در عصر دیجیتال، تبلیغات آفلاین رفته‌رفته کم‌رنگ‌تر شده و جای خود را به تبلیغات آنلاین یا تبلیغات دیجیتال داده است. امروزه تبلیغات دیجیتال اهمیت زیادی در دیجیتال مارکتینگ دارد؛ یکی از دلایل پراهمیت شدن این نوع تبلیغات، قابل اندازه‌گیری بودن شاخص‌های مختلف در تبلیغات دیجیتال است. درواقع، ارزش ابزارهای و تکنیک‌های دیجیتال مارکتینگ به داده محور بودن آن‌هاست.
به عنوان مثال، در تبلیغات محیطی (OOH) مثل بیلبورد یا تبلیغات تلویزیونی (TVC)، ترکینگ تبلیغات، میزان بازدید و افزایش نرخ بازگشت سرمایه (ROI) را نمی‌توان دقیق بررسی کرد. اما در تبلیغات دیجیتال می‌توان تک‌تک تعاملات کاربر با یک تبلیغ یا فعالیت وی در یک وب‌سایت را بررسی و تحلیل کرد. این تحلیل داده‌های به‌دست آمده از کاربر، می‌تواند به پیشرفت و بهینه‌شدن تبلیغات دیجیتال، لندینگ پیج‌ها، وب‌سایت، سئو و غیره کمک قابل توجهی کند.
این داده‌ها که از انواع تست‌ها روی خلاقه‌های تبلیغاتی، انواع تبلیغات، وب‌سایت، ایمیل مارکتینگ و غیره صورت می‌گیرد، به افراد کمک می‌کند تا با بررسی رفتار کاربر و مخاطبان هدفشان، تغییرات مثبتی را برای افزایش ROI و بهتر شدن تجربه کاربر یا مخاطب اعمال کنند. یکی از این تست‌های مهم، حیاتی و پرطرفدار، تست A/B یا A/B testing است که در ادامه این مقاله به آن می‌پردازیم.
حتما بخوانید: بررسی اهمیت ریتنشن مارکتینگ و انواع کمپین‌های آن تست A/B چیست؟
تست A/B یا Split testing در واقع تستی برای مقایسه کردن دو نسخه‌ی متفاوت از یک محصول یا خدمت است تا تمایلات و علاقه‌مندی‌های مخاطبان هدف را با توجه به عملکرد هرکدام از نسخه‌ها به‌دست‌آورد. شرکت‌ها و برندها می‌کوشند تا کاربران یا مخاطبان خود را به انجام فعالیتی ترغیب کنند و نرخ تبدیل یا Conversion rate خود را بالا ببرند. بنابراین، داده‌های به دست آمده در تست A/B کمک می‌کند تا بر اساس داده‌ها و مستندات، تغییرات مثبتی را برای بهبود دعوت به اقدام (CTA) و افزایش نرخ تبدیل روی محصول یا خدمت خود اعمال کنند. تست A/B باعث می‌شود تصمیم‌گیری برای تغییرات برای بهینه‌سازی نرخ تبدیل براساس داده‌ها انجام شود. برای هر کسب و کاری تعریف تبدیل یا کانورژن متفاوت است؛ به‌طورمثال، برای کسب و کارهای B2B گرفتن لید (lead)، برای تجارت الکترونیک (ecommerce) فروش محصول، برای کسب و کارهای B2C مثل شرکت‌های گردشگری و هواپیمایی تعداد رزروها و فروش بلیت و برای بلاگرها تعداد خواننده‌ها مهم است. در نتیجه، هرکدام از این کسب‌وکارها متناسب با معیارهای خود، تست A/B را اعمال می‌کنند.
تست A/B شامل موارد زیر می‌شود:
- گروه کنترل (Control Group) یا گروه A: گروهی از مخاطبان که به‌صورت تصادفی نسخه‌ی قبلی را می‌بینند.
