Co je AB testování: Jak na to a praktické příklady

Zjistěte více o AB testování, výzkumu konverzí a prioritizaci nápadů až po analýzu testů a správu archivu od odborníků z Google, HubSpot a Shopify.

Ať už jste zkušený podnikatel nebo teprve začínáte, pravděpodobně jste narazili na nespočet článků a zdrojů o AB testování. Možná už AB testujete předměty svých e-mailů nebo příspěvky na sociálních sítích.

Přestože se o AB testování v marketingu napsalo mnoho, mnozí podnikatelé se v praxi potýkají s problémy. Výsledkem jsou významná obchodní rozhodnutí založená na nepřesných výsledcích z nevhodně provedeného testu.

AB testování bývá často zjednodušováno, zejména v obsahu určeném pro majitele obchodů. Níže najdete vše, co potřebujete k tomu, abyste začali s různými typy AB testování pro e-commerce, vysvětlené co nejjednodušeji, ale přitom užitečně. A/B testování může být klíčové pro výběr správného produktového umístění, zvýšení konverzí na cílové stránce a mnohem více.

Co je AB testování?

AB testování, známé také jako split testing nebo bucket testing, porovnává dvě verze webové stránky, e-mailu nebo jiného digitálního prvku. Cílem je zjistit, která verze lépe reaguje na chování uživatelů.

Je to užitečný nástroj pro zlepšení výkonnosti marketingové kampaně a lepší pochopení toho, co přitahuje vaši cílovou skupinu. AB testování vám pomáhá odpovědět na důležité otázky. Také zvyšuje příjmy z provozu. Navíc tvoří základ pro daty řízenou marketingovou strategii.

Jak AB testování funguje

• Definujte svůj cíl. Stanovte si cíle pro A/B test, jako je zvýšení konverzí, míry prokliku nebo celkových prodejů.
• Vyberte prvek k testování. Můžete testovat nadpisy, obrázky, předměty e-mailů, výzvy k akci (CTA - call to action), ceny, rozložení atd.
• Vytvořte varianty. Vyviňte dvě verze prvku: Verzi A, což je původní verze vašeho prvku, nebo „kontrolní“ verze. Verze B, nová verze se změnami, které chcete testovat, je známá jako „varianta“. V rámci marketingu zobrazíte 50 % návštěvníků Verzi A a 50 % návštěvníků Verzi B.
• Proveďte test. Obě skupiny vystavte variantám po předem stanovenou dobu. Například, pokud testujete tlačítko CTA na domovské stránce e-commerce, můžete testy provádět po dobu dvou týdnů, abyste dosáhli statisticky významných výsledků.
• Shromážděte data. Sledujte a měřte konverze, prokliky, úroveň zapojení a prodeje napříč oběma verzemi.
• Analyzujte výsledky. Porovnejte výkon Verze A a Verze B, abyste určili, která verze efektivněji splňuje váš cíl. Verze s nejvyšší konverzní mírou vyhrává.
• Vyhlášení vítěze. Pokud má Verze B nejvyšší konverzní míru, prohlaste ji za vítěze a přesměrujte 100 % návštěvníků na tuto verzi. Tato verze se stává novou kontrolní a musíte navrhnout další variantu pro budoucí testy.

💡Poznámka: Konverzní míra A/B testu může často být nedokonalým měřítkem úspěchu.

Například, pokud cenu položky nastavíte na 50 Kč na jedné stránce a na druhé je zcela zdarma, neposkytne to žádný skutečně cenný vhled. Stejně jako u jakéhokoli nástroje nebo strategie, kterou používáte pro své podnikání, musí být strategická.

Proto byste měli sledovat hodnotu konverze až po konečném prodeji.

Kdy AB testovat

Pokud máte web s nízkou návštěvností nebo aplikaci, A/B testování asi nebude nejlepší volbou pro optimalizaci. Pravděpodobně uvidíte vyšší návratnost investic (ROI) z provádění uživatelského testování nebo rozhovorů se svými zákazníky. Navzdory obecnému přesvědčení optimalizace konverzního poměru nezačíná a nekončí testováním.

