เมื่อใดควรแสวงหาจุดสูงสุดในระดับท้องถิ่นและระดับโลกด้วยการทดสอบ A/B ของคุณ

ลองนึกภาพคุณกำลังปีนเขาเอเวอเรสต์ในหมอกหนาทึบและความจำเสื่อม คุณสามารถมองเห็นได้เพียงเท่าที่ยื่นมือออกไป คุณไม่รู้ว่าคุณอยู่ที่ไหนหรือมุ่งหน้าไปทางใด มีเพียงคุณต้องไปให้ถึงจุดสูงสุดเท่านั้น โอกาสที่คุณจะทำคืออะไร?

น่าจะต่ำเท่าภูเขาสูง

เป็นการเปรียบเทียบที่น่าทึ่งเช่นนี้ โดยอ้างอิงจากพื้นฐานของวิธีการทดสอบ A/B ที่ได้รับความนิยม จุดสูงสุดนั้นเป็นเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังการคลิก และคุณสับสน เกือบตาบอด และหลงทางบนไหล่เขาของหน้าปัจจุบัน

ที่แย่ไปกว่านั้น คุณอาจได้รับแผนที่ที่ไม่ถูกต้องจากบล็อกเกอร์การตลาดที่คุณชื่นชอบ คุณอาจคิดว่าคุณกำลังทดสอบ A/B อย่างถูกวิธี นั่นคือคุณกำลังมุ่งหน้าไปยังจุดสูงสุดนั้น มีแนวโน้มว่าคุณจะถึงจุดสิ้นสุดในไม่ช้า และคุณจะไม่พบรูปแบบที่มีประสิทธิภาพสูงสุดของหน้า Landing Page หลังการคลิกของคุณ

ตำนานการทดสอบ A/B ที่สร้างความสับสนให้กับผู้เริ่มต้น

บล็อกการตลาดที่ได้รับความนิยมสูงสุดบางบล็อกบนอินเทอร์เน็ตยังคงสืบสานตำนานการทดสอบ A/B ที่ทำให้ผู้เริ่มหัดเล่นต้องพินาศตั้งแต่เริ่มต้น มันตกเป็นเหยื่อฉันเมื่อฉันเริ่มด้วย

“อย่าเปลี่ยนมากกว่าหนึ่งองค์ประกอบของหน้าต่อการทดสอบ A/B” ฉันอ่านซ้ำแล้วซ้ำอีก ฉันไม่ได้ตั้งคำถามเพราะแหล่งข้อมูลน่าเชื่อถือ และเพราะว่าโดยส่วนใหญ่ มันก็สมเหตุสมผลแล้ว

จุดประสงค์ของการทดสอบ A/B คือการรวบรวมข้อมูลที่คุณสามารถใช้เพื่อเพิ่มประสิทธิภาพหน้า อีเมล โฆษณา หรืออะไรก็ตามที่คุณกำลังทดสอบ ฉันจะรู้ได้อย่างไรว่าอะไรทำให้เกิดการเปลี่ยนแปลงของอัตรา Conversion ที่บทสรุปของการทดสอบ ถ้าฉันทำการปรับเปลี่ยนมากกว่าหนึ่งรายการระหว่างเวอร์ชัน "A" และ "B" มันจะเป็นข้อมูลแบบไหน?

ดังนั้นฉันจึงทดสอบองค์ประกอบทีละรายการ: พาดหัวของหน้า Landing Page หลังคลิก "A" เทียบกับพาดหัวของหน้า Landing Page "B" ต่อมาคือปุ่มสีน้ำเงินบนหน้า Landing Page หลังการคลิก "A" กับปุ่มสีเขียวบนหน้า Landing Page "B" หลังการคลิก นี่คือวิธีที่มือโปรและ Amazon และ Google ทำได้ ถ้ามันดีพอสำหรับบริษัทที่มีมูลค่าหลายพันล้านดอลลาร์ มันก็ดีพอสำหรับฉัน

