Pengujian A/B: Cara Kerjanya dan Mengapa Anda Membutuhkannya

Data ada di mana-mana. Apakah Anda seorang individu, perusahaan kecil, atau perusahaan multinasional, Anda harus berurusan dengan banyak data termasuk data pelanggan yang diperlukan untuk melayani pelanggan dan meningkatkan laba Anda.

Pemasar menggunakan berbagai teknik untuk meningkatkan keuntungan. Maklum, tidak semua teknik bisa berhasil atau tidak semua bisa sama efektifnya.

Anda tidak dapat membuat kampanye berdasarkan firasat atau perasaan. Anda membutuhkan angka, tetapi angka itu mungkin tidak selalu jelas. Inilah sebabnya mengapa bisnis memerlukan pengujian A/B, metode unik yang membantu bisnis memilih rute yang tepat.

Dalam artikel ini, kita akan berbicara tentang pengujian A/B dan menyoroti manfaatnya sambil juga menyoroti beberapa perangkat lunak pengujian A/B terbaik.

Ayo mulai:

Apa itu Pengujian A/B?

Pengujian A/B dapat didefinisikan sebagai metode untuk membandingkan dua opsi yang digunakan untuk mencapai hal yang sama untuk menemukan opsi yang menawarkan hasil yang lebih baik.

Kami menggunakan pengujian A/B hampir setiap hari dan teknik ini dikatakan berusia lebih dari 100 tahun. Namun, sekarang menjadi lebih populer berkat pengenalan pemasaran online. Pemasar menggunakan pengujian A/B untuk membandingkan dua metode pemasaran guna menemukan metode yang menawarkan laba atas investasi terbaik; namun, itu bukan satu-satunya penggunaan pengujian A/B.

Ahli biologi dan ahli statistik Ronald Fisher melakukan percobaan terkontrol secara acak pada tahun 1920-an. Dia menemukan matematika dasar dan prinsip-prinsip dan mengubah ide ini menjadi sains.
Fisher menjalankan beberapa eksperimen pertanian untuk menemukan jawaban atas pertanyaan dasar seperti apa yang terjadi jika saya mengganti pupuk atau menggunakan lebih banyak pupuk.

Prinsip-prinsip yang ia perkenalkan ternyata benar dan para ilmuwan resmi mulai menjalankan uji klinis pada awal 1950-an di bidang kedokteran.

Pemasar mengadaptasi teknik ini pada akhir 1960-an. Mereka ingin mengevaluasi kampanye langsung, yaitu: jika surat atau kartu pos yang dipersonalisasi menawarkan lebih banyak penjualan.

Namun, pengujian A/B tidak sama saat itu. Itu datang ke bentuknya saat ini di pertengahan 1990-an. Ini menggunakan konsep yang sama tetapi telah pindah ke lingkungan virtual dan secara real-time.

Apa Manfaat Pengujian A/B?

Sekarang setelah Anda mengetahui definisi pengujian A/B, saatnya untuk melihat keuntungan utama pengujian AB.

Menyimpan uang

Pengujian A/B memungkinkan bisnis menghemat uang dengan mengidentifikasi proses yang menawarkan pengembalian yang lebih baik. Tidak ada dua kampanye pemasaran yang akan menawarkan pengembalian yang serupa, yang satu entah bagaimana akan selalu lebih baik dari yang lain.

Dengan bantuan ilmu data pengujian A/B, bisnis dapat menemukan opsi yang menawarkan pengembalian lebih baik dan menyingkirkan proses yang menawarkan pengembalian lebih rendah dan membelanjakan uang di tempat yang lebih menguntungkan.

Meningkatkan Keuntungan

Seperti yang disorot dalam definisi pengujian AB, ini membantu meningkatkan keuntungan dengan meningkatkan konversi dan memungkinkan bisnis menjangkau lebih banyak orang. Sekitar 60 persen bisnis percaya bahwa ini membantu meningkatkan konversi.

