课程: 网络营销基础知识

免费学习该课程！

今天就开通帐号，23,200 门业界名师课程任您挑！

运行 A/B 营销测试

运行 A/B 营销测试

课程: 网络营销基础知识

开始一个月试用 购买团队方案

运行 A/B 营销测试

“

随着网络营销规模的扩大， 我们需要对所做的工作进行 A/B 测试。 A/B 测试是将着陆页或广告等产品 当前运行的版本与变体进行的对照测试。 可以对电子邮件的主题行 或内容进行 A/B 测试， 还可以对广告的不同行动召唤， 比如“现在购买”与“今天购买” 进行 A/B 测试。 但最好的 A/B 测试只有一个变体， 方便理解结果。 如果想进行多元测试，需要使用专门的平台。 A/B 测试存在一个问题， 就是胜出者在统计学上没有显著性。 统计学显著性基本上 意味着结果不太可能偶然出现。 为了说明我的意思， 来看一个广告测试结果的例子。 我在这个网站上打开了一个 A/B 显著性测试计算器。 你可以在谷歌上搜索其他 统计学显著性计算器， 也可以下载各种工具来自行运行这种测试。 假设第一个广告的访问量是 600 次， 产生了 90 次转化。 在第二个测试中， 有 900 个访问者和 140 次转化。 第一眼看上去，版本 B 看似乎不错。 140 次转化， 对应着 15.56% 的转化率。 那么，是否应该认为 版本 B 优于版本 A， 然后放弃版本 A 并开始使用版本 B 来运行所有未来的广告？ 向下滚动后可以看到， 结果在统计学上并不显著。 变体 B 中的更改 能够提高转化率的确定性只有 62%。 如果稍微改变一下这些数字， 比如有 160 次转化， 那么确定性就提高到了 92%。 在这种情况下，结果是否具有统计学显著性 仍值得怀疑， 但 90% 的确定性已经很好了。 如果把转化次数增加到 180， 可以看到A/B 测试在统计学具有显著性。 不同工具对统计学显著性有不同的判断标准， 但 90% 的确定性 对于大多数营销决策来说都是相当好的成绩。 如果确定性离 90% 很远， 那么你就需要延长广告运行时间， 看看能否得到更多数据。 如果运行更长时间仍返回相同的结果， 并在统计学上仍然不显著， 则说明很可能不值得进行更改。 请考虑将 A/B 测试 纳入你的网络营销工作流程， 以便逐步提高营销效果。

内容