“ทดสอบทุกอย่าง” — จากเอกสารสู่การปฏิบัติ

ให้ชัดเจน

การทดสอบ A/B เพิ่มเติมนั้น ไม่เคยผิดพลาด แม้ว่าการทดสอบจะไม่ส่งผลกระทบโดยตรงต่อยอดขายและรายได้ ตราบใดที่คุณดำเนินการได้ดีและเรียนรู้จากกระบวนการ

แต่…

การทดสอบทุกครั้งต้องใช้ เวลา ความพยายาม ทุนมนุษย์ และอื่นๆ

เหตุใดผู้เชี่ยวชาญบางคนจึงสนับสนุนการทดสอบทุกอย่าง และอะไรคือจุดกึ่งกลาง… โดยเฉพาะสำหรับคุณ… ใช่… คุณอ่านบทความนี้

ตอนนี้ คุณอาจมีแนวคิดในการทดสอบดีๆ มากมาย และต้องการทราบว่าคุณควรทดสอบทั้งหมดหรือไม่ แต่ไม่ thats จุด! ตามที่ Natalia กล่าวถึงในการให้สัมภาษณ์กับ Ben Labay แห่ง Speero:

มีแนวคิดดีๆ หลายร้อยรายการ แต่นั่นไม่ใช่ประเด็น ประเด็นคือการหาคนที่เหมาะสมในการทำงานในเวลาที่เหมาะสม

มันอาจจะฟังดูน่าดึงดูดใจที่จะเริ่มสุ่มทดสอบทุกอย่าง แต่การจัดลำดับความสำคัญ ของการทดสอบ สมมติฐาน ที่ถูกต้องในเวลาที่เหมาะสมคือกุญแจสำคัญ

ด้วยการจัดลำดับความสำคัญที่ถูกต้อง คุณสามารถปลูกฝังความคิด "ทดสอบทุกอย่าง" ได้ อย่างไรก็ตาม โมเดลการจัดลำดับความสำคัญของสมมติฐานส่วนใหญ่นั้นสั้น

มาเจาะลึกลงไปอีกหน่อยเพื่อทำความเข้าใจว่าคุณควรทดสอบ A/B ทุกอย่างหรือไม่ การจัดลำดับความสำคัญช่วยคุณในการตัดสินใจอย่างไร และวิธี สร้างแบบจำลองการจัดลำดับความสำคัญของคุณเอง ที่เอาชนะข้อจำกัดของตัวเลือกแบบเดิม

ทดสอบทุกอย่าง: เหตุใดจึงแนะนำ

เริ่มต้นด้วยการตรวจสอบแนวทางการโต้เถียงนี้: การทดสอบทุกอย่างสมเหตุสมผลหรือไม่

ไปเถอะ เลือกข้าง

การกระทำเริ่มต้นของคุณคืออะไร?

อะไรคือ "อร่อย" สำหรับคุณโดยไม่ต้องอ่านส่วนที่เหลือของบทความนี้และรวบรวมข้อมูลเพิ่มเติม

เสร็จแล้ว?

ทีนี้มาดูกันว่าเหตุผลของเราตรงกับคุณหรือไม่

ก่อนที่เราจะจัดการกับปริศนาของ "การทดสอบทุกอย่าง" เราต้องเข้าใจว่าการทดสอบ A/B และผลลัพธ์ของการทดสอบนั้นมีความหมายอย่างไร

ความถูกต้องทางสถิติ

การทดสอบ A/B เป็นวิธีที่ ถูกต้องทางสถิติ เพื่อดูว่าการเปลี่ยนแปลงที่คุณมีในใจส่งผลต่อตัวบ่งชี้ประสิทธิภาพหลัก (KPI) ของคุณหรือไม่

ตัวอย่างเช่น หากเป้าหมายของคุณคือการเพิ่มจำนวนผู้เข้าชมบล็อก คุณสามารถเพิ่มไปที่เมนูการนำทางหลักได้ เมนูใหม่ไม่ใช่เมนู เก่าอีก ต่อไป แต่การเปลี่ยนแปลงนี้ไม่มีประโยชน์หากไม่ส่งผลในเชิงบวกต่อพฤติกรรมของผู้เยี่ยมชมไซต์ของคุณ