Proč dva až čtyři týdny? Pamatujte, že chcete provádět testy alespoň po dobu dvou úplných obchodních cyklů. Obvykle to vychází na dva až čtyři týdny. Možná si teď říkáte: „Žádný problém, provedu test déle než dva až čtyři týdny, abych dosáhl požadované velikosti vzorku.“ To také nebude fungovat.

Čím déle test běží, tím více je náchylný k hrozbám externí validity a kontaminaci vzorku. Například návštěvníci mohou smazat své cookies a znovu se dostat do A/B testu jako noví návštěvníci. Nebo někdo může přepnout z mobilního telefonu na desktop a vidět alternativní variantu.

V podstatě, nechání testu běžet příliš dlouho může zkreslit výsledky stejně jako nedostatečné trvání testu.

Testování stojí za investici pro obchody, které mohou dosáhnout požadované velikosti vzorku za dva až čtyři týdny. Obchody, které to nedokážou, by měly zvážit jiné formy optimalizace, dokud jejich návštěvnost neporoste.

Nastavení procesu AB testování

Prioritizujte nápady na AB testování

Obrovský seznam příkladů AB testování je vzrušující, ale ne příliš užitečný pro rozhodování, co testovat. Kde začít? To je místo, kde přichází na řadu prioritizace.

Existuje několik běžných rámců prioritizace AB testování, které můžete použít:

• ICE. ICE znamená dopad, důvěru a snadnost. Každý z těchto faktorů dostává hodnocení od 1 do 10. Například, pokud byste mohli test snadno provést sami bez pomoci vývojáře nebo designéra, mohli byste snadnosti dát hodnocení 8. Používáte zde svůj úsudek a pokud máte více než jednu osobu provádějící testy, hodnocení se může stát příliš subjektivním. Pomáhá mít soubor pokynů, aby všichni zůstali objektivní.
• PIE. PIE znamená potenciál, důležitost a snadnost. Opět každý faktor dostává hodnocení od 1 do 10. Například, pokud test dosáhne 90 % vašeho provozu, mohli byste důležitosti dát hodnocení 8. PIE je stejně subjektivní jako ICE, takže pokyny mohou být užitečné i pro tento rámec.
• PXL. PXL je prioritizační rámec od vzdělávací platformy CXL. Je trochu jiný a více přizpůsobitelný, nutí k objektivnějším rozhodnutím. Místo tří faktorů najdete otázky Ano/Ne a otázku o snadnosti implementace. Například rámec se může ptát: „Je test navržen tak, aby zvýšil motivaci?“ Pokud ano, dostane 1. Pokud ne, dostane 0. Můžete se o tomto rámci dozvědět více a stáhnout tabulku.

Až budete mít představu o tom, kde začít, může být užitečné také kategorizovat své nápady. Například během některého výzkumu konverzí můžete použít tři kategorie: implementovat, prozkoumat a testovat.

• Implementovat. Prostě to udělejte, je to rozbité nebo zřejmé.
• Prozkoumat. Vyžaduje to další úvahu k definování problému nebo zúžení na řešení.
• Testovat. Nápad je zdravý a založený na datech. Otestujte ho!

Mezi touto kategorizací a prioritizací budete připraveni začít s AB testováním.

Vypracujte hypotézu

Před tím, než otestujete cokoliv, musíte mít hypotézu. Například: „Pokud snížíme cenu za dopravu, konverzní míry vzrostou.“

Nemusíte se bát - vytvoření hypotézy v této situaci není tak složité, jak to může znít. V podstatě musíte testovat hypotézu, nikoli nápad. Hypotéza je měřitelná, usiluje o vyřešení konkrétního problému s konverzí a zaměřuje se na poznatky místo na vítězství.

Při psaní hypotézy pomůže použít vzorec převzatý z Hypotézového kitu Craiga Sullivana:

• Protože vidíte [vložit data/feedback z výzkumu]
• očekáváte, že [změna, kterou testujete] způsobí [dopad, který očekáváte], a
• to budete měřit pomocí [datové metriky].

