Απλοποιημένη δοκιμή πολλαπλών παραλλαγών και δοκιμές A / B: Πώς να δοκιμάσετε τεχνικές βελτιστοποίησης ιστοσελίδας

multivariate testing

Εισαγωγή:

Υπάρχουν πολλές ιστοσελίδες και εφαρμογές που χρησιμοποιούμε συχνά. Ενώ τα χρησιμοποιούμε, πιθανότατα δεν δίνουμε μεγάλη προσοχή στο πώς ο ιστότοπος έγινε η τρέχουσα έκδοση του - από την άλλη πλευρά, εάν κάτι δεν φαίνεται σωστό, πιθανότατα δεν θα επισκεφθούμε ξανά τον ιστότοπο / εφαρμογή ξανά.

Το ερώτημα είναι - Τι χρειάζεται για να το 'σωστά' σωστά;

Τι θα μάθετε:

• Δοκιμή πολλαπλών παραλλαγών και δοκιμές A / B
• Τι είναι η δοκιμή πολλαπλών παραλλαγών;
• Τύποι δοκιμών MVT:
• Πώς να κάνετε δοκιμές πολλαπλών παραλλαγών
• Λάθη που πρέπει να αποφεύγονται
• Πρέπει και δεν πρέπει
• Υπέρ και κατά
• Δοκιμή A / B
• Πλεονεκτήματα και μειονεκτήματα των δοκιμών A / B:
• Δοκιμή A / B έναντι δοκιμών πολλαπλών μεταβλητών έναντι δοκιμής Split
• Δοκιμή πολλαπλών παραλλαγών
• Εργαλεία δοκιμής A / B / Split / Multivariate
• Συνιστώμενη ανάγνωση

Δοκιμή πολλαπλών παραλλαγών και δοκιμές A / B

Το «it» είναι πιο συχνά η λειτουργικότητα - την οποία έχουμε διεργασίες QA για δοκιμή και αξιολόγηση. Αλλά το «αυτό» επίσης αποτελείται από το σχεδιασμό, έναν συνδυασμό στοιχείων, την τοποθέτηση περιεχομένων σε μια σελίδα, μερικές φορές ακόμη και το χρώμα, τον προσανατολισμό κ.λπ. που διαδραματίζουν εξέχοντα ρόλο στο συνολική αποδοχή του προϊόντος από τον τελικό χρήστη του.

Ένας κλάδος δοκιμών που μπορεί να βοηθήσει πολύ σε αυτόν τον τομέα είναι ο Δοκιμή πολλαπλών παραλλαγών και δοκιμές A / B .

βασικά προγράμματα java που ρωτήθηκαν σε συνεντεύξεις

Στο σημερινό άρθρο, θα συζητήσουμε Δοκιμή πολλαπλών παραλλαγών (MVT) και Δοκιμή A / B τύποι λεπτομερώς.

Και τα δύο στοχεύουν στη βελτιστοποίηση ιστοσελίδων και στη βελτίωση του ποσοστού μετατροπών (το ποσοστό με το οποίο οι επισκέπτες γίνονται πελάτες ή επιστρέφοντας επισκέπτες - με τη σειρά τους, επιχείρηση) για έναν ιστότοπο.

Τι είναι η δοκιμή πολλαπλών παραλλαγών;

Ας ξεκινήσουμε με ένα Παράδειγμα .

Εάν ένας συγκεκριμένος ιστότοπος εργάζεται για το σχεδιασμό / επανασχεδιασμό / καθορισμό της αποτελεσματικότητας μιας σελίδας που θα πρέπει να έχει μια εικόνα και το αντίστοιχο κείμενο- Μετά από προσεκτική εξέταση και συζήτηση εάν η εταιρεία κάνει λίστες στις ακόλουθες δύο εικόνες και δύο προτάσεις- οι πιθανοί συνδυασμοί αυτών θα μπορούσαν να έχει ως εξής:

1) Εικόνα 1

2) Εικόνα 2

3) Επικεφαλίδα / πρόταση 1: «Ο στόχος πρέπει να είναι μηδενικά ατυχήματα»

4) Επικεφαλίδα / πρόταση 2: «Ο ΣΤΟΧΟΣ ΜΑΣ: Χωρίς ΑΤΥΧΗΜΑ»

Συνδυασμοί:

Στο παραπάνω παράδειγμα, έχουμε δοκιμάσει παραλλαγές στους συνδυασμούς των πεδίων για να δούμε ποιο είναι κατάλληλο. Με απλά λόγια, εκεί υπάρχει μια δοκιμή πολλαπλών παραλλαγών.