ข้อเท็จจริงง่ายๆ ที่ทั้งสองเวอร์ชันมีโครงสร้างแตกต่างกันไม่สำคัญ โดยรวมแล้ว สิ่งที่สำคัญคือการตระหนักถึงผลลัพธ์ที่คุณต้องการและคาดการณ์ไว้ ผู้คนมีแนวโน้มที่จะเยี่ยมชมบล็อกมากขึ้นเมื่อเห็นบล็อก ในเมนูหลัก มากกว่าเมื่อ ซ่อนไว้ที่ส่วนท้าย หรือไม่

สามัญสำนึกอาจตอบว่า ใช่ ควรจะมี ผล (บวก) แต่การทดสอบของคุณอาจไม่แสดงการเปลี่ยนแปลงใดๆ ในเมตริกที่คุณเลือกติดตามเพื่อวัดผลกระทบ

หากสิ่งนี้เป็นจริง การทดสอบ A/B ก็ช่วยลดความเสี่ยงได้เช่นกัน

การลดความเสี่ยง

การดำเนินการเปลี่ยนแปลงทั่วทั้งไซต์นั้นซับซ้อนและเป็นเกมบอลที่แตกต่างกันโดยสิ้นเชิง

คุณสามารถสิ้นสุดการเปลี่ยนแปลงและ เสี่ยงต่อการสูญเสียทรัพยากร โดยการสร้างคุณลักษณะที่ผู้ใช้ไม่ต้องการและปรับแต่งองค์ประกอบของเว็บไซต์ที่ไม่ได้ให้ผลลัพธ์ที่คาดหวัง นี่เป็นหนึ่งในเหตุผลหลักที่จำเป็นต้องมีการทดสอบ A/B เนื่องจากเป็นการทดสอบกรดสำหรับสารละลายที่เสนอก่อนที่จะนำไปใช้จริง

บิลด์เอาต์การทดสอบ A/B (โดยเฉพาะบิลด์ฝั่งไคลเอ็นต์) ใช้ทรัพยากรน้อยกว่าการเปลี่ยนแปลงเว็บไซต์แบบฮาร์ดโค้ดและฟีเจอร์ที่มีความเที่ยงตรงสูง วิธีนี้จะทำให้คุณไฟเขียวไม่ให้ใช้เส้นทางใดเส้นทางหนึ่ง โดยเฉพาะอย่างยิ่งเมื่อผลลัพธ์ระบุว่า KPI หลักไม่ได้เคลื่อนที่ไปในทิศทางที่ถูกต้อง

หากไม่มีการทดสอบ คุณจะลงทุนในประสบการณ์ที่ไม่ได้ผล ถือเป็นความเสี่ยงที่มองไม่เห็น โดยไม่รู้ว่าคุณอาจต้อง เปลี่ยนกลับ เป็นการ ออกแบบก่อนหน้า เพื่อปกป้องรายได้และประสิทธิภาพ

Georgi ผู้สร้าง Analytics-toolkit.com ยังโต้แย้งว่าการทดสอบ A/B เป็นเครื่องมือการจัดการความเสี่ยงโดยสาระสำคัญ:

จะเสี่ยงทำไมเมื่อคุณสามารถทดสอบ?

(—เพิ่มเติมเกี่ยวกับเรื่องนั้นในบล็อก อ่านต่อไป!—)

วิเคราะห์แนวโน้ม

เมื่อคุณ ทำการทดสอบที่คุณเรียนรู้ อย่างสม่ำเสมอ คุณจะเริ่มมองเห็นแนวโน้มในการตอบสนองของผู้ชมของคุณต่อข้อมูลเฉพาะเจาะจง ไม่ควรถือว่าคุณสามารถได้รับสิ่งที่มีค่าจากการทำซ้ำเพียงครั้งเดียว แต่การวิเคราะห์เมตา (ในสภาพแวดล้อมการทดสอบ A/B ตัวแปรเดียว) เมื่อเวลาผ่านไปสามารถให้ความมั่นใจแก่คุณในการจัดลำดับความสำคัญของการทดสอบสมมติฐานหนึ่งๆ

ผู้เชี่ยวชาญบางคนยืนหยัดอยู่เบื้องหลังการทดสอบทุกอย่าง เนื่องจากการทดลองมีประโยชน์มากมาย

ในทางกลับกัน ผู้เชี่ยวชาญหลายคนสนับสนุนอย่างน้อยให้ได้รับแรงบันดาลใจจากผลลัพธ์ที่ทำซ้ำได้จากการทดลองครั้งก่อนเพื่อ ตอบคำถามใหญ่ ๆ