Snadné, že? Vše, co musíte udělat, je vyplnit prázdná místa a vaše A/B testovací myšlenka se promění v hypotézu.

Vyberte nástroj pro AB testování

Teď můžete začít vybírat nástroj pro AB testování nebo službu pro split testing. Častěji než ne, vám jako první přijdou na mysl Google Optimize, Optimizely a VWO. Všechny jsou dobré, bezpečné možnosti.

Zde je více informací o těchto populárních nástrojích pro AB testování:

• Google Optimize. Zdarma, s výjimkou některých multivariačních omezení, což by vás nemělo příliš ovlivnit, pokud teprve začínáte. Dobře funguje při provádění AB testování pomocí Google Analytics, což je plus.
• Optimizely. Snadné spuštění menších testů, i bez technických dovedností. Stats Engine usnadňuje analýzu výsledků testů. Obvykle je Optimizely nejdražší možností ze tří.
• VWO. VWO má SmartStats, aby usnadnilo analýzu. Navíc má skvělý WYSIWYG editor pro začátečníky. Každý plán VWO obsahuje heat mapy, průzkumy na stránce, analýzu formulářů atd.

Existují také nástroje pro AB testování v Shopify App Store, které byste mohli považovat za užitečné.

Ať už si vyberete nástroj pro A/B testování nebo software pro split testing, vyplňte registrační formulář. Pak prostě postupujte podle pokynů, které dostanete. Proces se liší od nástroje k nástroji. Obvykle vás požádají o instalaci kódu na vašem webu a nastavení cílů.

Rozhodněte, jak analyzovat výsledky

Pokud správně vytvoříte hypotézu, i neúspěšný test může být úspěšný. Získáte cenné poznatky, které využijete v budoucích testech a v dalších oblastech podnikání. Takže při analýze výsledků testu se musíte zaměřit na poznatky, nikoli na to, zda test vyhrál nebo prohrál. Vždy je co se učit, vždy je co analyzovat. Nepodceňujte to!

Nejdůležitější je zde poznamenat potřebu segmentace. Test může být celkově poražený, ale pravděpodobně se mu dařilo alespoň v jednom segmentu publika.

Zde je několik příkladů segmentů publika:

• Noví návštěvníci
• Vracející se návštěvníci
• iOS návštěvníci
• Android návštěvníci
• Chrome návštěvníci
• Safari návštěvníci
• Desktopoví návštěvníci
• Tabletoví návštěvníci
• Organičtí návštěvníky
• Placení návštěvníky
• Návštěvníci ze sociálních sítí
• Přihlášení kupující

Rozumíte?

Pravděpodobně byla hypotéza potvrzena u určitých segmentů. To vám také něco říká.

Analýza je o mnohem více než o tom, zda byl test vítězem nebo poraženým. Segmentujte svá data, abyste našli skryté poznatky pod povrchem.

Software pro A/B testování tohle za vás neudělá, takže je to důležitá dovednost, kterou je třeba rozvíjet v průběhu času.

Archivujte své testovací výsledky

Představte si, že zítra provedete svůj první test. Vzpomenete si za dva roky na detaily tohoto testu? Pravděpodobně ne.

Proto je důležité archivovat výsledky vašeho AB testování. Bez dobře udržovaného archivu se všechny tyto poznatky, které získáváte, ztratí. Navíc je velmi snadné testovat to samé dvakrát, pokud nearchivujete své výsledky.

Neexistuje „správný“ způsob, jak to udělat. Můžete použít nástroj jako Effective Experiments, nebo můžete použít jednoduchou tabulku. Opravdu záleží na vás, zejména pokud teprve začínáte.

Bez ohledu na nástroj, který použijete, ujistěte se, že sledujete:

• Testovanou hypotézu
• Snímky kontrolní verze a varianty
• Jestli vyhrála nebo prohrála
• Poznání získaná analýzou

Jakmile váš podnik poroste, poděkujete si za udržování tohoto archivu. Pomůže to nejen vám, ale také novým zaměstnancům a poradcům/zainteresovaným stranám.