Selain itu, hasil pengujian A/B dapat meningkatkan rasio pentalan dan meningkatkan keterlibatan. Faktor-faktor ini penting untuk membantu bisnis tumbuh. Pada akhirnya, bisnis mulai menghasilkan lebih banyak uang karena pengurangan biaya dan peningkatan penjualan.

Membantu Mengidentifikasi Masalah

Banyak kampanye pemasaran gagal karena kesalahan kecil. Alat pengujian AB terbaik dapat mengenali kesalahan ini sehingga bisnis dapat berjalan dengan lancar.

Ini dapat membantu mengidentifikasi banyak masalah seperti desain UX yang buruk. Ini penting karena desain yang lebih baik dapat meningkatkan konversi hingga 400 persen.

Meningkatkan Konten

Terlepas dari apa yang dikatakan semua orang, konten tetaplah aturan. Masalahnya, bagaimanapun, adalah ada banyak opsi untuk dipilih termasuk konten tertulis, konten visual, dll.

Anda tidak dapat selalu yakin apa yang akan berhasil dan apa yang tidak, kecuali Anda memiliki analisis data pengujian A/B yang andal.

Bagus untuk Gambar Bisnis

Pengujian A/B telah menjadi sangat populer dan lebih dari 70 persen perusahaan menjalankan setidaknya dua pengujian dalam sebulan. Pengujian A/B untuk situs web memungkinkan bisnis menyingkirkan proses atau langkah yang meninggalkan kesan buruk bagi pelanggan.

Akibatnya, citra mendapat dorongan dan niat baik meningkat.

Membuat Analisis Lebih Mudah

Sekitar 77 persen bisnis menjalankan pengujian A/B di situs web mereka (termasuk halaman arahan) untuk mengidentifikasi desain, font, dan masalah serupa lainnya.

Ini membantu mengurangi pengabaian keranjang dengan menyoroti apa yang menyebabkan pembeli membatalkan keranjang. Mungkin ada berbagai alasan seperti tata letak yang buruk, biaya tersembunyi, dll.

Dengan pengujian A/B, bisnis dapat menemukan penyebab sebenarnya dan mengatasinya.

Lebih Banyak Keterlibatan

Perusahaan mencari pengikut dan pembeli yang terlibat, oleh karena itu tidak mengejutkan bahwa 59 persen bisnis menjalankan pengujian A/B pada email. Ini dapat membantu bisnis mengidentifikasi jenis konten apa yang bekerja lebih banyak sehingga mereka dapat lebih berkonsentrasi padanya.

Bagaimana Cara Kerja Pengujian A/B?

Pengujian A/B mungkin terdengar seperti fenomena yang kompleks tetapi sebenarnya sangat sederhana. Langkah pertama adalah memutuskan apa yang ingin Anda uji dan mengapa.

Katakanlah Anda ingin menguji ukuran tombol 'Beli Sekarang' di situs Anda untuk melihat berapa banyak orang yang 'membeli' jika Anda mengubah ukurannya, yaitu: membuatnya lebih besar atau lebih kecil. Setelah Anda jelas tentang apa yang ingin Anda uji, Anda harus yakin tentang bagaimana Anda akan mengevaluasi kinerja.

Berapa banyak orang yang mengklik tombol, misalnya, dapat menjadi indikasi yang baik tentang bagaimana ukuran tombol memengaruhi persepsi.

Anda juga dapat menggunakan jumlah pembeli akhir untuk membuat penilaian, tetapi itu mungkin bukan pilihan yang adil karena pengunjung juga dapat membatalkan pembelian karena alasan lain.

Pada langkah selanjutnya, Anda harus membagi pengguna menjadi dua set. Kumpulan harus acak kecuali Anda mencoba mempelajari bagaimana penggunaan dari demografi tertentu bereaksi terhadap perubahan.