- گروه تست یا متغیر (Variation Group) یا گروه B: گروهی که به‌صورت تصادفی نسخه‌ی تغییر یافته را می‌بینند.
- متغیر (Variation): تغییر احتمالی یا فرضیه‌ای که به صورت امتحانی اعمال خواهد شد.
- اندازه‌ی نمونه (Sample Size): تعداد افرادی که باید در هر گروه A و B باشند و این مقدار برای هر دو گروه باید یکسان است.
مزیت‌های تست A/B در دیجیتال مارکتینگ
همان‌طور که در بالا گفته شد، تست A/B باعث می‌شود تا افراد، تیم‌ها و شرکت‌ها تغییرات را براساس داده‌های موثق، با احتیاط و مطمئن اعمال کنند. اما جدا از این مسئله، اعمال تست A/B مزایای زیادی دارد:
- پیدا کردن نقاط ضعف و عوامل آزاردهنده و دفع‌کننده برای مخاطب
- افزایش نرخ تبدیل با پرداخت هزینه کمتر
- کاهش Bounce Rate (نرخ پرش یا ضریب بازگشت) مخاطب از روی وب‌سایت
- افزایش کیفیت محتوا و طراحی
- اعمال تغییرات مطمئن و با ریسک کمتر
- داده‌‌محور بودن تست A/B
- افزایش نرخ بازگشت سرمایه (ROI)
- افزایش لیدها و فروش محصول
فرایند و مراحل انجام تست A/B
برای انجام تست A/B مراحل زیر باید کامل و دقیق انجام دهید:
جمع‌آوری داده
قبل از شروع تست A/B، با کمک ابزارهای آنالیتیکس مثل Google Analytics دید کلی نسبت به وضعیت محصول یا خدمت خود پیدا کنید. این داده‌ها کمک می‌کنند تا بخش‌هایی که نیازمند تست A/B و بهبود بخشیدن هستند را پیدا کنید. بهتر است از جاهایی شروع کنید که ترافیک بیشتر و نرخ تبدیل پایین‌تری دارند.
مشخص کردن اهداف و نتایج قابل قبول
برای این که متوجه شوید که نسخه‌ی تست (B) بهتر است یا نسخه‌ی اولیه (A)، باید اهدافی را برای تست مشخص کنید؛ مثل نرخ کلیک، نرخ تبدیل، عضویت و غیره. در این مرحله، اندازه نمونه (Sample Size) خود را مشخص کنید تا زمانی‌که شما به اهداف خود رسیدید، تست متوقف شود و بتوان نتایج آن را با نسخه اصلی مقایسه کرد.
ایده‌پردازی و فرضیه‌ها (Hypothesis)
پس از تعیین اهداف، نوبت ایده‌پردازی و ارائه فرضیه‌ها برای تغییرات قابل اجرا براساس داده‌های به‌دست آمده است. این ایده‌ها باید براساس اهمیت و رفتار کاربر اولویت‌بندی شده باشند تا به مرحله‌ی اجرا برسند.
تعریف متغیرها (Variables)
المان‌هایی را که باید تغییر کنند براساس اولویت تعریف کنید. این متغیرها می‌توانند تغییر شکل دکمه، رنگ، متن یا رنگ بنر یا هر چیز دیگری باشد. فقط توجه داشته باشید که این متغیرها براساس داده‌ها و نیازمندی مخاطب به‌دست آمده باشند و بر مبنای حدسیات و سلیقه نباشند ( بتوان آن را با مستندات اثبات کرد).
شروع تست A/B
تست A/B را شروع کنید. در این مرحله نسخه A و نسخه B به صورت تصادفی (Random) به بازدیدکنندگان گروه کنترل و گروه متغیر نشان داده می‌شود. معمولاً تست تا زمانی ادامه پیدا می‌کند که تعداد بازدیدکنندگان برای هر دو گروه به میزان تعیین شده (اندازه نمونه) برسد.