Πιο τεχνικά και συγκεκριμένα, ο παρακάτω τύπος χρησιμοποιείται για τον προσδιορισμό του αριθ. πιθανών συνδυασμών που απαιτούνται για τη δοκιμή των διαφορετικών συνδυασμών και δηλαδή:

(# Παραλλαγές στο στοιχείο A) X (# Παραλλαγές στο στοιχείο B)… .. = (Σύνολο # παραλλαγές)

Στο παραπάνω παράδειγμα, υπάρχουν 2 παραλλαγές για την επικεφαλίδα καθώς και 2 παραλλαγές για την εικόνα.

Έτσι, σύμφωνα με τον τύπο, υπάρχουν συνολικά 4 συνδυασμοί παραλλαγών που πρέπει να δοκιμαστούν ταυτόχρονα για να βρεθεί ο καλύτερος συνδυασμός παραλλαγών.

• Ο κύριος στόχος της εκτέλεσης δοκιμών πολλαπλών παραλλαγών είναι η μέτρηση και ο προσδιορισμός της αποτελεσματικότητας κάθε συνδυασμού παραλλαγών στο τελικό σύστημα.
• Μετά την ολοκλήρωση των συνδυασμών παραλλαγών, ξεκινάει ο έλεγχος για τον προσδιορισμό του πιο επιτυχημένου σχεδιασμού μόλις ληφθεί αρκετή επισκεψιμότητα από τον ιστότοπο.
• Τα αποτελέσματα που λαμβάνονται με κάθε συνδυασμό παραλλαγής συγκρίνονται με τα άλλα για να μάθετε ποιος σχεδιασμός είναι πιο κατάλληλος για την επίτευξη του τελικού στόχου (στις περισσότερες περιπτώσεις είναι Εκπτώσεις ).
• Αυτές οι στατιστικές δίνουν μια σαφή εικόνα για το αν η συγκεκριμένη αλλαγή ήταν χρήσιμη ή όχι.
• Επίσης, μπορεί να αναλυθεί ένας θετικός ή αρνητικός αντίκτυπος στην αλληλεπίδραση του χρήστη

Όλη αυτή η διαδικασία συνεχών δοκιμών πολλαπλών παραλλαγών, βελτιώνοντας το σχεδιασμό με βάση τα αποτελέσματα που αποκτήθηκαν και επιτυγχάνοντας τους επιχειρηματικούς στόχους λόγω αυτού ( Παράδειγμα: Καλείται μεγαλύτερος χρόνος αφοσίωσης για έναν χρήστη σε μια συγκεκριμένη σελίδα) Βελτιστοποίηση σελίδας προορισμού - στόχος του οποίου είναι να προσελκύσει περισσότερους χρήστες και να τους διατηρήσει αφοσιωμένους σε μια συγκεκριμένη σελίδα.

Αυτή η διαδικασία περιλαμβάνει σε μεγάλο βαθμό τον έλεγχο με πολλαπλές παραλλαγές, τη συλλογή στατιστικών στοιχείων και την πραγματοποίηση αλλαγών με βάση τις τιμές / τα αποτελέσματα που λαμβάνονται.

Όχι μόνο περιορίζεται σε ιστότοπους, αλλά απαιτούνται επίσης δοκιμές πολλαπλών παραλλαγών για εφαρμογές για κινητά. Οι ιστότοποι και οι εφαρμογές για κινητά αποτελούνται από συνδυασμούς μεταβλητών στοιχείων και, ως εκ τούτου, πραγματοποιούνται δοκιμές πολλαπλών παραλλαγών για να καταλάβουμε ποιος συνδυασμός παραλλαγών λειτουργεί καλύτερα.

