AB تست چیست و چگونه فروش ما را زیاد می‌کند؟

امروز می‌خواهیم در مورد ab تست و عملکرد آن در فروش صحبت کنیم اما قبل از آن بد نیست مقدمه‌ای را برای شما بازگو کنیم.

به احتمال زیاد اکثر ما در اطراف خود کسب و کار‌های زیادی را دیده‌ایم که بر سر دوراهی میان انتخاب رنگ، عکس، متن و… قرار دارند و زمان زیادی را برای انتخابشان صرف کرده و در نهایت یکی را به تصادف انتخاب می‌کنند؛ و یا ایده‌های بزرگ و کوچک زیادی به ذهنشان رسیده که از آینده‌ی هیچ کدام خبر نداشتند، در نتیجه آن‌را رها کرده و دیگر به سراغشان نرفته‌اند.

A/B Testing به شما این امکان را می‌دهد که تا حد ممکن از آینده ایده و نظرات خود آگاه شوید، رفتار مخاطبان خود را بشناسید، تجربه و رابط کاربری خوبی را برای آنها در هر کسب و کاری رقم بزنید و در نهایت نرخ درآمد بالاتری برای خود به وجود آورید.

یک دکه بستنی فروشی را در نظر بگیرید که همیشه بستنی شکلاتی به مشتریان خود فروخته است و الان به این فکر افتاده که از چند طعم دیگر مانند قهوه، وانیل و… استفاده کند تا نرخ تبدیل خود را افزایش دهد اما هنوز اطمینان ندارد که عامه مردم از این تغییر استقبال می‌کنند یا نه؟ او چند درصد به هدفی که در نظر دارد می‌رسد؟ و…

AB تست حتی فروشنده بستنی را درتصمیم‎‌‌گیری درست راهنمایی می‌کند.

چرا A/B تست؟

در AB تست دو نسخه از طراحی با هم مقایسه می‌شوند تا مشخص شود از نظر جامعه هدف شما کدام یک عملکرد بهتری دارد.

در A/B Testing دو نسخه از طراحی با هم مقایسه می‌شوند تا مشخص شود از نظر جامعه هدف شما کدام یک عملکرد بهتری دارد.

تنها یکی از طرح‌ها در اختیار هر کدام از کاربران قرار داده می‌شود(A و یا  B)، در این روش تعداد افراد هر گروه باهم برابر هستند تا شما راحت‌تر بتوانید میزان رضایت افراد از طرح‌ها را بررسی کنید. المان‌های زیادی از جمله موارد زیر را می‌توان مورد آزمایش قرار داد: 

• تصاویر
• تیتر‌ها
• دکمه فراخوان یا کال تو اکشن‌(CTA)
• محتوای صفحه
• رنگ
• اندازه‌ی فرم ورود اطلاعات
• محل قرار گیری لینک‌ شبکه‌های اجتماعی

طبق مثالی که زده شد بستنی فروش باید دو طعم از بستنی‌های خود (به طور مثال شکلاتی و وانیل) را تولید کند و به دو گروه مساوی از مشتریان خود بفروشد و عکس‌العمل و نظر آن‌ها را بررسی کند.

در این بخش باید در نظر داشته باشید تنها یک اِلمان باید در دو طرح تفاوت داشته باشد تا به طور دقیق متوجه شویم کدام یک و به چه دلیلی نتیجه بهتری داشته است. انجام A/B Testing به ظاهر عملی بسیار ساده است اما شما باید به گونه‌ای A/B Test خود طراحی کنید تا در نهایت نتیجه درست و قابل اعتمادی به دست آورید. در ادامه شما را با نکاتی که بهتر است پیش از انجام این تست بدانید آشنا می‌کنم.

نسخه‌های مختلف باید همزمان و در شرایط یکسان ارائه شوند.

حتی ممکن است با اختلاف یک یا دو هفته نتایج کاملا متفاوت و اشتباهی به دست بیاید. به طور مثال در یک روز آفتابی و یا بارانی افراد به طور معمول رفتار متفاوتی دارند. پس برای رهایی از چنین اختلافات فصلی و موارد مشابه، بهتر است هر دو طرح را همزمان ارائه کنیم.  

