เมื่อใดควรแสวงหาค่าสูงสุดในท้องถิ่นและทั่วโลกด้วยการทดสอบ A/B ของคุณ

ลองจินตนาการว่าคุณกำลังปีนเขาเอเวอเรสต์ท่ามกลางหมอกหนาพร้อมกับความจำเสื่อม คุณสามารถมองเห็นได้ไกลถึงมือที่ยื่นออกไปเท่านั้น คุณไม่รู้ว่าคุณอยู่ที่ไหนหรือต้องมุ่งหน้าไปทางไหน มีเพียงคุณเท่านั้นที่ต้องไปให้ถึงจุดสูงสุด อะไรคืออัตราต่อรองที่คุณทำ?

คงจะต่ำเท่าภูเขาสูง.

ในการเปรียบเทียบที่น่าทึ่งเช่นนี้ มันถูกสร้างโดยอ้างอิงถึงรากฐานของวิธีการทดสอบ A/B ที่เป็นที่นิยม จุดสูงสุดนั้นเป็นเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังการคลิกของคุณ และคุณก็สับสน เกือบตาบอด และหลงทางอยู่บนไหล่เขาของหน้าปัจจุบันของคุณ

ที่แย่กว่านั้น คุณอาจได้รับแผนที่ที่ไม่ถูกต้องจากบล็อกเกอร์ด้านการตลาดที่คุณชื่นชอบ คุณอาจคิดว่าคุณกำลังทำการทดสอบ A/B มาถูกทางแล้ว — นั่นคือคุณกำลังมุ่งหน้าไปยังจุดสูงสุดนั้น อย่างไรก็ตาม มีโอกาสที่คุณจะพบกับทางตันในไม่ช้า และคุณจะไม่พบรูปแบบที่มีประสิทธิภาพสูงสุดของหน้า Landing Page หลังการคลิกของคุณ

ตำนานการทดสอบ A/B ที่สร้างความสับสนให้กับผู้เริ่มต้น

บล็อกการตลาดที่ได้รับความนิยมสูงสุดบางส่วนบนอินเทอร์เน็ตยังคงสานต่อตำนานการทดสอบ A/B ที่ทำให้ผู้เริ่มต้นต้องพบกับหายนะตั้งแต่เริ่มต้น มันทำให้ฉันตกเป็นเหยื่อเมื่อฉันเริ่มด้วย

“อย่าเปลี่ยนองค์ประกอบของหน้ามากกว่าหนึ่งรายการต่อการทดสอบ A/B” ฉันอ่านซ้ำไปซ้ำมา ฉันไม่ได้สงสัยเพราะแหล่งข่าวน่าเชื่อถือและเพราะส่วนใหญ่ มันก็สมเหตุสมผลดี

จุดประสงค์ของการทดสอบ A/B คือการรวบรวมข้อมูลที่คุณสามารถใช้เพื่อเพิ่มประสิทธิภาพเพจ อีเมล โฆษณา หรืออะไรก็ตามที่คุณกำลังทดสอบ ฉันจะรู้ได้อย่างไรว่าอะไรทำให้เกิดการเปลี่ยนแปลงของอัตรา Conversion ที่ข้อสรุปของการทดสอบ หากฉันทำการปรับเปลี่ยนมากกว่า 1 ครั้งระหว่างเวอร์ชัน "A" และ "B" มันจะเป็นข้อมูลประเภทไหน?

ดังนั้น ฉันจึงทดสอบทีละองค์ประกอบ: พาดหัวของหน้า Landing Page หลังการคลิก “A” เทียบกับพาดหัวของหน้า Landing Page หลังการคลิก “B” ถัดไป เป็นปุ่มสีน้ำเงินบนหน้า Landing Page หลังคลิก "A" เทียบกับปุ่มสีเขียวบนหน้า Landing Page หลังคลิก "B" นี่คือวิธีที่มือโปรและ Amazon และ Google ทำ ถ้ามันดีพอสำหรับบริษัทมูลค่าหลายพันล้านดอลลาร์ มันก็ดีพอสำหรับฉัน