Αυτό παίζει καθοριστικό ρόλο στη στρατηγική μάρκετινγκ Διαδικτύου.

Τύποι δοκιμών MVT:

Με βάση την κατανομή της επισκεψιμότητας σε πολλές εκδόσεις παραλλαγών, υπάρχουν πολλαπλούς τύποι δοκιμών πολλαπλών παραλλαγών που μπορεί να εκτελεστεί:

α) Πλήρης Factorial Testing:

Είναι η πιο προτιμώμενη μορφή δοκιμών MVT στην οποία κάθε πιθανός συνδυασμός παραλλαγής στοιχείων δοκιμάζεται εξίσου, εκτρέποντας την επισκεψιμότητα του ιστότοπου σε αυτόν έως ότου βρεθεί νικητής. Σε όλους τους πιθανούς συνδυασμούς δίνεται ίση πιθανότητα. Το καλύτερο πράγμα για αυτήν τη μέθοδο είναι ότι δεν υπάρχουν παραδοχές και βασίζεται σε σκληρούς αριθμούς / στατιστικά στοιχεία που το καθιστούν πολύ αξιόπιστο και συνιστάται.

Το μόνο μειονέκτημα είναι η κίνηση. Με την αύξηση του αριθμού των διαφόρων συνδυασμών, απαιτείται πολλή επισκεψιμότητα ιστότοπων για την ανάλυση των δεδομένων και την απόφαση του νικητή.

β) Κλασματική ή Μερική παραγοντική δοκιμή:

Καθώς το όνομα δείχνει μόνο ένα κλάσμα όλων των παραλλαγών συνδυασμού παραλλαγών εκτίθεται στην επισκεψιμότητα του ιστότοπου. Οι στατικοί μαθηματικοί υπολογισμοί και η ανάλυση γίνονται για τους υπόλοιπους συνδυασμούς για να βρεθεί το καλύτερο ποσοστό μετατροπής.

Μέθοδος Taguchi είναι η πιο δημοφιλής μέθοδος για κλασματικές παραγοντικές πολυπαραγοντικές δοκιμές. Αυτή η μέθοδος δίνει ένα λιγότερο ακριβές αποτέλεσμα καθώς δοκιμάζεται μόνο ένα δείγμα των παραλλαγών και όχι όλες. Παρόλο που αυτή η μέθοδος απαιτεί λιγότερο χρόνο για να αναλύσει τον νικητή, το αποτέλεσμα δεν μπορεί ποτέ να θεωρηθεί όσο πιο ακριβές μπορεί να είναι σε περίπτωση δοκιμής Full Factorial.

γ) Προσαρμοστικός έλεγχος πολλαπλών παραλλαγών:

Αυτή είναι μια νέα προσέγγιση στις δοκιμές πολλαπλών παραλλαγών. Σε αυτήν την περίπτωση, η απάντηση σε πραγματικό χρόνο των επισκεπτών στην ιστοσελίδα αναλύεται για να προσδιοριστεί η καλύτερη έκδοση συνδυασμού παραλλαγών.

δ) Διακριτή επιλογή:

Αυτή η μέθοδος αποκαλύπτει τα αποτελέσματα αλληλεπίδρασης, ας πούμε πώς οι άνθρωποι δημιουργούν ανταλλαγή από την προοπτική μιας απόφασης αγοράς. Είναι μια πολύπλοκη τεχνική που διαφοροποιεί συστηματικά τα χαρακτηριστικά ή τα στοιχεία περιεχομένου.

5 παραδείγματα γλωσσών προγραμματισμού υψηλού επιπέδου

ε) Βέλτιστος σχεδιασμός:

Αυτή η μέθοδος περιλαμβάνει επαναλήψεις και κύματα δοκιμών. Εκτός από τη δοκιμή του μέγιστου αριθμού παραλλαγών δημιουργικού σε ελάχιστο χρόνο, επιτρέπει επίσης στους εμπόρους να εξετάσουν σχέσεις, αλληλεπιδράσεις και περιορισμούς σε όλα τα στοιχεία περιεχομένου ενός ιστότοπου ή μιας εφαρμογής. Αυτό βοηθά στην εξεύρεση της βέλτιστης λύσης.