Selanjutnya, buat dua halaman serupa tetapi dengan ukuran tombol yang berbeda. Sekarang, lihat analitik dan lihat halaman mana yang mendapat lebih banyak klik.

Keputusan untuk mengklik tergantung pada beberapa faktor seperti ukuran tombol, warna teks, perangkat yang digunakan. Untuk kejelasan, Anda dapat membagi pengguna Anda ke dalam grup tertentu, yaitu: pengguna seluler dan pengguna desktop.

Ini karena tombol yang sama mungkin tampak berbeda untuk pengguna seluler dan berbeda untuk pengguna desktop. Dengan cara ini Anda akan dapat mengetahui tombol mana yang akan ditayangkan kepada pengguna tertentu.

“Tes A/B dapat dianggap sebagai jenis eksperimen terkontrol acak yang paling dasar,” kata Kaiser Fung, orang di balik beberapa buku termasuk Number Sense: How to Use Big Data to Your Advantage .

“Dalam bentuknya yang paling sederhana, ada dua perlakuan dan satu bertindak sebagai kontrol untuk yang lain,” tambahnya. Pastikan untuk memperkirakan ukuran sampel Anda dengan benar sehingga hasilnya benar dan bukan karena kebisingan latar belakang.

Beberapa variabel lain dapat mempengaruhi hasil. Misalnya, pengguna seluler mungkin tidak suka mengklik tombol atau tombol mungkin tidak diposisikan dengan benar di versi desktop situs web Anda.

Pengacakan dapat menyebabkan satu set berisi lebih banyak pengguna seluler daripada set lainnya, yang dapat mengakibatkan satu set memiliki tingkat yang lebih rendah atau lebih tinggi terlepas dari ukuran tombol.

Cara terbaik untuk menghindari bias semacam itu adalah dengan membagi pengunjung berdasarkan desktop dan pengguna seluler, lalu menetapkannya secara acak ke kumpulan tertentu. Trik ini dikenal sebagai pemblokiran.

Pengujian dan Hasil A/B: Cara Menafsirkan

Ini adalah contoh dasar. Di dunia nyata, Anda tidak hanya akan memeriksa ukuran tetapi juga faktor-faktor lain termasuk teks, posisi, dan warna tombol.

Analis pengujian A/B diketahui menjalankan pengujian berurutan untuk membandingkan elemen yang berbeda. Pertama-tama mereka akan menguji ukuran tombol (kecil atau besar), lalu pindah ke warna (merah atau biru), lalu posisinya (atas atau bawah), dll.

Ini membantu mereka mencapai versi halaman yang sempurna. Ini penting karena mengubah beberapa faktor sekaligus dapat mempersulit untuk menyimpulkan apa yang menyebabkan perubahan perilaku (yaitu: jumlah klik).
Namun, kami sekarang memiliki alat pengujian A/B yang dapat menangani pengujian kompleks.

“Dengan pengujian A/B, kami cenderung ingin menjalankan sejumlah besar pengujian independen secara simultan, sebagian besar karena pikiran berputar pada jumlah kemungkinan kombinasi yang dapat Anda uji,” kata Fung.

“Dengan menggunakan matematika, Anda dapat dengan cerdas memilih dan menjalankan hanya subset tertentu dari perawatan tersebut; maka Anda dapat menyimpulkan sisanya dari data,” sarannya.

Trik ini dikenal sebagai pengujian "multivariasi". Ini adalah bentuk pengujian A/B. Ini berarti menjalankan tidak hanya pengujian A/B tetapi juga pengujian A/B/C dan seterusnya.

Pengujian dan Hasil A/B: Cara Menafsirkan

Sebagian besar pemasar dan pakar analitik menggunakan alat pengujian terpisah yang berbeda untuk melakukan pengujian semacam itu. Anda akan menemukan banyak perangkat lunak pengujian AB di luar sana tetapi tidak semuanya cocok untuk Anda.

