چه چیزی بدتر از کار بدون داده است؟
کار با داده های “بد”
ما به عنوان بازاریاب دوست داریم سرفصل ها ، فراخوان برای اقدام و کلمات کلیدی (به نام چند مورد) را آزمایش کنیم. یکی از راه هایی که ما این کار را انجام می دهیم ، اجرای تست های A/B است.
به عنوان یک تجدید ، آزمایش A/B فرایند تقسیم مخاطب برای آزمایش تعدادی از تغییرات یک کمپین و تعیین عملکرد بهتر است.
اما آزمایش A/B بی عیب نیست.
در واقع ، این یک فرآیند پیچیده است. برای کشیدن داده ها ، اغلب باید به نرم افزارهای تست اعتماد کنید و احتمال دریافت مثبت کاذب زیاد است. اگر مراقب نباشید ، می توانید فرض های نادرستی در مورد آنچه باعث کلیک افراد می شود ، فرض کنید.
بنابراین چگونه می توانید اطمینان حاصل کنید که تست A/B شما به درستی کار می کند؟ اینجاست که تست A/A وارد می شود. آن را به عنوان یک آزمون برای آزمون در نظر بگیرید.
آزمون A/A چیست؟
یک آزمون A/A شامل سوق دادن دو یا چند گروه از افراد به نسخه های یکسان از یک محتوا است. به جای کشف افزایش در تبدیل ، هدف این است که هیچ تفاوتی بین کنترل و تغییرات پیدا نکنید.
ایده پشت آزمون A/A این است که تجربه برای هر گروه یکسان است ، بنابراین KPI مورد انتظار (شاخص کلیدی عملکرد) نیز برای هر گروه یکسان خواهد بود.
به عنوان مثال ، اگر 20 درصد از گروه A یک فرم را در صفحه فرود پر کنند ، نتیجه مورد انتظار این است که 20 درصد از گروه B (که با نسخه مشابه صفحه فرود در تعامل هستند) همین کار را انجام دهند.
تفاوت بین A/A Test و A/B Test
انجام آزمون A/A مشابه آزمایش A/B است. مخاطبان به دو گروه اندازه مشابه تقسیم می شوند ، اما به جای هدایت هر گروه به تغییرات مختلف محتوا ، هر گروه با نسخه های مشابه از یک محتوا یکسان تعامل دارد.
در اینجا راه دیگری برای فکر کردن در مورد آن وجود دارد: آیا تا به حال اصطلاح “مقایسه سیب با پرتقال” را شنیده اید؟ یک آزمایش A/B دقیقاً این کار را انجام می دهد – دو نوع مختلف از یک محتوا را مقایسه می کند تا ببیند کدام یک عملکرد بهتری دارد. یک آزمایش A/A یک سیب را با یک سیب یکسان مقایسه می کند.
هنگام اجرای تست A/B ، یک ابزار تست را برای تغییر یا پنهان کردن بخشی از محتوا برنامه ریزی می کنید. این برای آزمایش A/A ضروری نیست.
آزمون A/A همچنین برای اثبات سوگیری قابل توجه ، نیاز به حجم نمونه بزرگتر از آزمون A/B دارد. و به دلیل حجم نمونه بزرگ ، تکمیل این آزمایش ها بسیار بیشتر طول می کشد.
نحوه انجام آزمایش A/A
نحوه انجام A/A دقیقاً بسته به ابزار آزمایشی مورد استفاده شما متفاوت خواهد بود. اگر شما یک مشتری HubSpot Enterprise هستید که یک آزمایش A/A یا A/B را در یک ایمیل انجام می دهد ، به عنوان مثال ، HubSpot به طور خودکار ترافیک را به تغییرات شما تقسیم می کند ، به طوری که هر تنوع نمونه ای تصادفی از بازدیدکنندگان دریافت می کند.
بیایید مراحل اجرای یک آزمون A/A را پوشش دهیم.
1. دو نسخه یکسان از یک محتوا ایجاد کنید – کنترل و نوع.
پس از ایجاد محتوای خود ، دو گروه با اندازه نمونه مشابه را که می خواهید با آنها آزمایش انجام دهید ، مشخص کنید.
2. KPI خود را شناسایی کنید.
KPI اندازه گیری عملکرد در یک دوره زمانی است. به عنوان مثال ، KPI شما می تواند تعداد بازدیدکنندگانی باشد که بر روی call-to-action کلیک می کنند.
3. با استفاده از ابزار تست خود ، مخاطبان خود را به طور مساوی و تصادفی تقسیم کنید و یک گروه را به گروه کنترل و گروه دیگر را به نوع دیگر بفرستید.
