کشیدگی ردیف و محتوا

اگر نگاه به دنیای بازاریابی آنلاین داشته باشید، خود را در محاصرۀ مطالب وبلاگ های بیشماری می یابید که بهترین شیوه های ایجاد ابزارهای بازاریابی برتر را ارائه می دهند. از فرم های نظرسنجی گرفته تا بنرها و طرحهای تبلیغاتی آنلاین جذاب. خوشبختانه هیچ کمبودی به لحاظ نظرات پیرامون ابزاری که کسب و کار شما را رشد می دهند وجود ندارد.

این ممکن است به نظر مفید باشد، و نقطه شروع خوبی است، اما «بهترین شیوه ها» برای رسیدن به بیشترین تعداد ممکن مشتری می باشد، که اغلب نیازهای خاص مشتریان شما را نادیده می گیرد. مخاطب شما همۀ جامعه نیست. مخاطبان شما تحت تأثیر انگیزه های منحصر به فردی قرار گرفته و از دغدغه های منحصر به فردی برخوردار می باشند. شما احتمالا تا حدی، درکی از این انگیزه ها و نگرانی ها دارید و بینش تان نیز مقداری به کمکتان می آید، اما بینش شما خیلی تحت تاثیر تجربیات شخصی شماست و همیشه نمی توانید با تکیه بر آن، خود را جای مشتری تان بگذارید.

به همین دلیل است که بازاریابان اغلب روی تکنیک های آزمایش شده برای تایید نظریه های خود و بهبود تبدیل افراد به مشتری، تکیه می کنند. در بازاریابی آنلاین، یکی از تکنیک هایی که بسیار مورد استفاده قرار می گیرد، آزمون A/B است، متدی که به شما امکان می دهد روش های بازاریابی خود را به طور پیوسته و با اطمینان بررسی و بهبود بخشید.

 

خب، حالا آزمایش A/B چیست؟

تست A/B، که تست تقسیم (Split) نیز نامیده می شود، راهی است برای مقایسه نحوه عملکرد دو نسخه مختلف از یک ابزار یا طرح بازاریابی، در قبال مخاطب. در بازاریابی دیجیتال، مشتریان در معرض ابزارهای بسیار گوناگونی هستند که (امیدواریم) آنها را تشویق به خرید کند. این ها می توانند شامل تبلیغات، ایمیل، صفحۀ اصلی سایت، بنرهای تبلیغاتی، ماژول معرفی امکانات (Onboarding Flow)، فرم ها و یا حتی ترولی (چرخ دستی) خرید باشند. تست A/B می تواند برای پی بردن به این که چگونه تغییرات خلاقانه روی ابزارها – مانند اصلاح متن یا تغییر تصویر – بر میزان نرخ تبدیل شدن سرنخ ها به مشتری، تاثیر خواهد گذاشت، مورد استفاده قرار گیرد.

 

آزمایش الف/ب

 

تست A/B به این صورت عمل می کند که مخاطبین موجود را به دو گروه تقسیم کرده، و به هر گروه، یک نسخه متفاوت از یک عنصر خلاقانه مانند صفحه اصلی سایت و یا یک بنر تبلیغاتی ارائه می کنیم. گروه A، که به عنوان گروهِ کنترل عمل می کند، عنصر خلاقانۀ فعلی را نشانش می دهیم، در حالی که به گروه B، یعنی گروه اصلاح، نسخۀ دیگر و متفاوت را ارائه می کنیم.

 

چگونه یک آزمون A/B درست کنم؟

اگر اولین بار است که آزمایش A/B را تجربه می کنید، مانع اصلی شما چالش تکنولوژیک تقسیم مخاطبان به صورت تصادفی است. در اینجا، تاکید بر «تصادفی» بودن است. اگر مخاطبان خود را با (مثلاً) جنسیت شان تقسیم کنید و نسخه های مختلف صفحه اصلی وبسایت را به هر گروه نشان دهید، نتایج حاصله، بیشتر تحت تأثیر تفاوت مخاطبان خواهد بود تا تغییرات ایجاد شده در نسخه های صفحه اصلی سایت. پس به عنوان یک قاعده، باید به هر دو گروه به یک دید بنگرید و از نظر شما، هر دو گروه تا جای ممکن یکسان باشند.