Příklady AB testování

Technická analýza

Načítá se váš obchod správně a rychle v každém prohlížeči? Na každém zařízení? Možná máte nový chytrý telefon, ale někdo někde stále používá flip telefon z roku 2005. Pokud váš web nefunguje správně a rychle, určitě neprovádí konverze tak, jak by mohl.

Průzkumy na stránkách

Tato okna se objevují, když návštěvníci procházejí vaším obchodem. Například průzkum na stránce se může ptát návštěvníků, kteří byli na stejné stránce po delší dobu, zda je něco, co je zdržuje od nákupu. Pokud ano, co to je? Tyto kvalitativní údaje můžete použít k vylepšení svého textu a konverzní míry.

Rozhovory se zákazníky

Nic nenahradí osobní telefonát a rozhovor se svými zákazníky. Proč si vybrali váš obchod před konkurencí? Jaký problém se snažili vyřešit, když přišli na váš web? Existuje milion otázek, které můžete položit, abyste se dostali k jádru toho, kdo jsou vaši zákazníci a proč od vás skutečně nakupují.

Průzkumy zákazníků

Průzkumy zákazníků jsou dlouhé dotazníky, které se posílají lidem, kteří již provedli nákup (na rozdíl od návštěvníků). Při navrhování průzkumu zákazníků se chcete zaměřit na: definování svých zákazníků, definování jejich problémů, definování váhání, které měli před nákupem, a identifikaci slov a frází, které používají k popisu vašeho obchodu.

Analýza analytiky

Sledují a reportují vaše analytické nástroje správně vaše data? To může znít směšně, ale byli byste překvapeni, kolik analytických nástrojů je nakonfigurováno nesprávně. Analýza analytiky je o zjištění, jak se chovají vaši návštěvníci. Například se můžete zaměřit na trychtýř: Kde jsou největší úniky v konverzním trychtýři? Jinými slovy, kde většina lidí odchází z vašeho trychtýře? To je dobré místo pro začátek testování.

Uživatelské testování

To je místo, kde sledujete skutečné lidi v placeném, kontrolovaném experimentu, jak se snaží vykonávat úkoly na vašem webu. Například můžete je požádat, aby našli videohru v cenovém rozmezí 1 000 až 1 500 Kč a přidali ji do svého košíku. Během vykonávání těchto úkolů nahlas vyprávějí své myšlenky a akce.

Opakování relací

Opakování relací je podobné uživatelskému testování, ale nyní se zabýváte skutečnými lidmi se skutečnými penězi a skutečným záměrem nakupovat. Budete sledovat, jak vaši skuteční návštěvníci navigují váš web. Co mají problém najít? Kde jsou frustrovaní? Kde se zdají být zmatení nebo ztracení?

Existují také další typy výzkumu, ale začněte výběrem nejlepší metody AB testování právě pro vás. Pokud projdete některými z nich, budete mít obrovský seznam nápadů založených na datech, které stojí za testování.

Procesy AB testování profesionálů

Teď, když jste prošli standardním tutoriálem o AB testování, podívejme se na přesné procesy profesionálů.

Krista Seiden, KS Digital

Můj krok-za-krokem proces AB testování webů a aplikací začíná analýzou. Podle mě je to základ dobrého testovacího programu. Cílem analýzy je prozkoumat vaše analytická data, průzkumy nebo UX data. Musíte také zahrnout jakékoli další zdroje zákaznických poznatků. To vám pomůže pochopit, kde jsou příležitosti k optimalizaci.

Jakmile máte jasnou představu o nápadech z analýzy, můžete přejít k hypotézám o tom, co by mohlo být špatně a jak byste mohli tyto oblasti optimalizace potenciálně opravit nebo zlepšit.