Ας προχωρήσουμε περαιτέρω σε ένα σημαντικό ερώτημα: Μπορεί το μάρκετινγκ Ιστού να βελτιστοποιηθεί μέσω δοκιμών πολλαπλών μεταβλητών;

Η απάντηση είναι ένα ηχηρό «Ναι».

Χρησιμοποιώντας δοκιμές πολλαπλών παραλλαγών μπορούμε να προσδιορίσουμε με σαφήνεια τι πρέπει να εφαρμοστεί και τι πρέπει να αποφευχθεί. Όλα επικεντρώνονται στην εμπειρία του επισκέπτη.

Οι ακόλουθες πτυχές λαμβάνονται υπόψη κατά τη διεξαγωγή δοκιμών πολλαπλών παραλλαγών:

# 1. Η προϋπόθεση για τη δοκιμή πολλαπλών παραλλαγών είναι: Ορίστε στόχους μάρκετινγκ ή εξετάστε στόχους για τον ιστότοπο. Τα παρακάτω είναι μερικά παραδείγματα:

• Κερδίστε μέγιστα έσοδα / κέρδη μέσω διαφήμισης, πώλησης προϊόντων, πληρωμών για κλικ.
• Δημιουργήστε αναγνωρισιμότητα μάρκας στο πελατολόγιο
• Εξοικονομήστε δαπάνες - π.χ.: Καθοδηγήστε τους χρήστες για αυτοεξυπηρέτηση μέσω συχνών ερωτήσεων αντί για διαδικτυακό, σε προσωπική υπηρεσία.

#δύο. Μόνο αυτά τα πράγματα πρέπει να δοκιμαστούν που στοχεύουν πραγματικά τους στόχους μάρκετινγκ του οργανισμού.

# 3. Επιλέξτε μόνο εκείνα τα στοιχεία που θα μετρήσουν με ακρίβεια τους στόχους μάρκετινγκ.

Παραδείγματα θα μπορούσαν να είναι:

• Για να κερδίσετε περισσότερα χρήματα, θα πρέπει να εστιάσετε στις σελίδες που περιλαμβάνουν επιλογές όπως 'Αγορά τώρα' / 'πληρωμή' / ροές για την ολοκλήρωση μιας εγγραφής ή εγγραφής.
• Για να ευαισθητοποιήσετε τους επισκέπτες και να προωθήσετε, 'στείλτε σε έναν φίλο' / 'παραπέμψτε έναν φίλο' / 'μοιραστείτε' κ.λπ. μπορεί να είναι χρήσιμο
• Για εξοικονόμηση μπορεί να δοθεί έμφαση σε στοιχεία όπως συχνές ερωτήσεις, βοήθεια, επικοινωνία, κλήση, κλικ «Προσθήκη στο καλάθι» που οδηγούν σε σελίδες ευχαριστιών κ.λπ.

Πώς να κάνετε δοκιμές πολλαπλών παραλλαγών

1. Προσδιορίστε ένα πρόβλημα

Το πρώτο βήμα είναι ο εντοπισμός του ζητήματος. Αυτό σας δίνει το πεδίο βελτίωσης για τον ιστότοπο ή την εφαρμογή σας. Για παράδειγμα, το πρόβλημα μπορεί να είναι ο λόγος για τον οποίο οι επισκέπτες του ιστότοπου δεν κάνουν κλικ στο κουμπί λήψης.

2. Διατυπώστε την υπόθεση

Κάντε μια υπόθεση για τη βελτίωση της ιστοσελίδας. Για παράδειγμα, η υπόθεση μπορεί να είναι ότι οι πελάτες δεν κάνουν κλικ στο κουμπί λήψης, επειδή η ορατότητά του δεν είναι ελκυστική. Έτσι, κάνοντάς το ελκυστικό, θα υπήρχαν αυξημένες λήψεις.

