营销人员在拆分测试时犯的 10 大错误

任何企业要想有效运营，一个重要的环节就是营销分析和研究，这是很多创业者容易忽略的。 仅仅销售而不考虑什么有效，什么无效的趋势决定了网站的增长。 它阻碍了对密集市场研究的更深层次的需求，结果，从长远来看，你会失去客户。 进行客户研究的最佳方法是通过拆分测试。

为什么要拆分测试？

根据定义，拆分测试或 A/B 测试是一种进行受控但随机实验的方法，其最终目的是提高网站流量。 为了更简单，它是同一页面的两个版本的比较，以确定哪个更有效。 理想情况下，两个版本之间只有一两个差异，以准确查明有效性。

对内容、点击、表单填写和购买等常见操作进行分析，以查看哪种变体可以为预定义的营销目标带来更好的结果。 常用的营销方法有注册表单、注册页面、号召性用语按钮或重定向到其他页面。 事实证明，即使像更新 CTA 中的一个词这样微小的变化也有助于将转化率提高 77%。 这证明了进行拆分测试以提高营销活动效果的重要性。

尽管听起来很诱人，但有时营销人员可能会抱怨得到假阴性分析，或者甚至无法生成足够的数据。 如果您对拆分测试感到困惑，很可能是您以错误的方式进行测试。 下面列出了测试人员可能犯的 10 个最常见的错误及其可能的修复方法。

值得了解的错误和修复

当测试人员试图理解拆分分析时，可能会出现大量错误。 最常见的记在下面。

1. 任意测试

大多数测试人员必然会遇到的最大问题是无缘无故地进行拆分测试。 例如，您可能担心测试“号召性用语”按钮的大小，在这种情况下，您可以设计具有特定重点的变体。 如果您只是为了它而进行拆分测试，那么请不要这样做，因为您注定要失败。

解决方法：使用热图软件来发现关注度不高或流量不多的潜在区域。 首先进行拆分测试并形成假设。 现在进行试验并确保在适当的时间阶段进行试验，比较新的热图数据集并进行分析。 不断重复，直到得到满意的结果。

2.提前取消测试

这是大多数测试人员必然会犯的新手大错误。 假设您的网站流量很高，因此在拆分测试后的 3 天内，您产生了 98% 的置信度和每个变体大约 250 次转换，并且您完成了测试。 这是您的测试得到假阳性结果的地方，因为您没有考虑季节性参数，即使您在一周中的哪一天进行测试也可能导致测试曲线出现显着变化。

解决方法：任何统计分析的另一个重要参数是所采用的样本量。 为了获得正确的结果，请确保您的样本量足够大，即。 100 或 1000 次转化。 样本量太小可能会导致错误的结论。

3、多元素检测

网站热图分析可能表明需要关注的领域不止一个，但同时进行多项测试最终无济于事。

选择拆分测试而不是多变量测试总是更好。 这是因为当您在两个页面上进行拆分测试时，只有一个参数存在差异，很容易判断哪个页面效果更好。

解决方法：然而，在多变量测试的情况下，假设您正在测试四个不同的网页，其中两个或三个参数不同。 在那种情况下，当您收集数据时，您无法确定实际的决定因素。 在这种情况下，您必须比较所有页面的数据，并分析不同参数之间的相关性。

4.只关注流量转化

当您测试一个或几个参数时，请确保根深蒂固，而不是只考虑短期问题。 这意味着，如果您发现某些更改正在为您的网站带来更多流量，请不要为此沾沾自喜。 如果高流量包含低质量的客户，那么这最终可能会对您的业务产生负面影响。

解决方法：因此，每当您选择拆分测试时，请检查您的转化指标，然后将该流量与实际潜在客户相关联，看看有多少产生了潜在客户。

5.选择随机假设或盲目遵循拆分测试实践

没有适当的假设，统计检验就没有意义。 因此，在浪费时间进行测试之前，请确保您有一个正确的假设。 如果您不确定假设的可信度，请进行市场调查，分析所选变量的结果，检查竞争对手的策略，并了解您的目标客户。

解决方法：同时检查竞争对手的策略时，确保不要选择盲目跟随他们。 对别人有用的东西不一定对你有用。 检查竞争对手的策略，但同时了解您自己的 USP 并据此制定战略。