در هر زمان تنها یک المان در طرح‌ها متفاوت باشد.

در غیر این صورت یافتن دلیل دقیق بهتر بودن یک طرح مشخص نمی‌شود.(در ادامه با تست دیگری آشنا می‌شویم که این مشکل را حل کرده است.) طبق مثال قبل، اگر بستنی فروش همزمان طعم بستنی‌ و بیسکوییت آن را تغییر دهد در نهایت متوجه نمی‌شود علاقه‌ی مردم به طعم جدید بستنی بوده است و یا نوع بیسکوییت آن.

معیار ارزیابی داده‌هایی که قرار است به دست آورید را بدانید.

به طور مثال تعداد درخواست دوباره از همان طعم بستنی می‌تواند معیار شما برای محاسبه میزان محبوبیت یک طعم در بین مردم باشد.

تعداد افرادی که می‌خواهید در تست خود داشته باشید را مشخص کنید.

همه ما می‌دانیم بستنی فروش با دو نفر نمی‌تواند به نتیجه قابل اعتماد خود برسد. قطعا داشتن تعداد کاربر بیشتر در انجام این آزمایش نتایج قابل قبول‌تری ارائه می‌کند و به شما اعتماد به نفس بالاتری می‌دهد اما در بعضی موارد طبق ترافیک سایت و یا اپلیکیشن خود استفاده از کاربران زیاد امکان‌پذیر نمی‌باشد.

پیش‌بینی تعداد کاربران لازم در انجام ab تست به عوامل متعددی از جمله میزان تفاوت میان دو نسخه A و ‌B و نرخ تبدیل ما بستگی دارد.

زمان لازم را برای انجام تست خود بگذارید

این زمان کاملا به ترافیک سایت شما بستگی دارد، قطعا در یک شبانه روز شما به نتیجه دلخواه خود نمی‌رسید. در نتیجه زمان مناسب را طبق عملکرد سایت و یا اپلیکیشن خود در گذشته انتخاب کنید.

معیارهای مناسب را انتخاب کنید.

اگر یک روند طولانی شامل مراحل متعدد دارید و می‌خواهید تنها در یکی از مراحل  این روند تغییر ایجاد کنید، در نظر داشته باشید که نباید تنها تعداد بازدیدکنندگانی که از آن مرحله حرکت کرده‌اند ملاک موفقیت خود قرار دهید بلکه هدف بهبود روند کل فرایند هدف اصلی می‌باشد.

به عبارت دیگر ما در حال بررسی تعداد بازدیدکنندگان در کل فرایند هستیم نه فقط مرحله‌ای که برای بهبود روند، در آن تغییری ایجاد شده است.

در صورتی که در حال انجام چند AB تست بر روی سایت و یا اپلیکیشن خود هستید، در نظر داشته باشید باید یک نسخه برای کنترل تست نیز برای خود تعریف کنید. شما با تعریف یک نسخه اصلی همواره می‌توانید نسخه‌های جدید را با آن مقایسه کنید.

امروزه ابزارهای زیادی برای انجام ab تست به وجود آمده‌اند که به صورت تصادفی دو نسخه‌ی طراحی شما را در اختیار دو گروه از بازدیدکنندگان‌ قرار می‌دهند. اغلب آن‌ها دارای ویرایشگرهای دیداری هستند، در نتیجه نیازی به استفاده از کد در انجام این آزمایش ندارید. شما می‌توانید از نمونه سایت‌های زیر استفاده کنید.

• Optimizely
• Unbounce
• Visual Website Optimizer
•  Google Analytics Experiments

در صورتی که نمی‌دانید اندازه نمونه شما چقدر باید باشد از  sample size calculator استفاده کنید.