Jakub Linowski หัวหน้าบรรณาธิการของ GoodUI เป็นหนึ่งในคนที่โดดเด่นที่สุด เขาให้เหตุผลว่าการทดลองสร้างความรู้ที่สามารถทำนายได้ เขาคิดว่าการไล่ตามความรู้ กลวิธี รูปแบบ แนวทางปฏิบัติที่ดีที่สุด และฮิวริสติกเป็นสิ่งสำคัญ

ความรู้ที่คุณได้รับจากการทดลองช่วยให้คุณคาดการณ์ได้อย่างน่าเชื่อถือมากขึ้น ในทางกลับกัน ช่วยให้คุณสร้างสมมติฐานที่แม่นยำยิ่งขึ้นและจัดลำดับความสำคัญได้ดีขึ้น

เมื่อมองแวบแรก มุมมองเหล่านี้อาจดูขัดแย้งกัน แต่พวกเขาเสริมข้อโต้แย้งเดียวกันว่า " การทดลองทำให้เกิดความแน่นอนในโลกที่ไม่แน่นอน "

คุณจะตั้งสมมติฐานเกี่ยวกับชุดข้อมูลของคุณ หรือนำความเชื่อจากการทดสอบที่ดำเนินการไปเพื่อผลลัพธ์สุดท้ายที่ต้องการที่คล้ายกันในแนวดิ่งและอุตสาหกรรมต่างๆ

ที่ Convert เราใช้แรงบันดาลใจจากทั้งสองมุมมองและดูว่าด้านหนึ่งสร้างส่วนถัดไปได้อย่างไรด้วยสองวิธีง่ายๆ ต่อไปนี้

การเรียนรู้และการทดสอบ: คู่หูที่ใช้งานได้จริงสำหรับการทดสอบที่ได้รับแรงบันดาลใจ

ทุกคำถาม

นี่คือคำสอนที่ยั่งยืนจาก ปรมาจารย์แห่งสโตอิก

เมื่อคุณตั้งคำถามกับทุกสิ่งรอบๆ ตัวคุณ คุณจะรู้ว่าคุณเป็นส่วนหนึ่งของสิ่งที่คุณได้รับจากผู้คนที่คุณพบ วัฒนธรรมที่คุณอาศัยอยู่ และการวิเคราะห์พฤติกรรมที่สมองของคุณเลือกที่จะติดตาม

“สัญชาตญาณของลำไส้” ที่มักจะขับเคลื่อนเรามักจะไม่ใช่ของเรา

ตัวอย่างเช่น พวกเราหลายคนใฝ่ฝันที่จะเป็นผู้นำวิถีชีวิตแบบฟุ่มเฟือยที่เน้นการบริโภค แต่สิ่งนี้มาจากเราจริงๆหรือ? หรือเรา ตกเป็นเหยื่อของการโฆษณา สื่อ และฮอลลีวูด?

สื่อและโฆษณาเริ่มมีบทบาทสำคัญในการหล่อหลอมความฝันและความปรารถนาของปัจเจกบุคคลที่จะเป็นผู้บริโภคเป็นหลัก… และกลายเป็นไปได้ที่จะเกลี้ยกล่อมให้แต่ละคนและทำให้เขาเชื่อว่าสิ่งที่เขาปรารถนาคือการตัดสินใจที่เป็นอิสระจากภายใน เขา (แต่ที่จริงแล้ว เขาเป็นเชลยของโฆษณาหลายร้อยรายการที่สร้างความปรารถนาที่เขากล่าวว่าเป็นเรื่องส่วนตัวและสร้างขึ้นสำหรับเขาด้วยความปรารถนาอัตโนมัติ

อับเดล วาฮับ เอล-เมสซีรี

การเปลี่ยนแปลงและการตัดสินใจทางธุรกิจโดยใช้ "สัญชาตญาณของลำไส้" ของคุณเองนั้นไม่ฉลาด หากเราไม่สามารถแน่ใจได้ว่าการเปลี่ยนแปลงที่เราต้องการทำและการตัดสินใจที่เราต้องการบังคับใช้ในธุรกิจของเรานั้นมาจากเรา ทำไมเราถึงยึดติดกับมัน

