A/B Testinizle Yerel ve Küresel Maksimumu Ne Zaman Aramalısınız?

Hafıza kaybı olan yoğun bir siste Everest Dağı'na tırmandığınızı hayal edin. Sadece uzanmış elinize kadar görebilirsiniz. Nerede olduğunuzu veya hangi yöne gideceğinizi bilmiyorsunuz, sadece zirveye ulaşmanız gerekiyor. Yapma ihtimalin nedir?

Muhtemelen dağın yüksek olduğu kadar alçaktır.

Bu ne kadar dramatik bir benzetme olsa da, popüler bir A/B test yönteminin temeline atıfla yapılmıştır. Bu zirve, tıklama sonrası açılış sayfanızın en iyi versiyonudur ve kafanız karışır, neredeyse kör olursunuz ve mevcut sayfanızın dağ yamacında kaybolursunuz.

Daha da kötüsü, muhtemelen en sevdiğiniz pazarlama blogcuları tarafından size yanlış bir harita verildi. Doğru şekilde A/B testi yaptığınızı, yani o zirveye doğru gittiğinizi düşünebilirsiniz. Bununla birlikte, büyük olasılıkla, yakında bir çıkmaza girecek ve tıklama sonrası açılış sayfanızın en yüksek performanslı varyasyonunu asla bulamayacaksınız.

Yeni başlayanların kafasını karıştıran A/B testi efsanesi

İnternetteki en popüler pazarlama bloglarından bazıları, yeni başlayanları baştan mahveden bir A/B testi efsanesini sürdürmeye devam ediyor. Başladığımda da beni mağdur etti.

“A/B testi başına birden fazla sayfa öğesini değiştirmeyin” Defalarca okumaya devam ettim. Bunu sorgulamadım çünkü kaynaklar güvenilirdi ve çoğunlukla, şey, sadece mantıklı geldi.

A/B testinin amacı, bir sayfayı, e-postayı, reklamı veya test ettiğiniz her şeyi optimize etmek için kullanabileceğiniz verileri toplamaktır. “A” ve “B” sürümleri arasında birden fazla ayarlama yaparsam, testin sonunda dönüşüm oranındaki değişikliğe neyin sebep olduğunu nasıl bilebilirdim? Bu ne tür bir veri olurdu?

Bu nedenle, öğeleri tek tek test ettim: tıklama sonrası açılış sayfası "A"nın başlığı ve tıklama sonrası açılış sayfası "B"nin başlığı. Ardından, tıklama sonrası açılış sayfası "A"daki mavi düğme ve tıklama sonrası açılış sayfası "B"deki yeşil düğme vardı. Profesyoneller, Amazon ve Google böyle yaptı. Milyar dolarlık şirketler için yeterince iyiyse, benim için de yeterince iyiydi.

Aylar sonra acı bir şekilde farkına vardığım gözden kaçırdığım sorun, Amazon ya da Google olmadığımdı. Web siteleri çok fazla trafik oluşturuyor, bu da bu anlamsız düğme renk testleriyle elde edilen küçük artışların milyonlarca dolar gelire dönüşebileceği anlamına geliyor.

Yine de çoğu insan için bunlar zaman ve kaynak kaybıdır. Çoğu insan için bu A/B testi yöntemini kullanmak, hafıza kaybı olan yoğun bir siste Everest Dağı'na tırmanmaya benzer.

Tepe tırmanma buluşsal yöntemi

Günlük hayatımızda, çözümü belli olan sorunlarla karşılaşırız. Ancak, tanıdık olmayan ve büyük ölçüde benzersiz bir engelle karşı karşıya kaldığınızda ne olur? Bu labirenti ele alalım, örneğin:

Bu labirentte gezinmenin en iyi yolu hakkında yazılmış hiçbir blog yazısı yok. Arkadaşınız (büyük olasılıkla) bu konuda size rehberlik edemez. Haritanız yok. Peki, A'dan B'ye nasıl gidilir?

Cevap, 1963'te Newell, Simon ve Shaw tarafından yapay zekayı incelemek için inşa edilen “The General Problem Solver” adlı bir bilgisayar programında bulunabilir. Araştırmaları aynı zamanda insan problemlerinin çözümüne de uygulanmıştır. Dr. Russ Dewey şöyle açıklıyor:

Newell ve Simon, her sorunu bir boşluk olarak tanımladılar. Alanın bir ucunda başlangıç ​​noktası, diğer ucunda hedef yer alır. Problem çözme prosedürünün kendisi, bu alanı geçmek, her seferinde bir adım olmak üzere başlangıç ​​noktasından hedef durumuna ulaşmak için bir dizi işlem olarak düşünülür.