Dalším krokem je vytvořit a provést testy. Ujistěte se, že je provedete po rozumnou dobu. Obvykle volím dva týdny, abych zohlednil týdenní změny nebo anomálie. Když máte dostatek dat, analyzujte výsledky a určete vítěze.

Je také důležité věnovat čas v této fázi analýze poražených - co se můžete naučit z těchto variant?

Nakonec, a možná se k této fázi dostanete až poté, co strávíte čas na vytvoření solidního optimalizačního programu, je čas podívat se na personalizaci. To nemusí nutně vyžadovat sofistikovaný nástroj, ale může vycházet z dat, která máte o svých uživatelích.

Marketingová personalizace může být snadná. Může zahrnovat cílení správného obsahu na správná místa. Nebo může být složitější, kdy se zaměřuje na akce jednotlivých uživatelů. Ale neskákejte hned do personalizace, ujistěte se, že strávíte dostatek času na správných základech.

Alex Birkett, Omniscient Digital

Na vysoké úrovni se snažím dodržovat tento proces:

• Shromáždit data a zajistit, že implementace analytiky je přesná.
• Analyzovat data a najít poznatky.
• Převést poznatky na hypotézy.
• Prioritizovat na základě dopadu a snadnosti a maximalizovat alokaci zdrojů (zejména technických zdrojů).
• Provést test (následující nejlepší praktiky v oblasti statistik podle mého nejlepšího vědomí a schopností).
• Analyzovat výsledky a implementovat nebo ne podle výsledků.
• Na základě výsledků promyslete další kroky a opakujte je.

Jednodušeji řečeno: výzkum, test, analýza, opakování.

I když se tento proces může odchýlit nebo změnit v závislosti na kontextu (Testuji kritickou funkci produktu? CTA blogového příspěvku? Jaký je profil rizika a rovnováha mezi inovací a mitigací rizika?), je to docela aplikovatelné na jakoukoli velikost nebo typ společnosti.

Podstatou je, že tento proces je agilní, ale také shromažďuje dostatek dat, jak kvalitativní zpětné vazby od zákazníků, tak kvantitativní analytiky, aby bylo možné přicházet s lepšími testovacími nápady a lépe je prioritizovat.

Ton Wesseling, Online Dialogue

První otázka, kterou vždy odpovídáme, když chceme optimalizovat zákaznickou cestu, je: Kde se tento produkt nebo služba hodí do modelu ROAR, který jsme vytvořili v Online Dialogue? Jste stále ve fázi rizika, kde můžeme provést spoustu výzkumu, ale nemůžeme ověřit naše zjištění prostřednictvím online experimentů AB testování (pod 1 000 konverzí za měsíc), nebo jste ve fázi optimalizace? Nebo dokonce výše?

• Fáze rizika: Mnoho výzkumu se převede na změny, jako je pivot obchodního modelu nebo nový design a hodnotová nabídka.
• Fáze optimalizace: Velké experimenty, které optimalizují hodnotovou nabídku a obchodní model, stejně jako malé experimenty pro ověření hypotéz o chování uživatelů, které vybudují znalosti pro větší designové změny.
• Automatizace: Pokud máte dost návštěvníků na testování, nemusíte je všechny využít k ověřování fungování webu. Zbývající návštěvníky využijte pro rychlejší růst (například zvýšení prodejů nebo konverzí) místo dlouhodobého zlepšování. Tento proces můžete automatizovat pomocí nástrojů, které samy upravují obsah podle výsledků (např. algoritmy pro optimalizaci výkonu).
• Přehodnocení: Přestanete přidávat spoustu výzkumu, pokud to není zásadní obrat k něčemu novému.

AB testování webu nebo aplikací má tedy význam pouze ve fázi optimalizace ROAR a dále (do doby, než dojde k přehodnocení).

Náš přístup k provádění experimentů je model FACT & ACT:

Výzkum, který provádíme, je založen na našem modelu 5V:

Shromažďujeme všechny poznatky. Ty nám pomohou vytvořit hlavní hypotézu. Tato hypotéza bude podložená výzkumem. Pak vytvoříme sub-hypotézy, na které se zaměříme na základě dat z AB testování na desktopu nebo mobilu. Čím vyšší je pravděpodobnost, že hypotéza je pravdivá, tím vyšší bude hodnocení.

