۶ قانونی که در تست های دوبخشی (A/B) باید از آنها پیروی کنید
هر مخاطبی با مخاطب دیگر تفاوت دارد. یک مشوق می تواند برای مخاطبان شما بی تاثیر باشد، اما برای مخاطبان یک کسب و کار دیگر شور و شوق وصف ناپذیری را ایجاد کند. به همین دلیل است که باید با تست محتوا، مشوق ها، زمان ارسال و مواردی از این قبیل را امتحان کنید و امتحان کنید و امتحان کنید.
ما در این مطلب از مجموعه مطالب آموزش ایمیل مارکتینگ یا بازاریابی ایمیلی قصد داریم به قواعد و قوانینی اشاره کنیم که با تبعیت از آنها می توانید عملاً استراتژی بازاریابی بلند مدت خود را بهبود ببخشید. برای اینکه تستی را اجرا کنید که نتایج تکرارپذیر و درستی را ارائه می کند باید از یک رویکرد سیستماتیک و سازمان یافته استفاده کنید. در اینجا پیش از آنکه به ۶ نکته مهم اشاره کنیم که در هنگام اجرای تست های دوبخشی باید به آنها توجه داشته باشید، اجازه بدهید که ببینیم که تست دوبخشی یا A/B در مورد ایمیل در عمل به چه معنا است.
تست A/B یا دوبخشی چیست؟
تست دوبخشی یا A/B یک روش ساده برای تست طرح فعلی (A) در مقایسه با تغییراتی است که در صفحه/ایمیل/تبلیغ (B) خود اعمال می کنید تا مشخص شود که کدامیک (A یا B) بهترین نتیجه را فراهم می کند. این تکنیک را می توان با توجه به شاخص هایی مانند میزان ثبت نام، دانلود، خرید و امثال آنها اجرا کرد تا مشخص شود که کدام نسخه می تواند نتیجه مطلوب تری را ایجاد کند.
یک جرح و تعدیل کوچک در کمپین ایمیل مارکتینگ یا وبسایت می تواند تاثیر قابل توجهی در نتیجه نهایی داشته باشد؛ به همین دلیل، اجرای تست هایی از این قبیل باید اولویت شماره یک شما باشد. حال به سراغ قواعدی می رویم که توجه به آنها نتایج بهتری را از تست های دوبخشی عاید شما خواهد کرد:
اطلاع از نتایج معیار
اگر از اعداد و ارقام معمول اطلاع نداشته باشید نمی توانید متوجه شوید که آیا تست های دوبخشی شما نتایج مثبتی را به بار می آورند یا خیر. منظور ما از اطلاع از نتایج معیار این است که باید بدانید که میانگین نرخ بازشدن، کلیک و تبدیل شما در حال حاضر چقدر است. به عنوان مثال، اگر یک تست A/B اجرا کردید و نرخ تبدیل شما برای A برابر با ۱٫۳ درصد و نرخ تبدیل B برابر با ۳٫۲۳ درصد بود، اما نرخ تبدیل معیار شما ۴٫۵ درصد است، تست شما یک برنده دارد، با این حال در بلندمدت نمی تواند تاثیر مثبتی بر بازده کار شما داشته باشد. در واقع، علاوه بر اینکه A و B را با هم مقایسه می کنید، لازم است که یکی از آنها نتیجه بهتری از حالت معمول را برای شما به ارمغان بیاورد.
در هر بار فقط یک مولفه را تست کنید
این مورد برای کسب نتایج موفقیت آمیز و درست ضروری است. به عنوان مثال، دو طرح یا قالب و دو فراخوان به عمل (CTA) متفاوت را به صورت همزمان تست نکنید. این باعث اخلال در شرایط کنترل خواهد شد و چیزی نخواهید داشت که تغییرات را با آن مقایسه کنید. اگر قرار باشد که چندین عامل را در یک تست دوبخشی با هم مقایسه کنید، قادر به تعیین عنصری که مسبب کلیک، تبدیل و … بیشتر شده است نخواهید بود.