ปัญหาที่ฉันมองข้ามไป ซึ่งเริ่มรู้สึกเจ็บปวดเมื่อหลายเดือนต่อมาคือฉันไม่ใช่ Amazon หรือ Google เว็บไซต์ของพวกเขาสร้างการเข้าชมจำนวนมาก ซึ่งหมายความว่าการเพิ่มเล็กน้อยที่ได้รับจากการทดสอบสีของปุ่มที่ไม่ซับซ้อนเหล่านี้สามารถแปลงรายได้เป็นล้านเหรียญ

สำหรับคนส่วนใหญ่ พวกเขากำลังเสียเวลาและทรัพยากร สำหรับคนส่วนใหญ่ การใช้วิธีทดสอบ A/B นี้เหมือนกับการปีนเขาเอเวอเรสต์ในหมอกหนาทึบและความจำเสื่อม

ฮิวริสติกการปีนเขา

ในชีวิตประจำวันของเรา มีปัญหาที่เราพบซึ่งทางออกที่ชัดเจน แต่จะเกิดอะไรขึ้นเมื่อคุณต้องเผชิญกับอุปสรรคที่ไม่คุ้นเคยและไม่เหมือนใคร ใช้เขาวงกตนี้เช่น:

ไม่มีบทความในบล็อกที่เขียนเกี่ยวกับวิธีที่ดีที่สุดในการสำรวจเขาวงกตแห่งนี้ เพื่อนของคุณ (ส่วนใหญ่) ไม่สามารถแนะนำคุณได้ คุณไม่มีแผนที่ แล้วคุณจะไปจาก A ไป B ได้อย่างไร?

คำตอบสามารถพบได้ในโปรแกรมคอมพิวเตอร์ชื่อ "The General Problem Solver" ที่สร้างขึ้นในปี 1963 โดย Newell, Simon และ Shaw เพื่อศึกษาปัญญาประดิษฐ์ การวิจัยของพวกเขายังถูกนำไปใช้กับการแก้ปัญหาของมนุษย์ Dr. Russ Dewey อธิบายว่า:

Newell และ Simon กำหนดแต่ละปัญหาเป็นช่องว่าง ที่ปลายด้านหนึ่งของสเปซคือจุดเริ่มต้น อีกด้านหนึ่งคือเป้าหมาย ขั้นตอนการแก้ปัญหานั้นถูกมองว่าเป็นชุดของการดำเนินการที่จะข้ามพื้นที่นั้น ไปจากจุดเริ่มต้นไปยังสถานะเป้าหมาย ทีละขั้น

ใน General Problem Solver โปรแกรมจะทดสอบการดำเนินการต่างๆ (ซึ่ง Newell และ Simon เรียกว่าโอเปอเรเตอร์) เพื่อดูว่าการดำเนินการใดจะเข้าใกล้สถานะเป้าหมายมากขึ้น โอเปอเรเตอร์คือกิจกรรมใดๆ ที่เปลี่ยนสถานะของระบบ General Problem Solver จะเลือกการดำเนินการที่ดูเหมือนจะเข้าใกล้เป้าหมายมากขึ้นเสมอ กลยุทธ์นี้เรียกว่าการปีนขึ้นเขา เพราะมันคล้ายกับกลวิธีในการก้าวขึ้นไปบนยอดเขาหรือภูเขาเสมอ

ในเขาวงกตด้านบน ทางตันแต่ละด้านคือ "ช่องว่าง" ซึ่งเป็นปัญหาที่คุณต้องเอาชนะด้วย "การดำเนินการ" ซึ่งเป็นการกระทำที่นำคุณเข้าใกล้เป้าหมายมากขึ้น (จาก "A" ถึง "B")

ดังนั้นคุณเริ่มต้นที่ "A" และทำตามเส้นทางที่คุณคิดว่าจะพาคุณไปที่ "B" เร็วที่สุด เมื่อคุณเจอทางตัน คุณจะกลับไปและลองใช้เส้นทางอื่น คุณทำซ้ำขั้นตอนจนกว่าคุณจะบรรลุเป้าหมาย

นี่คือสิ่งที่คุณกำลังทำเมื่อคุณกำลังทดสอบ A/B องค์ประกอบเล็กๆ คุณระบุปัญหา เช่น ปุ่มที่มองไม่เห็น เป็นต้น จากนั้น คุณเข้าใกล้เป้าหมายในการสร้างเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังคลิก (หรืออย่างที่คุณคิด) โดยการทดสอบสิ่งที่คุณตั้งสมมติฐานว่าดีกว่า หากไม่ได้ผล ให้คุณทดสอบอย่างอื่น