การตั้งคำถามทุกอย่างเป็นสิ่งสำคัญ ลำไส้ของคุณ แนวทางปฏิบัติที่ดีที่สุด โมเดลการจัดลำดับความสำคัญ และอื่นๆ

และถ้าเราตั้งคำถามทุกอย่าง ขั้นต่อไปคือต้องผ่านการตรวจสอบทางคณิตศาสตร์ผ่านการทดลอง เพราะการหยุดตั้งคำถามไม่ได้ปิดวงจรจากความไม่แน่นอนไปสู่ความแน่นอน

เรียนรู้จากการทดลอง

คุณไม่สามารถเรียนรู้ถ้าคุณไม่ทดสอบ

ตรวจสอบให้แน่ใจว่าคุณได้ปริมาณข้อมูลเชิงลึกของคุณอย่างเหมาะสม คุณต้องใช้ทั้งข้อมูลเชิงคุณภาพและเชิงปริมาณในการทดสอบ A/B เพื่อแปลการเรียนรู้ของคุณเป็นสิ่งที่มีความหมาย ตัวอย่างเช่น จัดกลุ่มผลกระทบโดยเฉลี่ยตามบริบท ประเภทของการทดสอบ สถานที่ทดสอบ KPI ที่ติดตาม ผลการทดสอบ และอื่นๆ

ตัวอย่างที่ดีของวิธีการที่เป็นระเบียบนี้คือ ฐานข้อมูล GOODUI

ระบุรูปแบบที่ทำการทดสอบ A/B ซ้ำๆ ซึ่งช่วยให้ธุรกิจได้รับ Conversion ที่ดีขึ้นและเร็วขึ้น

GOODUI มี 124 รูปแบบ จาก การทดสอบ 366 ครั้ง (สำหรับสมาชิกเท่านั้น) และเพิ่ม การทดสอบใหม่ที่เชื่อถือได้มากกว่า 5 รายการ ทุกเดือน ด้วยการเรียนรู้จากการทดลองและการหาปริมาณการเรียนรู้เหล่านั้นเป็นรูปแบบ ฐานข้อมูล GOODUI จะลดขั้นตอนการทดสอบ A/B ที่น่าเบื่อ และช่วยให้ลูกค้าได้รับชัยชนะมากขึ้น!

รับแรงบันดาลใจจากรูปแบบเหล่านี้:

รูปแบบ #2: ป้ายกำกับไอคอน: https://goodui.org/patterns/2/

รูปแบบ #20: คำตอบสำเร็จรูป: https://goodui.org/patterns/20/

รูปแบบ #43: ชื่อยาว: https://goodui.org/patterns/43/

แต่มุ่งเน้นที่... จัดลำดับความสำคัญของความคิด

จัดลำดับความสำคัญของแนวคิดที่สอดคล้องกับเป้าหมายทางธุรกิจโดยรวมของคุณในขณะที่พิจารณาผลลัพธ์เฉพาะบริษัท

นึกภาพตามนี้

คุณดำเนินธุรกิจที่มีฐานลูกค้าที่ดี อย่างไรก็ตาม อัตราการรักษาลูกค้าเหล่านี้ ต่ำกว่า 15% เป้าหมายหลักของคุณคือการสร้างธุรกิจที่ยั่งยืนซึ่งรักษาลูกค้าไว้ได้ในอัตราที่สูงกว่ามาก เป้าหมายนี้ควรส่งผลต่อการจัดลำดับความสำคัญของคุณ

สมมติว่าคุณมีสองแนวคิดและต้องการทราบว่าควรทดสอบแนวคิดใดก่อน แนวคิด หนึ่งมีแนวโน้มที่จะเพิ่มอัตราการคงลูกค้าไว้ และอีกแนวคิดหนึ่งมีแนวโน้มที่จะเพิ่มยอดขายจากลูกค้าใหม่ คุณควรจัดลำดับความสำคัญของแนวคิดแรกแม้ว่าแนวคิดหลังจะมีศักยภาพในการปรับปรุงสูงกว่ามาก

นั่นเป็นเพราะอัตราการรักษาลูกค้าที่สูงขึ้นหมายถึงธุรกิจที่มีเสถียรภาพมากขึ้นในระยะยาว ซึ่งสอดคล้องกับเป้าหมายและกลยุทธ์ทางธุรกิจที่ครอบคลุมของคุณอย่างสมบูรณ์แบบ