Anda harus tahu cara melakukan pengujian A/B sehingga Anda dapat menginterpretasikan hasil. Ingatlah bahwa alat yang tepat tergantung pada apa yang ingin Anda uji.

Misalnya, Adoric dapat menangani berbagai tugas termasuk pengujian A/B.

Adoric adalah perangkat lunak lengkap yang dapat membantu Anda menjalankan, mengelola, dan menganalisis kampanye sehingga Anda dapat mengidentifikasi yang terbaik dan menggunakan sumber daya Anda dengan cara yang benar.

Tujuan utama pengujian A/B adalah untuk meningkatkan konversi. Anda dapat melakukannya dengan mengubah berbagai elemen seperti ukuran font, teks, dan penggunaan gambar. Anda juga dapat menggunakannya untuk menguji elemen desain situs web dan fitur serupa lainnya.

Adoric terutama berkonsentrasi pada pop-up, alat pemasaran yang dapat menawarkan tingkat konversi 11% jika digunakan dengan benar. Perangkat lunak kami dapat membantu Anda membandingkan berbagai desain dan opsi pop-up untuk memilih yang tepat.

Adoric digunakan oleh nama-nama seperti P&G, PMI, dan Toyota. Percayai nama yang merek Anda suka percayai.

Anda perlu mencari software yang tidak hanya memberikan angka tetapi juga menjelaskan maksudnya. Jika tidak, Anda harus menyewa penguji A/B atau ahli statistik untuk menginterpretasikan hasil.

Ada perangkat lunak pengujian split berbayar dan gratis; namun, kami menyarankan Anda menggunakan versi berbayar karena lebih detail dan lebih mudah digunakan. Perangkat lunak tersebut biasanya menyajikan tingkat konversi atau laporan:

Satu untuk pengguna yang melihat halaman khas Anda

Yang lain untuk pengguna yang melihat halaman pengujian

Laporan tersebut biasanya menyoroti beberapa faktor. Carilah perbedaan antara angka-angka penting seperti jumlah klik.

Anda juga dapat melihat informasi berikut:

• Kontrol: 15 persen (+/- 2,2 persen)
• Variasi 18 persen (+/- 1,9 persen)

Ini berarti bahwa sekitar 18 persen pengunjung atau pembaca Anda membuka email dengan baris subjek baru Anda. Angka tersebut memiliki margin kesalahan – 2,3 persen.

Ini tidak berarti tingkat aktual antara 16,1 persen dan 19,9 persen.

“Penafsiran sebenarnya adalah bahwa jika Anda menjalankan pengujian A/B beberapa kali, 95 persen rentang akan menangkap tingkat konversi yang sebenarnya — dengan kata lain, tingkat konversi berada di luar margin kesalahan 5 persen dari waktu (atau apa pun tingkat signifikansi statistik yang telah Anda tetapkan),” jelas Fung.

Jika ini terlalu sulit untuk dipahami maka ketahuilah bahwa Anda bukan satu-satunya. Beralih ke perangkat lunak yang dapat menyajikan informasi ini dengan rapi sehingga mudah untuk Anda pahami dan gunakan.

Berdasarkan hasil ini, kita dapat mengatakan bahwa metode baru ini lebih efektif karena menyebabkan lebih banyak orang membuka email. Namun, karena margin of error, kami tidak dapat menjamin secara pasti berapa banyak orang yang akan membuka email tetapi berdasarkan jumlah itu akan lebih tinggi dari tarif terbuka saat ini.

Pengujian A/B: Kesalahan yang Harus Dihindari

Berikut adalah beberapa kesalahan pengujian A/B yang paling umum. Pastikan untuk menghindari ini:

Mengakhiri Tes Terlalu Cepat

Diyakini bahwa sekitar 57 persen peneliti mengakhiri pengujian A/B setelah hipotesis aslinya terbukti. Dikenal sebagai p-hacking, ini adalah bentuk bias inflasi yang dianggap 'pelaporan selektif' dan dapat menghasilkan hasil yang buruk.
Sangat penting untuk membiarkan setiap tes berjalan dengan sendirinya meskipun Anda dapat melihat hasilnya secara real time.