Genel Problem Çözücü'de program, hangisinin onu hedef durumuna daha yakın hale getireceğini görmek için çeşitli eylemleri (Newell ve Simon'ın operatörler olarak adlandırdığı) test eder. Operatör, sistemin durumunu değiştiren herhangi bir faaliyettir. Genel Problem Çözücü her zaman kendisini hedefine yaklaştıracak gibi görünen işlemi seçer. Bu taktiğe tepe tırmanma denir, çünkü her zaman bir tepenin veya dağın zirvesine doğru bir adım atma taktiğine benzer.

Yukarıdaki labirentte, her çıkmaz bir “boşluk”tur - sizi hedefinize yaklaştıran eylemler olan “operasyonlarla” üstesinden gelmeniz gereken bir problem (“A” dan “B” ye gitmek).

Yani “A”dan başlıyorsunuz ve sizi en hızlı “B”ye götüreceğini düşündüğünüz yolu takip ediyorsunuz. Bir çıkmaza girdiğinizde, geri dönüp alternatif bir rota denersiniz. Hedefinize ulaşana kadar işlemi tekrarlıyorsunuz.

Küçük öğeleri A/B testi yaparken yaptığınız şey budur. Örneğin, fark edilmeyen bir düğme gibi bir sorunu tanımlarsınız. Ardından, varsaydığınız şeyin daha iyi olduğunu test ederek, tıklama sonrası açılış sayfanızın (ya da öyle sandığınız) en iyi sürümünü oluşturma hedefinize biraz daha yaklaşırsınız. Bu işe yaramazsa, başka birini test edersiniz.

Yine de bir noktada, “yerel maksimum” olarak adlandırılan azalan getiri noktasına ulaşacaksınız.

Yerel maksimum ve küresel maksimum

Yukarıdaki yöntemin "tepe tırmanma" buluşsal yöntemi olarak adlandırılmasının nedeni, dağın zirvesine bakarak bir tepede kafanızı kaşımanıza neden olabilecek önemli bir sınırlamaya sahip olmasıdır - tıklama sonrası en iyi açılış sayfanızın olduğu yer. Dr. Dewey şöyle açıklıyor:

Tepe tırmanışı basit bir stratejidir, ancak her zaman işe yaramaz. Potansiyel bir tuzak "etek sorunu"dur. Sizi yokuş yukarı (veya belirli bir yönde) hangi adımı atacaksa seçerseniz, kendinizle dağ arasında uzanan bir eteğe tırmanabilir ve çok daha verimli bir şekilde dolaşmayı görmezden gelebilirsiniz. Başka bir deyişle, esneklik olmadan doğrudan bir hedefe giderseniz, çok yüksek bir bedel ödeyebilir, çok fazla enerji harcayabilir veya hedefe katkıda bulunmadan kendiniz için daha fazla çalışmaya neden olabilirsiniz.

Optimizasyon terimleriyle, bu "etek", "yerel maksimum" olarak adlandırılır. A/B daha fazla test edildiğinde azalan getiri sağlayacak, mevcut sayfanızın en iyi sürümüdür. Dağın zirvesine “küresel maksimum” denir. Bu, tıklama sonrası açılış sayfanızın en iyi sürümüdür. İşte açıklamak için yararlı bir grafik:

Tek bir tıklama sonrası açılış sayfasıyla başlayarak ve onu geliştirmek için küçük öğeleri birer birer A/B testi yaparak, o yerel maksimuma yaklaşırsınız, ancak bu yöntem sizi asla o dağın zirvesine götürmez. Peki oraya nasıl gideceksiniz?

Küresel maksimuma ulaşmak için A/B testi

Moz'dan Rand Fishkin, “A/B Testi Minutiae Tuzağına Düşmeyin” başlıklı bir blog yazısında, eve çok yakın olabilecek sinir bozucu bir senaryoyu açıklıyor:

Diyelim ki, nispeten memnun olduğunuz bir sayfa/konsept buldunuz ve küçük şeyleri test etmeye başladınız - yerel minimum etrafında optimizasyon. 4-6 ay boyunca testler yapabilir, genel dönüşüm oranınızda %5'lik bir iyileşme elde edebilir ve kendinizi oldukça iyi hissedebilirsiniz. A kadar...

Bir testte başka bir büyük, yeni fikir yürütür ve daha da geliştirirsiniz. Artık, genel konsepti ilk kez test ettiğiniz yeni, kaba, optimize edilmemiş sayfa kadar iyi olmayan bir sayfayı optimize etmek ve mükemmelleştirmek için zamanınızı boşa harcadığınızı biliyorsunuz.

Bunun yerine Fishkin, diğer pazarlama etkileyicileri gibi, önce A/B testini “revizyonları” ve “büyük fikirleri” – veya başka bir deyişle, tamamen farklı sayfaları test etmeyi önerir. Bu kökten farklı sayfalardan en iyi performans göstereni, küresel maksimuma en yakın olanıdır. Bu, çok değişkenli testle ince ayar yapmanız gereken şeydir: düğme ve düğme, başlık ile başlık, vb. Birkaç vaka çalışması bu yöntemi desteklemektedir.