อีกแนวคิดหนึ่งอาจทำให้คุณได้รับยอดขายใหม่ๆ เพิ่มขึ้น แต่ในที่สุด ธุรกิจของคุณจะยังคงรั่วไหลมากกว่า 85% ของลูกค้า

แบบจำลองการจัดลำดับความสำคัญสำหรับการทดลองมักจะล้มเหลวในการพิจารณาความสำคัญเชิงกลยุทธ์ของสิ่งที่กำลังทดสอบ พวกเขาพิจารณาถึงผลกระทบ ความพยายาม ฯลฯ ที่อาจเกิดขึ้นจากแนวคิดต่างๆ มากมาย แต่พวกเขาไม่ได้พิจารณาว่าแนวคิดใดสอดคล้องกับกลยุทธ์และทิศทางของธุรกิจ มากที่สุด

Jonny Longden ผ่านการทดสอบทุกอย่าง

โมเดลการจัดลำดับความสำคัญส่วนใหญ่สั้นลงที่ไหน?

หากคุณเป็นนักเพิ่มประสิทธิภาพที่เฉียบแหลม คุณอาจมีรายการแนวคิดในการทดสอบ A/B มากมาย แต่คุณไม่สามารถทดสอบทั้งหมดพร้อมกันได้ แม้ว่าคุณจะตัดสินใจทดสอบทุกอย่าง เนื่องจาก ปริมาณการใช้ข้อมูลและทรัพยากรที่ จำกัด

มันเหมือนกับมีรายการสิ่งที่ต้องทำยาวๆ และรู้ว่าคุณไม่สามารถจัดการทุกอย่างพร้อมกันได้ ดังนั้นคุณจึงจัดลำดับความสำคัญและเริ่มต้นด้วยสิ่งที่มีความสำคัญสูงสุด สิ่งนี้ใช้กับการผลักดันผลกำไรด้วยการทดลอง ด้วยการจัดลำดับความสำคัญที่เหมาะสม โปรแกรมการทดสอบของคุณจะประสบความสำเร็จมากขึ้น

แต่การจัดลำดับความสำคัญในการทดสอบ A/B ดังที่ David Mannheim เขียนไว้ในบทความของเขานั้นยากมาก สาเหตุหลักมาจาก

• คุณมักจะสร้างแนวคิดที่ไม่เน้น และสอดคล้องกับเป้าหมายทางธุรกิจ
• อย่าพิจารณาการทำซ้ำ และการเรียนรู้จากการทดลองครั้งก่อน
• ใช้แบบจำลองการจัดลำดับความสำคัญที่ผิดปกติ และพยายามเพิ่มกรอบงานตามอำเภอใจให้กับปัญหา

และนี่คือบางส่วนที่แม้แต่โมเดลการจัดลำดับความสำคัญที่ได้รับความนิยมมากที่สุดก็มักจะมองข้ามและเข้าใจผิด แต่ทำไมถึงเป็นอย่างนั้น? ต่อไปนี้คือองค์ประกอบสำคัญบางประการที่ทำให้ขาดการจัดลำดับความสำคัญที่เหมาะสม

• ปัจจัยที่ทำให้เข้าใจผิด: ปัจจัยที่ใช้เลือกการทดสอบนั้นทำให้เข้าใจผิดอย่างมาก อย่างแรกคือความพยายาม ทำให้รู้สึกว่าแนวคิดที่ใช้ความพยายามต่ำสมควรได้รับการจัดลำดับความสำคัญอย่างรวดเร็ว
• ฟังก์ชันน้ำหนัก: โมเดลส่วนใหญ่กำหนดน้ำหนักตามอำเภอใจให้กับปัจจัยต่างๆ คุณไม่สามารถจัดลำดับความสำคัญแบบสุ่มได้ คุณต้องมีเหตุผล
• การทำซ้ำที่ซับซ้อน: พวกเขาไม่สามารถแยกแยะการทำซ้ำการทดสอบที่มีอยู่ (ขับเคลื่อนโดยการเรียนรู้) จากแนวคิดใหม่ล่าสุดเพื่อจุดประสงค์ในการจัดลำดับความสำคัญ

สำหรับผู้เริ่มต้น กรอบการจัดลำดับความสำคัญของ PIE จะจัดอันดับสมมติฐานตาม:

• ศักยภาพในการปรับปรุง
• ความสำคัญ
• ผ่อนปรน

แต่คุณจะกำหนดศักยภาพของแนวคิดการทดสอบอย่างเป็นกลางได้อย่างไร หากเรารู้เรื่องนี้ล่วงหน้า อย่าง Peep Laja ผู้ก่อตั้ง CXL อธิบายว่าเราไม่ต้องการโมเดลการจัดลำดับความสำคัญ

โมเดล PIE เป็นแบบอัตนัยมาก นอกจากนี้ยังไม่สอดคล้องกับเป้าหมายทางธุรกิจและส่งเสริมโซลูชันที่มีความเสี่ยงต่ำ ความง่ายดายทำให้เข้าใจผิดเนื่องจากแสดงให้เห็นว่าแนวคิดที่ใช้ความพยายามต่ำควรได้รับการจัดลำดับความสำคัญ

ยิ่งเสี่ยงมาก รางวัลยิ่ง มาก

และสิ่งนี้ใช้ได้ก็ต่อเมื่อคุณท้าทายตัวเองด้วยแนวคิดที่ซับซ้อนยิ่งขึ้น

โมเดลยอดนิยมอีกรูปแบบหนึ่งคือ โมเดลการให้คะแนน ICE (Impact, Confidence and Ease) นั้นคล้ายกับ PIE และมีข้อบกพร่องเหมือนกับ PIE

กรอบงาน PXL เป็นการปรับปรุงเหนือสองสิ่งนี้และทำให้การประเมิน "ศักยภาพ" หรือ "ผลกระทบ" มีวัตถุประสงค์มากขึ้น อย่างไรก็ตาม มันยังคงมีข้อบกพร่องอยู่

ประการแรก ไม่ถือว่า สอดคล้องกับเป้าหมายทางธุรกิจ ประการที่สอง มันไม่ได้แยกแยะ การทดสอบซ้ำในปัจจุบัน กับแนวคิดใหม่เอี่ยม

David Mannheim รองประธานฝ่าย Global VP of Conversion Rate Optimization, Brainlabs เปิดเผยว่า 50% ของการทดสอบทั้งหมด 200+ รายการที่สร้างขึ้นสำหรับลูกค้าที่ที่ปรึกษาเดิมของเขา User Conversion เป็นการทำซ้ำของกันและกัน พวกเขายังเคยสร้างมูลค่าที่ดีขึ้น 80% จากสมมติฐานเดิมและกล่าวว่า:

เรารู้ว่า "แนวคิด" ใช้งานได้ แต่ด้วยการปรับเปลี่ยนการดำเนินการ ฉันอาจเพิ่มการวนซ้ำมากกว่า 6 แบบ เราเห็นการเพิ่มขึ้นที่เพิ่มขึ้นมากกว่า 80% จากต้นฉบับ

ใน “รายงานการทดลองใช้ข้อมูลประสบการณ์การวิ่ง ” Convert พบว่าผู้เชี่ยวชาญเกือบทั้งหมดที่สัมภาษณ์เห็นพ้องต้องกันว่าการเรียนรู้ทำให้เกิดแนวคิดที่ประสบความสำเร็จ สิ่งนี้สามารถสนับสนุนเพิ่มเติมด้วยรูปแบบการเรียนรู้ ของ H&M

การทดสอบอื่นๆ เกือบทั้งหมดที่เราดำเนินการที่ H&M ในทีมผลิตภัณฑ์ของเรานั้นได้รับการสนับสนุนโดยการเรียนรู้ที่เป็นเอกสารของการทดลองครั้งก่อนหรือวิธีการวิจัยอื่นๆ

Matthias Mandiau

วิธีสร้างแบบจำลองการจัดลำดับความสำคัญในการทดสอบ A/B ของคุณเอง

การจัดลำดับความสำคัญส่งเสริมความคิด "ทดสอบทุกอย่าง" จะให้ความมั่นใจในการทดสอบ (ก่อน) แนวคิดและสมมติฐานที่ทำให้เกิดปัญหาเร่งด่วนที่สุด

แต่ทุกธุรกิจมีความแตกต่างกัน ดังนั้นจึงไม่มีวิธีการจัดลำดับความสำคัญของการทดสอบ แบบเดียวที่เหมาะกับทุก ประการ บริบทดังที่เดวิดชี้ให้เห็นว่า เป็นกษัตริย์

