A/B Testi Nedir? Nasıl Çalışır ve Ne Zaman Kullanılır?

A/B test yöntemi, bir şeyin iki versiyonundan hangisinin en iyi sonucu verdiğini belirler. Kullanıcı grupları iki gruba ("A" grubu ve "B" grubu) ayrıldığı ve ayrı dijital deneyimlere yönlendirildiği için genellikle "bölünmüş test" olarak anılır.

Bir A/B testi, daha iyi performans gösteren pazarlama kampanyaları oluşturmanıza veya ürün yerleştirme iş akışlarını düzenlemenize yardımcı olabilir. Ürününüzdeki veya özelliğinizdeki değişiklikler, sürtünmeyi en aza indirirken etkinliği doğrulamak için kohort adı verilen küçük, bölümlere ayrılmış gruplar üzerinde test edilebilir.

A/B testi, çeşitli durumlarda kullanılabilen ve kullanılması gereken hayati ve güvenilir bir araçtır. A/B testini aktif olarak kullanan ürün yöneticileri, pazarlamacılar, tasarımcılar ve daha fazlası, gerçek, ölçülebilir sonuçlar sağlayan verilere dayalı kararlar alır.

Önemli Çıkarımlar

• A/B testi, iki farklı varlıktan hangisinin daha iyi performans gösterdiğini belirlemeye yardımcı olur.
• A/B testleri, pazarlama kampanyalarını optimize etmek, kullanıcı arayüzünü/UX'i iyileştirmek ve dönüşümleri artırmak için kullanılır.
• Tek tek sayfaları, birden çok değişkeni ve tüm iş akışlarını ve hunileri test etmek için birden çok A/B testi sürümü vardır.
• A/B testleri maksimum sonuçlar için bölümlere ayrılmalı, doğrulanmalı ve tekrarlanabilir olmalıdır.

A/B Testinin Faydaları Nelerdir?

A/B testleri temel bir soruyu yanıtlar: Müşteriler Seçenek 1'i mi yoksa Seçenek 2'yi mi tercih eder? Dijital ürünler dünyasında, bu sorunun yanıtı, iki ana alan da dahil olmak üzere birçok durumda değerlidir: müşteri deneyimini iyileştirmek ve pazarlama kampanyalarını geliştirmek.

UI/UX'i İyileştirme

Ürününüzün kullanıcı arayüzünde yapılan iyi niyetli ince ayarlar, kullanıcılar için sürtüşme yaratan kasıtsız sonuçlara yol açabilir. Yeni kullanıcılara hitap etmek için mobil uygulamanızdaki bir sekmenin konumunu değiştirebilirsiniz, ancak eski yerine alışmış olan mevcut kullanıcıları yanlışlıkla hayal kırıklığına uğratabilirsiniz.

Bir dizi A/B testi gerçekleştirmek, önce kullanıcı tabanınızın daha küçük bir bölümünü test ederek kapsamlı değişiklikler yapma riskini en aza indirir. Örneğin, Genlik Deneyinde küçük bir yeni kullanıcı segmenti oluşturabilir ve sekmenin yeri değiştirilerek ürününüzün yeni yinelemesinde onları yönlendirebilirsiniz.

Aynı zamanda, benzer bir yeni kullanıcı grubu oluşturabilir, ancak mevcut sürümünüzü kullanırken onları takip edebilirsiniz. Denemenin sonunda, ürününüzün hangi sürümünün en iyi sonuçları verdiğini görmek için deney grubunun davranışlarıyla kontrol grubunuzun davranışlarını karşılaştırabilirsiniz.

Mevcut müşterilerin yeni kullanıcılara karşı değişikliğe nasıl tepki vereceğini anlamak için deneyi tekrarlamalısınız. Bu sefer deney ve kontrol gruplarını mevcut kullanıcıların segmentleriyle değiştirin. Denemeyi farklı segmentler kullanarak birden çok kez çalıştırarak, yaptığınız değişikliklerin, kesintiye yol açmak yerine ürününüzün benimsenmesini hızlandırma şansını artırırsınız.