شما به ابزارهای مختلفی نیاز خواهید داشت تا مخاطبان خود را با توجه به آنچه می خواهید تست کنید تقسیم کنید. به طور کلی، فروشندگان تبلیغاتی و ایمیلی (مانند فیس بوک، اینساتگرام و Mailchimp) به طور معمول دارای ابزارهایی هستند که در پلتفرم هایشان ساخته شده اند که می توانید آنها را برای تقسیم مخاطبین استفاده کنید.

برای تست عناصر خلاقانۀ روی سایت، مانند صفحات ورود مخاطب یا تغییرات محدود، نیاز به مجموعه ای متفاوت از ابزارهای پیچیده تر خواهید داشت. اینجا در شرکت ما از ابزارهای سایت های Optimizely و Unbounce با موفقیت استفاده کرده ایم. Google Analytics نیز یک ابزار مفید و رایگان برای این منظور دارد. این ابزار به شما اجازه می دهد دو نسخه مجزا از یک صفحه وب را هم زمان اجرا کنید و آنها را به طور تصادفی به بازدیدکنندگان مختلف نشان دهید، و از این رو می توانید ببینید که کدام بهتر می تواند افراد را به کاری که می خواهید انجام دهند، ترغیب نماید.

وقتی فهمیدید که چگونه مخاطبان خود را تقسیم کنید، زمان آن است که آزمایش خود را تشریح نمایید. این قسمت تا حدی به صبر و توجه نیاز دارد! همانند بسیاری از آزمایش ها، بهترین نقطه شروع، فرضیه شما است، که به بیانی ساده، درواقع پیش بینی شما برای نتایج آزمون است (و اینکه اصلاً دلیل شما از انجام آزمون چیست). فرضیه شما باید مشخص، و مستقیما به اهداف شما مرتبط باشد، که از فرمولِ «اگر ____ سپس _____» پیروی می کند.

یک مثال میتواند اینگونه باشد: «اگر صفحه اصلی سایت دربرگیرندۀ تصویر یک شخصیت قهرمان مرتبط با موضوع باشد، میزان تکمیل فرم نظرسنجی سایت افزایش خواهد یافت.»

با در نظر داشتن یک فرضیۀ روشن، اکنون وقت آن رسیده تا کمی مسئلۀ ریاضی حل کنیم. خیلی کار راحتی است که پس از یک روز، نتایج آزمون را گرفته و بگوییم: «اوه، نسخه جدید بهتر شد! » اما اگر می خواهید فرضیه خود را به صورت عددی ثابت کنید، باید مطمئن شوید که اندازه جامعۀ آماری (یا همان نمونه) شما به اندازه کافی بزرگ است تا بتوانید بگویید بهبود ایجاد شده در نسخۀ جدید ابزار تبلیغاتی، صرفاً شانسی و تصادفی نبوده است. می توانید تعیین کنید که چه مدت زمان برای انجام آزمون لازم است تا به یک معنای آماری دست پیدا کنیم. برای این کار می توانید از تجزیه و تحلیل پیش‌آزمون استفاده کنید. ابزارهای آنلاین مانند AB Testguide کارتان را خیلی آسان می کند.

در اینجا یک مثال بزنیم: تصور کنید که در حال حاضر هر هفته ۲۰۰۰ بازدید کننده از صفحه ورودی سایت شما بازدید می کنند و نرخ فعلی تکمیل فرم مشخصات توسط مخاطبان، ۲٪ است. (این کنترل شماست، خیلی خوب و ساده). اگر نسخه دیگر صفحۀ ورودی با محتوا و تصاویر جدید می تواند ۵۰٪ افزایش در تکمیل فرم را به بار آورد (به این معنی که نرخ تکمیل ۳٪ شود)، در طی ۲ هفته می توانید نتیجه قابل توجهی را بدست آورید. در مقام مقایسه، اگر افزایش تنها ۲۵٪ باشد، برای رسیدن به معنای آماری، ۶ هفته طول خواهد کشید. این به این دلیل است که آزمودن یک تغییر کوچک نسبت به آزمایش یک تغییر بزرگ، دشوارتر است و نیاز به جمعیت بیشتری از بازدیدکنندگان دارد تا این کار انجام شود.