6.消除混杂变量

混淆变量是那些不属于您的重要假设参数的元素，并且可能会弄乱您的测试结果。 其中一些包括新产品介绍、营销活动启动和网站重新设计。

当您在测试中间更改某些测试参数以生成更显着的变化时，通常会发生这种情况。 这可能会从潜在目标池之外的地方产生流量。

解决方法：进行拆分测试时，请确保消除此类混杂变量，并确保其余因素在整个测试过程中保持不变。

7. 只测试增量变化

大型网站的运作方式与其他小型企业家需要处理的方式之间存在显着差异。 对于大型网站，一些微小的增量更改可能会带来巨大的投资回报率。 但对于初创公司和较小的公司来说，这项活动可能不会产生预期的结果。 例如，测试网站或 CTA 按钮的颜色及其各种色调不太可行，因为它对整个网站的整容作用不大。

解决方法：拆分测试提供了微小的改进，但对于小型企业而言，这不会带来显着的营业额。 因此，不要只关注增量变化，而要关注巨大的性能提升。 需要的是在整体层面上进行根本性的改变。 这比狭窄的 A/B 测试技术更密集。 这可能需要重新设计主要页面，这可能需要付出大量努力。 同样重要的是要注意，由于重新设计了多个元素，可能很难注意到在重新设计的页面上线后哪个特定元素导致了流量激增。

8.即使没有任何流量也可以进行拆分测试

如果您只经营几个月的业务，建议在开始运行拆分测试之前获得更高的流量。 对于初创公司和新企业，与少数 Beta 用户进行拆分测试是无效的。 对不同假设的检验是一种通过最佳样本实现的统计显着性博弈。 但是如果你没有足够的样本，这个基本目标将无法实现。

解决方法：仅当您满足 3 个不同的条件时才进行拆分测试

1- 你有足够的代表性样本

测试需要运行 3-4 周的时间，以适应不同的销售期。 在此之前取消测试不会描述通用测试，而是显示选择性/循环测试结果。

2- 你有足够的样本量

一个交易量超过 1000 次（潜在客户、注册或订阅）的网站可以在一个月内进行一次 A/B 测试以提高流量。 转化率、总访问量和整体交易等因素将决定样本大小应该是多少。

3- 当你达到 p 值时

一旦满足第 2 点和第 3 点，查看 p 值就很重要（根据一个常见的误解，p 值不是 B 大于 A 的概率）。 通常，可接受的显着性水平为 5%（或 20 次中有 1 次，假设原假设为真，样本将显示极端结果）

9. 整周都没有进行测试

为了使拆分测试产生正确的结果，季节性、每周甚至昼夜参数都很重要。 因此，应谨慎选择拆分测试所花费的时间。 不考虑整周的测试会扭曲结果，这可能会显示测试结果的正确图片

解决方法：例如，如果您是电子商务网站所有者，那么在周末您的目标人群更倾向于您的产品，而在周一或工作日的高峰时段您的网站可能无法产生适当的流量。 因此，请确保在开始的同一天结束测试。 这可确保您在一次迭代中测试整整一周。 这也将符合我们之前的建议——运行 2-3 周持续时间的测试

10. 测试数据未发送至 Google Analytics

转换指标通常显示平均数据，而在营销平均数的世界里。 如果您只使用百分比数据，您永远无法获得全貌。 这是因为时间、季节性、昼夜阶段和许多其他因素都会影响正确的客户图。

解决方法：因此，如果您提供了大量数据，请将其发送至 Google Analytics。 运行高级细分和自定义报告。 结果将向您显示运行高级测试的路径，您可能会从那里了解从哪里进行站点测试。 利用新的 GA 功能，营销人员可以运行多达 20 个并发 A/B 测试数据进行分析。 确保为一个活动实验使用不同的自定义维度（或 GA 经典模式中的自定义变量）。 在这种情况下，像 Optimizely Classic 这样的工具可以提供帮助。

把它们加起来

营销和业务分析以它们自己的方式非常复杂。 因此，不要检查其他人在做什么或使用最常见的测试策略，而是走明智的路线并采用具有成本效益的 A/B 测试来提高营销策略的投资回报率。