โดยพื้นฐานแล้ว ทุกรุ่นมีข้อผิดพลาด แต่บางรุ่นก็มีประโยชน์

George EP Box นักสถิติ

จากตัวอย่างข้างต้น เราสามารถพูดได้ว่าทุกรุ่นมีข้อบกพร่อง แต่บางรุ่นก็มีประโยชน์ ความลับคือการสร้างรูปแบบที่เป็นประโยชน์และมีผลกระทบมากที่สุดสำหรับธุรกิจของคุณ

ต่อไปนี้คือสี่ขั้นตอนในการสร้างแบบจำลอง:

1. รับแรงบันดาลใจจากตัวอย่าง

วิธีหนึ่งที่ได้ผลมากที่สุดในการพัฒนาโมเดลการจัดลำดับความสำคัญที่ดีคือ การเลือกความสามารถจากรุ่นต่างๆ ผสมและจับคู่ และสร้างการผสมผสานกับ nitpicking ที่จำกัด

ตัวอย่างเช่น คุณสามารถใช้แรงบันดาลใจจาก แนวทางการประเมินที่เป็นกลางมากขึ้นของ PXL ซึ่งจะถามคำถามเช่น “เพิ่มหรือลบรายการ?” . ในเวลาเดียวกัน คุณสามารถพิจารณา มุมกระทบของ ICE และเพิ่มเข้าไปได้

2. สร้างพื้นที่สำหรับปัจจัยที่มีความสำคัญ

รวมปัจจัยที่ สอดคล้องกับเป้าหมายธุรกิจของคุณ สิ่งนี้จะช่วยให้คุณมุ่งเน้นไปที่ตัวขับเคลื่อนการเติบโตหลักและ KPI เช่น มูลค่าตลอดช่วงชีวิตของลูกค้า (LTV) และอัตราการรักษาลูกค้า ไม่ใช่แค่เมตริกและผลลัพธ์ในระดับพื้นผิว

ดังที่ได้กล่าวไว้ก่อนหน้านี้ การเรียนรู้เฉพาะบริษัท ก็มีความสำคัญเช่นกันเมื่อจัดลำดับความสำคัญของการทดลอง โซลูชันบางอย่างมีประสิทธิภาพเหนือกว่าโซลูชันอื่นๆ อย่างสม่ำเสมอและในอดีตสำหรับผู้ชมของคุณหรือไม่

นอกจากนี้ ให้พิจารณาถึง ศักยภาพในการทำซ้ำ การทำซ้ำสามารถช่วยให้มีความคืบหน้ามากขึ้นในการแก้ปัญหาทางธุรกิจโดยเฉพาะและประสบความสำเร็จมากขึ้น หากเป็นจริง สมมติฐานที่มีโอกาสในการทำซ้ำสามารถและควรจัดลำดับความสำคัญเหนือการทดสอบแบบสแตนด์อโลน นอกจากนี้ การทดลองก็ไม่มีอะไรเกิดขึ้น ถ้าไม่ใช่มู่เล่ที่ความพยายามจะดึงเข้าหากันและกัน

สุดท้าย พิจารณาปัจจัยใน การลงทุนทรัพยากร รวมถึงความซับซ้อน เวลา ต้นทุน และมาตรการดั้งเดิมที่ใช้ในการจัดลำดับความสำคัญของการทดลอง

3. น้ำหนักเป็นสิ่งสำคัญ

ตัดสินใจว่าคุณต้องการได้อะไรจากการทดสอบที่คุณดำเนินการ มันคือการสำรวจ ความคิดใหม่ๆ ที่แหวกแนว หรือไม่? หรือ ใช้ประโยชน์จากพื้นที่ปัญหา จนกว่าคุณจะพบวิธีแก้ปัญหา?