อย่างไรก็ตาม เมื่อถึงจุดหนึ่ง คุณจะไปถึงจุดที่ผลตอบแทนลดลงซึ่งเรียกว่า "ค่าสูงสุดในพื้นที่"

ค่าสูงสุดในพื้นที่และค่าสูงสุดทั่วโลก

เหตุผลที่วิธีการข้างต้นเรียกว่าฮิวริสติก "การปีนเขา" เนื่องจากมีข้อจำกัดสำคัญที่ทำให้คุณเกาศีรษะบนเนินเขาที่มองขึ้นไปบนยอดเขา ซึ่งเป็นหน้า Landing Page ที่ดีที่สุดหลังการคลิกของคุณ ดร.ดิวอี้อธิบายว่า:

การปีนเขาเป็นกลยุทธ์ง่ายๆ แต่ไม่ได้ผลเสมอไป กับดักที่เป็นไปได้อย่างหนึ่งคือ "ปัญหาเชิงเขา" หากคุณกำลังเลือกขั้นตอนใด ๆ ที่จะพาคุณขึ้นเนิน (หรือในทิศทางใดทิศทางหนึ่ง) คุณอาจจบลงด้วยการปีนเชิงเขาที่อยู่ระหว่างตัวคุณกับภูเขา โดยไม่สนใจขั้นตอนที่มีประสิทธิภาพมากกว่าในการเดินไปรอบๆ กล่าวอีกนัยหนึ่ง หากคุณมุ่งตรงไปยังเป้าหมายโดยไม่ยืดหยุ่น คุณอาจต้องจ่ายในราคาที่สูงลิ่ว เสียพลังงานมาก หรือทำงานให้ตัวเองมากขึ้นโดยไม่สนับสนุนให้บรรลุเป้าหมาย

ในแง่การเพิ่มประสิทธิภาพ "เชิงเขา" นี้เรียกว่า "สูงสุดในพื้นที่" เป็นเวอร์ชันที่ดีที่สุดของหน้าปัจจุบันของคุณ ซึ่งเมื่อทดสอบ A/B เพิ่มเติมแล้ว ผลตอบแทนที่ได้จะลดลง ยอดเขาเรียกว่า "ยอดสูงสุดทั่วโลก" นั่นเป็นเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังคลิก นี่คือภาพกราฟิกที่เป็นประโยชน์ในการอธิบาย:

การเริ่มต้นด้วยหน้า Landing Page หลังการคลิกเดี่ยวๆ และการทดสอบ A/B องค์ประกอบเล็กๆ ทีละส่วนเพื่อปรับปรุง คุณจะเข้าใกล้ค่าสูงสุดในพื้นที่นั้นมากขึ้น แต่วิธีนี้จะไม่นำคุณไปสู่จุดสูงสุดของภูเขานั้น ดังนั้นคุณจะนำทางไปที่นั่นได้อย่างไร?

การทดสอบ A/B เพื่อไปให้ถึงจุดสูงสุดของโลก

ในบล็อกโพสต์ที่ชื่อ “อย่าตกหลุมพรางของการทดสอบ A/B Minutiae” Rand Fishkin แห่ง Moz อธิบายสถานการณ์ที่น่าผิดหวังที่อาจเข้าใกล้บ้านมากเกินไป:

สมมติว่าคุณพบหน้า/แนวคิดที่คุณค่อนข้างพอใจและเริ่มทดสอบสิ่งเล็กๆ น้อยๆ โดยปรับให้เหมาะสมที่สุดในพื้นที่ขั้นต่ำ คุณอาจทำการทดสอบเป็นเวลา 4-6 เดือน พยายามปรับปรุงอัตรา Conversion โดยรวมของคุณ 5% และรู้สึกดีทีเดียว จนกระทั่ง...

