A/B测试是为产品的某个细节制作两个(A/B)或多个(A/B/n)版本,在同一时间空间范围内,测试目标人群的对不同版本的产品特征反应。通过测试,给出“哪一种”设计产生的效果(转化率,业绩,跳出率等) 更好,正式采用。
适用场景
很多营销人员和设计师利用A/B测试获得用户的行为信息,据此优化体验、提高转化率、优化广告效果等。
对于页面布局、文案内容、定价、图片等,均可进行A/B测试。
1、页面布局
图文内容时,图片在左边还是右边更能符合用户的习惯?页面有广告位时,广告位是越高越好还是越低越好?
一般情况下,广告位越高越显眼,就会给目标页面带来更多流量——但是A\B测试通常就是要测那些自以为是常识的东西。
公司花了一定的成本获得了一个位置很好的广告位,这个广告为你提升了50%的销量,但实际上这些收益还抵不上你为广告花费的成本。
这种情况下,该如何调整布局来优化用户体验,降低成本,提高销量呢?
2、文案内容
微小的网页调整会改变转化率,微小的用词上的改变当然也可以引起不同的结果。比如,“Join Now”和“Buy Now”哪一个更能刺激用户的购买欲?测试一下。同理,整个网页上的文案风格的转变也能造成不同的效果。
2007年AJ Kohn测试了两个域名www.YourDomain.com和www.yourdomain.com,仅仅是首字母大小写的问题,结果令人大吃一惊:大写的点击率比小写的高出53%!文案等小细节的调整也能造成很不同的后果。
3、定价-提价、降价或对定价加以处理
对于产品来说,定价是一件至关重要的事情。该怎么让消费者觉得你的定价与你的产品价值是匹配的?也许可以在文案、图片等方面做工作。
不要想当然地认为价钱便宜就一定会提升销量,反之,价格高也不等于销量少。有的消费者看到价钱便宜的商品会懒得点开看,因为觉得“便宜没好货”,实际上那个产品质量还不错——所以定价要秉着一分货一分钱的原则。
此外,还可以尝试小额的加价。比如一次加2%,看看销售量如何,在消费者承受范围之内再加个2%,小额的加价不会让用户觉得你在漫天要价。
4、UI调整
对于页面的icon、图片等,可以通过A/B测试验证更能够提高转化率和体验的元素。
实施方案
1、现状分析
分析业务数据,确定当前最关键的改进点。
2、假设建立
根据现状分析作出优化改进的假设,提出优化建议。
3、设定目标
设置主要目标,用来衡量各优化版本的优劣;设置辅助目标,用来评估优化版本对其他方面的影响。
4、界面设计
制作2(或多)个优化版本的设计原型。
5、技术实现
- 网站、App(Android/iOS) 、微信小程序和服务器端需要添加各类A/B测试平台提供的SDK代码,然后制作各个优化版本。
- Web平台、Android和iOS APP需要添加各类A/B测试平台提供的SDK代码,然后通过编辑器制作各个优化版本。
- 通过编辑器设置目标,如果编辑器不能实现,则需要手工编写代码。
- 使用各类A/B测试平台分配流量。初始阶段,优化方案的流量设置可以较小,根据情况逐渐增加流量。
6、采集数据
通过各大平台自身的数据收集系统自动采集数据。
7、分析A/B测试结果
统计显著性达到95%或以上并且维持一段时间,实验可以结束;如果在95%以下,则可能需要延长测试时间;如果很长时间统计显著性不能达到95%甚至90%,则需要决定是否中止试验。
几点注意事项:
1、寻求成本更低的测试方式
如果想找到数据变动的原因又不想花太多时间,可以用一些第三方工具,比如Silverback,可以记录用户在网页上的操作并给出有效的数据。
A\B测试不是要用最新的技术、最新的软件或者算法,有时候一个纸上的原型或者线框里5秒钟的测试都能找到方向。可以利用那些简单、低廉的测试方式。
2、等到测试完成
在测试没有结束之前,所有的数据都可能是片面的,不要想着用部分的结果去替代全部。
3、永远不停地测试
A/B测试的精髓就在于:永远不要满足于目前的结果,总有更好的解决方案。一次的A/B测试也许能提升50%甚至更好的转换率,但这并不意味着到顶了。生命不息,测试不止。
优缺点
AB测试是灰度发布法的子集,基于抽样的统计学假设检验(显著性检验) 。
通过A/B测试,能够降低新产品或新特性的发布风险,为产品创新提供保障;建立数据驱动,消除用户体验设计中不同意见的纷争,根据实际效果确定最佳方案。
但是A/B测试不会帮助给出“为什么”。
为此,A/B测试需要不断补充其他定性方法,才能帮助你更深刻地了解客户的动机以及真正的需求。
A/B测试不是通过评估客户的心愿、态度以及需求的简单定性替换,同样也不能揭示比较重大的问题,例如客户是否信任你们的网站或者网址内容是否可信。
本文来自投稿,不代表星云学院立场,如若转载,请注明出处:https://www.iyouke.com/blog/934.html