62b7972c
 tangwang
docs
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
|
# A/B 测试与优化入门
## 一份关于 A/B 测试的全面指南，解释了 A/B 测试与多变量测试的区别，如何以结构化和渐进的方式进行测试，以及选择正确实验背后的思考过程。
**文章摘要**
* **A/B 测试**是一种科学方法，用于比较网页或应用程序的两个版本，以查看哪个版本在特定目标（如增加转化率或用户参与度）上表现更好。
* 它是优化网站、移动应用、电子邮件等的强大工具，可以帮助解决用户体验（UX）问题、提高性能并增强参与度。
* 运行 A/B 测试时，首先要定义一个你想要解决的问题或想要鼓励的用户行为。然后，创建原始元素的变体，并在它们之间分配网站流量。最后，收集并分析数据，看哪个变体表现最好。
* 常见的 A/B 测试包括测试不同的导航菜单、优化落地页以及尝试不同的促销信息。
A/B 测试是一种将网页或应用程序的两个版本进行对比的方法，以确定哪一个在特定目标下表现更好。它是最大化数字资产（如网站、移动应用、SaaS 产品、电子邮件等）性能的最广泛使用的技术之一。
受控实验为营销人员、产品经理和工程师提供了快速且大规模迭代的灵活性，从而针对他们的创意想法做出数据驱动、信息充分的决策。通过 A/B 测试，你不再需要猜测为什么某些东西不起作用，因为事实胜于雄辩。它是提高转化率、增加收入、扩大订阅用户群以及改善客户获取和潜在客户生成结果的完美方法。
## 什么是 A/B 测试？
在经典的 A/B 测试流程中，我们首先决定要测试什么以及目标是什么。然后，我们为原始网页元素（即对照组或基准）创建一个或多个变体。接下来，我们将网站流量随机分配到两个变体之间（即根据某种概率随机分配访问者），最后收集有关网页性能的数据（指标）。一段时间后，我们查看数据，选择表现最好的变体，并取消表现较差的变体。
如果操作不当，测试可能无法产生有意义、有价值的结果，甚至可能产生误导。总的来说，运行受控实验可以帮助组织：
1. **解决 UX 问题和常见的访问者痛点**
2. **提高现有流量的性能**（更高的转化率和收入，改善客户获取成本）
3. **增加整体参与度**（降低跳出率，提高点击率等）
我们必须记住，当我们选择一个变体时，我们是在将到那时为止收集到的衡量结果推广到所有潜在访问者的整体人群中。这是一个重大的飞跃，必须以有效的方式进行。否则，我们最终注定会做出错误的决定，从长远来看会损害网页。获得有效性的过程称为**假设检验**，我们寻求的有效性称为**统计显著性**。
**A/B 测试的一些示例：**
* 测试网站导航菜单的不同排序顺序
* 测试和优化落地页
* 测试促销信息，如新闻通讯订阅弹窗和横幅
## A/B 测试是如何诞生的：构建假设
A/B 测试始于识别一个你希望解决的问题，或者一个你想要鼓励或影响的用户行为。一旦识别出来，营销人员通常会得出一个假设——一个将验证或否定实验结果的有根据的猜测。
**假设示例**：在产品详情页（PDP）添加“社交证明”勋章将告知访问者该产品的受欢迎程度，并将“加入购物车”事件增加 10%。
在这种情况下，一旦识别出问题（例如加入购物车率低）并制定了假设（添加社交证明勋章以鼓励更多网站访问者将商品加入购物车），你就可以在网站上进行测试了。
## A/B 测试的经典方法
在简单的 A/B 测试中，流量在两个内容变体之间分配。一个被视为对照组，包含原始内容和设计。另一个作为受控变体的新版本。变体在许多方面可能有所不同。例如，我们可以测试具有不同标题文本、行动呼吁（CTA）按钮、新布局或设计等的变体。
在经典的页面级实验中，你并不一定需要两个不同的 URL 来运行适当的测试。大多数 A/B 测试解决方案允许你通过修改页面的内容、布局或设计来动态创建变体。
但是，如果你有两组（或更多组）页面想要包含在受控测试中，你可能应该考虑使用**拆分 URL 测试**。
## 何时使用拆分 URL 测试
拆分 URL 测试（有时称为“多页面”或“多 URL”测试）是一种类似于标准 A/B 测试的方法，它允许你基于每个变体的独立 URL 进行实验。
通过这种方法，你可以在两个现有 URL 之间进行测试，这在提供动态内容时特别有用。当你已经有两个现有页面并想测试其中哪一个表现更好时，请运行拆分 URL 测试。
例如，如果你正在运行一个活动，并且有两个不同版本的潜在落地页，你可以运行拆分 URL 测试来检查哪一个在该特定活动中表现更好。
## A/B 测试不限于两个变体
如果你想测试两个以上的变体，可以运行 **A/B/n 测试**。A/B/n 测试允许你衡量三个或更多变体的性能，而不是仅针对对照页面测试一个变体。高流量网站可以使用这种测试方法来评估更广泛的变化集的性能，并通过更快的反馈最大化测试时间。
然而，尽管它适用于从微小到剧烈变化的任何测试，我建议不要在对照组和变体之间做太多的改变。尝试仅进行几项关键且显著的更改，以了解实验结果可能的因果原因。如果你想测试网页上多个元素的更改，请考虑运行**多变量测试**。
|