วิธีวิเคราะห์ผลการทดสอบ A/B ด้วยการวิเคราะห์การทดสอบ A/B

สิ่งสุดท้ายที่ทุกคนต้องการคือผลบวกลวง ไม่ว่าการทดสอบจะเป็นอย่างไร! ด้วย การเพิ่มประสิทธิภาพอัตราการแปลง (CRO) ผลบวกลวงอาจนำไปสู่ทางตัน

เมื่อคุณทำการ ทดสอบ A/B คุณต้องการทราบว่าหน้าทดสอบของคุณ (B) มีประสิทธิภาพดีกว่าหน้าควบคุม (A) หรือไม่ ก่อนที่คุณจะใช้เวลาในการปรับแต่งแบบฟอร์ม หน้า หรือส่วนอื่นๆ ของไซต์ของคุณ

เทคนิคการวิเคราะห์การทดสอบ A/B จะช่วยตัดสินว่าการทดสอบของคุณมีนัยสำคัญทางสถิติหรือไม่ และคุณมีชุดข้อมูลที่ชนะอยู่ในมือหรือไม่

คุณจะทราบได้อย่างไรว่าการทดสอบ A/B ของคุณมีนัยสำคัญทางสถิติ

นัยสำคัญทางสถิติหมายความว่าคุณสามารถทดสอบซ้ำและได้รับผลลัพธ์ที่เหมือนกันหรือใกล้เคียงกันอย่างสม่ำเสมอ

ตัวอย่างเช่น สมมติว่าคุณเปลี่ยนตำแหน่งของ ปุ่มคำกระตุ้น การตัดสินใจ (CTA) ปุ่มนี้เคยอยู่ใต้เนื้อหาของหน้า Landing Page แต่คุณตั้งสมมติฐานว่าคุณจะได้รับโอกาสในการขายมากขึ้นหากคุณวางปุ่มไว้ด้านหน้าและตรงกลาง คุณจึงปรับแต่งหน้าและวางปุ่มไว้เหนือบรรทัดแรกของคุณ

ต่อไป คุณได้ทดสอบหน้า Landing Page เดิม — หน้าควบคุม — กับผู้เข้าชม 1,000 คน จากนั้น คุณได้ทดสอบหน้าปรับแต่งกับผู้เยี่ยมชมอีก 1,000 คน หลังจากที่คุณวัดผลลัพธ์ของคุณด้วยเครื่องคำนวณการทดสอบ A/B แล้ว การคลิกปุ่ม CTA ของคุณเพิ่มขึ้น 25% หลังจากที่คุณเลื่อนปุ่มขึ้นไปบนหน้า

หากคุณทำการทดสอบซ้ำมากกว่าหนึ่งครั้งและยังคงได้รับการคลิกเพิ่มขึ้นประมาณ 25% คุณสามารถสันนิษฐานได้ว่าผลลัพธ์ของคุณมีนัยสำคัญทางสถิติ คุณยังสามารถถือว่าตำแหน่งที่เปลี่ยนแปลงของปุ่ม CTA เป็นสาเหตุของการเปลี่ยนแปลง

คุณจะวิเคราะห์การทดสอบ A/B ของคุณอย่างไร

แม้ว่าเครื่องคำนวณ A/B จะไม่ใช่การวิเคราะห์การทดสอบ A/B แบบครบวงจร แต่ก็ช่วยให้คุณเข้าใจข้อมูลที่คุณรวบรวมได้

สมมติว่าคุณเป็นเจ้าของธุรกิจขนาดเล็ก จำนวนผู้เยี่ยมชมไซต์โดยเฉลี่ยของคุณอยู่ที่ใดก็ได้ตั้งแต่ 100 – 500 รายต่อสัปดาห์ คุณเรียกใช้การทดสอบ A/B ที่คล้ายกันบนปุ่ม CTA ของหน้า Landing Page — แต่ทดสอบกับขนาดตัวอย่าง 100 คนแทนที่จะเป็น 1,000 คน

ผลลัพธ์ของคุณพบว่า 50 จาก 100 คนคลิกปุ่ม CTA ของคุณสำหรับหน้าเดิม ในหน้าทดสอบ 58 คนคลิกที่ปุ่ม แม้ว่าการเพิ่มขึ้นนี้อาจดูเหมือนมีนัยสำคัญสำหรับขนาดตัวอย่าง แต่จากการคำนวณของ A/B Calculator มันเป็นการเปลี่ยนแปลงเพียง 16% เท่านั้น

คุณควรทำอะไรก่อนทำการทดสอบ A/B?