3. Δημιουργήστε παραλλαγές

Επιλέξτε τους παράγοντες και δημιουργήστε παραλλαγές. Ας υποθέσουμε ότι οι δύο παράγοντες είναι ο τίτλος «Λήψη» και ο σύνδεσμος «Παραγωγός PDF». Για παράδειγμα, έχουμε κάτω από 12 παραλλαγές:

4. Προσδιορίστε το μέγεθος του δείγματος σας

Μάθετε πόσους επισκέπτες απαιτούνται σε κάθε σελίδα, πόσο καιρό πρέπει να εκτελέσετε το τεστ, πόσες παραλλαγές έχετε και τη στατιστική σημασία.

5. Δοκιμάστε τα εργαλεία σας

Δοκιμάστε τα πάντα (κυρίως, είναι καλή η ιστοσελίδα / η εφαρμογή σας) προτού ξεκινήσετε να εκτελείτε τη δοκιμή, έτσι ώστε τίποτα να μην προκαλεί αποτελέσματα στα αποτελέσματα της δοκιμής σας.

6. Ξεκινήστε να οδηγείτε κυκλοφορία

Ξεκινήστε να οδηγείτε την κυκλοφορία στις παραλλαγές σας.

7. Αναλύστε τα αποτελέσματά σας

Αφού εκτελέσετε τη δοκιμή για το σημαντικό χρονικό διάστημα, έχετε τα αποτελέσματα για ανάλυση. Ένα παράδειγμα φαίνεται παρακάτω:

Αυτά που έχουν 95% ή περισσότερο επίπεδο εμπιστοσύνης είναι στατιστικά σημαντικά αποτελέσματα.

8. Μάθετε από τα αποτελέσματά σας

Αυτό είναι το τελευταίο και σημαντικό βήμα. Από τη δοκιμή πολλαπλών παραλλαγών, μαθαίνετε για τις ιστοσελίδες / την εφαρμογή σας και τους επισκέπτες της. Μπορείτε να χρησιμοποιήσετε αυτήν τη μάθηση για μελλοντικές δοκιμές.

Μια λέξη προειδοποίησης - Προσοχή στα ακόλουθα πράγματα κατά την εκτέλεση δοκιμών πολλαπλών παραλλαγών:

Λάθη που πρέπει να αποφεύγονται

1. Ακατάλληλη επιλογή παραλλαγών . Για παράδειγμα ας υποθέσουμε ότι αλλάζουμε το μέγεθος της γραμματοσειράς, το χρώμα και το στυλ του κειμένου της επικεφαλίδας ταυτόχρονα με μία έκδοση συνδυασμού παραλλαγών. Στη συνέχεια, θα είναι δύσκολο να αναλυθεί από τα δεδομένα που ελήφθησαν σχετικά με το ποια παραλλαγή της επικεφαλίδας (είτε μέγεθος γραμματοσειράς, χρώμα ή στυλ) έκανε τον επισκέπτη να ανταποκριθεί διαφορετικά.
2. Πολύ σύντομο διάστημα μιας δοκιμαστικής διαδικασίας πολλαπλών παραλλαγών . Ο τερματισμός της δοκιμής νωρίς και η επιλογή ενός μικρού εύρους δεδομένων για ανάλυση του νικητή μπορεί να οδηγήσει σε μη έγκυρα στατιστικά στοιχεία.
3. Πολύ μεγάλη διάρκεια μιας δοκιμαστικής διαδικασίας πολλαπλών παραλλαγών. Η εκτέλεση του τεστ πολύ καιρό για την ανάλυση των οριακών δεδομένων οδηγεί επίσης σε πολύ σπατάλη χρόνου
4. Λανθασμένη κατανόηση των βασικών δεικτών. Εστίαση, ανάλυση και παρακολούθηση του μεταβλητού συνδυασμού αυτών των δεικτών που είναι ασήμαντοι ή δεν σχετίζονται με τον τελικό στόχο
5. Μόνο μερικοί βασικοί δείκτες απόδοσης αναγνωρίζονται ενώ πολλοί άλλοι δεν παρακολουθούνται
6. Αποφασίζοντας τον τύπο της επισκεψιμότητας των επισκεπτών σε μια ιστοσελίδα. Αυτό μπορεί να είναι πολύ επικίνδυνο και προβληματικό, καθώς δεν είναι όλοι οι επισκέπτες ίδιοι.
7. Δεν αναλύουμε τα αποτελέσματα και πραγματοποιώντας τις σωστές αλλαγές στον ιστότοπο.

