A/B-тестирование: как оптимизировать на основе ваших данных?

Всем привет!

Я Этторе, 28 лет, итальянец, с самого начала своей работы живу в Испании. Моя трудовая карьера началась в компании, занимающейся электронной почтой, где я открыл для себя мир партнерских программ. С тех пор я был одержим покупкой медиа в Интернете, и я был покупателем медиа для различных сетей (как сетей CPA, так и платформ трафика), а также в качестве индивидуального партнера.

Прочитайте предыдущую статью Этторе о психологии и мотивации пользователей.

В этом посте мы разберем, как правильно проводить A/B-тестирование и, что более важно, как внедрять выводы наших тестов в наши рекламные кампании.

Принципы корректного AB-тестирования

Мы можем рассматривать A/B-тестирование как контролируемый эксперимент, который позволяет нам получать информацию на основе данных, чтобы повысить коэффициент конверсии определенного маркетингового действия, такого как целевая страница, рекламная кампания, рекламное место на наш сайт и т.д.

Но как?

При проведении A/B-тестирования мы разрабатываем и запускаем две версии одного и того же элемента и измеряем, какая из них работает лучше, чтобы производить действия на основе данных со структурой нашей кампании (или целевой страницы, или веб-сайта и т. д.).

Как протестировать предложение CPA?

Ниже мы разберем, как правильно использовать A/B-тестирование на разных компонентах рекламной кампании, чтобы сделать ее успешной.

A/B-тестирование изображений

A/B-тестирование изображений используется для поиска шаблонов среди компонентов изображений, которые мы использовали, которые доказали свою эффективность. На этом этапе мы сначала протестируем различные ракурсы , которые мы можем придумать для нашей кампании. В качестве примера рассмотрим картинку ниже:

Этот набор креативов использовался для кампании мобильного контента на PK (Пакистан), а целевой страницей был стриминговый сервис для просмотра PSL (Пакистанская суперлига).

Как вы можете заметить, креативы, используемые в этой кампании , очень разные , и это потому, что на этом этапе мой A/B-тест проводился на углах: очень ориентированный на конверсию, который говорил что-то вроде «Смотрите PSL без рекламы» ; и более агрессивный и кликбейтный, где девушка говорит что-то вроде «Я отправила тебе видео».

Как и ожидалось, у ориентированного на конверсию сайта был лучший коэффициент конверсии, но низкий CTR, в то время как у кликбейтного клика было намного лучше, и он по-прежнему конвертировался с приличной скоростью.

В этом случае я решил создать две разные кампании с двумя разными наборами креативов, одну только с «кликбейтными» креативами, другую только с «конверсионно-ориентированными». Это было сделано, чтобы подтвердить тенденцию результатов предыдущего теста и найти настоящего победителя между двумя подходами. Короче говоря, кликбейт победил.

Как протестировать креативы для push-уведомлений

Мы можем сказать, что это своего рода крайний случай, но мы можем по-разному проводить A/B-тестирование углов. Например, мы можем подойти к предложение знакомств для гетеросексуальных мужчин с разными углами:

- «Подросток» против «зрелого»

А затем углубимся:

– Крупные планы отдельных частей тела по сравнению с фотографией только с лицом девушки

– Селфи против случайных фотографий

– Блондинка против брюнетки и т. д.

Общая идея заключается в том, что как только мы находим выигрышный ракурс, мы продолжаем A/B-тестирование других визуальных компонентов нашей кампании.

Мы всегда можем углубиться в наши тесты, но во многих случаях, чтобы сделать наш тест максимально надежным, лучше всего создать новую кампанию и протестировать новые идеи отдельно, чтобы подтвердить тенденцию.

A/B-тестирование текстовых компонентов

Теперь давайте посмотрим на следующий набор креативов:

На этом этапе мы уже определили «выигрышный угол» и несколько наиболее эффективных изображений и значков, и теперь мы проводим A/B/C-тестирование некоторых текстов.

Как правило, лучше всего начинать кампанию как минимум с 4–6 объявлений и постепенно добавлять больше вариантов объявлений, дающих наилучшие результаты.

После того, как мы проведем первое тестирование с нашим первым набором креативов и выявим победителей, мы проведем A/B-тестирование остальных переменных нашей кампании.

Говоря о текстовой части, вы можете еще больше подчеркнуть это и поиграть с заголовками и описаниями (и/или названиями брендов в зависимости от сети), выделив только один из двух компонентов, как в примере ниже:

Здесь я тестировал только описание этой пуш-кампании.

A/B-тестирование переменных таргетинга

Хотя это очень очевидно для тестирования в отдельной кампании для ПК и мобильных устройств, это может быть не так очевидно для других компонентов таргетинга.

Давайте теперь посмотрим на эту кампанию для ПК:

Взглянув на результаты этой кампании RON*, мы сразу же заметим, что наши показатели eCPA для разных ОС сильно различаются. Это тот случай, когда нам может потребоваться отдельное A/B/C-тестирование Mac, Windows и Chrome OS (если тенденция подтвердится позже с более высокими расходами).

Сделай это один раз, сделай это дважды: как повторно протестировать свои предложения?

Это хорошая практика, главным образом потому, что она позволит нам оптимизировать все остальные переменные нашей кампании по отдельности и, в конечном итоге, добиться более низкой эффективной цены за конверсию по глобальным показателям конкретной кампании.

*Я имею в виду кампанию RON, означающую кампанию, которая проводится впервые и еще не имеет ни белого, ни черного списка .

Тот же подход можно использовать со всеми другими переменными таргетинга наших кампаний, такими как, например, активность пользователей с учетом данных кампании ниже:

В этом случае мы могли бы оставить средний и низкий уровни вместе и провести отдельное тестирование высокого уровня в отдельной кампании (поскольку их производительность одинакова), или мы могли бы протестировать все три действия пользователей по отдельности A/B/C.

Подведение итогов

A/B-тестирование, безусловно, является мощным оружием, когда речь идет об оптимизации конверсии.

Следует иметь в виду, что нельзя ограничивать количество тестов . Мы почти всегда можем улучшить результат, даже если думаем иначе.

Наконец, всегда анализируйте данные и полученные результаты. Они являются ключом к улучшению результатов наших кампаний.

Отказ от ответственности. Мнения, выраженные в этой статье, принадлежат автору и не обязательно отражают официальную позицию PropellerAds.

Готовы обсудить A/B-тестирование? Присоединяйтесь к нашему Telegram-чату и общайтесь с НАСТОЯЩИМИ партнерами.