Jakmile zjistíme, jestli je naše hypotéza pravdivá, můžeme spojit poznatky. Poté začneme redesignovat nebo realizovat větší části zákaznické cesty. Nicméně, v určitém okamžiku všechny vítězné implementace povedou k místnímu maximu. Pak musíte udělat větší krok, abyste mohli dosáhnout potenciálního globálního maxima.

Samozřejmě, hlavní poznatky se dostanou do celé společnosti. To povede k širším optimalizacím a inovacím. Vše vychází z vašich ověřených prvotních poznatků.

Marketingujete mezinárodní publikum? Zjistěte, jak tento proces usnadnit pomocí pseudo-localizace.

Julia Starostenko, Pinterest

Cílem experimentu je ověřit, že provedení změn na existující webové stránce bude mít pozitivní dopad na podnikání.

Před zahájením je důležité určit, zda je skutečně nutné provádět experiment. Zvažte následující scénář: Existuje tlačítko s extrémně nízkou mírou prokliku. Bylo by téměř nemožné snížit výkon tohoto tlačítka. Ověření účinnosti navrhované změny tlačítka (tj. provedení experimentu) tedy není nutné.

Pokud je změna tlačítka malá, pak možná nestojí za to trávit čas jejím nastavováním a testováním. V tomto případě by měly být změny jednoduše zavedeny pro všechny a výkon tlačítka může být monitorován.

Pokud se zjistí, že experiment může být užitečný, dalším krokem je stanovit obchodní metriky, které je třeba zlepšit (např. zvýšení konverzní míry tlačítka). Poté zajistíme, že je zajištěno správné shromažďování dat.

Jakmile to bude hotové, publikum se rozdělí. Provádíme split testing ve dvou skupinách. Jedna skupina uvidí stávající verzi tlačítka. Druhá skupina dostane novou verzi. Míra konverze každé skupiny se monitoruje a jakmile je dosaženo statistické významnosti, výsledky experimentu se následně určí.

Peep Laja, CXL

AB testování je součástí většího obrazu optimalizace konverze. Podle mého názoru je to 80 % o výzkumu a pouze 20 % o testování. Výzkum konverze vám pomůže určit, co testovat na začátku.

Obvykle můj proces vypadá takto (zjednodušené shrnutí):

1. Proveďte výzkum konverze pomocí rámce jako ResearchXL k identifikaci problémů na vašem webu.
2. Vyberte problém s vysokou prioritou (ten, který ovlivňuje velkou část uživatelů a je závažný) a brainstormujte co nejvíce řešení tohoto problému. Informujte o svém procesu ideace pomocí poznatků z výzkumu konverze. Určete, na jakém zařízení chcete test provést (musíte provádět AB testování na mobilu odděleně od desktopu).
3. Určete, kolik variant můžete testovat (na základě úrovně vašeho provozu/transakcí), a poté vyberte nejlepší jeden nebo dva nápady na řešení, které otestujete proti kontrole.
4. Vytvořte drátové modely přesných úprav (napište text, proveďte designové změny atd.). V závislosti na rozsahu změn můžete také potřebovat zahrnout designéra pro navrhování nových prvků.
5. Nechte svého front-end vývojáře implementovat úpravy do vašeho testovacího nástroje. Nastavte potřebné integrace (Google Analytics) a nastavte vhodné cíle.
6. Proveďte QA na testu (rozbité testy jsou největším zabijákem AB testování), abyste zajistili, že funguje se všemi kombinacemi prohlížečů/zařízení.
7. Spusťte test!
8. Až bude test hotový, proveďte analýzu po testu.
9. V závislosti na výsledku buď implementujte vítěze, test upravte, nebo testujte něco jiného.

Běžné chyby v AB testování

Testování příliš mnoha proměnných současně

Když porovnáváte dvě proměnné najednou, nemusíte být schopni určit, která změna způsobila efekt.