Κάνε και δεν πρέπει

Από την παραπάνω λίστα, μια σύνοψη του κάνει και δεν πρέπει θα μπορούσε:

Δεν πρέπει:

Μην προσπαθήσετε να συμπεριλάβετε πολλές μεταβλητές στη δοκιμή. Όσο περισσότερος είναι ο αριθμός των μεταβλητών που θα δοκιμαστούν. τόσο μεγαλύτεροι θα είναι οι συνδυασμοί, πράγμα που με τη σειρά του σημαίνει ότι απαιτείται περισσότερη επισκεψιμότητα για τη συλλογή σημαντικών στατιστικών.

Κάνουμε:

1. Προεπισκόπηση όλων των εκδόσεων συνδυασμού παραλλαγών πριν από την έναρξη της δοκιμαστικής εκτέλεσης επειδή ορισμένα από αυτά θα μπορούσαν να είναι ασυμβίβαστα ή παράλογα. Για παράδειγμα, ένας από τους συνδυασμούς μεταβλητών είναι της επικεφαλίδας που λέει 'Έκπτωση 50% στη συνδρομή' και κουμπί απενεργοποίησης που λέει 'Δωρεάν συνδρομή'. Αυτά πρέπει να αφαιρεθούν.

2. Αποφασίστε τον αντίκτυπο των εκδόσεων συνδυασμού στο ποσοστό μετατροπών. Η συμπερίληψη μόνο αυτών των συνδυασμών που έχουν μεγαλύτερο αντίκτυπο στο ποσοστό μετατροπών είναι καλή ιδέα.

3. Εκτιμήστε την κίνηση της ιστοσελίδας για να συλλέξετε σημαντικά στατιστικά δεδομένα. Πριν ξεκινήσετε τη δοκιμαστική εκτέλεση, είναι καλύτερα να έχετε μια σαφή ιδέα για την επισκεψιμότητα της ιστοσελίδας. Εάν μια ιστοσελίδα έχει μόνο 100-200 επισκέπτες ανά ημέρα, τότε θα πρέπει να εξετάσουμε μερικές μεταβλητές μόνο για την εκτέλεση της δοκιμής πολλαπλών παραλλαγών.

Υπέρ και κατά

Μέχρι τώρα, έχουμε δει τι είναι οι δοκιμές πολλαπλών παραλλαγών, πώς γίνεται, λάθη, παράγοντες, τι πρέπει και δεν πρέπει κ.λπ. Τώρα, ας δούμε μερικά Πλεονεκτήματα και Μειονεκτήματα από αυτό:

Πλεονεκτήματα:

1. Καλύτερη κατανόηση και κατανόηση της επίδρασης των μεταβλητών ή των στοιχείων στο ποσοστό μετατροπών. Η περισσότερη επισκεψιμότητα οδηγεί σε περισσότερα στατιστικά δεδομένα τα οποία με τη σειρά τους οδηγούν σε καλύτερη ανάλυση και λήψη αποφάσεων όσον αφορά τον καλύτερο συνδυασμό μεταβλητών για την επίτευξη του τελικού στόχου.
2. Όσον αφορά τις αλλαγές στο σχεδιασμό και τη διάταξη, οι δοκιμές πολλαπλών παραλλαγών είναι ευέλικτες.

Μειονεκτήματα:

1. Οι δοκιμές πολλαπλών παραλλαγών χρειάζονται περισσότερο χρόνο για να ολοκληρωθούν.
2. Απαιτείται πολλή επισκεψιμότητα ιστοσελίδων για τη λήψη σημαντικών στατιστικών.
3. Πιο περίπλοκη η ρύθμιση δοκιμών.
4. Απαιτείται περισσότερος αριθμός μεταβλητών συνδυαστικών εκδόσεων για δοκιμαστική εκτέλεση.