 بررسی یک نمونه واقعی A/‌B Testing

سایت Smartwool که یک سایت فروشگاهی آنلاین می‌باشد بر روی صفحه دسته‌بندی محصولات خود ab تست انجام داده است به گونه‌ای که یکی از طرح‌ها با قرار دادن تصویری زیبا در بالای صفحه‌ و نشان دادن محصولات منحصر به فرد در سایزهای مختلف دارای رابط کاربری جذاب‌تر می‌باشد در مقابل طرح دوم از طراحی سنتی سایت‌های فروشگاهی پیروی می‌کند و هر کدام از محصولات را در شبکه‌های (گرید) مربع شکل در سایزهای یکسان نمایش می‌دهد. همچنین شروع صفحه همراه با نمایش محصولات می‌باشد.

هدف آنها از انجام این آزمایش یافتن طرحی بود که بیشترین فروش را داشته باشد. بر خلاف انتظار طرح سنتی و کمی خسته‌کننده برنده این تست شد. میانگین درآمد در هربازدیدکننده ۱۷.۱ درصد افزایش داشت و این نتیجه تنها با ایجاد تغییر در صفحه‌ی دسته‌بندی‌ها به وجود آمده است.

در نظر داشته باشید که آنها نتیجه کل مراحل خرید را اندازه‌گیری کرده‌اند. ممکن است عکس‌های بزرگ در صفحه‌ی دسته‌بندی‌ها منجر به کلیک بیشتری برای محصولات خاص شده باشند اما یک صفحه که جستجو در آن دشوار است، باعث می‌شود افراد کمتری بتوانند آنچه را می‌خواهند پیدا کنند و به همین دلیل محصولات کمتری خریداری می‌شود.

در نهایت ما از طریق اعداد به دست‌آمده، فرض می‌کنیم طراحی سنتی فروش بیشتری داشته‌است ولی هنوز دلیل اصلی انتخاب این طرح از نظر کاربران را نمی‌دانیم. در کنار ab تست انجام شده بهتر است یکسری تحقیقات نیز برای یافتن دلیل اصلی بهتر بودن یک طرح انجام شود. 

همچنین باید گفت این آزمایش کامل و ۱۰۰٪ قابل قبول نیست زیرا همزمان دو المان با هم تغییر کرده‌است، در نتیجه ما هنوز نمی‌دانیم تصویر داخل هدر باعث به وجود‌آمدن نتایج متفاوتی شده است و یا نحوه چینش محصولات در صفحه. 

تست چند متغیره (Multivariate test)

همانطور که قبلتر گفته شد برای آزمایش چند المان در صفحه به طور همزمان نیز تستی وجود دارد به نام «تست چند متغیره» (Multivariate test).

این آزمایش به دانش آماری بیشتری از سوی تیم تحقیق خود نیاز دارد و گروه کنترل و برر سی نقش مهمی در هنگام آنالیز نتایج دارند. پس به یاد داشته باشید پیش از انجام تست، گروه تحقیق و بررسی خود را مشخص کنید.

هدف از این آزمایش پیدا کردن بهترین ترکیب عناصری که دارای عملکرد و تجربه کاربری بالایی دارند می‌باشد. شما با کمک این آزمایش می‌توانید بهترین ترکیب از طراحی که در جهت اهداف سایت و اپلیکیشن شما بوده است را بررسی کنید.

در این روش جمع‌آوری داده‌ها، زمان بیشتری لازم دارد اما هنگامی که به نتیجه رسیدیم تغییر همزمان چند متغییر بسیار ساده‌ و سریع‌تر می‌باشد. در تست چند متغییره حداقل باید دو اِلمان متفاوت استفاده شود.

به طور مثال رنگ و تصویر و یا لینک‌ها و CTA.(در این حالت به چهار نسخه از صفحه سایت و یا اپلیکیشن خود نیاز داریم.) در انجام این تست تعداد نسخه های لازم برای طراحی عبارتند از: تمام حالت‌هایی که المان A لازم دارد × تمام حالت‌هایی که المان B لازم دارد. 

با کمک این آزمایش از انجام چندین ab تست از یک صفحه نیز جلوگیری می‌شود. شما می‌توانید تست چند متغییره را به همان روش A/B Test انجام دهید و هر نسخه طراحی شده از صفحه وبسایت و اپلیکیشین را در اختیار گروهی از کاربران خود بگذارید.

