10 grandes erros que os profissionais de marketing cometem durante o teste de divisão

Para qualquer negócio funcionar de forma eficaz, uma parte importante é sua análise e pesquisa de marketing, que muitos empreendedores tendem a perder. A tendência de mera venda sem contabilizar o que está funcionando e o que não está determina o crescimento do site. Ele bloqueia a exigência mais profunda de pesquisa de mercado intensiva e, como resultado, a longo prazo, você perde clientes. A melhor maneira de conduzir a pesquisa do cliente é por meio de testes A/B.

Por que teste A/B?

O teste de divisão ou teste A/B, por definição, é um método de conduzir experimentos controlados, porém aleatórios, com o objetivo definitivo de melhorar o tráfego do site. Para simplificar, cabe a comparação de duas versões da mesma página para determinar qual é a mais eficaz. Idealmente, haverá apenas uma ou duas diferenças entre as duas versões para identificar a eficácia com precisão.

Ações comuns como conteúdo, cliques, preenchimento de formulário e compras são analisadas para ver qual variante oferece melhores resultados para um objetivo de marketing predefinido. As metodologias de marketing comuns usadas são formulários de inscrição, páginas de registro, botões de chamada para ação ou um redirecionamento para uma página diferente. Está provado que mesmo uma mudança tão pequena quanto a atualização de uma palavra no CTA ajudou a aumentar as conversões em impressionantes 77%. Isso prova a importância de fazer testes A/B para melhorar a eficácia de suas campanhas de marketing.

Por mais atraente que possa parecer, às vezes os profissionais de marketing provavelmente reclamam sobre a obtenção de análises falsas negativas ou nem conseguem gerar dados adequados. Se você se incomoda com o teste A/B, é provável que esteja conduzindo-o da maneira errada. Aqui está uma lista dos 10 erros mais comuns que os testadores provavelmente cometerão, juntamente com suas possíveis correções.

Erros e correções que vale a pena conhecer

Pode haver uma infinidade de erros quando um testador tenta compreender uma análise dividida. Os mais comuns são anotados abaixo.

1. Teste Arbitrário

O maior problema que a maioria dos testadores enfrenta é realizar um teste A/B sem motivo. Por exemplo, você pode estar apreensivo em testar o tamanho do botão 'call to action', caso em que você pode projetar as variantes com um foco específico. Se você está conduzindo um teste A/B apenas por fazer, por favor, abstenha-se, pois você está prestes a ser condenado.

A correção: use o software de mapa de calor para descobrir as áreas potenciais que não estão muito focadas ou não estão atraindo muito tráfego. Conduza um teste A/B e forme uma hipótese primeiro. Agora conduza o teste e certifique-se de conduzi-lo durante a fase de tempo adequada, compare os novos conjuntos de dados do mapa de calor e analise. Continue repetindo até obter resultados satisfatórios.

2. Cancelar o teste antecipadamente

Este é um grande erro de iniciante que a maioria dos testadores está fadada a cometer. Vamos supor que seu site conduza alto tráfego e, portanto, dentro de 3 dias após o teste A/B, você gera 98% de confiança e cerca de 250 conversões por variação e realiza o teste. Aqui é onde seu teste obtém um resultado falso positivo, pois você não levou em consideração o parâmetro de sazonalidade, e mesmo o dia da semana em que você realiza o teste pode levar a uma variação significativa na curva do teste.

A correção: Outro parâmetro importante para qualquer análise estatística é o tamanho da amostra tomada. Para obter resultados adequados, certifique-se de ter um tamanho de amostra grande o suficiente. 100 ou 1000 conversões. Um tamanho de amostra muito pequeno pode levar a implicações erradas.

3. Teste de vários elementos

A análise de mapeamento de calor do site pode sugerir que há mais de uma área que precisa de foco, mas a realização de vários testes ao mesmo tempo não leva a lugar nenhum.

É sempre melhor optar pelo teste A/B ao invés de multivariado. Isso ocorre porque quando você está realizando um teste A/B em duas páginas com diferenças em apenas um parâmetro, é fácil julgar qual página está funcionando melhor.

A correção: no entanto, no caso de testes multivariados, suponha que você esteja testando quatro páginas da Web diferentes com dois ou três parâmetros diferentes. Nesse caso, quando você coleta os dados, não pode fixar o fator decisivo real. Nessas ocasiões, você deve comparar os dados de todas as páginas e também analisar a correlação entre diferentes parâmetros.

4. Focando apenas nas conversões de tráfego

Quando você está testando um determinado ou alguns parâmetros, certifique-se de estar profundamente enraizado, em vez de apenas pensar a curto prazo. Isso significa que, se você perceber que certas alterações estão reunindo mais tráfego em seu site, não fique complacente com isso. Se o alto tráfego incluir clientes de baixa qualidade, isso poderá gerar resultados negativos para o seu negócio.

A correção: Portanto, sempre que você estiver optando por um teste A/B, verifique sua métrica de conversão e, em seguida, correlacione esse tráfego com leads reais e veja quantos geram clientes em potencial.

5. Optar por uma hipótese aleatória ou apenas seguir cegamente as práticas de teste A/B

Um teste estatístico não tem significado sem uma hipótese adequada. Portanto, antes mesmo de perder seu tempo realizando um teste, certifique-se de ter uma hipótese adequada. Caso você não tenha certeza da credibilidade de sua hipótese, faça uma pesquisa de mercado, analise os resultados da variável escolhida, verifique a estratégia de seus concorrentes e conheça seus clientes-alvo.

