西安vi设计公司营销人员坚持使用 A/B 测试的基本框架

追溯到 2000 年Google 工程师进行实验以优化每页搜索结果的数量，A/B 测试一直是财富 500 强企业和小型园艺博客等的核心优化策略。对于更老练的营销人员来说，基本的 A/B 测试已经让位于复杂的多变量测试，这些测试旨在识别最微小的优化机会。由机器学习提供支持的高级优化平台允许网站根据任何 KPI 持续运行测试并将流量发送到性能最佳的变体。

然而，尽管测试技术爆炸式增长，即使是非常先进的西安vi设计公司也会犯一些基本的 A/B 测试错误。以下是 A/B 测试的 3 个常见陷阱以及如何克服它们的策略。

已经颠覆了在线广告并动摇了消费者对该行业的信心，来自机器人的点击也可能对寻求优化现场体验的营销人员造成严重破坏。从理论上讲，运行 A/B 或多变量测试并将流量动态分配给性能最高的变体应该是一个相对简单的过程。但是，如果非人类点击压倒性地偏爱一种变体，那么真正消费者更喜欢的体验就会显得不太成功。

营销人员可以通过选择一个优化指标来抵消机器人流量的增长，该指标表明机器人无法复制的真实人类行为。围绕转化或其他“以行动为导向”的指标而不是简单的点击进行测试。

不正确的测试框架

在各个行业中，太多的西安vi设计公司营销人员仍然坚持使用 A/B 测试时代初期的基本框架，即假设测试。它本质上是悲观的，首先假设正在测试的替代变化并不比现有的变化好，并相信任何观察到的差异仅代表随机噪声。然后，该测试试图通过证明这些发现足够稀有值得重视来拒绝这一假设。

采用贝叶斯框架允许营销人员在没有预定义样本量的情况下开展工作，分析更直观的指标并最终做出不受限制性假设约束的更快决策。简而言之，“ Going Bayesian ”是一种更简单、更可靠的方法，可以确定变体 A 的性能优于变体 B，并相应地优化您的现场体验。

选择错误的优化目标

在运行 A/B 测试时，您可以围绕三个主要指标进行优化：点击率、目标完成率或（对于电子商务）收入。每个都有优点和缺点。一般来说，西安vi设计公司倾向于基于收入的优化，因为它提供的数据最符合营销人员的最终目标。但是，为了获得基于收入的优化以产生有意义的数据，营销人员必须使用相当大的样本量进行更长的实验。此外，由于购买通常发生在许多独立事件中，因此将购买最终归因于任何特定的优化事件要困难得多。

到目前为止，优化点击是最容易理解的指标，因为西安vi设计公司可以直接与正在运行 A/B 测试的横幅或按钮相关联，但单独点击通常对营销人员没有帮助，并且容易受到我们机器人霸主的影响. 一个介于基于收入的复杂优化和简单 CTR 之间的快乐媒介是围绕目标完成进行优化，例如订阅时事通讯。目标完成不会直接带来更多收入，但允许营销人员在更短的时间内使用更小的数据样本来推动可操作的结果。

在基于收入的优化中，市场上的一个常见错误是公司错误地运行 A/B 测试来检查每个会话的收入。一个更有效的优化指标是每位用户的收入，因为西安vi设计公司更能代表您的优化工作，而不是简单地反映访问者的总体用户行为。随着越来越多的现场体验方面正在接受 A/B 测试，确保测试使用准确的数据和正确的方法变得前所未有的重要。根据真实的人类行为选择一个清晰的目标，然后愉快地优化。