آزمایش را تا زمانی انجام دهید که کنترل و تنوع به تعداد مشخصی از بازدیدکنندگان برسد.
4. KPI را برای هر دو گروه دنبال کنید.
از آنجا که هر دو گروه به محتواهای یکسان ارسال می شوند ، باید رفتار یکسانی داشته باشند. بنابراین ، نتیجه مورد انتظار قطعی نخواهد بود.
A/A Testes استفاده می کند
تست A/A عمدتا زمانی مورد استفاده قرار می گیرد که سازمان نرم افزار تست A/B جدید را پیاده سازی کرده یا نرم افزار فعلی را مجددا پیکربندی کند.
برای انجام موارد زیر می توانید یک آزمون A/A اجرا کنید:
1. برای بررسی صحت یک نرم افزار تست A/B.
نتیجه مورد نظر یک آزمون A/A این است که مخاطب نسبت به یک محتوا یکسان واکنش نشان می دهد.
اما اگر این کار را نکنند چه؟
در اینجا یک مثال وجود دارد: شرکت XYZ در حال انجام آزمایش A/A در صفحه فرود جدید است. دو گروه به دو نسخه یکسان از صفحه فرود (کنترل و نوع) ارسال می شوند. گروه A دارای نرخ تبدیل 8، ، در حالی که گروه B دارای نرخ 2 است.
از نظر تئوری ، نرخ تبدیل باید یکسان باشد. وقتی تفاوتی بین کنترل و نوع وجود نداشته باشد ، نتیجه مورد انتظار قطعی نخواهد بود. با این حال ، گاهی اوقات “برنده” در دو نسخه یکسان اعلام می شود.
هنگامی که این اتفاق می افتد ، ارزیابی بستر آزمایش ضروری است. این ابزار ممکن است اشتباه تنظیم شده باشد ، یا ممکن است بی اثر باشد.
2. تعیین نرخ تبدیل پایه برای آزمونهای A/B آینده.
بیایید تصور کنیم که شرکت XYZ آزمایش A/A دیگری را در صفحه فرود اجرا می کند. این بار ، نتایج گروه A و B یکسان است – هر دو گروه به نرخ تبدیل 8 achieve دست می یابند.
بنابراین ، 8 درصد نرخ تبدیل پایه است. با این حساب ، این شرکت می تواند آزمایشات A/B آینده را با هدف فراتر رفتن از این نرخ اجرا کند.
به عنوان مثال ، اگر شرکت آزمایش A/B را در نسخه جدیدی از صفحه فرود انجام دهد و نرخ تبدیل 8.02 receives دریافت کند ، نتیجه از نظر آماری معنی دار نیست.
A/A Testing: آیا واقعاً نیاز به استفاده از آن دارید؟
اجرای یک آزمون A/A یا خیر – این سوال است. و پاسخ بستگی به این دارد که از چه کسی می پرسید. نمی توان انکار کرد که تست A/A یک موضوع بحث برانگیز است.
شاید رایج ترین استدلال علیه آزمایش A/A به یک عامل خلاصه شود: زمان.
اجرای A/A زمان قابل توجهی طول می کشد تا اجرا شود. در حقیقت ، آزمایشات A/A به طور معمول نیاز به حجم نمونه بسیار بیشتری نسبت به آزمون های A/B دارند. هنگام آزمایش دو نسخه یکسان ، برای اثبات سوگیری قابل توجه ، به حجم نمونه زیادی نیاز دارید. بنابراین ، زمان بیشتری برای تکمیل این آزمون طول می کشد ، و این ممکن است زمان صرف شده برای اجرای سایر آزمایشات ارزشمند را نیز به هم بزند.
با این حال ، انجام آزمایش A/A در برخی موارد منطقی است ، به ویژه اگر در مورد یک نرم افزار جدید تست A/B مطمئن نیستید و مدارک بیشتری می خواهید که عملکرد و دقیق بودن آن را بخواهید. تست های A/A یک روش کم خطر برای اطمینان از تنظیم صحیح آزمایشات شما هستند.
تست A/A می تواند به شما در آماده سازی برای یک برنامه موفقیت آمیز آزمایش AB کمک کند ، معیارهای داده را ارائه دهد و هر گونه مغایرت در داده های شما را شناسایی کند.
اگرچه آزمون های A/A مفید هستند ، اما اجرای چنین آزمایشی باید یک اتفاق نسبتاً نادر باشد. در حالی که آزمون A/A می تواند “بررسی سلامت” را بر روی ابزار یا نرم افزار A/B جدید انجام دهد ، اما به دلیل زمان قابل توجهی که برای اجرا لازم است ، بهینه سازی هرگونه تغییر جزئی در وب سایت یا کمپین بازاریابی شما ارزش ندارد.