Pazarlama Kampanyalarını Optimize Etme

A/B testi, pazarlama çabalarınızın performansını artırmak için kullanılabilir. Davranış verileriniz, dönüşüm gerçekleştiren müşterilerin benzer davranışları veya demografik bilgileri paylaşma olasılığının yüksek olduğunu ortaya çıkarabilir. Kimi hedeflemek istediğinizi biliyorsunuz, ancak daha ince noktalar anlaşılması zor:

• Hangi mesajların dönüşümleri artırmada en etkili olduğu kanıtlanmıştır?
• Potansiyel veya mevcut müşteriler en iyi hangi teklife veya teşvike yanıt verir?
• CTA düğmesi için farklı bir tasarım daha fazla tıklama sağlar mı?

Deneyiminize ve içgüdülerinize dayanarak bir kampanya oluşturabilir ve en iyisini umabilirsiniz, ancak bu yine de risk taşır. Mesajınızla hedefi kaçırırken e-postaları veya ücretli sosyal paylaşımları doğru kişilere gönderebilirsiniz. Kampanya birçok dönüşümü netleştirebilir, ancak seçmediğiniz seçeneklerin daha fazlasını getirip getirmeyeceğini asla bilemezsiniz.

A/B testleri, veri destekli sonuçlar sağlayarak en iyi pazarlama seçeneklerinizi belirler. Bir dizi A/B testi, kullanıcıların yeşil CTA'lara mavi olanlardan daha iyi yanıt verdiğini veya ücretsiz deneme teklifinin tek seferlik indirimden daha yüksek düzeyde performans gösterdiğini ortaya çıkarabilir. Bu süreç, daha düşük performans gösteren reklamlara harcanacak harcamaları en aza indirmenize yardımcı olur.

A/B Testinin Gerçek Dünya Örnekleri

Açılış Sayfası Dönüşümlerini Artırma

Esports platformu G-Loot, açılış sayfası dönüşüm oranlarını çarpıcı sonuçlara yükseltmek için A/B testini kullandı. G-Loot, reklama dayalı açılış sayfalarındaki değişiklikleri test etti ve Genlik Deneyi'ni kullanarak en iyi değişiklikleri belirledi. Sayfaları en iyi performans gösteren tasarım ve teklif değişkenlerini yansıtacak şekilde değiştirdikten sonra, G-Loot'un açılış sayfası dönüşüm oranları yüzde üçten inanılmaz bir yüzde 35'e fırladı.

Müşteri Deneyimini Optimize Ederek Elde Tutmayı Artırma

NBCUniversal, müşteri kaybını azaltmanın bir yolu olarak A/B testini benimsedi. Medya devi, Vizio TV'ler için mevcut ana sayfalarını daha yeni yinelemelere karşı test etti. Amplitude'ün yardımıyla şirket, deney grubundaki görüntülemeyi %10 artıran yeni bir ana sayfa belirledi. NBCUniversal, yeni ana sayfayı tüm müşteriler için benimsedi ve bu, 7 günlük kullanıcı tutma oranını ikiye katlayan bir hamle oldu.

A/B Testiyle İnovasyonu Destekleme

Doğru analitik çözümü, daha sık deney yapmayı teşvik eder, bu da çevikliği artırır ve yeniliği besler. GoFundMe'deki ekibin A/B test sonuçlarını analiz etmek için haftalara ihtiyacı vardı. Amplitude'ün sonuçları gerçek zamanlı olarak analiz etme yeteneği sayesinde GoFundMe, yürüttükleri test sayısını ayda iki veya üçten 10'a çıkarmayı başardı. Zaman kısıtlamaları nedeniyle hangi fikirlerin test edileceğini seçmek ve seçmek zorunda kalmak yerine, ekip artık hipotezleri geliştirirken test edebilir.