Představte si, že chcete optimalizovat cílovou stránku. Místo toho, abyste testovali pouze nadpis, testujete:

• Text výzvy k akci
• Barvu tlačítka CTA
• Obrázky v záhlaví
• Nadpisy

Konverzní míry rostou, ale nemůžete určit, která změna byla odpovědná. Pokud testujete jednu proměnnou najednou, mohli byste izolovat dopad každé změny a získat přesnější výsledky.

💡Poznámka: Multivariační testování je možnost, pokud chcete pochopit, jak spolu více proměnných interaguje. Ale k provedení multivariačního testu potřebujete více provozu a již dobře optimalizovanou stránku, na které můžete provádět postupná zlepšení. Proces je mnohem složitější než provádění A/B testu.

Nedostatečná velikost vzorku

Spolehlivost výsledků vašeho A/B testu závisí na použité velikosti vzorku. Malé vzorky mohou způsobit falešné pozitivy a negativy, což ztěžuje závěr, zda jsou rozdíly výsledkem vašich změn nebo náhodné shody.

Představte si, že testujete dvě verze produktové stránky, abyste zjistili, která vede k vyšším mírám nákupu. Rozdělíte provoz, ale skončíte s 100 návštěvníky na Verzi A a 100 návštěvníky na Verzi B.

Pokud má Verze A konverzní míru 6 % a Verze B má 5 %, můžete si myslet, že Verze A je lepší. Ale s pouhými 100 návštěvníky na verzi to není statisticky významné. Je možné, že pokud byste testovali s více návštěvníky, výsledky by byly jiné.

Nejlepší způsob, jak určit zdravou velikost vzorku, je pomocí kalkulačky velikosti vzorku.

Krátká doba testování

Proveďte svůj A/B test alespoň po dobu jednoho, ideálně dvou, úplných obchodních cyklů. Nepřerušujte test, jen protože jste dosáhli významných výsledků hned ze začátku, budete muset splnit svou předem stanovenou velikost vzorku. Nakonec nezapomeňte provádět všechny testy v plně týdenních intervalech.

Proč dva úplné obchodní cykly? Za prvé, dva cykly vám pomohou zohlednit:

1. „Musím si to promyslet,“ kupující.
2. Různé zdroje provozu (Facebook, e-mail newsletter, organické vyhledávání atd.)
3. Anomálie. Například, tvůj páteční e-mail newsletter.

Dva obchodní cykly jsou obecně dostatečně dlouhá doba na to, aby poskytly cenné poznatky o chování uživatelů vaší cílové skupiny.

Pokud jste použili jakýkoli nástroj pro testování A/B cílové stránky, pravděpodobně znáte malou zelenou ikonu „statisticky významné“.

Pro mnohé, bohužel, to je univerzální znak pro „test je hotový, ukončete ho.“ Jak se dozvíte níže, jen proto, že byla dosažena statistická významnost A/B testu, neznamená, že byste měli test zastavit.

Přehlížení segmentace uživatelů

Pokud nezohledníte různé segmenty uživatelů, získáte zjednodušené výsledky, které nemusí platit pro každého.

Je užitečné segmentovat uživatele podle demografie, chování nebo jiných relevantních faktorů. Co funguje pro nové uživatele, nemusí fungovat pro vracející se uživatele. Pokud neprovádíte segmentaci, odcizíte klíčové uživatelské skupiny a ohrozíte integritu svého testu.

Optimalizujte AB testování pro své podnikání

Máte proces, máte sílu! Tak se do toho pusťte, pořiďte si nejlepší software pro AB testování a začněte testovat svůj obchod. Než se nadějete, tyto poznatky se promění ve více peněz v bance.

Pokud chcete pokračovat ve vzdělávání o optimalizaci, zvažte absolvování bezplatného kurzu, jako je A/B testování od Google na Udacity. Můžete se dozvědět více o AB testování webu a mobilních aplikací, abyste zvýšili své dovednosti v oblasti optimalizace.