انجام شود. فقط بر اساس مبنای جدید ایجاد شده از این طریق ، آزمایش ادامه خواهد یافت. در غیر این صورت ، شما هرگز نمی دانید که چه عواملی مسئولیت افزایش نرخ تبدیل را بر عهده داشتند. زیرا اگر دو تست در همان صفحه بهتر از نسخه اصلی کار کنند ، به این معنی نیست که ترکیبی از این دو اثر باشد.

البته می توانید تست های چند متغیره نیز انجام دهید. پیش نیاز این امر ، میزان ترافیک و میزان تبدیل حتی بیشتر نیز نسبت به تست A / B ساده است.

نتیجه

آزمایش A / B یک ابزار با ارزش برای بهینه سازی نرخ تبدیل است - اگر به درستی انجام شود. از آزمایشات قابلیت استفاده کاملاً کاربردی گرفته تا آدرس دهی اختصاصی گروه با استفاده از یک عبارت خاص یا یک زبان ویژوال خاص ، همه چیز از لحاظ تئوری به عنوان یک تست A / B مناسب است. ما در این مقاله برای آزمایشات احتمالی مربوط به رویکرد گروه هدف عاطفی الهام بخش هستیم .

داده های شما بزرگترین اماکن ساختمانی را از کجا باید شروع کنید. بنابراین هیچ پتانسیلی را پشت سر نگذارید و آزمایش را شروع کنید!