3 Farklı A/B Testi Türü—Ve Her Birinin Ne Zaman Kullanılacağı

Geleneksel A/B testinin yanı sıra duruma bağlı olarak kullanılabilecek üç tür A/B testi vardır:

Bölünmüş URL testi

Ana sayfanızdaki bir düğmeyi değiştirmek bir şeydir, ancak tamamen yeni bir sayfa tasarımını test etmek isterseniz ne olur? Bölünmüş URL testi, A/B testi kavramını alır ve onu daha büyük bir ölçeğe genişletir. Bu tür testler, tamamen ayrı bir URL oluşturur, böylece bir web sayfasını sıfırdan tamamen yeniden tasarlayabilirsiniz. Deney grubunuz daha sonra bu yeni sayfaya yönlendirilebilir, böylece sonuçlar mevcut olanla karşılaştırılabilir.

Sayfa performansını optimize etmek için bölünmüş URL testi ve geleneksel A/B testi birlikte kullanılabilir. Bölünmüş bir URL testi, söz konusu sayfanın iki tasarımından hangisinin en iyi performansı gösterdiğini ortaya çıkaracaktır. Oradan, bir dizi geleneksel A/B testi, CTA kopyası, yazı tipi boyutu veya görüntüler gibi daha küçük ayrıntılar için kullanıcı tercihini test edebilir.

Çok Değişkenli Test

Bu tür deneme, birden fazla değişken içeren seçenekleri test eder. Geleneksel bir A/B testi, iki CTA düğmesi boyutundan hangisinin tercih edildiğini değerlendirebilir. Nispeten, çok değişkenli bir test, farklı CTA boyutları, başlıklar ve resimler içerebilir ve bu, bir dizi seçenekten hangisinin kampanyanız için en iyi performansı gösterdiğini belirlemenize olanak tanır.

Çok değişkenli testler, birçok varlık arasından hangi varlığın en iyi performansı göstereceğine ilişkin varsayımlarınızı doğrulamada veya reddetmede yardımcı olur. Belirli bir tasarım öğesi kombinasyonunun hedef tabanınız için en iyi performansı gösterdiğine inanabilirsiniz. Alternatif değişkenlerle sürümler oluşturarak, en iyi performansı gösteren dürüst bir hesap için tercih ettiğiniz tasarımı diğer birçok tasarımla test edebilirsiniz.

Çok değişkenli testin başlıca dezavantajı, her ek değişkenin, oluşturulması gereken varlığın başka bir sürümünü eklemesidir. Beş farklı CTA düğmesi şeklini, dört CTA düğmesi rengini ve üç farklı yazı tipini test etmek istiyorsanız, tüm temellerinizi kapsayacak şekilde 60 (!) farklı test varlığı oluşturmanız gerekecektir.

Çok Sayfalı Test

Çok sayfalı bir test, iş akışlarının veya dönüşüm hunisinin alternatif bir sürümünün başarısını ölçer. Orijinale karşı test edilebilecek ayrı bir huni oluşturmak için sırayla birden çok sayfada tarama değişiklikleri yapılabilir. Çok sayfalı bir test, bir akışın veya huninin her sayfasından bir öğe eklemek veya çıkarmak ve efektleri test etmek istediğiniz durumlarda da uygundur.

Diyelim ki e-ticaret web siteniz için ödeme sırası şöyle görünüyor:

Alışveriş Sepeti (A)→ Ödeme Bilgileri (A)→ Nakliye Bilgileri (A)→ Siparişi İncele (A) → Siparişi Gönder (A)

İlk üç sayfadaki “Sonraki Adım” düğmesini hareket ettirmenin satın alma oranlarına yardımcı olup olmadığını merak ediyorsunuz. Teorik olarak her sayfayı ayrı ayrı test edebilirsiniz, ancak müşteriler bu sayfaları ayrı ayrı deneyimlemez. Sırayla bir sayfadan diğerine geçerler.

