營銷人員在拆分測試時犯的 10 大錯誤

任何企業要想有效運營，一個重要的環節就是營銷分析和研究，這是很多創業者容易忽略的。 僅僅銷售而不考慮什麼有效，什麼無效的趨勢決定了網站的增長。 它阻礙了對密集市場研究的更深層次的需求，結果，從長遠來看，你會失去客戶。 進行客戶研究的最佳方法是通過拆分測試。

為什麼要拆分測試？

根據定義，拆分測試或 A/B 測試是一種進行受控但隨機實驗的方法，其最終目的是提高網站流量。 為了更簡單，它是同一頁面的兩個版本的比較，以確定哪個更有效。 理想情況下，兩個版本之間只有一兩個差異，以準確查明有效性。

對內容、點擊、表單填寫和購買等常見操作進行分析，以查看哪種變體可以為預定義的營銷目標帶來更好的結果。 常用的營銷方法有註冊表單、註冊頁面、號召性用語按鈕或重定向到其他頁面。 事實證明，即使像更新 CTA 中的一個詞這樣微小的變化也有助於將轉化率提高 77%。 這證明了進行拆分測試以提高營銷活動效果的重要性。

儘管聽起來很誘人，但有時營銷人員可能會抱怨得到假陰性分析，或者甚至無法生成足夠的數據。 如果您對拆分測試感到困惑，很可能是您以錯誤的方式進行測試。 下面列出了測試人員可能犯的 10 個最常見的錯誤及其可能的修復方法。

值得了解的錯誤和修復

當測試人員試圖理解拆分分析時，可能會出現大量錯誤。 最常見的記在下面。

1. 任意測試

大多數測試人員必然會遇到的最大問題是無緣無故地進行拆分測試。 例如，您可能擔心測試“號召性用語”按鈕的大小，在這種情況下，您可以設計具有特定重點的變體。 如果您只是為了它而進行拆分測試，那麼請不要這樣做，因為您注定要失敗。

解決方法：使用熱圖軟件來發現關注度不高或流量不多的潛在區域。 首先進行拆分測試並形成假設。 現在進行試驗並確保在適當的時間階段進行試驗，比較新的熱圖數據集並進行分析。 不斷重複，直到得到滿意的結果。

2.提前取消測試

這是大多數測試人員必然會犯的新手大錯誤。 假設您的網站流量很高，因此在拆分測試後的 3 天內，您產生了 98% 的置信度和每個變體大約 250 次轉換，並且您完成了測試。 這是您的測試得到假陽性結果的地方，因為您沒有考慮季節性參數，即使您在一周中的哪一天進行測試也可能導致測試曲線出現顯著變化。

解決方法：任何統計分析的另一個重要參數是所採用的樣本量。 為了獲得正確的結果，請確保您的樣本量足夠大，即。 100 或 1000 次轉化。 樣本量太小可能會導致錯誤的結論。

3、多元素檢測

網站熱圖分析可能表明需要關注的領域不止一個，但同時進行多項測試最終無濟於事。

選擇拆分測試而不是多變量測試總是更好。 這是因為當您在兩個頁面上進行拆分測試時，只有一個參數存在差異，很容易判斷哪個頁面效果更好。

解決方法：然而，在多變量測試的情況下，假設您正在測試四個不同的網頁，其中兩個或三個參數不同。 在那種情況下，當您收集數據時，您無法確定實際的決定因素。 在這種情況下，您必須比較所有頁面的數據，並分析不同參數之間的相關性。

4.只關注流量轉化

當您測試一個或幾個參數時，請確保根深蒂固，而不是只考慮短期問題。 這意味著，如果您發現某些更改正在為您的網站帶來更多流量，請不要為此沾沾自喜。 如果高流量包含低質量的客戶，那麼這最終可能會對您的業務產生負面影響。

解決方法：因此，每當您選擇拆分測試時，請檢查您的轉化指標，然後將該流量與實際潛在客戶相關聯，看看有多少產生了潛在客戶。

5.選擇隨機假設或盲目遵循拆分測試實踐

沒有適當的假設，統計檢驗就沒有意義。 因此，在浪費時間進行測試之前，請確保您有一個正確的假設。 如果您不確定假設的可信度，請進行市場調查，分析所選變量的結果，檢查競爭對手的策略，並了解您的目標客戶。

解決方法：同時檢查競爭對手的策略時，確保不要選擇盲目跟隨他們。 對別人有用的東西不一定對你有​​用。 檢查競爭對手的策略，但同時了解您自己的 USP 並據此制定戰略。