ปัญหาที่ฉันมองข้ามไป ซึ่งทำให้ฉันรู้อย่างเจ็บปวดในอีกหลายเดือนต่อมาก็คือ ฉันไม่ใช่ Amazon หรือ Google เว็บไซต์ของพวกเขาสร้างการเข้าชมจำนวนมาก ซึ่งหมายความว่าลิฟต์ขนาดเล็กที่ได้รับจากการทดสอบสีปุ่มเล็กๆ น้อยๆ เหล่านี้สามารถแปลงเป็นรายได้หลายล้านดอลลาร์

แต่สำหรับคนส่วนใหญ่ พวกเขาเสียเวลาและทรัพยากรไปโดยเปล่าประโยชน์ สำหรับคนส่วนใหญ่ การใช้วิธีทดสอบ A/B นี้เปรียบเสมือนการปีนเขาเอเวอเรสต์ท่ามกลางหมอกหนาและความจำเสื่อม

ฮิวริสติกปีนเขา

ในชีวิตประจำวันของเรามีปัญหาที่เราพบซึ่งวิธีแก้ไขที่ชัดเจน แต่จะเกิดอะไรขึ้นเมื่อคุณเผชิญกับสิ่งกีดขวางที่ไม่คุ้นเคยและมีเอกลักษณ์อย่างมาก ใช้เขาวงกตนี้ เช่น:

ไม่มีบล็อกโพสต์ใดที่เขียนเกี่ยวกับวิธีที่ดีที่สุดในการนำทางเขาวงกตนี้ เพื่อนของคุณ (เป็นไปได้มากที่สุด) ไม่สามารถแนะนำคุณได้ตลอด คุณไม่มีแผนที่ แล้วคุณจะเดินทางจาก A ไป B ได้อย่างไร?

คำตอบสามารถพบได้ในโปรแกรมคอมพิวเตอร์ชื่อ “The General Problem Solver” ซึ่งสร้างขึ้นในปี 1963 โดย Newell, Simon และ Shaw เพื่อศึกษาปัญญาประดิษฐ์ การวิจัยของพวกเขายังนำไปใช้กับการแก้ปัญหาของมนุษย์ ดร. รัส ดิวอี้ อธิบายว่า:

Newell และ Simon นิยามแต่ละปัญหาว่าเป็นช่องว่าง ที่ปลายด้านหนึ่งของพื้นที่คือจุดเริ่มต้น อีกด้านหนึ่งคือเป้าหมาย ขั้นตอนการแก้ปัญหานั้นถูกมองว่าเป็นชุดของการดำเนินการเพื่อข้ามช่องว่างนั้น เพื่อออกจากจุดเริ่มต้นไปยังสถานะเป้าหมาย ทีละขั้นตอน

ในโปรแกรมแก้ปัญหาทั่วไป โปรแกรมจะทดสอบการกระทำต่างๆ (ซึ่ง Newell และ Simon เรียกว่าโอเปอเรเตอร์) เพื่อดูว่าการกระทำใดจะทำให้เข้าใกล้สถานะเป้าหมายมากขึ้น ตัวดำเนินการคือกิจกรรมใด ๆ ที่เปลี่ยนแปลงสถานะของระบบ เครื่องมือแก้ปัญหาทั่วไปจะเลือกการดำเนินการที่ดูเหมือนว่าจะทำให้เข้าใกล้เป้าหมายมากขึ้น กลวิธีนี้เรียกว่าการปีนเขา เพราะคล้ายกับกลวิธีของการก้าวขึ้นสู่ยอดเขาเสมอ

ในเขาวงกตข้างต้น ทางตันแต่ละแห่งคือ "ช่องว่าง" ซึ่งเป็นปัญหาที่คุณต้องเอาชนะด้วย "ปฏิบัติการ" ซึ่งเป็นการกระทำที่ทำให้คุณเข้าใกล้เป้าหมายมากขึ้น (เริ่มจาก "A" ถึง "B")

คุณจึงเริ่มต้นที่ “A” และเดินตามเส้นทางที่คิดว่าจะพาคุณไปที่ “B” ได้เร็วที่สุด เมื่อคุณถึงทางตัน คุณจะย้อนกลับและลองใช้เส้นทางอื่น คุณทำซ้ำขั้นตอนจนกว่าคุณจะบรรลุเป้าหมาย

