A/A test چیست و آیا واقعاً نیاز به استفاده از آن دارید؟

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.

بارگیری رایگان: راهنمای تست و کیت A/B

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.

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.

مهم ترین پست های جدید  منیفولد هوا با ایدلبروک ریسینگ عوض میشه

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.

مهم ترین پست های جدید  بهترین موسسه کنکور تجربی _ بهترین منابع کنکوری - حرف اخر - حرف آخر

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.

مهم ترین پست های جدید  ژنیکوماستی

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.

کیت تست نهایی A/B