Sayfaları sırayla test ederseniz, denemenizin sonuçlarının daha doğru olacağını bilirsiniz. Bu nedenle, deneysel dönüşüm huninizin şöyle görünmesi için satın alma sıranızın varyasyonlarını yaratırsınız:

Alışveriş Sepeti (B)→ Ödeme Bilgileri (B)→ Nakliye Bilgileri (B)→ Siparişi İncele (A) → Siparişi Gönder (A)

A/B testinin herhangi bir varyasyonu gibi amaç, orijinale ve hatta diğer yinelemelere karşı hangi huninin en iyi performansı gösterdiğini belirlemektir. "Sonraki Adım" düğmeniz için birkaç konumu test ettikten sonra, son dönüşüm huniniz daha çok şöyle görünebilir:

Alışveriş Sepeti (B)→ Ödeme Bilgileri (D)→ Nakliye Bilgileri (C)→ Siparişi İncele (A) → Siparişi Gönder (A)

A/B Testi Yapmanın Anahtarı

A/B testleri, UI/UX tasarımı ve ürün pazarlaması için faydalı olduğu kadar, gerçek potansiyellerini ortaya çıkarmak için doğru bir şekilde gerçekleştirilmeli ve değerlendirilmelidir. A/B testi başarısının anahtarları şunları içerir:

tekrarlanabilirlik

Bazen A/B testleri, anlık kararlara yol açacak kadar heyecan verici sonuçlar verir. Bir işletme, CTA düğmesinin rengini değiştirmenin dönüşüm oranlarını üç kat artırdığını gördü. Kendi A/B testiniz benzer bir sonuçla sonuçlandıysa, reklamınızın bu sürümünü hemen yayınlamak isteyebilirsiniz ve sizi suçlamak zor olacaktır.

Ancak, test sonuçları yalnızca tekrarlanabilir olmaları durumunda geçerli kabul edilir. Aynı sonuçları tekrar tekrar elde etmek, ilk sonucunuzun şans eseri olma ihtimalini azaltır. Ayrıca, kırmızı bir sürümü test etmeden mavi CTA düğmelerini kullanan bir kampanya ile ilerlerseniz, gerçekten en iyi CTA seçeneğini kullanıp kullanmadığınızı asla bilemezsiniz.

Kullanıcı Segmentasyonu

Kullanıcı segmentasyonu, A/B testleriniz için belirli kullanıcıların bir alt kümesini oluşturma işlemidir. Bu kullanıcı grupları, benzer davranışsal veya demografik özelliklere sahip müşterilere dayanmaktadır. Birçok A/B testinde, belirli bir müşteri grubunun kendilerini etkileyecek değişikliklere nasıl tepki verdiğini bilmek istersiniz. Bu durumlarda, geniş bir müşteri yelpazesini test etmek, aslında hedeflemek istediğiniz segmentin sonucunu azaltabilir.

Ürününüzün sohbet robotunda estetik değişiklikler yapmayı düşündüğünüzü hayal edin. Ürününüzü üç aydan uzun süredir kullanan müşterilerin bu özelliği kullanma olasılığının çok düşük olduğunu biliyorsunuz, bu nedenle onları bir A/B testine dahil etmek bir anlam ifade etmiyor. Bunun yerine, tasarım değişikliklerinizin ürünü kullanacak olanları nasıl etkilediğini en iyi şekilde anlamak için ürününüzü üç aydan daha kısa bir süredir kullanan bir kullanıcı segmenti oluşturmalısınız.

Amplitude Recommend, gelecekte belirli bir eylemi gerçekleştirme olasılığı en yüksek olan bir müşteri grubu bile oluşturabilir. Bu, geçmiş davranışlara dayalı olarak sohbet robotunu kullanması analitik olarak tahmin edilen tamamen yeni kullanıcılardan oluşan bir segment oluşturabileceğiniz anlamına gelir. Tahmine dayalı bir kohort kullanan bir A/B testinin, hedeflemek istediğiniz kullanıcıları dahil etme, sohbet botu kullanmakla ilgilenmeyen kişileri hariç tutma olasılığı çok daha yüksektir.

Testinizi Test Etme

A/B testinizi yanlış oluşturursanız, tüm testleriniz boşunadır. Kusurlu bir test, kullanıcı segmentasyonuna ve tekrarlanan testlere rağmen mantıklı olmayan sonuçlara neden olabilir. Elbette, müşteriler zaman zaman öngörülemez davranırlar, ancak genellikle davranışlarının bir modeli vardır.