นี่คือสิ่งที่คุณกำลังทำเมื่อคุณกำลังทดสอบ A/B องค์ประกอบขนาดเล็ก คุณระบุปัญหา เช่น ปุ่มที่มองไม่เห็น เป็นต้น จากนั้น คุณเข้าใกล้เป้าหมายในการสร้างเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังการคลิกของคุณ (หรืออย่างที่คุณคิด) โดยการทดสอบสิ่งที่คุณตั้งสมมติฐานว่าเป็นหน้าที่ดีกว่า หากไม่ได้ผล ให้ทดสอบอย่างอื่น

อย่างไรก็ตาม ในบางจุด คุณจะถึงจุดที่ผลตอบแทนลดลงซึ่งเรียกว่า "ค่าสูงสุดในท้องถิ่น"

ค่าสูงสุดในท้องถิ่นและค่าสูงสุดทั่วโลก

เหตุผลที่วิธีการข้างต้นเรียกว่าฮิวริสติกแบบ "ปีนเขา" เนื่องจากมีข้อจำกัดสำคัญที่ทำให้คุณต้องเกาหัวเมื่อมองขึ้นไปบนยอดเขา ซึ่งเป็นหน้า Landing Page ที่ดีที่สุดหลังการคลิก ดร. ดิวอี้อธิบายว่า:

การปีนเขาเป็นกลยุทธ์ง่ายๆ แต่ไม่ได้ผลเสมอไป กับดักที่อาจเกิดขึ้นอย่างหนึ่งคือ "ปัญหาเชิงเขา" หากคุณกำลังเลือกขั้นตอนใดก็ตามที่จะพาคุณขึ้นเนิน (หรือในทิศทางใดทิศทางหนึ่ง) คุณอาจลงเอยด้วยการปีนเชิงเขาที่อยู่ระหว่างตัวคุณกับภูเขา โดยไม่สนใจขั้นตอนที่มีประสิทธิภาพมากกว่าในการเดินไปรอบๆ กล่าวอีกนัยหนึ่ง หากคุณมุ่งตรงไปสู่เป้าหมายโดยไม่ยืดหยุ่น คุณอาจต้องจ่ายแพง เสียพลังงานมาก หรือทำงานให้ตัวเองมากขึ้นโดยไม่ได้มีส่วนร่วมกับเป้าหมาย

ในแง่ของการเพิ่มประสิทธิภาพ "เชิงเขา" นี้เรียกว่า "จุดสูงสุดในท้องถิ่น" เป็นเวอร์ชันที่ดีที่สุดของหน้าปัจจุบันของคุณ ซึ่งเมื่อ A/B ทดสอบเพิ่มเติม จะให้ผลตอบแทนที่ลดลง ยอดเขานี้เรียกว่า "จุดสูงสุดของโลก" นั่นเป็นเวอร์ชันที่ดีที่สุดของหน้า Landing Page หลังการคลิกของคุณ นี่คือกราฟิกที่เป็นประโยชน์ในการแสดง:

การเริ่มต้นด้วยหน้า Landing Page หลังคลิกเดี่ยวและการทดสอบ A/B องค์ประกอบเล็กๆ ทีละรายการเพื่อปรับปรุงให้ดีขึ้น คุณจะเข้าใกล้ค่าสูงสุดในท้องถิ่นนั้นมากขึ้น แต่วิธีนี้จะไม่มีวันพาคุณไปถึงจุดสูงสุดของภูเขาลูกนั้น แล้วคุณจะนำทางไปที่นั่นได้อย่างไร?

การทดสอบ A/B เพื่อให้ได้ค่าสูงสุดทั่วโลก

ในบล็อกโพสต์ชื่อ “อย่าตกหลุมพรางของ A/B Testing Minutiae” Rand Fishkin จาก Moz อธิบายถึงสถานการณ์ที่น่าหงุดหงิดที่อาจเข้ามาใกล้บ้านเกินไป:

สมมติว่าคุณพบเพจ/แนวคิดที่คุณค่อนข้างพอใจและเริ่มทดสอบสิ่งเล็กๆ น้อยๆ นั่นคือการปรับให้เหมาะสมตามค่าต่ำสุดในท้องถิ่น คุณอาจทำการทดสอบเป็นเวลา 4-6 เดือน ทำให้อัตรา Conversion โดยรวมของคุณดีขึ้น 5% และรู้สึกดีทีเดียว จนกระทั่ง...

คุณเรียกใช้แนวคิดใหม่ที่ยิ่งใหญ่ในการทดสอบและปรับปรุงเพิ่มเติม ตอนนี้คุณรู้แล้วว่าคุณกำลังเสียเวลาไปกับการเพิ่มประสิทธิภาพและปรับปรุงหน้าเว็บให้สมบูรณ์แบบ ซึ่งแนวคิดโดยรวมไม่ดีเท่าหน้าเว็บใหม่ที่หยาบและไม่ได้เพิ่มประสิทธิภาพซึ่งคุณเพิ่งทดสอบเป็นครั้งแรก

Fishkin แนะนำให้ทำการทดสอบ A/B เพื่อ "ยกเครื่อง" และ "แนวคิดที่ยิ่งใหญ่" ก่อน หรืออีกนัยหนึ่งคือทดสอบหน้าเว็บที่แตกต่างกันอย่างสิ้นเชิง เช่นเดียวกับผู้มีอิทธิพลทางการตลาดคนอื่นๆ เช่นเดียวกับ Fishkin ในบรรดาหน้าที่แตกต่างกันโดยสิ้นเชิง หน้าที่มีประสิทธิภาพดีที่สุดนั้นใกล้เคียงกับหน้าสูงสุดทั่วโลกมากที่สุด นั่นคือสิ่งที่คุณควรปรับแต่งด้วยการทดสอบหลายตัวแปร: ปุ่มเทียบกับปุ่ม บรรทัดแรกเทียบกับบรรทัดแรก ฯลฯ กรณีศึกษาหลายกรณีสนับสนุนวิธีนี้

การทดสอบ A/B สูงสุดทั่วโลก

1. เฟสบุ๊ค

ในปี 2008 Facebook ได้ทดสอบการออกแบบการนำทางใหม่ทั้งหมด ทีมของพวกเขาย้ายจากด้านซ้ายของหน้าไปยังเมนูแบบเลื่อนลงทางด้านขวา อย่างไรก็ตาม ในการทำเช่นนั้น พวกเขาทำให้แอปภายในการนำทางมองเห็นได้น้อยลงสำหรับผู้ใช้ ซึ่งทำให้การเข้าชมแอปเหล่านั้นน้อยลงมาก เนื่องจากพวกเขาเป็นแหล่งรายได้ที่มีค่าสำหรับ Facebook นั่นจึงเป็นปัญหา

หลังจากพยายามกอบกู้การออกแบบใหม่ด้วยกลเม็ดการมีส่วนร่วมเล็กน้อย ทีมเพิ่มประสิทธิภาพก็ตระหนักว่าพวกเขาทำถึงขีดสูงสุดในพื้นที่แล้วและทิ้งสิ่งทั้งหมดไป จากนักพัฒนาผลิตภัณฑ์ของ Facebook Adam Mosseri:

สิ่งที่เรากำลังทำอยู่นี้คือเรากำลังปรับให้เหมาะสมสำหรับค่าสูงสุดในท้องถิ่น ภายในเฟรมเวิร์กนี้มีทราฟฟิกมากเท่านั้นที่เราสามารถส่งไปยังแอปพลิเคชันได้ และสิ่งที่เราต้องการคือการเปลี่ยนแปลงเชิงโครงสร้าง สมมติฐานของเราถูกปิด ความสนใจของเรานำเราไปสู่เส้นทางที่ผิด เราไม่ได้ตระหนักว่า […] เรากำลังเพิ่มประสิทธิภาพสำหรับบางสิ่งบางอย่างในพื้นที่ และเราจำเป็นต้องสร้างความสับสนเล็กน้อยเพื่อที่จะออกจากมัน

2. มอซ

หน้ารูปแบบใหม่นี้สร้างขึ้นโดยผู้เชี่ยวชาญด้านอัตราการแปลงสำหรับ Moz ซึ่ง ยาวกว่าหน้าเดิมถึงหกเท่า มีอินโฟกราฟิกเพิ่มเติม บรรทัดแรกที่แตกต่างกัน และวิดีโอ รวมถึงองค์ประกอบอื่นๆ ที่ไม่ได้อยู่ในหน้าเดิม มีประสิทธิภาพเหนือกว่าการควบคุมถึง 52%

หากทีมพยายามปรับปรุงองค์ประกอบในหน้าเดิมเท่านั้น พวกเขาจะไม่มีทางเพิ่มเนื้อหาที่เพิ่มการแปลงได้ถึงครึ่งหนึ่ง จากผู้ทดสอบ:

ในการวิเคราะห์การนำเสนอแบบตัวต่อตัวที่มีประสิทธิภาพของ Rand เราสังเกตว่าเขาต้องใช้เวลาอย่างน้อยห้านาทีในการพิจารณาคดีสำหรับผลิตภัณฑ์แบบชำระเงินของ Moz หน้าที่มีอยู่เป็นเหมือนบทสรุปหนึ่งนาที เมื่อเราเพิ่มองค์ประกอบหลักของงานนำเสนอของ Rand แล้ว หน้าก็ยาวขึ้นมาก

3. ความหนาแน่นของเซิร์ฟเวอร์

กรณีศึกษาเกี่ยวกับการทดสอบ A/B ส่วนใหญ่ที่คุณจะพบทางออนไลน์เกี่ยวข้องกับรูปลักษณ์ของหน้าเว็บ พวกมันคือสีของปุ่มเทียบกับสีของปุ่มหรือรูปภาพเทียบกับรูปภาพ และจำนวนของพวกมันก็เพิ่มขึ้นทุกวัน ผลที่ตามมาคือ คนส่วนใหญ่ที่ศึกษา A/B Testing ถือว่าการทดสอบนี้ใช้ได้กับการออกแบบเว็บเท่านั้น

อย่างไรก็ตาม แนวคิดของการทดสอบ A/B สามารถนำไปใช้กับอะไรก็ได้ รวมถึงการออกแบบผลิตภัณฑ์หรือแม้แต่โครงสร้างราคา ดังที่คุณจะเห็นในตัวอย่างนี้จาก Sever Density

บริษัทซึ่งเป็นบริการตรวจสอบเซิร์ฟเวอร์และเว็บไซต์ อนุญาตให้ลูกค้าชำระเงินตามจำนวนเซิร์ฟเวอร์และเว็บไซต์ที่ต้องการตรวจสอบ:

โครงสร้างนี้มีจุดประสงค์เพื่อขยายฐานลูกค้า ซึ่งก็เป็นเช่นนั้น แต่ตอนนี้มุมมองของทีมคือรายได้ที่สูงขึ้น ดังนั้น พวกเขา A/B จึงทดสอบราคาแบบยกเครื่องใหม่ทั้งหมด ด้วยรูปแบบแพ็คเกจ:

โครงสร้างใหม่ทำให้เกิด Conversion น้อยลง แต่มูลค่าของแต่ละรายการกลับพุ่งสูงขึ้น นี่คือผลลัพธ์:

มูลค่าการสั่งซื้อเฉลี่ยตอนนี้มากกว่า $55 เมื่อเทียบกับราคาเดิม: $19.70 ประเด็นสำคัญเตือนผู้ทดสอบถึงสิ่งสำคัญสองประการ:

การทดสอบ A/B สามารถใช้สำหรับการเปลี่ยนแปลงการออกแบบที่ผิวเผิน
การแปลงไม่ใช่จุดสิ้นสุดทั้งหมด บางครั้ง Conversion ที่น้อยลงทำให้คุณได้ผลลัพธ์ที่ดีขึ้น

คุณจะหาค่าสูงสุดทั่วโลกและระดับท้องถิ่นได้อย่างไร

ข้อควรจำ: ความแข็งแกร่งของการทดสอบ A/B กำลังเข้าใกล้ระดับสูงสุดทั่วโลกมากที่สุดเท่าที่จะเป็นไปได้พร้อมกับการเปลี่ยนแปลงครั้งใหญ่ หากต้องการหาค่าสูงสุดในพื้นที่ คุณควรใช้การทดสอบหลายตัวแปรแทน

คุณเคยตกหลุมพรางของการทดสอบทีละองค์ประกอบของหน้าอย่างเคร่งครัดหรือไม่? คุณทำการเปลี่ยนแปลงหลายรายการต่อการทดสอบเพื่อหาค่าสูงสุดทั่วโลกหรือไม่

เรียนรู้วิธีปรับแต่งโฆษณาแบบ 1:1 สำหรับผู้ชมทุกคนที่คุณมีด้วย Instapage Enterprise Demo วันนี้