6.消除混雜變量

混淆變量是那些不屬於您的重要假設參數的元素，並且可能會弄亂您的測試結果。 其中一些包括新產品介紹、營銷活動啟動和網站重新設計。

當您在測試中間更改某些測試參數以生成更顯著的變化時，通常會發生這種情況。 這可能會從潛在目標池之外的地方產生流量。

解決方法：進行拆分測試時，請確保消除此類混雜變量，並確保其餘因素在整個測試過程中保持不變。

7. 只測試增量變化

大型網站的運作方式與其他小型企業家需要處理的方式之間存在顯著差異。 對於大型網站，一些微小的增量更改可能會帶來巨大的投資回報率。 但對於初創公司和較小的公司來說，這項活動可能不會產生預期的結果。 例如，測試網站或 CTA 按鈕的顏色及其各種色調不太可行，因為它對整個網站的整容作用不大。

解決方法：拆分測試提供了微小的改進，但對於小型企業而言，這不會帶來顯著的營業額。 因此，不要只關注增量變化，而要關注巨大的性能提升。 需要的是在整體層面上進行根本性的改變。 這比狹窄的 A/B 測試技術更密集。 這可能需要重新設計主要頁面，這可能需要付出大量努力。 同樣重要的是要注意，由於重新設計了多個元素，可能很難注意到在重新設計的頁面上線後哪個特定元素導致了流量激增。

8.即使沒有任何流量也可以進行拆分測試

如果您只經營幾個月的業務，建議在開始運行拆分測試之前獲得更高的流量。 對於初創公司和新企業，與少數 Beta 用戶進行拆分測試是無效的。 對不同假設的檢驗是一種通過最佳樣本實現的統計顯著性博弈。 但是如果你沒有足夠的樣本，這個基本目標將無法實現。

解決方法：僅當您滿足 3 個不同的條件時才進行拆分測試

1- 你有足夠的代表性樣本

測試需要運行 3-4 週的時間，以適應不同的銷售期。 在此之前取消測試不會描述通用測試，而是顯示選擇性/循環測試結果。

2- 你有足夠的樣本量

一個交易量超過 1000 次（潛在客戶、註冊或訂閱）的網站可以在一個月內進行一次 A/B 測試以提高流量。 轉化率、總訪問量和整體交易等因素將決定樣本大小應該是多少。

3- 當你達到 p 值時

一旦滿足第 2 點和第 3 點，查看 p 值就很重要（根據一個常見的誤解，p 值不是 B 大於 A 的概率）。 通常，可接受的顯著性水平為 5%（或 20 次中有 1 次，假設原假設為真，樣本將顯示極端結果）

9. 整週都沒有進行測試

為了使拆分測試產生正確的結果，季節性、每週甚至晝夜參數都很重要。 因此，應謹慎選擇拆分測試所花費的時間。 不考慮整週的測試會扭曲結果，這可能會顯示測試結果的正確圖片

解決方法：例如，如果您是電子商務網站所有者，那麼在周末您的目標人群更傾向於您的產品，而在周一或工作日的高峰時段您的網站可能無法產生適當的流量。 因此，請確保在開始的同一天結束測試。 這可確保您在一次迭代中測試整整一周。 這也將符合我們之前的建議——運行 2-3 週持續時間的測試

10. 測試數據未發送至 Google Analytics

轉換指標通常顯示平均數據，而在營銷平均數的世界裡。 如果您只使用百分比數據，您永遠無法獲得全貌。 這是因為時間、季節性、晝夜階段和許多其他因素都會影響正確的客戶圖。

解決方法：因此，如果您提供了大量數據，請將其發送至 Google Analytics。 運行高級細分和自定義報告。 結果將向您顯示運行高級測試的路徑，您可能會從那裡了解從哪裡進行站點測試。 利用新的 GA 功能，營銷人員可以運行多達 20 個並發 A/B 測試數據進行分析。 確保為一個活動實驗使用不同的自定義維度（或 GA 經典模式中的自定義變量）。 在這種情況下，像 Optimizely Classic 這樣的工具可以提供幫助。

把它們加起來

營銷和業務分析以它們自己的方式非常複雜。 因此，不要檢查其他人在做什麼或使用最常見的測試策略，而是走明智的路線並採用具有成本效益的 A/B 測試來提高營銷策略的投資回報率。