ก่อนที่เราจะเริ่มต้นกับสถานการณ์ตัวอย่าง ต่อไปนี้คือบทสรุปของสิ่งที่คุณควรทำก่อนที่จะรวบรวมข้อมูลใดๆ

1. รู้วัตถุประสงค์ของคุณ

ตัว บ่งชี้ประสิทธิภาพหลัก (KPI) ของคุณคืออะไร? กล่าวอีกนัยหนึ่ง การสนทนาใดที่ขับเคลื่อนผลลัพธ์ที่สำคัญที่สุดสำหรับธุรกิจของคุณ ตัวบ่งชี้เหล่านี้อาจเป็นอะไรก็ได้ตั้งแต่ปริมาณการขายไปจนถึงการรักษาลูกค้า การมุ่งเน้นไปที่การเปลี่ยนแปลงที่มุ่งสู่ KPI ของคุณจะขับเคลื่อนผลลัพธ์ที่ดีที่สุด

2. รู้ว่าคุณอยู่ที่ไหน — และคุณต้องการไปที่ไหน

เมื่อคุณรู้ว่าคุณต้องการจะวัดอะไร ให้ค้นหาตำแหน่งที่คุณยืนอยู่ในปัจจุบัน คุณอาจมีแนวคิดทั่วไปอยู่แล้วหากคุณวัดการคลิกโฆษณา จำนวนอีเมลที่เปิด หรือจำนวนโอกาสในการขายที่กรอกแบบฟอร์มติดต่อของคุณต่อเดือน

ลองดูที่ CRM และ Google Analytics ของคุณ เพื่อวัดข้อมูลตามที่เป็นอยู่ ข้อมูลปัจจุบันควรให้แนวคิดแก่คุณว่าการปรับปรุงใดที่จำเป็นและเป็นไปได้จริง

จะทราบได้อย่างไรว่าการทดสอบของคุณมีนัยสำคัญทางสถิติ (โดยไม่ต้องใช้เครื่องคิดเลข A/B)

ตอนนี้เข้าสู่ส่วนที่สนุก — การวิเคราะห์การทดสอบ A/B หลังจากที่คุณทำตามขั้นตอนข้างต้นแล้ว นอกเหนือจากการเรียกใช้การทดลองและการรวบรวมข้อมูลของคุณแล้ว คุณยังสามารถระบุได้ว่าผลลัพธ์ของคุณมีนัยสำคัญเพียงพอที่จะทำให้เกิดการเปลี่ยนแปลงหรือไม่

ข่าวดีก็คือ คุณยังสามารถใช้เครื่องคิดเลข A/B เป็นจุดเริ่มต้นได้ จากผู้เยี่ยมชมเว็บไซต์ 100 รายสำหรับธุรกิจขนาดเล็กที่เราพูดถึงก่อนหน้านี้ มีการคลิกเพิ่มขึ้น 16% เนื่องจากการย้ายตำแหน่งของปุ่ม CTA ซึ่งควรจะเป็น ทีนี้เราจะรู้ได้อย่างไรว่าเป็นเรื่องจริง?

1. รันการทดสอบอีกครั้ง

เมื่อใดก็ตามที่คุณเรียกใช้การทดสอบ A/B หากการเปลี่ยนแปลงไม่มีนัยสำคัญ คุณจะต้องเรียกใช้การทดสอบอีกครั้ง ตัวอย่างเช่น หากผลลัพธ์ต่ำกว่าความแตกต่างของผลลัพธ์ 36%

โดยทั่วไป ควรทำการทดสอบ A/B ใหม่อีกครั้ง เพื่อให้คุณมีข้อมูลเพียงพอที่จะสรุปว่าผลลัพธ์นั้นเป็นผลโดยตรงจากการเปลี่ยนแปลงที่คุณทำ

2. วิเคราะห์ข้อมูลอีกครั้ง

สมมติว่าหลังจากการรันซ้ำครั้งนี้ ผลลัพธ์คือ 60 คนจาก 100 คนคลิกปุ่ม CTA ของหน้าทดสอบ และ 52 คนคลิกบนหน้าเดิม นั่นคือการเพิ่มขึ้น 15.38% ตามเครื่องคิดเลข

3. ทำการทดสอบของคุณอีกครั้ง (และวิเคราะห์ผลลัพธ์)

