什麼是拆分測試？ 它的重要性以及如何創建它？
已發表: 2020-04-01 |
拆分測試只是意味著“比較兩種不同的設計”。 它是為產品或服務找出最佳促銷和營銷策略的重要工具之一。 這是測試兩個 Web 元素以找出哪個表現更好的過程。
假設您有一個銷售頁面，名稱為“孕後減肥技術有 15-20% 的選擇率”，您再次將其命名為“按照此操作，您將在孕後恢復苗條身材”，然後查看轉化率的變化提高到 40-50% 的轉化率。
它表示對於完全相同的廣告支出，您獲得了兩倍的訂閱者，這意味著，您正在將廣告支出的選擇加入率加倍，即沒有花費更多的錢來獲得兩倍的人來優化渠道。
拆分測試有助於緩慢而穩定地提高漏斗的轉化率。
拆分測試通常側重於一次測試一件事。 如果是標題，那麼標題是您唯一可以更改的內容。
如果您正在測試報價，則報價是您唯一可以更改的。
內容
什麼是拆分測試元素？
- 號召性用語事件
2.登陸頁面
3.標誌
4. 電子郵件主題行
5.任何網絡通信元素
實施拆分測試的步驟是什麼？
1. 從具體原因開始測試
就像科學實驗一樣，拆分測試從對照變體的相同元素測試控製版本的元素開始。 讓我告訴你拆分測試應該是數據驅動的。
2. 創建一個假設
對您想要改進的網頁元素提出一個假設。
讓我給你一個簡單的例子：-
示例 – 目標網頁的標題是訪問者首先關注的內容。 需要 5 秒才能吸引用戶的注意力並執行所需的操作。 如果您沒有獲得所需的操作。 是時候獲得一個吸引人的標題來提高您的轉化率了。
3. 計算您的估計樣本量
拆分測試中最重要的事情是估計樣本量。 您可以估計關於 no 的顯著結果。 您將獲得控製版本和變體的訪問次數。
在大多數地區，普遍接受的顯著性水平是 95%，這表明：
在您的測試結束時，您的結果有 5% 的可能性是偶然的。 您可以手動計算樣本量，但為此，您需要了解一些嚴肅的數學計算。 幸運的是，有各種工具可以使計算更容易，例如顯著性計算器， Optimizely 的計算器。
4. 進行調整
獲得樣本量後，進行調整。 如果您要更改標題，請更新它。 如果涉及切換特色圖片，請在原始點擊後登錄頁面保持不變的情況下進行。
消除測試中間的混雜因素，這可能會導致誤導性結果。
5. 為您的網頁帶來流量
現在是推動流量和測試對客戶心理有很大影響的東西的時候了。 計算您需要增加流量的天數。
如果持續時間較長，則考慮運行一兩個活動來推動一些付費流量，或者利用您在 Facebook 上的關注者列表或電子郵件營銷上的訂閱者列表。
例如，您將促銷電子郵件流量發送到您正在運行以進行測試的頁面。 訂閱您列表的人比您的普通訪問者更喜歡您。 因此，您優化頁面以與您的忠實流量一起工作，認為它們代表了總流量。
6.分析和優化
僅僅因為您的點擊後登陸頁面比之前的更好，並不意味著它是最好的，這就是最終結果。 所以繼續分析，繼續優化。 沒有一場運動是完美的。
拆分測試的例子：
一旦你進入營銷活動的這個元素，無論是改善標題，從文本廣告到登陸頁面，你都會看到拆分測試的最佳實踐包含粗略的指導方針。
除非您對此進行測試，否則您永遠不知道什麼對您的聽眾有用。 這不是關於發現新想法，而是關於探索市場和研究用戶並收集可行的信息以在營銷策略中脫穎而出。
那麼，您在拆分測試中取得的最令人驚訝的效果是什麼？
你將從以下玩家那裡得到這個答案。
我希望你會發現這和我一樣有趣和鼓舞人心。
Wall monkey 是一家為家庭和企業銷售各種牆貼花的公司。
猜猜這家公司使用什麼：它使用熱圖生成用戶行為報告來運行測試，結果非常令人難以置信。
如您所見，標題、CTA 徽標、導航欄和標題上有很多活動（點擊最多的區域和被忽略的區域）。
華爾街決定在生成用戶行為報告後進行 A/B 測試。 該公司使用股票風格的圖片向訪問者展示享受 wall monkey 產品的機會。
毫無疑問，股票風格的圖片會給您的產品帶來高端感覺，並為您的網站增添專業氣息。
新設計的轉化率比舊設計高出 27%。
記住：一旦你得到結果，重複測試實驗。 因為沒有結果就是最後的結果。 您必須繼續努力提高轉化率。
Wall Monkey再次參加了測試。
這一次，公司用突出的搜索欄替換了滑塊。
這個想法是在客戶搜索他們感興趣的項目時將他們的注意力吸引到搜索欄上。
這個想法奏效了，轉化率特別提高到 550%。 該公司最終沒有對這些元素進行測試，因此，該公司展示了巨大的利潤潛力，並為訪客提供了更好的用戶體驗。
拆分測試與 A/B 測試之間的區別：
人們經常互換使用它們。 但是你可以注意到下面的區別：
AB 測試是指相互競爭的兩個網頁或網站變體。
拆分測試是指在變體之間平均分配的流量。
與 A/B 測試一樣，拆分測試確保您不會根據直覺或純粹的猜測做出決定。
為什麼拆分測試很重要？
與 A/B 測試不同，拆分測試不會給你僥倖或直覺的結果。 如果沒有這個來源，該決定要么是基於最佳實踐，要么是根據薪酬最高的機構做出的。
因此，薪酬最高的權威人士的意見可能與其他任何人的意見一樣存在缺陷。 拆分測試就像讓用戶決定並防止優化團隊走到死胡同。