Global maksimum için A/B testi

1. Facebook

2008'de Facebook tamamen yeni bir navigasyon tasarımını test etti. Ekipleri bunu sayfanın solundan sağdaki açılır menüye taşıdı. Ancak bunu yaparken, navigasyondaki uygulamaları kullanıcılar için daha az görünür hale getirdiler ve bu da bu uygulamalara çok daha az trafik gelmesine neden oldu. Facebook için değerli bir gelir kaynağı oldukları için bu bir problemdi.

Yeni tasarımı birkaç etkileşim hilesiyle kurtarmaya çalıştıktan sonra, optimizasyon ekibi yerel maksimuma ulaştıklarını fark etti ve her şeyi çöpe attı. Facebook Ürün Geliştiricisi Adam Mosseri'den:

Burada yaptığımız şey, yerel bir maksimum için optimizasyon yapmaktı. Bu çerçevede, uygulamalara aktarabildiğimiz kadar trafik vardı. Ve ihtiyacımız olan şey yapısal bir değişiklikti. Bizim öncülümüz kapalıydı. Çıkarlarımız bizi yanlış yola sürüklüyordu. Bunu fark etmemiştik […] yerel olarak bir şey için optimizasyon yapıyorduk ve bundan kurtulmak için biraz yıkıcı olmamız gerekiyordu.

2. Moz

Moz için Dönüşüm Oranı Uzmanları tarafından oluşturulan bu varyasyon sayfası, orijinalinden altı kat daha uzundu. Orijinal sayfada olmayan diğer öğelerin yanı sıra daha fazla bilgi grafiği, farklı bir başlık ve bir video içeriyordu. Kontrolden %52 daha iyi performans gösterdi.

Ekip yalnızca orijinal sayfadaki öğeleri iyileştirmeye çalışsaydı, dönüşümleri yarı yarıya artıran içeriği asla eklemezlerdi. Test edenlerden:

Rand'ın etkili yüz yüze sunumuna ilişkin analizimizde, Moz'un ücretli ürününü savunmak için en az beş dakikaya ihtiyacı olduğunu fark ettik. Mevcut sayfa daha çok bir dakikalık bir özet gibiydi. Rand'ın sunumunun temel unsurlarını eklediğimizde sayfa çok daha uzadı.

3. Sunucu Yoğunluğu

Çevrimiçi bulacağınız çoğu A/B testi vaka çalışması, web sayfalarının görünümüyle ilgilidir. Bunlar, düğme rengine karşı düğme rengine veya görüntüye karşı görüntüdür ve bunların sayısı her geçen gün artmaktadır. Sonuç olarak, A/B testine giren çoğu kişi, bunun yalnızca web tasarımı için kullanılabileceğini varsayıyor.

Bununla birlikte, Sever Density'deki bu örnekte göreceğiniz gibi, A/B testi kavramı, ürün tasarımı ve hatta fiyatlandırma yapısı dahil her şeye uygulanabilir.

Bir sunucu ve web sitesi izleme hizmeti olan şirket, müşterisinin izlemesi gereken sunucu ve web sitesi sayısına göre ödeme yapmasına izin verdi:

Yapı, müşteri tabanını genişletmeyi amaçlıyordu ve bunu yaptı, ancak şimdi ekibin hedefi daha yüksek gelirdi. Bu nedenle A/B, paketlenmiş bir modelle fiyatlandırmalarının tam bir revizyonunu test etti:

Yeni yapı aslında daha az dönüşüm sağladı, ancak her birinin değeri fırladı. İşte sonuçlar:

Ortalama sipariş değeri şimdi eskisine kıyasla 55 doların üzerindeydi: 19.70 dolar. Paket servisler, test edenlere iki önemli şeyi hatırlatıyor:

A/B testi, yüzeysel tasarım değişikliklerinden daha fazlası için kullanılabilir.
Dönüşümler her şeyin sonu değildir. Bazen daha az dönüşüm size daha iyi sonuçlar verir.

Küresel ve yerel maksimumu nasıl buluyorsunuz?

Unutmayın: A/B testinin gücü, büyük değişikliklerle birlikte küresel maksimuma mümkün olduğunca yaklaşıyor. Yerel maksimumu bulmak için, bunun yerine çok değişkenli test kullanmanız daha iyi olur.

Bir seferde kesinlikle bir sayfa öğesini test etme tuzağına mı düştünüz? Genel maksimumu bulmak için test başına birden çok değişiklik yapıyor musunuz?

Bugün bir Instapage Enterprise Demo ile sahip olduğunuz her kitle için 1:1 reklam kişiselleştirmeyi nasıl sağlayacağınızı öğrenin.