ผลลัพธ์นี้คล้ายกับการเปลี่ยนแปลง 15 – 16% ในครั้งที่สาม อย่างไรก็ตาม ก่อนที่คุณจะดำเนินการเปลี่ยนแปลงใดๆ ให้ทดสอบผลลัพธ์ของคุณอีกครั้ง

เมื่อคุณทำงานกับขนาดตัวอย่างที่เล็กลง เป็นเรื่องยากที่จะทราบว่าการเปลี่ยนแปลงที่สอดคล้องกันนั้นเป็นเรื่องบังเอิญหรือไม่ โดยทั่วไป ยิ่งขนาดตัวอย่างใหญ่เท่าใด คุณก็ยิ่งมีพลังทางสถิติมากขึ้นเท่านั้น

4. เรียกใช้การทดสอบ A/B อื่น — ทดสอบหน้าควบคุมของคุณกับตัวมันเอง

ในทางเทคนิค การประเมินเช่นนี้จะถือเป็นการทดสอบ A/A ทดสอบหน้าควบคุมของคุณกับผู้เข้าชมชุดหนึ่ง 100 คน และทดสอบหน้าเดียวกันกับผู้เข้าชมชุดอื่น 100 คน คุณสามารถทำได้ก่อนหรือหลังการทดสอบการเปลี่ยนแปลง

ความแปรปรวนตามธรรมชาติของการคลิกบน CTA ของคุณโดยไม่มีการเปลี่ยนแปลงใดๆ เกิดขึ้นไม่ควรมีความแตกต่างเกิน 2% ช่วงนี้คำนึงถึงความผันผวนตามธรรมชาติในการคลิกที่หน้าเว็บของคุณได้รับ การเปลี่ยนแปลงใด ๆ ที่เกินช่วงนี้สามารถสันนิษฐานได้อย่างสมเหตุสมผลว่ามีนัยสำคัญ

เมื่อคุณมีข้อมูลเพียงพอแล้ว ก็ถึงเวลาดูว่ามีการทำเครื่องหมายในช่องสามช่องหรือไม่ ตรวจสอบว่าข้อมูลคือ:

• เพียงพอ: ใช่ เราทำการทดสอบสามครั้ง
• สอดคล้อง: ใช่ เราได้รับผลลัพธ์ที่คล้ายกันสามครั้ง
• แตกต่าง: ใช่ เราได้ทดสอบหน้าควบคุมของเรากับตัวมันเอง และสังเกตเห็นว่าการเปลี่ยนแปลงตามธรรมชาติลดลงระหว่าง -2 ถึง 2% — หมายความว่าจำนวนคลิกที่เพิ่มขึ้นอย่างสม่ำเสมอของเราสำหรับหน้าทดสอบของเรามีนัยสำคัญถึง 15%

จากผลลัพธ์เหล่านี้ เราสามารถระบุได้ว่าข้อมูลมีนัยสำคัญทางสถิติ นอกจากนี้ เรายังสามารถสันนิษฐานได้อย่างสมเหตุสมผลว่าการเปลี่ยนแปลงตำแหน่งของปุ่ม CTA เป็นสาเหตุของการเพิ่มจำนวนคลิก

WebFX เป็นพันธมิตรทางธุรกิจที่ไว้วางใจได้

รับฟังจาก HydroWorx ผู้ซึ่งเห็นเซสชันออร์แกนิกเพิ่มขึ้น 236% ด้วยบริการ WebFX

ดูวิดีโอรับรอง

เป็นพันธมิตรกับ WebFX สำหรับการวิเคราะห์การทดสอบ A/B

อย่างที่คุณเห็น การวิเคราะห์การทดสอบ A/B อาจเป็นงานที่น่ากังวล โดยเฉพาะอย่างยิ่งหากคุณไม่แน่ใจว่าการเปลี่ยนแปลงใดจะทำให้เกิดผลลัพธ์ที่ดีที่สุด ทีมงานผู้เชี่ยวชาญเฉพาะด้านมากกว่า 500 คนที่ WebFX ใช้กลยุทธ์ SEO ที่ขับเคลื่อนด้วยข้อมูลเพื่อสร้างแลนดิ้งเพจที่มีผลกระทบด้วยบริการทดสอบ A/B ของเรา เราสร้างรายได้มากกว่า 3 พันล้านดอลลาร์ให้กับลูกค้าของเรา และเราพร้อมที่จะยกระดับหน้า Landing Page ของคุณไปอีกขั้น

ติดต่อเราทางออนไลน์ หรือโทรหาเราที่ 888-601-5359 เพื่อพูดคุยกับนักวางกลยุทธ์วันนี้!