بررسی یک نمونه واقعی Multivariate Testing

در این تست قصد داشتند اِلمان‌های صفحه نتایج جستجو را تغییر دهند که شامل لوگو و متن داخل call to action می‌باشد. همان‌طور که در تصویر زیر مشاهده می‌کنید یک طرح شامل لوگو می‌باشد در حالی که در طرح دوم تنها نام شرکت قرار داده شده‌است.

سپس  همه‌ی ترکیب‌های ممکن از این دو المان(Logo , CTA) را طراحی کردند، یکی از آن‌ها دارای سه نسخه و دیگر شامل دو نسخه می‌باشد که در مجموع شش طرح برای انجام تست لازم است. همانطور که در شکل زیر می‌بینید هر دو نسخه (با لوگو و بدون لوگو) به همراه هر سه نسخه از دکمه فراخوان (Call to action) آمده‌است.

نمایش همزمان هر شش طرح از مشکلات اصلی تست چند متغیره می‌باشد. سایت‌هایی با ترافیک کم نتیجه درستی در تست چند متغیره با ما نمی‌دهند. این‌گونه سایت‌ها تنها می‌توانند دو نسخه را مورد آزمایش قرار دهند و یا مدت زمان بیشتری را برای به دست‌آوردن نتیجه صرف کنند.

نسخه برنده ۵ برابر نسخه‌های دیگر بازدید داشته‌است. این نسخه دارای متنی Call to action مشابه متن اصلی است در نتیجه این موضوع تاثیر چندانی روی نتیجه آزمایش نگذاشته. در مقابل برداشتن لوگو منجر به افزایش حداقل سه برابر بیشتر بازدید کاربران شده است.

آن‌ها هیچ‌گاه دلیل اصلی علاقه کاربران به این طرح را پیدا نکردند و این موضوع تنها یک سوال بی جواب مانده زیرا این تست تنها نتیجه را اعلام می‌کند اما پاسخی برای چرای آن ندارد.

تفاوت میان A/B Testing و Multivariate Testing

• در A/B Test تنها از دو نسخه طراحی استفاده می‌کنیم ولی Multivariate Test حداقل به چهار نسخه نیاز داریم(بستگی به تعداد المان‌های مورد آزمایش قرار داده شده دارد.)
• ترافیک کمتری در A/B نیاز است اما در تست چند متغیره ترافیک بیشتری برای تست همه‌ی نسخه‌های صفحه لازم است.
• مزایای A/B این است که در زمان کوتاه‌تری اطلاعات مفیدی به ما می‌دهد و روش خوبی برای آزمایش تعداد نسخه‌های کمتر است در مقابل تست چند متغیره به ما نشان می‌دهد چگونه المان‌های یک صفحه با هم ارتباط برقرار کرده‌اند و در این روش اعمال تغییرات بسیار سریع‌تر و راحت‌تر است.
• معایب A/B نیز این است که اطلاعاتی در مورد نحوه ارتباط برقرار کردن المان‌های صفحه نمی‌دهد و در تست چند متغیره به ترافیک سنگین‌تری نیاز دارد و دلیل اصلی علاقه کاربران به یک نسخه از طراحی را مشخص نمی‌کند.

کلام آخر

اگر هنوز مطمئن نیستید بهترین مکان برای المان‌ها کدام قسمت از صفحه سایت یا اپلیکیشن شما است و یا اینکه چرا کاربران در وبسایت شما به سوی هدفی که مد نظر شماست نمی‌روند، تست چند متغیره و ab تست هر دو بهترین روش برای یافتن راه حلی برای مشکل شما هستند. 

شما تا کنون از هیچ کدام از این دو روش را استفاده کرده‌اید؟ به نظر شما کدامیک می‌تواند مفیدتر واقع شود؟ در صورتی که در این زمینه تجربه‌ای دارید با ما به اشتراک بگذارید.

منابع: uxstudioteam,towardsdatascience,gitconnected,danup