คุณใช้แนวคิดใหม่ที่ยิ่งใหญ่ในการทดสอบและปรับปรุงต่อไป ตอนนี้คุณรู้แล้วว่าคุณกำลังเสียเวลาไปกับการเพิ่มประสิทธิภาพและปรับปรุงหน้าเว็บที่มีแนวคิดโดยรวมไม่ดีเท่ากับหน้าใหม่ คร่าวๆ ที่ไม่ได้รับการปรับแต่งที่คุณเพิ่งทดสอบเป็นครั้งแรก

แทนที่จะเป็นเช่นนั้น Fishkin ก็เหมือนกับผู้มีอิทธิพลทางการตลาดอื่นๆ แนะนำให้ทำการทดสอบ A/B "ยกเครื่อง" และ "แนวคิดที่ยิ่งใหญ่" ก่อน หรือกล่าวอีกนัยหนึ่งคือ การทดสอบหน้าเว็บที่ต่างกันอย่างสิ้นเชิง ในหน้าที่แตกต่างกันอย่างสิ้นเชิง หน้าที่มีประสิทธิภาพดีที่สุดนั้นใกล้เคียงที่สุดกับระดับสูงสุดทั่วโลก นั่นคือสิ่งที่คุณควรปรับแต่งด้วยการทดสอบหลายตัวแปร: ปุ่มเทียบกับปุ่ม พาดหัวเทียบกับพาดหัว ฯลฯ กรณีศึกษาหลายกรณีสนับสนุนวิธีนี้

การทดสอบ A/B สำหรับค่าสูงสุดทั่วโลก

1. Facebook

ในปี 2008 Facebook ได้ทดสอบการออกแบบการนำทางแบบใหม่ทั้งหมด ทีมของพวกเขาย้ายจากด้านซ้ายของหน้าไปยังเมนูแบบเลื่อนลงทางด้านขวา อย่างไรก็ตาม ในการทำเช่นนั้น พวกเขาทำให้แอปต่างๆ ภายในการนำทางไม่ปรากฏแก่ผู้ใช้ ซึ่งส่งผลให้มีการเข้าชมแอปเหล่านั้นน้อยลง เนื่องจากพวกเขาเป็นแหล่งรายได้ที่มีค่าสำหรับ Facebook นั่นจึงเป็นปัญหา

หลังจากพยายามกอบกู้การออกแบบใหม่ด้วยกลเม็ดการมีส่วนร่วมเล็กน้อย ทีมเพิ่มประสิทธิภาพพบว่าพวกเขาทำถึงขีดสูงสุดในพื้นที่และทิ้งสิ่งทั้งหมด จากนักพัฒนาผลิตภัณฑ์ Facebook, Adam Mosseri:

สิ่งที่เราทำที่นี่คือเรากำลังเพิ่มประสิทธิภาพสูงสุดในพื้นที่ ภายในเฟรมเวิร์กนี้มีทราฟฟิกมากเท่านั้นที่เราสามารถส่งต่อไปยังแอปพลิเคชันได้ และสิ่งที่เราต้องการคือการเปลี่ยนแปลงโครงสร้าง หลักฐานของเราถูกปิด ความสนใจของเรานำเราไปสู่เส้นทางที่ผิด เราไม่ได้ตระหนักถึงมัน […] เรากำลังปรับให้เหมาะสมสำหรับบางสิ่งในพื้นที่ และเราจำเป็นต้องก่อกวนบ้างเพื่อจัดการกับมัน

2. โมซ

หน้ารูปแบบใหม่นี้สร้างโดยผู้เชี่ยวชาญด้านอัตรา Conversion สำหรับ Moz ที่ ยาว กว่าหน้าเดิม ถึงหกเท่า มีอินโฟกราฟิกมากขึ้น พาดหัวที่แตกต่างกัน และวิดีโอ รวมถึงองค์ประกอบอื่นๆ ที่ไม่ได้อยู่ในหน้าต้นฉบับ มีประสิทธิภาพเหนือกว่าการควบคุม 52%

หากทีมทำงานเพียงเพื่อปรับปรุงองค์ประกอบในหน้าต้นฉบับ พวกเขาจะไม่มีทางเพิ่มเนื้อหาที่เพิ่ม Conversion ได้ถึงครึ่งหนึ่ง จากผู้ทดสอบ:

ในการวิเคราะห์การนำเสนอแบบเห็นหน้ากันที่มีประสิทธิภาพของ Rand เราสังเกตว่าเขาต้องใช้เวลาอย่างน้อยห้านาทีเพื่อสร้างกรณีนี้สำหรับผลิตภัณฑ์ที่ต้องชำระเงินของ Moz หน้าที่มีอยู่เป็นเหมือนสรุปหนึ่งนาที เมื่อเราเพิ่มองค์ประกอบสำคัญของการนำเสนอของ Rand แล้ว หน้าก็ยาวขึ้นมาก

3. ความหนาแน่นของเซิร์ฟเวอร์

กรณีศึกษาการทดสอบ A/B ส่วนใหญ่ที่คุณจะพบทางออนไลน์นั้นเกี่ยวข้องกับลักษณะที่ปรากฏของหน้าเว็บ พวกเขาเป็นสีปุ่มกับสีปุ่มหรือภาพกับภาพและจำนวนของพวกเขาเพิ่มขึ้นในแต่ละวัน ด้วยเหตุนี้ คนส่วนใหญ่ที่เข้าสู่การทดสอบ A/B จึงถือว่าใช้ได้สำหรับการออกแบบเว็บเท่านั้น

อย่างไรก็ตาม แนวคิดของการทดสอบ A/B สามารถนำไปใช้กับอะไรก็ได้ รวมถึงการออกแบบผลิตภัณฑ์หรือแม้แต่โครงสร้างราคา ดังที่คุณเห็นในตัวอย่างนี้จาก Sever Density

บริษัท บริการตรวจสอบเซิร์ฟเวอร์และเว็บไซต์ อนุญาตให้ลูกค้าชำระเงินตามจำนวนเซิร์ฟเวอร์และเว็บไซต์ที่พวกเขาต้องการตรวจสอบ:

โครงสร้างนี้มีจุดมุ่งหมายเพื่อขยายฐานลูกค้า ซึ่งก็ทำได้ แต่ตอนนี้ เป้าหมายของทีมอยู่ที่รายได้ที่สูงขึ้น ดังนั้น A/B ของทางบริษัทจึงได้ทดสอบการยกเครื่องราคาแบบสมบูรณ์ด้วยรูปแบบแพ็คเกจ:

โครงสร้างใหม่ทำให้เกิด Conversion น้อยลง แต่มูลค่าของแต่ละรายการก็พุ่งสูงขึ้น นี่คือผลลัพธ์:

มูลค่าการสั่งซื้อเฉลี่ยตอนนี้มากกว่า $55 เมื่อเทียบกับของเก่า: $19.70 ข้อเสนอนี้เตือนผู้ทดสอบถึงสิ่งสำคัญสองประการ:

การทดสอบ A/B สามารถใช้ได้มากกว่าการเปลี่ยนแปลงการออกแบบเพียงผิวเผิน
การแปลงไม่ใช่จุดสิ้นสุดทั้งหมด บางครั้งการแปลงที่น้อยลงจะทำให้คุณได้ผลลัพธ์ที่ดีขึ้น

คุณจะหาค่าสูงสุดระดับโลกและระดับท้องถิ่นได้อย่างไร?

ข้อควรจำ: จุดแข็งของการทดสอบ A/B กำลังเข้าใกล้ค่าสูงสุดทั่วโลกให้มากที่สุดเท่าที่จะเป็นไปได้ด้วยการเปลี่ยนแปลงครั้งใหญ่ หากต้องการหาค่าสูงสุดในพื้นที่ คุณควรใช้การทดสอบหลายตัวแปรแทน

คุณตกหลุมพรางของการทดสอบองค์ประกอบหน้าเดียวอย่างเคร่งครัดในแต่ละครั้งหรือไม่? คุณทำการเปลี่ยนแปลงหลายครั้งต่อการทดสอบเพื่อหาค่าสูงสุดทั่วโลกหรือไม่?

เรียนรู้วิธีจัดเตรียมโฆษณาแบบตัวต่อตัวแบบ 1:1 สำหรับผู้ชมทุกรายที่คุณมีด้วยการสาธิต Instapage Enterprise วันนี้