 

حالا، من با این نتایج چه کار کنم؟

شما مخاطبان خود را تقسیم و فرضیه های خود را ایجاد کرده اید، اکنون می توانید آزمایش A/B را شروع کنید. اکثر ابزارها امکان تماشای روند پیشبرد نتایج را در حالی که تست در حال اجراست به شما می دهند و امیدوارم بتوانید ببینید که یک نسخه از ابزار تبلیغاتی شما دارد بهتر از نسخۀ دیگر جواب می دهد. اگر پیشرفت به حد کافی واضح باشد، ممکن است حتی قادر به پایان دادن به آزمایش در همان اوایل باشید. اما اگر نتایج خلاف این را نشان داد، چه؟

فرض کنیم دارید صفحه ورودی وبسایت را با یک باکس ورود آدرس ایمیل مخاطب، در برابر یک دکمۀ سادۀ ورود به فرم مشخصات مخاطب مقایسه و آزمایش می کنید. بر اساس ترافیک هفته ای که انتظار داشتید بعد از ۶ هفته ۲۵٪ افزایش در تکمیل فرم داشته باشید. اما ۶ هفته گذشت و شما تنها ۱۰٪ پیشرفت را دیده اید. از آنجایی که اعتماد به تغییر کوچک، کار سخت تری است، باید تست را برای ۳۲ هفته با سرعت فعلی انجام دهید تا بتوانید حجم مخاطب را به اندازه کافی بزرگ کنید تا اعتماد به بهبود ۱۰درصدی را افزایش دهید.

این زمانی بسیار طولانی برای انتظار کشیدن است، مگر اینکه صفحۀ ورودی سایت واقعا خیلی برایمان مهم باشد. در مواردی مانند این، مهم است که توجه داشته باشید که تفاوت ایجاد شده بسیار ساده است و بهتر است زمان و انرژی خود را صرف آزمایشی کنید که تأثیر و اثربخشی ایجاد کند.

 

پاک کنید و تکرار کنید

بهبودهای حاصل از تست A/B تکرارپذیرند، به این معنی که باید به طور مداوم  و با هر آزمون، بیشتر در مورد مشتریان خود چیزی یاد گرفته و آگاهی کسب کنید. هر تست A/B شما را به درک اینکه چه چیزی باعث انگیزه آنها برای خرید از شما شده و چه چیزی آنها را از شما می راند، نزدیک تر می کند.

همانطور که به آزمون A/B ادامه می دهید، قادر به ایجاد فرضیه هایی آگاهانه تر خواهید بود و تست های تاثیر گذار بیشتری را به اجرا در خواهید آورد، که منجر به ایجاد منبعی گسترده تر و شادتر از مشتریان می شود!

برخی منابع مفید مربوط به A/B Testing از این قرارند:

بستن


آژانس برندینگ و طراحی طوسی | تفکر طراحی

ما تجربه های تعاملی، محصولات دیجیتال و محتوایی که برندها را می سازد، خلق می‌کنیم و برند کسب و کارها را، بر اساس مدل تفکر طراحی توسعه می‌دهیم، تا تجربه مشتریان کامل شود و به برند وفادار بمانند.
آژانس تبلیغاتی طوسی، شامل طراحان و متخصصین حوزه های استراتژی، برندینگ، طراحی و ساخت است که به صورت یکپارچه و ۳۶۰ درجه، روی طراحی یک تجربه خاص و جذاب برای مشتریان برند، کار خواهند کرد.

آژانس برندینگ و طراحی طوسی، با بزرگترین سازمان ها و مجموعه های کشور، در بیش از ۳۰۰ پروژه برندینگ، طراحی و تبلیغات همکاری داشته است.

پروژه های اخیر

Call Now Button