A correção: Além disso, ao verificar as estratégias dos concorrentes, certifique-se de não optar por segui-los cegamente. O que funcionou para outra pessoa não vai funcionar para você. Verifique as estratégias de seus concorrentes, mas ao mesmo tempo conheça seus próprios USPs e crie estratégias de acordo.

6. Eliminando as variáveis ​​de confusão

As variáveis ​​de confusão são aqueles elementos que não fazem parte de seus parâmetros de hipótese significativos e provavelmente atrapalharão seus resultados de teste. Algumas delas incluem lançamentos de novos produtos, lançamentos de campanhas de marketing e redesenho de sites.

Isso geralmente acontece quando você altera alguns parâmetros de teste no meio do teste para gerar uma variação mais significativa. Isso pode gerar tráfego de locais fora de seu pool de destino em potencial.

A correção: ao realizar um teste A/B, certifique-se de eliminar essas variáveis ​​confusas e certifique-se de que o restante dos fatores permaneça constante durante o teste.

7. Testando apenas mudanças incrementais

Há uma diferença significativa entre como os grandes sites operam e como o restante dos pequenos empreendedores precisa lidar com isso. Para sites grandes, algumas alterações incrementais minuciosas podem levar à geração de um grande ROI. Mas para startups e empresas menores, essa atividade pode não render os resultados esperados. Por exemplo, não é muito viável testar a cor do site ou do botão CTA e suas várias tonalidades, pois isso acrescentará muito pouco ao facelift geral do site.

A correção: os testes divididos fornecem melhorias mínimas, mas isso não resultará em uma rotatividade significativa no caso de pequenas empresas. Portanto, não se concentre apenas em mudanças incrementais; em vez disso, concentre-se em grandes aumentos de desempenho. O que será necessário é partir para uma mudança radical a nível global. Isso é mais intensivo do que uma técnica de teste A/B restrita. Isso pode implicar em uma grande reformulação da página, que pode exigir esforços substanciais. Também é importante observar que, devido aos vários elementos sendo reprojetados, pode ser difícil observar qual elemento específico resultou em um aumento no tráfego depois que a página reprojetada está ativa.

8. Fazer teste A/B mesmo sem tráfego

Se você estiver administrando o negócio por apenas alguns meses, é recomendável obter um tráfego maior antes de começar a executar um teste A/B. Para startups e novos empreendimentos, realizar testes A/B com poucos usuários beta será ineficaz. O teste de diferentes hipóteses é um jogo de significância estatística alcançado por uma amostra ótima. Mas se você não tiver uma amostra adequada, esse objetivo subjacente não será cumprido.

A correção: vá para o teste A/B apenas quando você atender a 3 condições distintas

1- Você tem uma amostra representativa adequada

O teste deve durar de 3 a 4 semanas para atender a diversos períodos de vendas. Cancelar o teste antes disso não representará o teste universal, mas mostrará um resultado de teste seletivo/cíclico.

2- Você tem um tamanho de amostra suficiente

Um site com mais de 1.000 transações (leads, cadastros ou assinaturas) pode fazer um teste A/B em um mês para melhorar o tráfego. Fatores como taxa de conversão, total de visitas e a transação geral determinarão quanto deve ser o tamanho de amostra adequado.

3- Quando você atinge um valor-p

Depois que os pontos 2 e 3 forem atendidos, é importante observar o valor-p (de acordo com um equívoco comum, o valor-p não é a probabilidade de B ser maior que A). Normalmente, um nível aceitável de significância é de 5% (ou 1 em 20 vezes, a amostra mostrará um resultado extremo dado que a hipótese nula é verdadeira)

9. Testes não executados por semanas inteiras

Para que os testes de divisão produzam resultados adequados, a sazonalidade, os parâmetros semanais e até diurnos são importantes. Portanto, o período de tempo necessário para o teste A/B deve ser escolhido com cuidado. Não fatorar o teste de semanas inteiras distorcerá os resultados, o que pode mostrar a imagem correta do resultado do teste

A correção: por exemplo, se você é proprietário de um site de comércio eletrônico, nos fins de semana sua população-alvo está mais inclinada aos seus produtos, enquanto nas segundas-feiras ou nos horários de pico dos dias da semana, seu site pode não gerar o tráfego adequado. Portanto, certifique-se de terminar o teste no mesmo dia do início. Isso garante que você teste uma semana inteira em uma iteração. Isso também se alinhará com nossa recomendação anterior – testes de execução com duração de 2 a 3 semanas

10. Dados de teste não enviados ao Google Analytics

As métricas de conversão geralmente mostram dados médios e, no mundo do marketing, as médias mentem. Você nunca poderá obter uma imagem completa se trabalhar apenas com dados percentuais. Isso ocorre porque o tempo, a sazonalidade, as fases diurnas e muitos outros fatores contribuem para um gráfico de clientes adequado.

A correção: então, se você forneceu uma quantidade significativa de dados, envie-os para o Google Analytics. Execute segmentos avançados e relatórios personalizados. Os resultados mostrarão o caminho para executar testes avançados e você poderá ter uma ideia de onde fazer o teste do site a partir daí. A utilização dos novos recursos do GA permite que os profissionais de marketing executem até 20 dados de teste A/B simultâneos analisados. Certifique-se de usar uma dimensão personalizada distinta (ou variável personalizada no modo clássico do GA) para um experimento ativo. Ferramentas como Optimizely Classic podem ajudar neste caso.

Resumindo

Marketing e análise de negócios são bastante complexos em suas próprias maneiras. Portanto, em vez de verificar o que os outros estão fazendo ou usar a Web para as estratégias de teste mais comuns, siga o caminho inteligente e adote o teste A/B econômico para aumentar o ROI de suas estratégias de marketing.