هر دو نسخه را به طور همزمان تست کنید
در هنگام اجرای تست، هر دو نسخه ای که مورد امتحان قرار می گیرند باید به طور همزمان ارسال شوند. زمانی که تست ها را اجرا می کنید می تواند تاثیر چشمگیری روی نتایج نهایی داشته باشد. به عنوان مثال، بر طبق بررسی های MailChimp، بهترین روزها برای اجرای کمپین های ایمیلی روزهای سه شنبه و جمعه است (به تفاوت روزهای کاری ایران با سایر کشورها توجه داشته باشید)، بنابراین اگر یک نسخه از تست خود را در سه شنبه و نسخه دیگر را در روز جمعه ارسال کنید، نتایج دقیقی را به دست نخواهید آورد. دلیل این امر هم این است که متغیرهایی که بین سه شنبه و جمعه تغییر کرده اند از دامنه کنترل و نظارت شما خارج هستند.
داده هایی را بسنجید که اهمیت دارند
آیتم های بسیار متنوع و متعددی وجود دارند که می توانید آنها را تست کنید، مثلاً طرح ایمیل، تصاویر، عناوین وفراخوان به عمل های مختلف، اما به خاطر داشته باشید که هر یک از این موارد روی بخش های مختلفی از فرآیند تبدیل تاثیر خواهند داشت.
به عنوان مثال، اگر به دنبال آن هستید که دو دکمه فراخوان به عمل متفاوت را تست کنید، بررسی نرخ بازشدن ایمیل ها منطقی نیست. در عوض، داده ای که باید روی آن تمرکز کنید، نرخ کلیک یا CTR است. اما اگر به عنوان نمونه بخواهید دو عنوان متفاوت را تست کنید، در اینصورت می توانید به نرخ بازشدن ایمیل ها مراجعه کنید.
کل فهرست ایمیل مارکتینگ خود را تست کنید، نه فقط یک زیرمجموعه از آن را
هرچه نمونه و جامعه آماری تست شما بزرگتر باشد، نتایج شما تکرارپذیرتر، دقیق تر و قابل اعتمادتر می شود. چنانچه فقط یک گروه کوچک از فهرست مشترکان ایمیل مارکتینگ خود را تست کنید، نتایج معنادار و قابل توجهی را به دست نخواهید آورد.
نکته دیگری که باید به آن توجه داشته باشید این است که اعضای هر بخش را به صورت کاملاً تصادفی انتخاب کنید. اگر دو گروه را انتخاب کنید که ویژگیهای مشابهی دارند، با توجه به ساختار آن گروه ها نتایج قابل اطمینانی را به دست نخواهید آورد. در واقع، «انتخاب» گروه ها می تواند روی نتایج شما تاثیر منفی بگذارد. به یاد داشته باشید که اطلاعاتی که به درد شما خواهد خورد اطلاعات تجربی است و نه اطلاعات جهت دار.
اطمینان پیدا کنید که نتایج حاصله از نظر آماری معنادار و موثق است
اگر نتایجی که به دست آورده اید از نظر آماری معنادار نباشد (Statistically Significant)، تست دوبخشی شما شکست خورده است. مسأله این است که به کرّات شاهد آن هستیم که نتایج حاصله صرفاً ناشی از شانس هستند. عبارت «آمار معنادار» مقارن با یک عبارت دیگر در رابطه با تست های A/B با عنوان «سطح اطمینان» (Confidence Level) است. منظور از سطح اطمینان احتمال تفاوت نتایج سنجیده شده با نتیجه کنترل به دلایلی به جز شانس محض است.
برای اینکه آمار خود را معنادار بدانید و بتوانید به آن اتکا کنید سطح اطمینان نتایج حداقل باید بین ۹۰ تا ۹۵ درصد باشد. به عنوان مثال، اگر میزان واکنش نسبت به ایمیلی که روز قبل از آغاز سال نو ارسال کرده اید بسیار پایین بود، باید این را در نظر بگیرید که شاید آن روز خاص روی نرخ بازشدن ایمیل شما تاثیر منفی گذاشته باشد. اعداد و ارقام اهمیت دارند، اما باید بتوانید آن اعداد و ارقام را به شکل منطقی آنالیز کنید تا خلاصه قابل اعتمادی را از نتایج به دست بیاورید. در تست های دوبخشی یا A/B کیفیت بر کمّیت در هر شرایطی مقدم است. هرگاه که با ذره ای تردید مواجه شدید، به منظور تایید نتایج حاصل شده تست را دوباره اجرا کنید.
حرف آخر
و کلام آخر اینکه همیشه این دو جمله را در ذهن داشته باشید که:
