คู่มือฉบับสมบูรณ์สำหรับการทดสอบหลายตัวแปรในปี 2022

การทดสอบหลายตัวแปร (MVT) เป็นเพียงการทดสอบ A/B หลายรายการที่ทำงานพร้อมกันใช่หรือไม่

ไม่ นั่นเป็นหนึ่งในตำนานที่ได้รับความนิยมมากที่สุดเกี่ยวกับ MVT มันละเอียดอ่อนกว่านั้นมาก

การทดสอบหลายตัวแปรเป็นเหมือนการทดสอบ A/B แต่คุณกำลังทดสอบการควบคุมของคุณกับตัวแปรหลายตัว ไม่ใช่เพียงตัวเดียว คุณเห็นไหม ไม่ใช่แค่ A กับ B แต่ยังต่อต้าน C, D, E และอื่น ๆ และเป็นวิธีที่มีประสิทธิภาพสำหรับไซต์ที่มีการเข้าชมสูงในการค้นหาการเปลี่ยนแปลงที่มีประสิทธิภาพดีที่สุดร่วมกัน

ดังนั้น…

• คุณควรใช้ MVT แทนการทดสอบ A/B เมื่อใด
• การทดสอบหลายตัวแปรเหมือนกับการทดสอบ A/B/n หรือไม่
• ตัวอย่างการทดสอบหลายตัวแปรมีอะไรบ้าง
• คุณจะเรียกใช้อย่างไรเพื่อให้ได้ผลลัพธ์ที่น่าเชื่อถือ

เราจะตอบคำถามของคุณเกี่ยวกับการทดสอบหลายตัวแปร ส่งเสริมการทดสอบและทักษะ CRO ของคุณในกระบวนการ เพื่อให้คุณสามารถปรับใช้การทดสอบของคุณได้ใน 30 นาทีในตอนท้ายของคู่มือนี้

หากคุณต้องการพัฒนาทักษะการทดลองของคุณไปอีกระดับ คู่มือนี้เหมาะสำหรับคุณ

ฟังดูเข้าท่า? เอาล่ะ…

การทดสอบหลายตัวแปรคืออะไร?

ลองนึกภาพว่าคุณต้องการทดสอบเวอร์ชันต่างๆ ขององค์ประกอบต่างๆ บนหน้าเว็บพร้อมกันเพื่อเรียนรู้วิธีทำงานร่วมกัน การทดสอบหลายตัวแปรคือการทดสอบที่คุณเรียกใช้

การทดสอบหลายตัวแปร (การทดสอบ MVT) เป็นเทคนิคสำหรับการทดสอบหลายตัวแปรบนหน้าเว็บด้วยชุดค่าผสมที่แตกต่างกัน ชุดค่าผสมที่เป็นไปได้เหล่านี้สร้างรูปแบบต่างๆ ของหน้ามากกว่าหนึ่งหน้า ดังนั้น "หลายรายการ"

ดังนั้น การทดสอบหลายตัวแปรจึงคล้ายกับการทดสอบ A/B/n เนื่องจากเรากำลังทดสอบรูปแบบต่างๆ ตั้งแต่สองรูปแบบขึ้นไปเทียบกับตัวควบคุม ความแตกต่างคือการทดสอบ A/B/n นั้นไม่มีตัวแปร ในขณะที่การทดสอบหลายตัวแปรจะทดสอบการเปลี่ยนแปลงร่วมกัน

ตัวอย่างเช่น หากคุณต้องการทดสอบพาดหัวข่าวสองแบบ ภาพสองภาพ และสีสองปุ่มบนหน้าที่แตกต่างกัน การทดสอบ MVT ของคุณจะมีลักษณะดังนี้:

ในการทดสอบ MVT ด้านบน คุณกำลังทดสอบองค์ประกอบต่างๆ (พาดหัว สี และรูปภาพ) พร้อมกันในชุดค่าผสมต่างๆ เพื่อค้นหาองค์ประกอบที่ดีที่สุด

แต่นั่นไม่ได้หมายความว่าเป็นไปไม่ได้ที่จะทำองค์ประกอบเดียวมากกว่าสองรูปแบบ คุณสามารถมี 3, 4 หรือมากกว่า และทดสอบได้พร้อมกัน ผู้คนเพียงต้องการการเปลี่ยนแปลงเพียงครั้งเดียว เพื่อให้สามารถติดตามอัตราการแปลงที่เพิ่มขึ้นกลับไปได้

สิ่งสำคัญอีกประการที่ควรทราบคือ การทดสอบ MVT ไม่เหมือนกับการทดสอบพร้อมกัน การทดสอบพร้อมกันทำการทดสอบหลายชุดในชุดตัวอย่างเดียวกันในเวลาเดียวกัน และอาจทำให้เกิดการรบกวนได้

การทดสอบพร้อมกันอาจมีลักษณะดังนี้: เรียกใช้การทดสอบ A/B เพื่อค้นหาพาดหัวที่ดีที่สุดระหว่างสองเวอร์ชันและเรียกใช้การทดสอบ MVT เพื่อค้นหาคอมโบที่ดีที่สุดของพาดหัว รูปภาพฮีโร่ และ CTA หรือปุ่มการทำงานบนหน้า Landing Page เดียวกันที่ ในเวลาเดียวกัน.

ในการทดสอบ A/B/n (หรือหลายตัวแปร) เรากำลังทำงานกับตัวแปรหลายตัวที่ให้บริการสมมติฐานพฤติกรรมผู้ใช้เดียวกัน ลองนึกภาพการทดสอบ A/B จำนวนมากบนหน้า Landing Page นั้นที่ทำงานพร้อมกันเพื่อตอบคำถามหนึ่งข้อ เช่น “รุ่นใดจากล็อตนี้ที่ยกให้เราได้ดีที่สุด”

การทดสอบหลายตัวแปรกับการทดสอบ A/B: อะไรคือความแตกต่าง?

อาจดูเหมือนว่าการทดสอบ MVT เป็นรูปแบบขั้นสูงของการทดสอบ A/B สำหรับผู้ที่ไม่ได้รับการฝึกฝน แต่การทดสอบทั้งสองประเภทนั้นแตกต่างกันมาก

ความแตกต่างระหว่างการทดสอบ A/B และการทดสอบหลายตัวแปรนั้นอยู่ที่จำนวนตัวแปรที่ทดสอบพร้อมกัน การทดสอบ A/B จะมีตัวแปรเดียวที่ทดสอบกับกลุ่มควบคุม ในขณะที่การทดสอบหลายตัวแปรจะมีตั้งแต่สองตัวขึ้นไป

การทดสอบ A/B จะทดสอบองค์ประกอบหนึ่ง ตัวอย่างเช่น คุณกำลังทดสอบการเพิ่มรูปภาพลงในหน้าเว็บของคุณ การทดสอบของคุณอาจมีลักษณะดังนี้:

• การควบคุม = ไม่มีภาพ
• รูปแบบที่ 1 = รูปภาพ

ในกรณีนี้ คุณกำลังทดสอบรูปภาพบนเว็บไซต์ของคุณเท่านั้น ดังนั้นจึงเป็นการทดสอบ A/B

ในการทดสอบ A/B/n เช่นเดียวกับการทดสอบหลายตัวแปร คุณสามารถมีรูปแบบที่หลากหลายได้ แต่ความแตกต่างคือ ในการทดสอบ A/B/n คุณจะทดสอบเพียงองค์ประกอบเดียว (หรือตัวแปร) ในขณะที่ในการทดสอบหลายตัวแปร คุณกำลังทดสอบองค์ประกอบหลายรายการในแต่ละตัวแปร

นี่คือตัวอย่างที่โดดเด่นจาก iProspect ซึ่งเป็น Convert Partner Agency เอเจนซี่ทำการทดสอบที่มีข้อมูลหน้าการกำหนดราคา การทดลองของพวกเขานำเสนอ:

• การควบคุมที่ไม่มีข้อมูลการกำหนดราคา
• รุ่น 1 ราคาเริ่มต้นต่ำ
• รุ่น 2 ที่มีราคาเริ่มต้นสูง

คุณเดาได้ไหมว่านี่คือการทดสอบประเภทใด

ในกรณีนี้ เรากำลังทดสอบเพียงองค์ประกอบเดียว เพิ่มข้อมูลราคา ดังนั้นเราจึงมีการทดสอบประเภท A/B/C (หรือ A/B/n)

เมื่อพูดถึงการทดสอบ A/B กับการทดสอบหลายตัวแปร แบบไหนดีกว่ากัน นั่นขึ้นอยู่กับสิ่งที่คุณพยายามทำให้สำเร็จ มีบางครั้งที่ MVT มีประสิทธิภาพมากกว่าการทดสอบ A/B

หากคุณต้องการทดสอบองค์ประกอบต่างๆ บนหน้า (และเอฟเฟกต์การโต้ตอบ) ง่ายกว่าที่จะใช้ MVT แทนการทดสอบ A/B ด้วยการทดสอบ A/B คุณต้องสร้างการทดสอบแบบต่อเนื่องหลายครั้งสำหรับรูปแบบต่างๆ ขององค์ประกอบ ในขณะเดียวกัน ตัวแปรหลายตัวจัดการกับพวกมันในครั้งเดียว

เมื่อใดควรเรียกใช้การทดสอบหลายตัวแปร

เมื่อคุณต้องการวัดประสิทธิภาพของตัวแปรหนึ่งเทียบกับต้นฉบับของคุณ ให้ใช้การทดสอบ A/B วิธีนี้ใช้ได้ผลหากคุณกำลังเปลี่ยนองค์ประกอบหนึ่ง เช่น หัวเรื่องอื่นหรือปุ่มสีอื่น ตราบใดที่การเปลี่ยนแปลงเหล่านั้นอยู่ภายใต้ตัวแปรเดียวและคุณจะได้รับ A กับ B

เมื่อคุณมีตัวแปรที่ทดสอบกับตัวควบคุมมากกว่าหนึ่งตัว แต่เปลี่ยนเพียงครั้งละหนึ่งองค์ประกอบ ให้ใช้การทดสอบ A/B/n

มาดูตัวอย่างกัน คุณต้องการทดสอบว่าการเพิ่มบรรทัดแรกในหน้า Landing Page จะช่วยปรับปรุง Conversion หรือไม่ คุณสามารถทำการทดสอบ A/B/n เช่น Split Base, Convert Partner Agency พวกเขาทำการทดสอบเพื่อพิจารณาว่าการเพิ่มพาดหัวข่าวที่ขับเคลื่อนด้วยผลประโยชน์จะเพิ่ม Conversion หรือไม่

PS: มันทำ! มันเพิ่มบรรทัดล่างขึ้น 27%

คุณใช้การทดสอบหลายตัวแปรเมื่อคุณมีตัวแปรมากกว่าหนึ่งตัวและมากกว่าหนึ่งตัวแปร สมมติว่าคุณมีแนวคิดพาดหัวและตัวเลือก CTA อีก 2 รายการ ซึ่งส่งผลให้คุณสร้างตัวแปร C และ D โดย MVT เป็นวิธีที่มีประสิทธิภาพมากที่สุดในการดูว่าการเปลี่ยนแปลงเหล่านี้โต้ตอบกันอย่างไร

“ถ้าฉันใช้พาดหัว 2 กับปุ่มสี 3 ล่ะ? จะส่งผลต่อจำนวนการสมัครอย่างไร” นี่เป็นคำถามประเภทหนึ่งที่ MVT ตอบ — ผลกระทบต่อประสิทธิภาพที่เกิดจากองค์ประกอบของหน้าจะเปลี่ยนไปเมื่อทำงานร่วมกันในเวลาเดียวกัน

การทดสอบหลายตัวแปรจะเป็นมากกว่าการทดสอบพาดหัวข่าวเดียว และทดสอบรูปแบบต่างๆ ของหน้านั้นเพิ่มเติม การออกแบบและใช้งานนั้นซับซ้อนกว่า ดังนั้นการเลือกการทดสอบ A/B จึงคุ้มค่า

บ่อยครั้ง การทดสอบ A/B ก็เพียงพอที่จะให้คำตอบที่เรากำลังมองหา MVT เหมาะสมกว่ามากสำหรับกรณีที่คุณเชื่อว่าตัวแปรอย่างน้อยหนึ่งตัวมีโอกาสที่จะเอาชนะ A และ B ของคุณ

บางกรณีเหล่านี้คือ:

1. คุณมีปริมาณการเข้าชมสูงและต้องการรวบรวมการเรียนรู้เพิ่มเติมในระยะเวลาอันสั้น การทดสอบหลายตัวแปรทำให้ไซต์ที่มีการเข้าชมสูงมีโอกาสทดสอบการผสมผสานแนวคิดต่างๆ ในเวลาอันสั้น แต่สิ่งเหล่านี้จะต้องเป็นแนวคิดคุณภาพสูงเพื่อไม่ให้เปลืองทรัพยากร
2. คุณจำเป็นต้องรู้ว่าองค์ประกอบใดที่ส่งผลให้ Conversion เพิ่มขึ้น เนื่องจากลำดับของการทดสอบ A/B ต่างๆ จะซ้ำซ้อน

เป็นการยากที่จะปรับใช้ตัวแปรที่มีการเปลี่ยนแปลงทั้งหมดที่ต้องการรวมอยู่ด้วย บางทีแพลตฟอร์มทดสอบของคุณอาจไม่อนุญาตให้มีอิสระในระดับนั้น นี่เป็นวิธีหนึ่งในการแก้ไข แต่ถ้าไม่สามารถฮาร์ดโค้ดการเปลี่ยนแปลงเหล่านี้ได้ในภายหลัง คุณจะใช้ผลการทดสอบไม่ได้

ประโยชน์ของการทดสอบหลายตัวแปร

การทดสอบหลายตัวแปรมีผลกระทบต่ออัตราการแปลงและรายได้ที่ปฏิเสธไม่ได้ คิดเกี่ยวกับมัน ถ้าไม่ใช่จะไม่มีใครพูดถึงการใช้มัน!

ข้อดีอย่างหนึ่งของการทดสอบ MVT คือช่วยให้คุณทราบว่าการเปลี่ยนแปลงในเว็บไซต์ของคุณส่งผลต่ออัตราการแปลงอย่างไร และการทดสอบหลายตัวแปรทำให้คุณสามารถวัดผลการ โต้ตอบ ระหว่างการเปลี่ยนแปลงเหล่านี้ได้ คุณสามารถวัดผลรวมของการเปลี่ยนแปลงเล็กๆ น้อยๆ ต่างๆ และดูว่ามันส่งผลต่ออัตราการสนทนาของคุณอย่างไร

ข้อเสียของการทดสอบหลายตัวแปร

มีเหตุผลเฉพาะเว็บไซต์ที่มีปริมาณการเข้าชมสูงและงบประมาณสูงเท่านั้นที่เรียกใช้การทดสอบหลายตัวแปร มาพูดถึงข้อเสียของการทดสอบ MVT กัน

1. ต้องใช้ขนาดตัวอย่างขนาดใหญ่

ยิ่งคุณทำการทดสอบการเปลี่ยนแปลงองค์ประกอบมากเท่าใด คุณก็จะยิ่งมีรูปแบบต่างๆ มากขึ้นเท่านั้น แต่ละตัวแปรเหล่านี้จำเป็นต้องได้รับการเข้าชมที่เพียงพอเพื่อเข้าถึง stat sig ดังนั้นคุณจะต้องรอนานขึ้นเพื่อให้ได้ผลลัพธ์ที่แม่นยำ นั่นเป็นสาเหตุที่เว็บไซต์จำนวนมากไม่สามารถเรียกใช้การทดสอบ MVT ได้ เนื่องจากไม่มีการรับส่งข้อมูล

2. การทดสอบ MVT ต้องใช้เวลา

ดังที่เราได้กล่าวไว้ข้างต้น ตัวแปรแต่ละตัวต้องการปริมาณการใช้งานและจำนวนมาก ยิ่งคุณทดสอบชุดค่าผสมมากเท่าใด ก็ยิ่งมีรูปแบบที่แตกต่างกันมากขึ้นเท่านั้น และคุณจะต้องรอนานขึ้น

แต่นี่เป็นสิ่งที่สมเหตุสมผลในกรณี CRO ส่วนใหญ่ เพราะถ้าคุณต้องแยกการทดสอบ MVT เป็นลำดับของการทดสอบ A/B คุณจะใช้เวลาและปริมาณการใช้งานมากขึ้น

3. การวิ่งมีค่าใช้จ่ายมากขึ้น

คุณจะต้องใช้เวลาพิเศษ (และเงิน) ในการพัฒนาและ QA แต่ละตัวแปร นั่นเป็นเหตุผลที่การตัดสินใจของคุณเรียกใช้การทดสอบเหล่านี้กับการทดสอบ A/B ที่ง่ายกว่านั้นต้องมีเหตุผลที่ชัดเจน ไม่เช่นนั้น ROI ของการทดสอบของคุณจะได้รับผลกระทบ

4. คุณมีแนวโน้มที่จะผิดพลาดมากขึ้น

เมื่อคุณเรียกใช้การทดสอบ A/B/N คุณจะไม่ได้ใช้สถิติเดียวกันกับที่คุณใช้สำหรับการทดสอบ A/B ตัวแปรเพิ่มเติมเรียกร้องให้มีการปรับการทดสอบนัยสำคัญทางสถิติ อัตราข้อผิดพลาดสำหรับครอบครัวที่เพิ่มขึ้น (FWER) หมายความว่าคุณมีแนวโน้มที่จะสร้างข้อผิดพลาดประเภทที่ 1 และติดแท็กรูปแบบที่ไม่ถูกต้องในฐานะผู้ชนะ

ตัวอย่างการทดสอบหลายตัวแปรที่ส่งผลกระทบอย่างใหญ่หลวง

1. Microsoft ได้ทำการทดสอบหลายตัวแปรบนไซต์ SMB ของพวกเขา และพบตัวแปรที่เพิ่มการแปลง 40%!

2. ในปี 2009 YouTube ได้เรียกใช้ MVT บนหน้าแรกของพวกเขาเพื่อให้ผู้คนจำนวนมากขึ้นลงชื่อสมัครใช้บัญชี พวกเขาเรียกมันว่า "การทดลองสูตร 1,024 ครั้ง" หนึ่งตัวแปรชนะด้วยการเพิ่ม 15.7%

3. Booking.com เป็นที่รู้จักสำหรับการทดสอบ พวกเขาใช้การทดสอบหลายตัวแปรเพื่อเรียนรู้วิธีใช้คุณลักษณะใหม่กับผู้ชมกลุ่มเล็กก่อนเปิดตัว

4. HawkHost ต้องการเห็นการเพิ่มขึ้นในหน้าแรกและพวกเขาก็ทำได้ สิ่งเหล่านี้ทดสอบพาดหัว หัวเรื่องย่อย และภาพฮีโร่ในการทดสอบหลายตัวแปร ซึ่งส่งผลให้มียอดขายเพิ่มขึ้น 204% ที่มาก

5. เลย์เอาต์หน้า Landing Page ของ Amazon เป็นผลมาจากการทดสอบหลายตัวแปร พวกเขาใช้ร่วมกับแมชชีนเลิร์นนิงเพื่อค้นหาเลย์เอาต์ที่เหมาะสมที่สุดที่กระตุ้น Conversion และเข้าถึงจุดที่น่าสนใจที่ทำให้อัตราการซื้อเพิ่มขึ้น 21% ใน 7 วัน

แหล่งที่มา

สถิติการทดสอบหลายตัวแปร: บทนำสู่การวิเคราะห์หลายตัวแปร

หากคุณสงสัยว่าการทดสอบหลายตัวแปรทำงานอย่างไรภายใต้ UI ที่สวยงามของเครื่องมือทดสอบและตามหลักการเบื้องหลัง มาทำให้ตื่นเต้นกันเถอะ:

การวิเคราะห์หลายตัวแปร (MVA) เป็นประเภทของการวิเคราะห์ทางสถิติที่มีการวิเคราะห์ตัวแปรตามมากกว่าหนึ่งตัวพร้อมกับตัวแปรอื่นๆ ในเวลาเดียวกัน มันขึ้นอยู่กับวิธีการทำงานของโลกแห่งความจริง: ปัจจัยมากกว่าหนึ่งตัวรับผิดชอบต่อผลลัพธ์บางอย่าง

ไม่ได้ใช้เฉพาะในการตลาดดิจิทัล (เช่น การเพิ่มประสิทธิภาพอัตราการแปลง) โดยเป็นส่วนหนึ่งของการวิเคราะห์ข้อมูลเชิงสำรวจ แต่ยังนำไปใช้ในด้านต่างๆ เช่น การดูแลสุขภาพ การผลิต การขนส่ง ฯลฯ ซึ่งขับเคลื่อนการตัดสินใจมากมายในโลกธุรกิจ ในรัฐบาลด้วย

แม้ว่าจะซับซ้อน แต่ก็เป็นวิธีที่ถูกต้องในการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระ

MVT & Traffic: วิธีการคำนวณขนาดตัวอย่างสำหรับการทดสอบหลายตัวแปร?

วิธีที่ดีที่สุดคือการใช้เครื่องมือคำนวณขนาดตัวอย่างของเรา สิ่งนี้จะให้ทุกสิ่งที่คุณต้องการเพื่อเริ่มต้นการออกแบบการทดสอบหลายตัวแปรที่สมบูรณ์

เมื่อใดควรหยุดการทดสอบหลายตัวแปร

การหยุดการทดสอบเร็วเกินไปอาจทำให้เกิดข้อผิดพลาดได้ เนื่องจากข้อมูลที่รวบรวมได้ไม่เพียงพอสำหรับการวิเคราะห์ที่แม่นยำ

คุณอาจเคยได้ยินบางคนบอกว่าคุณควรหยุดเมื่อมีผู้ชนะที่ชัดเจน หรือหยุดการเปลี่ยนแปลงหากอัตรา Conversion ลดลงต่ำกว่า 10% และย้ายการเข้าชมไปยังกลุ่มที่มีประสิทธิภาพสูง วางใจได้เลย การทำเช่นนี้จะทำให้ผลลัพธ์เสียหายอย่างมาก

คุณไม่ควรหยุดการทดสอบหลายตัวแปรก่อน:

1. การรวบรวมขนาดตัวอย่างที่มากพอสำหรับตัวแปรแต่ละตัว ดังนั้น ปล่อยให้ทำงานนานขึ้นเพื่อรวบรวม Conversion ให้เพียงพอเพื่อให้มีความเกี่ยวข้อง
2. ดำเนินการ 1 หรือ 2 รอบการขายเต็มรูปแบบเพื่อสร้างสมดุลระหว่างการเข้าชมและระยะเวลาการช็อปปิ้งในช่วง 30-60 วัน
3. ถึงความสำคัญทางสถิติ นั่นหมายความว่าเมื่อถูกผลักดันให้มีชีวิต มันควรจะสามารถทำซ้ำผลลัพธ์ได้ด้วยความแม่นยำ 95%

วิธีการออกแบบการทดสอบหลายตัวแปร

การทดสอบ A/B และการทดสอบหลายตัวแปรมีความคล้ายคลึงกันในการออกแบบและดำเนินการ

เราร่างวิธีการทดสอบทีละขั้นตอนเพื่อเรียกใช้ MVT ด้านล่าง แต่ขอสรุปสั้นๆ ดังนี้

1. ระบุปัญหาและกำหนดเป้าหมาย: เมื่อคุณอ่านข้อมูลของคุณ พยายามทำความเข้าใจว่าผู้เยี่ยมชมเว็บไซต์ประสบอะไร และพบปัญหา กำหนดสมมติฐาน (วิธีแก้ปัญหาโดยมีเป้าหมาย) และทำการทดสอบตามนี้
2. ตัดสินใจว่าจะทดสอบอะไร: สมมติฐานของคุณจะเกี่ยวข้องกับองค์ประกอบของหน้าเว็บรวมกัน คิดออกว่าคุณจะทำอะไรกับพวกเขาเพื่อให้บรรลุเป้าหมาย สร้างรูปแบบต่างๆ ให้สอดคล้องกับต้นฉบับ
3. ประมาณการกรอบเวลาและขนาดตัวอย่างของคุณ: คุณไม่จำเป็นต้องทำด้วยตัวเอง ใช้เครื่องคำนวณขนาดตัวอย่างก่อนการทดสอบของเรา มันจะช่วยคุณหาตัวเลขสำคัญที่คุณต้องการ
4. สร้างการทดสอบ: ในแพลตฟอร์มการทดสอบ ให้ตั้งค่ารูปแบบต่างๆ ในชุดค่าผสม
5. รับรองว่าได้ผล: เรียกใช้การทดสอบการประกันคุณภาพในการรักษาใหม่แต่ละครั้งเพื่อให้แน่ใจว่าทำงานตามที่ตั้งใจไว้
6. ทำการทดสอบของคุณ: เริ่มเพิ่มปริมาณการเข้าชม

ตอนนี้ มาดูแต่ละขั้นตอนกันอย่างละเอียด ตั้งแต่การรวบรวมข้อมูลไปจนถึง QA:

การเก็บรวบรวมข้อมูลสำหรับการทดสอบหลายตัวแปร

ข้อมูลถูกรวบรวมระหว่างการทดสอบหลายตัวแปรอย่างไร? มีสองแนวทางหลักที่ต้องให้ความสนใจ:

1. แฟกทอเรียลเต็ม

วิธีการทำงาน: ทุกตัวแปรใน MVT ของคุณจะได้รับปริมาณการเข้าชมทั้งหมดที่มายังไซต์ของคุณเท่ากัน หากคุณมี 5 เวอร์ชัน แต่ละรายการจะได้รับ 20% ของการเข้าชมที่มายังไซต์ของคุณ

แน่นอน ในการบรรลุนัยสำคัญทางสถิติ วิธีนี้จะต้องมีการเข้าชมจำนวนมากและจะต้องดำเนินการเป็นเวลานาน แต่ลักษณะนี้ยังทำให้แฟคทอเรียลสมบูรณ์เป็นตัวเลือกที่ถูกต้องที่สุด

2. แฟกทอเรียลเศษส่วน

แฟกทอเรียลแบบเศษส่วนจะทดสอบชุดย่อยของตัวแปรของคุณ ซึ่งต่างจากคู่ที่ "เต็ม" เท่านั้น นั่นเป็นเหตุผลที่มี "เศษส่วน" อยู่ในชื่อ

หากคุณมี 10 ตัวแปร มันจะทดสอบ 5 ตัว และคาดการณ์ประสิทธิภาพของ 5 ตัวที่ไม่ได้ทดสอบตามผลลัพธ์

ด้วยเหตุนี้ มันจึงทำงานเร็วกว่าแฟคทอเรียลแบบเต็ม แต่มีความแม่นยำน้อยกว่ามาก ประโยชน์ของมันคือคุณจะได้เห็นคร่าวๆ ว่าการทดสอบฉบับสมบูรณ์จะหน้าตาเป็นอย่างไรก่อนที่คุณจะทำการทดสอบ

แล้ววิธี Taguchi ล่ะ? บางคนบอกว่ามันเป็นชื่ออื่นสำหรับแฟกทอเรียลเศษส่วน มันซับซ้อนในการใช้งาน ดังนั้นเครื่องมือส่วนใหญ่ไม่มีให้

การสร้างสมมติฐานสำหรับการทดสอบหลายตัวแปร

คุณต้องสร้างสมมติฐานการทดสอบหลายตัวแปรตามข้อมูลเชิงคุณภาพและเชิงปริมาณที่แม่นยำ

คุณไม่ต้องการเดาหรือใช้แนวคิดการทดสอบทั่วไปที่พบในบล็อกเพื่อทำการทดสอบ เลือกสิ่งที่เกี่ยวข้อง เช่น การแก้ปัญหาที่คุณพบขณะกลั่นกรองข้อมูลของคุณ หรือทดสอบแนวคิดที่คุณคิดว่าสามารถยกระดับได้

นี่จะเป็นเป้าหมายของการทดสอบของคุณ คุณสามารถใช้เครื่องกำเนิดสมมติฐานของเราเพื่อช่วยให้คุณสร้างสมมติฐานที่มั่นคงได้

การประกันคุณภาพสำหรับการทดสอบหลายตัวแปร

หากไม่มีการประกันคุณภาพ การทดสอบใดๆ ก็ตามอาจทำให้เข้าใจผิดได้ ความก้าวหน้าโดยไม่มี QA มีความเสี่ยงและอาจทำให้เกิดข้อผิดพลาดราคาแพงได้ ก่อนที่คุณจะเชื่อถือข้อมูลเชิงลึกของการทดสอบ ให้ผ่านจุดตรวจสอบหลายจุด:

• การตั้งค่า QA: เมื่อคุณตัดสินใจตั้งค่าเพื่อใช้สำหรับกระบวนการ QA ของคุณ ระบุกรณีการใช้งานพิเศษเพื่อทดสอบประสบการณ์ผู้ใช้บนอุปกรณ์และเบราว์เซอร์ที่คุณจะเป็น QAing เป็นต้น
• ปัจจัยภายนอก: ระบุปัจจัยที่คุณไม่สามารถควบคุมได้ซึ่งอาจส่งผลต่อการทดสอบ เช่น เหตุการณ์หรือวันหยุด การทดสอบอื่นๆ ที่ทำงานพร้อมกัน เหตุการณ์ และการเข้าชมไซต์
• การตั้งค่าการทดสอบ: ตรวจสอบคุณภาพของสูตรสมมติฐาน การจัดสรรการรับส่งข้อมูล หากการสั่นไหวจะส่งผลต่อการทดสอบ ความล่าช้าและข้อผิดพลาดอื่นๆ เป็นต้น
• ข้ามเบราว์เซอร์และข้ามอุปกรณ์: คุณต้องตรวจสอบการพิมพ์ แบบอักษร และรูปแบบสีในอุปกรณ์และความละเอียดหน้าจอ ตรวจสอบระยะขอบและช่องว่างภายใน ตรวจสอบการใช้งาน ประสิทธิภาพขององค์ประกอบของหน้าในอุปกรณ์ต่างๆ และอื่นๆ

และความคลาดเคลื่อนอื่นๆ ที่คุณอาจตรวจพบ: จำเป็นต้องแชร์คำเกี่ยวกับเรื่องนี้กับทีมของคุณเพื่อแก้ไข

คุณทำการทดสอบหลายตัวแปรได้อย่างไร? การนำการทดสอบหลายตัวแปรไปใช้ใน Convert Experiences

การสร้างการทดสอบหลายตัวแปรใน Convert Experiences ทำได้เพียง 4 ขั้นตอนง่ายๆ นี่คือสิ่งที่ต้องทำ:

1. บอกชื่อประสบการณ์ของคุณ
   
   ใน Convert Experiences เลือก “New Experience” จากนั้นเลือก “Multivariate” และตั้งชื่อประสบการณ์ของคุณ:

   

2. สร้างการเปลี่ยนแปลง
   
   หลังจาก URL ของหน้าที่คุณใช้สำหรับการทดสอบโหลด รูปแบบแรกก็พร้อมที่จะแก้ไข คุณสามารถแก้ไขสำเนา เพิ่มภาพใหม่ ตั้งชื่อได้ ในตัวอย่างด้านล่าง เราได้:
   
   – คลิกที่องค์ประกอบเพื่อเปลี่ยน (เน้นเป็นสีส้ม)
   – เลือกการกระทำในเมนูเช่นการเปลี่ยนแหล่งที่มาของภาพ

   

3. ตั้งชื่อรูปแบบ
   
   นี้สวยตัวเองอธิบาย คุณจะต้องเลือกสิ่งที่โดดเด่นสำหรับคุณในการรายงานในภายหลัง
4. กำหนดเป้าหมายและผู้ชม
   
   ไปที่สรุปการทดสอบ แล้วตั้งค่ากลุ่มเป้าหมายและเป้าหมายการทดสอบของคุณ
   
   ที่นั่นคุณมีมัน! ประสบการณ์ของคุณพร้อมใช้งานแล้ว

ตอนนี้คุณเข้าใจแล้วว่าการทดสอบหลายตัวแปรคืออะไรและจะตั้งค่าการทดสอบหลายตัวแปรได้อย่างไร มาดูรายละเอียดเกี่ยวกับแพลตฟอร์มต่างๆ ที่คุณสามารถเลือกได้ เครื่องมือทดสอบ A/B ชั้นนำจำนวนมากในตลาดเสนอการทดสอบหลายตัวแปรและการทดสอบ A/B ในซอฟต์แวร์เดียว แล้วอันไหนที่เหมาะกับความต้องการของคุณที่สุด?

หากวิธีการทดสอบหลายตัวแปรเป็นปัจจัยในการตัดสินใจของคุณ แสดงว่าคุณมาถูกที่แล้ว รายการด้านล่างแสดงผู้เล่นชั้นนำ 9 คนสำหรับการทดสอบหลายตัวแปรในตลาด

เครื่องมือทดสอบ A/B และหลายตัวแปรที่ดีที่สุดมีอะไรบ้าง?

ต่อไปนี้คือตัวอย่างเครื่องมือทดสอบหลายตัวแปรที่ผู้เชี่ยวชาญ CRO เลือกใช้ และวิธีการทดสอบหลายตัวแปรที่มีให้:

• เปลี่ยนประสบการณ์ – Full Factorial
• AB Tasty – แฟคทอเรียลเต็ม
• Google Optimize & Optimize 360 ​​– วิธีการแบบผสมที่ไม่ใช่ Full Factorial หรือ Fractional
• Adobe Target – Full Factorial และ Taguchi
• Kameleoon – แฟกทอเรียลเต็มและแฟคทอเรียลเต็ม
• ปรับให้เหมาะสม – Full Factorial, Partial และ Taguchi
• Sitespect – Full Factorial และ Fraction Factorial
• VWO – แฟกทอเรียลเต็ม
• Webtrends Optimize – Full Factorial และ Fractional Factorial

ยังไม่แน่ใจว่าจะเลือกเครื่องมือทดสอบหลายตัวแปรตัวใด ตรวจสอบรายละเอียดที่สมบูรณ์ของเครื่องมือทดสอบหลายตัวแปรที่ดีที่สุด

ข้อผิดพลาดในการทดสอบหลายตัวแปรยอดนิยมที่ควรหลีกเลี่ยงในปี 2022

การทดสอบเหล่านี้สามารถช่วยให้คุณบรรลุเป้าหมายการเพิ่มประสิทธิภาพได้ก็ต่อเมื่อคุณใช้อย่างถูกวิธี

แต่แล้วเราก็เป็นมนุษย์และเครื่องมือของเราไม่สมบูรณ์แบบ ข้อผิดพลาดจึงเกิดขึ้นได้ คุณสามารถลดโอกาสในการทำลายการทดสอบของคุณได้โดยหลีกเลี่ยงสิ่งเหล่านี้:

1. ไม่ทดสอบเครื่องมือ MVT ของคุณเพื่อความถูกต้อง

สร้างรูปแบบต่างๆ ของหน้า แต่อย่าเปลี่ยนแปลงอะไร ให้มันเหมือนเดิมและเรียกใช้ส่วนที่เหลือ เนื่องจากคนเห็นสิ่งเดียวกัน ผลลัพธ์ก็ควรจะเหมือนกัน

2. ไม่เริ่มต้นด้วยสมมติฐานที่มั่นคง

ดำเนินการทดสอบโดยไม่มีการตรวจวัดพื้นฐานและสิ่งที่คาดหวังคือการทำงานแบบตาบอด ไม่ช่วยคุณหรือไซต์ที่คุณกำลังทดสอบ สร้างสมมติฐานก่อน

3. ลอกเลียนคู่แข่ง

องค์กรของคุณไม่เหมือนใครและเป้าหมายของคุณก็ต่างกัน การคัดลอกคู่แข่งของคุณไม่เป็นประโยชน์ การทดสอบหลายๆ อย่างไม่เพียงแต่จะใช้ไม่ได้กับกรณีของคุณเท่านั้น แต่พวกเขาอาจไม่รู้ว่ากำลังทำอะไรอยู่

4. ดำเนินการทดสอบระหว่างกิจกรรมตามฤดูกาลหรือเหตุการณ์สำคัญในไซต์/แพลตฟอร์ม

หากการทดสอบของคุณไม่ได้มีไว้สำหรับกิจกรรม คุณไม่ควรทำการทดสอบหลายตัวแปรในระหว่างการทดสอบ ผลลัพธ์จะไม่สะท้อนถึงประสิทธิภาพที่ถูกต้องของวันปกติ

5. แอบมอง

สิ่งล่อใจยากจะต้านทาน คุณแค่ต้องการดูว่ามันเป็นอย่างไร คุณอาจจะวางเดิมพันบนตัวแปรและต้องการดูว่าอันไหนชนะ อย่า.

ไม่เพียงแต่คุณจะได้รับความคาดหวังที่ไม่ถูกต้องเท่านั้น แต่คุณยังสามารถตัดสินใจผิดโดยอิงจากสิ่งเหล่านั้นได้อีกด้วย คุณสามารถตรวจสอบเพื่อดูว่ากำลังทำงานอยู่หรือมีข้อผิดพลาดใดๆ หรือไม่ และก็เท่านั้น

6. ดำเนินการทดสอบของคุณนานไม่พอ

การทดสอบหลายตัวแปรต้องดำเนินการเป็นเวลานาน ให้คิดว่ามันเหมือนกับการทดสอบ A/B แยกกัน โดยต้องมีการเข้าชมที่เพียงพอเพื่อให้มีนัยสำคัญทางสถิติ ปล่อยให้การทดสอบหลายตัวแปรของคุณทำงานนานพอ เพื่อให้คุณได้ผลลัพธ์ที่แม่นยำและมีนัยสำคัญ

7. ทำการเปลี่ยนแปลงขณะทำการทดสอบ

คุณสามารถแก้ไขข้อผิดพลาดได้ แต่คุณไม่สามารถออกแบบเว็บไซต์ใหม่หรือทำการเปลี่ยนแปลงการคัดลอกได้ สิ่งใดก็ตามที่เปลี่ยนรูปลักษณ์และความรู้สึกของตัวแปรต่างๆ จะต้องไม่ถูกแตะต้องหลังจากการทดสอบเผยแพร่

8. ลืมหยุดการทดสอบหลังจากที่คุณได้ผลลัพธ์ที่แม่นยำ

มันเกิดขึ้นบ่อยกว่าที่คุณคิด หมายความว่า หลังจากที่คุณได้ผู้ชนะที่ชัดเจนแล้ว คุณจะยังคงแสดงการเข้าชมที่เหลือของคุณเป็นเวอร์ชันที่อ่อนแอกว่าของไซต์ของคุณ คุณไม่ต้องการทำอย่างนั้น

9. ยอมแพ้หลังจากการทดสอบหนึ่งครั้ง

บางทีตัวแปรทั้งหมดของคุณอาจแย่กว่าการควบคุม แล้วอะไรล่ะ? คุณเพิ่งเรียนรู้วิธีต่างๆ ที่ไม่ได้ผล ทำการทดสอบเพิ่มเติมและรับข้อมูลเชิงลึกมากขึ้น ความรู้ทั้งหมดมีค่า

10. ไม่ตรวจสอบความถูกต้องหลังการทดสอบ

เมื่อทุกอย่างถูกพูดและทำเสร็จแล้ว และคุณได้ผลลัพธ์ของคุณแล้ว นั่นคือจุดสิ้นสุดหรือไม่? คุณปิดแพลตฟอร์มการทดสอบแล้วไปต่อหรือไม่? แนวทางปฏิบัติที่ดีที่สุดคือนั่งลงและตรวจสอบว่าทุกอย่างดำเนินไปอย่างราบรื่นหรือไม่ก่อนที่จะเชื่อถือความถูกต้องของผลลัพธ์

11. ทำการทดสอบไม่เพียงพอ

เมื่อคุณทำการทดสอบ ไม่ว่าจะเป็นผู้ชนะหรือผู้แพ้ จงเรียนรู้จากมัน ใช้ความรู้ที่ค้นพบใหม่ของคุณเพื่อสร้างสมมติฐานที่มีข้อมูลมากขึ้นและดำเนินการอีกครั้ง และอีกครั้ง. นั่นเป็นวิธีที่คุณทำให้การทดลองใช้ได้ผลสำหรับคุณ

12. ไม่บันทึกการทดสอบ

เก็บฐานข้อมูลของการทดสอบของคุณ วิธีนี้จะช่วยปรับปรุงประสิทธิภาพของทีมเพิ่มประสิทธิภาพของคุณ แม้ว่าทีมนั้นจะเป็นเพียงคุณก็ตาม เราทุกคนต้องเรียนรู้จากประสบการณ์ที่ผ่านมาเพื่อทำให้ประสบการณ์ครั้งต่อไปดีขึ้น

และเพื่อหลีกเลี่ยงไม่ให้เสียเวลากับการทดสอบแบบเดิมซ้ำ 2 ครั้ง

บทสรุป

ไม่ว่าคุณจะมีร้านอีคอมเมิร์ซ SaaS หรือหน้า Landing Page ธรรมดา มีสถานการณ์สมมติที่ควรทำการทดสอบหลายตัวแปร คุณอาจมีเว็บไซต์ที่มีการเข้าชมสูง แต่คุณยังต้องตัดสินใจว่าการทดสอบหลายตัวแปรเหมาะสมกับเว็บไซต์ของคุณหรือไม่ ประเมินค่าใช้จ่าย การรับส่งข้อมูล และความต้องการตัวแปรหลายตัวก่อนที่คุณจะเรียกใช้