Tidak Memiliki Sampel yang Layak

Pengujian A/B membutuhkan sekitar 25.000 pengunjung untuk mencapai sampel yang signifikan, menurut artikel VentureBeat ini.

Sayangnya, sebagian besar pemasar menggunakan ukuran sampel yang lebih kecil, yang bukan merupakan representasi sebenarnya dari total populasi, sehingga hasilnya menjadi 'tidak dapat diandalkan'.

Sedikit Pengujian Ulang

Sangat sedikit perusahaan yang memilih untuk melakukan pengujian ulang. Kebanyakan tes sekali dan percaya. Penelitian telah membuktikan bahwa sekali mungkin tidak cukup karena risiko positif palsu.

Selain itu, Anda harus mencoba setiap beberapa bulan karena segala sesuatunya dapat berubah. Misalnya, Anda mungkin mendapatkan pengunjung baru yang mungkin menyukai warna atau ukuran tombol yang berbeda.

Anda tidak akan pernah dapat menemukan opsi yang tepat tanpa menguji ulang.

Menghitung terlalu Banyak Metrik

Sementara tes kompleks berguna, mereka mungkin tidak selalu efisien. Melihat terlalu banyak metrik sekaligus dapat menghasilkan "korelasi palsu".

Bahkan jika perangkat lunak Anda menawarkan terlalu banyak metrik, Anda harus tahu mana yang harus dikonsentrasikan. Ini akan membantu menghindari fluktuasi acak dan memungkinkan Anda untuk berkonsentrasi pada angka-angka yang penting.

Pengujian A/B: Pertanyaan yang Sering Diajukan

Apakah perusahaan besar menggunakan pengujian A/B?
Ya mereka melakukanya. Google menjalankan pengujian pertamanya pada tahun 2000 untuk menentukan jumlah hasil yang tepat per halaman. Perusahaan masih aktif menggunakan pengujian A/B dan menjalankan lebih dari 7.000 pengujian pada tahun 2011.

Nama besar lainnya seperti Booking.com, Facebook, dan Amazon juga rutin melakukan eksperimen terkontrol. Selain itu, itu juga digunakan dalam politik.

Kampanye Obama mengumpulkan tambahan $75 juta karena peningkatan pengambilan keputusan yang dikreditkan ke pemasaran A/B. Itu juga meningkatkan konversi donasi sekitar 79 persen.

Berapa lama pengujian A/B berlangsung?
Mereka dapat bertahan dari satu jam hingga seminggu untuk suatu metode tergantung pada apa yang Anda coba uji.

Misalnya, perusahaan yang menguji model langganan harus mencobanya setidaknya selama satu bulan.

Di sisi lain, tes pemasaran email akan memberi Anda hasil dalam 24-48 jam karena lebih dari 50 persen orang membaca email terkait pekerjaan hanya dalam waktu sekitar 24 jam.

Siapa yang Membutuhkan Pengujian A/B?
Setiap pemasar online atau bisnis online membutuhkan pengujian A/B untuk mengidentifikasi teknik pemasaran yang tepat.

Ini digunakan untuk membandingkan semua elemen yang dapat memengaruhi keputusan pembeli akhir Anda. Anda akan melihatnya digunakan dalam SEO, pemasaran email, pengembangan web, dll.

Pengujian A/B: Kesimpulan

Dengan kata sederhana, pengujian A/B digunakan untuk membandingkan dua opsi dan menemukan opsi yang menawarkan hasil yang lebih baik. Jangan biarkan apa pun membingungkan Anda, cobalah Adoric jika Anda mencari perangkat lunak pengujian A/B yang ramah dan lihat keuntungan Anda tumbuh.

Coba Adoric Gratis