Δοκιμή A / B

Όντας μια σύντομη λίστα όλων των πραγμάτων Πολυπαραλλαγές δοκιμών, δεν υπάρχει τέλος στην ποικιλία των δοκιμών που μπορούν να γίνουν για την πραγματοποίηση βελτιστοποίησης ιστοσελίδων και μια άλλη δημοφιλής διαθέσιμη μέθοδος είναι η Δοκιμή A / B .

Τι είναι η δοκιμή A / B;

πώς να παίξετε το αρχείο βίντεο matroska

( εικόνα πηγή)

Ο έλεγχος A / B είναι επίσης μερικές φορές γνωστός ως Δοκιμή διαχωρισμού . Ωστόσο, η δοκιμή split είναι διαφορετική. Θα δούμε τη διαφορά μεταξύ τους στο τελευταίο μέρος αυτού του σεμιναρίου.

Στη δοκιμή A / B, δοκιμάζονται δύο εκδόσεις της ίδιας ιστοσελίδας με ίσο αριθμό επισκεψιμότητας ιστοσελίδων. Η έκδοση που λαμβάνει μέγιστο αριθμό μετατροπών είναι ο απόλυτος νικητής. Αυτή η νέα έκδοση αυξάνει σίγουρα το ποσοστό μετατροπών.

Παράδειγμα δοκιμής διαχωρισμού A / B:

Ας καταλάβουμε τη λειτουργία των δοκιμών A / B με ένα μικρό παράδειγμα :

Η παραπάνω εικόνα είναι μιας ιστοσελίδας για ευαισθητοποίηση σχετικά με την ασφάλεια.

Αυτή η εικόνα αποτελείται από ένα γκρι κουμπί που λέει « Πάρτε ένα κουίζ και κερδίστε συναρπαστικά βραβεία '. Αυτή η αρχική ιστοσελίδα θεωρείται ως' A Version '. Τώρα η «έκδοση Β» έχει σχεδιαστεί με παραλλαγή στο χρώμα του κουμπιού από Γκρι σε Κόκκινο.

Αυτό φαίνεται στην παρακάτω εικόνα:

Η κυκλοφορία ζωντανής ιστοσελίδας εκτρέπεται και στις δύο εκδόσεις. Αφού αρκετοί επισκέπτες έχουν κάνει τη δοκιμή και με τα στατιστικά δεδομένα που λαμβάνονται, μπορεί εύκολα να προσδιοριστεί ποια έκδοση έχει μεγαλύτερη επίδραση στο ποσοστό μετατροπών.

Εδώ στο παραπάνω παράδειγμα, ένα κουμπί που λέει « Πάρτε ένα κουίζ και κερδίστε συναρπαστικά βραβεία 'Με κόκκινο χρώμα προσέλκυσε περισσότερους επισκέπτες να πατήσουν το κουμπί και να κάνουν ένα κουίζ από το παλαιότερο γκρι κουμπί.

Έτσι επιτεύχθηκε ο τελικός στόχος της ιστοσελίδας για αύξηση των εσόδων.

Πλεονεκτήματα και Μειονεκτήματα δοκιμών A / B:

Πλεονεκτήματα:

1. Εύκολη και απλή μέθοδος ρύθμισης πειραμάτων για βελτιστοποίηση ιστοσελίδων.
2. Αξιόπιστα και ακριβή αποτελέσματα μπορούν εύκολα να προσδιοριστούν ακόμη και με μικρή κυκλοφορία ιστοσελίδων.
3. Οι δοκιμές μπορούν να πραγματοποιηθούν πολύ γρήγορα και τα στατιστικά δεδομένα μπορούν να αναλυθούν για την επίτευξη του τελικού στόχου.
4. Δεν εξαρτάται πολύ από οποιαδήποτε μορφή τεχνολογίας.
5. Πιο κατάλληλο για αλλαγές στη διάταξη, το περιεχόμενο, το σχεδιασμό οποιασδήποτε ιστοσελίδας.

Μειονεκτήματα:

1. Μόνο μερικές ή λένε ότι μπορεί να γίνει περιορισμένος αριθμός αλλαγών σε μια ιστοσελίδα κάθε φορά.
2. Δεν είναι δυνατόν να προσδιοριστεί η επίδραση διαφορετικών μεταβλητών που υπάρχουν σε μια ιστοσελίδα μεταξύ τους.