İki grup oluşturup onları iki ayrı deneyime yönlendirmek yerine, bazen "A/A testi" olarak adlandırılan yöntemle ürününüzü kendi içinde test edin. Teoride, iki yolculuk arasında bir farklılık olmadığından, bir A/A testinden elde edilen sonuçlar oldukça benzer olmalıdır. Sonuçlar çarpık olarak geri gelirse, denemenizi parçalara ayırmanın ve sorunun nerede oluştuğunu adım adım analiz etmenin zamanı gelmiştir.

3 Yaygın A/B Testi Hatası (Ve Nasıl Önlenir?)

A/B testleri, doğru yapıldıkları sürece değerli bilgiler sağlar. Yanlış sonuçlar, sonuçları çarpıtabilir ve ekipleri kötü verilere dayanarak önemli kararlar almaya yönlendirebilir. Daha yaygın A/B testi hatalarından bazıları şunlardır:

1. Tek Bir A/B Testinde Birden Fazla Değişkeni Test Etme

A/B testi, bir seferde bir değişkeni test etmek için tasarlanmıştır. A ve B seçeneklerini tek bir değişiklikle sınırlamak, nihai sonuçtan bu özel değişikliğin sorumlu olduğunu kesin olarak bilmenizi sağlar.

Birden çok değişkeni değiştirmek, test sonuçlarını yorumlamaya açar. Örneğin, üç estetik özelliğin değiştirilmesi, Reklam A için Reklam B'ye göre daha iyi bir sonuç verebilir, ancak daha iyi performanstan üç değişikliğin hepsinin sorumlu olup olmadığını bilmenin hiçbir yolu yoktur. Tek tek test edildiğinde, değişikliklerden ikisinin gerçekten performansa zarar verdiğini ve üçüncü değişikliğin daha yüksek dönüşüm oranından yalnızca sorumlu olduğunu görebilirsiniz.

Kendinize bir iyilik yapın ve işleri basit tutun: Kendinizi A/B testi başına bir varyasyonla sınırlayın.

2. Çok Erken Test Etme

Yeni bir açılış sayfası oluşturduysanız, A/B testini bir süreliğine ertelemek işe yarar. Yeni bir sayfadaki öğeleri hemen değiştirmek, orijinal yinelemenin performansıyla ilgili gerekli ölçümleri toplamanızı engeller. Yerleşik bir temel olmadan, değişiklikleri test etmek için doğru verilere sahip olamazsınız.

3. Testi Erken Çağırmak

Umut verici sonuçlara dayanarak sadece birkaç gün sonra başarıyı ilan etmeye cazip gelebilirsiniz. Ancak, daha güvenilir veriler elde etmek için testlerin en az birkaç hafta çalışmasına izin vermek en iyisidir. Haftanın hangi günü olduğu veya bir tatil gibi basit bir faktör, çarpık sonuçlar verebilir. Birkaç hafta boyunca test etmek, müşterilerin zaman içinde yaptığınız değişikliklere nasıl tepki verdiğine dair daha gerçekçi bir resim sağlayabilir.

A/B Testlerinizi Müşteri Verileriyle Güçlendirin

Tarihsel, demografik ve davranışsal veriler, dünyanın en büyük şirketlerinden bazıları tarafından devasa A/B testlerinde kullanılmaktadır. Amazon, güçlü öneri makinesinin etkinliğini belirlemek için A/B testi kullanır. Netflix, En İyi 10 listesinin oluşturulmasını haklı çıkarmak için A/B testinden yararlandı. Hem Amazon hem de Netflix'in kendi sektörlerinde elde ettiği başarılar göz önüne alındığında, ürün yönetimi araç kemerinize A/B testi eklemeye değer.

Referanslar

• Tüm Zamanların En Şaşırtıcı A/B Testlerinden 24'ü , WordStream. 08 Temmuz 2021.
• Amazon Personalize, AWS tarafından oluşturulan önerilerin etkinliğini ölçmek için A/B testinin kullanılması . 20 Ağustos 2020.
• A/B Testi nedir? Netflix Teknoloji Blogu. 22 Eylül 2021.