آنالیز و تحلیل داده
بعد از اتمام تست A/B نوبت به تحلیل داده‌های به‌دست آمده است. پلتفرمی که از آن برای تست A/B استفاده کرده‌اید، داده‌های مربوط به هر دو گروه A و B را در اختیار شما می‌گذارد تا بتوان نحوه عملکرد هر دو نسخه را بررسی کرد و تفاوت قابل توجهی را بین هر دو گروه مشاهده کرد. اگر گروه متغیر شما نتیجه بهتری داشت، این بدین معناست که متغیر، ایده خوبی بوده و حال شما می‌توانید تغییر را با استناد به نتیجه تست، روی محصول یا خدمت خود اعمال کنید.
اشتباهات رایج در تست A/B را انجام ندهید!
برای دقیق‌تر بودن داده‌ها و تصمیم‌گیری بهتر، اشتباهات رایجی را که اکثر شرکت‌ها انجام می‌دهند در نظر داشته باشید:
- فرضیه و ایده نامعتبر؛ فرضیه، متغیرهای تست را می‌سازد. در نتیجه اگر ایده و فرضیه معتبر نباشند، شانس موفقیت تست را کاهش می‌دهد.
- استفاده از نظرات افراد متفرقه؛ متغیرها و نتایج تست A/B سایر محصولات، لزوماً نتیجه مشابه را برای شما نخواهد داشت؛ زیرا هر دو محصول یا خدمت مشابه هم نیستند و مخاطبان شما، افراد متفاوتی هستند. بنابراین، تغییری که برای آن‌ها نتیجه خوبی داشته، الزاماً برای شما نتیجه مطلوب را نخواهد داشت. درنتیجه براساس داده‌های خود فرضیه و ایده ارائه دهید.
- تست کردن چندین متغیر در یک تست؛ زمانی‌که تعداد متغیرها زیاد باشد، اگر نتیجه مطلوبی کسب شود، مشخص نیست از کدام تغییر حاصل شده است. بنابراین، تست را براساس الویت متغیرها، یک به یک تست کنید.
- نادیده‌گرفتن آمار و ارجاع به حدس و گمان؛ اگر در ارائه ایده‌های خود، از آمار و داده‌ها کمک نگیرید، بسیار محتمل است که ایده خود را بر اساس حدس و گمان به عنوان متغیر ارائه دهید و این می‌تواند موفقیت تست را کاهش دهد.
- استفاده از بخش‌های با ترافیک کم؛ تست A/B زمانی بهترین نتیجه را می‌دهد که روی صفحات یا بخش‌های پربازدید و با ترافیک بالاتر اعمال شوند. اگر ترافیک کم باشد، نتایج به‌دست آمده قابل جمع‌بندی نیستند.
- زمان‌بندی اشتباه برای تست A/B؛ اگر بازه زمانی تست زیادتر یا کمتر از زمان مورد نیاز باشد، نتایج قابل توجه و قابل اندازه‌گیری را به شما نمی‌دهد. بنابراین، مدت زمان تست را براساس ترافیک فعلی، اهداف تعیین شده و انداره نمونه خود تعیین کنید.
- ناامیدی پس از نتایج نامطلوب تست‌های اولیه؛ اکثر افراد زمانی‌که نتیجه خوبی از تست A/B نمی‌گیرند، از ادامه آن ناامید می‌شوند. همیشه در نظر داشته باشید که تغییرهای اعمال شده برای تست، در حد فرضیه و ایده هستند و می‌توانند موفق یا غیر موفق ظاهر شوند. در نتیجه، ناامید نشوید و برای بهتر شدن تجربه کاربران و دسترسی به اهداف خود، تلاش مستمر داشته باشید. اگر یک فرضیه نتیجه دلخواه را نداشت، براساس داده‌های خود، ایده‌های جدید خلق کنید.