Συγκριτικός πίνακας:

Δοκιμή A / B έναντι δοκιμών πολλαπλών μεταβλητών έναντι δοκιμής Split

Οι δοκιμές A / B, οι δοκιμές πολλαπλών παραλλαγών και οι δοκιμές split είναι οι τρεις βασικοί τύποι δοκιμών παραλλαγών UX (User experience). Ας δούμε πώς διαφέρουν μεταξύ τους.

Οι παρακάτω δύο εικόνες σάς παρέχουν μια πολύ καλή ενδεικτική σύγκριση μεταξύ δοκιμών A / B και δοκιμών πολλαπλών παραλλαγών.

Δοκιμή πολλαπλών παραλλαγών

Δοκιμή Split:

Έχουμε μια άλλη παραλλαγή που είναι γνωστή ως δοκιμή split URL, η οποία είναι πολύ πιο περίπλοκη από τη δοκιμή A / B και περιλαμβάνει αλλαγές από την πλευρά του διακομιστή , όπου έχουμε δύο διαφορετικές ιστοσελίδες που δοκιμάζονται μεταξύ τους. Αυτός ο τύπος δοκιμών λειτουργεί καλά για σελίδες προορισμού σε περιπτώσεις όπου η ομάδα σχεδιασμού πρέπει να αποφασίσει ποια θα λειτουργήσει καλύτερα.

Εργαλεία δοκιμής A / B / Split / Multivariate

Υπάρχουν πολλά διαθέσιμα εργαλεία στην αγορά για αυτούς τους τρεις τύπους δοκιμών UX. Θα αναφέρω μερικά καλύτερα εδώ που μπορείτε να εξερευνήσετε. Είναι το Google Optimize, Optimizely, VMO, Qubit, Maxymiser και AB Tasty.

συμπέρασμα :

Και οι δύο μέθοδοι, οι δοκιμές A / B και Multivariate αυξάνουν το ποσοστό μετατροπών, βελτιώνουν την απόδοση και βελτιστοποιούν τις ιστοσελίδες και τις εφαρμογές. Και τα δύο είναι χρήσιμα με τον δικό τους τρόπο και έρχονται με τις μοναδικές αδυναμίες και τις προκλήσεις τους - εναπόκειται σε εμάς να προσδιορίσουμε και να αναλύσουμε ποια μέθοδο θα ταιριάζει καλύτερα στην απαίτηση.

Εμείς, οι υπεύθυνοι δοκιμών ασχολούνται κυρίως με τον έλεγχο των αλλαγών που έγιναν για την εφαρμογή δοκιμών Multivariate ή A / B. Μόλις αυτές οι αλλαγές γίνουν και δοκιμαστούν, αυτές μπορούν να εκτελεστούν στο περιβάλλον παραγωγής από την ομάδα μάρκετινγκ ή επιχειρήσεων για να συγκεντρώσουν τα αποτελέσματα.

Επομένως, είναι πολύ σημαντικό οι δοκιμαστές να δοκιμάσουν αυτές τις αλλαγές πολύ προσεκτικά, διαφορετικά, τα τελικά αποτελέσματα θα ήταν ανακριβή, με αποτέλεσμα τεράστιες επιχειρηματικές απώλειες, καθώς αυτό σχετίζεται τις περισσότερες φορές άμεσα με τα έσοδα των επιχειρήσεων.

Συνιστώμενη ανάγνωση

• Τα καλύτερα εργαλεία δοκιμής λογισμικού 2021 (QA Test Automation Tools)
• Testing Primer eBook Λήψη
• Στατικές δοκιμές και δυναμικές δοκιμές - διαφορά μεταξύ αυτών των δύο σημαντικών τεχνικών δοκιμών
• Φόρτωση δοκιμής με HP LoadRunner Tutorials
• Διαφορά μεταξύ Desktop, Client Server Testing και Web Testing
• Τι είναι το Gamma Testing; Το τελικό στάδιο δοκιμών
• Τι είναι ο έλεγχος συμμόρφωσης (δοκιμή συμμόρφωσης);
• Δοκιμή λογισμικού QA Assistant Job