ปรับแต่งระบบการให้คะแนนให้เหมาะกับความต้องการของคุณ ลองพิจารณาการทดลองสองประเภทที่แตกต่างกันเพื่อทำความเข้าใจสิ่งนี้ให้ดีขึ้น

1. การเพิ่มบล็อกลงในเมนูการนำทาง จะเพิ่มการเข้าชมบล็อก
2. การกรอกแบบฟอร์มที่ลดลงในหน้าชำระเงิน จะลดอัตราการละทิ้งรถเข็น

สำหรับตัวอย่างนี้ สมมติว่าเราได้เลือกเพียงสองปัจจัยสำหรับแบบจำลองการจัดลำดับความสำคัญของเรา หนึ่งคือ ศักยภาพในการทำซ้ำ และอีกอันหนึ่งคือศักยภาพใน ผลกระทบ และให้คะแนนสมมติฐานแต่ละข้อในระดับ 1-5 สำหรับแต่ละปัจจัย

เป้าหมายหลักของเราในการทดสอบตอนนี้คือการ แก้ไขปัญหาการละทิ้งบัตรสำหรับไซต์อีคอมเมิร์ซ เราควรให้น้ำหนักมากขึ้นกับศักยภาพในการทำซ้ำ เนื่องจากเราอาจไม่สามารถแก้ไขปัญหานั้นได้ด้วยการทดสอบ และเรามีแนวโน้มที่จะทำซ้ำหลายครั้งภายในสมมติฐานเดียวก่อนที่จะลดการละทิ้งรถเข็นอย่างเห็นได้ชัด

เราสามารถชั่งน้ำหนักปัจจัยที่เป็นไปได้ของการ วนซ้ำ โดยเพิ่มคะแนนเป็นสองเท่า

ให้สมมติฐานแรกเป็น "4" สำหรับปัจจัยที่อาจมีผลกระทบ และ “2” สำหรับศักยภาพการทำซ้ำ จากนั้น สำหรับสมมติฐานการกรอกแบบฟอร์ม "3" สำหรับทั้งปัจจัยที่อาจส่งผลกระทบและการทำซ้ำ

หากไม่ได้เน้นย้ำถึงศักยภาพในการทำซ้ำ ก็จะเป็นการเสมอกัน: “4 + 2 = 3 + 3”

แต่หลังจาก เพิ่มคะแนนเป็นสองเท่าในปัจจัยนี้ สมมติฐานหมายเลขสองชนะ:

คะแนนสุดท้าย ของสมมติฐานแรก : “4 + 2(2) = 8 ”

คะแนนสุดท้าย ของสมมติฐานที่สอง : “3 + 3(2) = 9 ”

สิ่งสำคัญที่สุดคือผลลัพธ์การจัดลำดับความสำคัญของเฟรมเวิร์กเดียวกันควรเปลี่ยนแปลงเมื่อการพิจารณาภายนอกและภายในเปลี่ยนไป

4. ล้างและทำซ้ำจนกว่าคุณจะได้คำย่อที่ถูกต้อง

พยายามอย่าคาดหวังผลลัพธ์ที่ดีด้วยการทำซ้ำเพียงครั้งเดียว แก้ไขต่อไปจนกว่าคุณจะได้รูปแบบการจัดลำดับความสำคัญที่เหมาะสมสำหรับธุรกิจของคุณ

ตัวอย่างเช่น ConversionAdvocates ได้สร้างเฟรมเวิร์กของตนเองขึ้นมา IIEA ซึ่งย่อมาจาก:

• ข้อมูลเชิงลึก
• ความคิด
• การทดลอง
• การวิเคราะห์

IIEA พยายามแก้ปัญหาหลักสองประการของโมเดลส่วนใหญ่โดยระบุการเรียนรู้ของการทดลองและวัตถุประสงค์ทางธุรกิจทุกครั้งก่อนเปิดตัว

ไม่ว่าคุณจะสร้างคำย่ออะไรก็ตาม ทบทวนและประเมินใหม่อย่างต่อเนื่อง Sina Fak หัวหน้าฝ่ายเพิ่มประสิทธิภาพที่ ConversionAdvocates กล่าวว่าพวกเขาปรับปรุง IIEA มาตลอดห้าปีที่ผ่านมา

ตั้งแต่ปี 2013 พวกเขาได้ใช้เฟรมเวิร์กที่กำหนดเองนี้เพื่อช่วยธุรกิจหลายแห่งในการแก้ปัญหาที่สำคัญ เช่น การลดต้นทุนและเพิ่มการแปลง

ของคุณอาจไม่ใช่ ICE หรือ PIE ที่สะดวก แต่ผลลัพธ์จะอร่อย

ด้วยโมเดลการจัดลำดับความสำคัญที่มีประโยชน์อย่างยิ่ง คุณสามารถยืมจากการเรียนรู้แบบเดิมๆ และอาจ "ทดสอบทุกอย่าง"

ชนะในหนังสือของเรา!