A/B Test

A/B測試是以提高轉換率(conversion rate)、產品功能調整測試、幫助操作端在比較兩者或兩者以上的選項最能助於成長流量的分析方法。註：務必注意在A/B測試時兩者差異性不能太大。

例：如果想到了解目標受眾喜歡哪一種「關鍵句」會創造高點擊率(click through rate)，就專注在「關鍵句」的眼球行銷，持續性的微調修正、將跳出率(bounce rate)降到最低。

操作端主要是UX/UI Designer、Data Analysis Worker、Growth Hacker會頻繁應用此環節。

我們將A/B測試分成四個流程：

設計測試變項→執行受眾測試→測試結果分析→分析結論決策

之前在分析測試時，有一種稱做「多變向測試」，A/B/…..N測試進行刺激用戶提高點擊率、瀏覽量、SEO優化、用戶量成長(user growth rate)等，但弊端往往不外乎導致失焦測試 (fail test)，這有兩大因素：本身網站用戶流量過低及過於複雜的測試選項。

於是採用A/B測試最重要的第一步是「簡化選項」，化繁為簡後的選項能大幅度的提高精準測試，在後台顯示的數據分析(data analysis)會讓我們進一步知道測試後的結果，縱使一開始可能測試過程的成效尚未體現，但身為操作測試需要耐心與洞察力，調整出最有利於「現階段」的測試設定。

在A/B測試中佔據了相當重要的一環，「目標受眾喜好」成為我們是否能夠擁有高點閱、轉載次數與有效的短時間高度曝光。

運用三個步驟分解「受眾測試」：

Step1：明確定位測試用戶族群 (年齡、個性、思維、喜好、接觸領域)

Step2：開始模擬測試用戶易「高度接受」的「東西」(這裡指不管是廣告投放的圖片或內容行銷、關鍵字、SEO搜尋引擎等都一樣)

Step3：無論是自營平台或是社群平台，只要有「目標測試用戶」就要專注在『用戶喜好』以及『刺激點擊瀏覽誘因』，換個標題或圖片都能輕易影響A/B測試的結果。

測試結果無論好壞 (指流量優化與點擊率是否有良性改善)，

以下列出結束好壞該怎麼做：

假設流量有明顯成長，致力關注在測試後的變向，在資料演算法或數據流量排列都可能直接影響「原測試結果」，我們經由測試後得到好的數據反饋，在繼續保持的同時也需要敏銳的觀察、並在用戶管理 (如：粉絲團互動、使用者服務咨詢等) 建立長期品牌形象、使用者依賴感。

倘若此測試未得到改善，我們需要耐心以及逐步修正再測試，千萬不要為了求快，而打散了原本的大數據(big data)所帶來的成效，在巨量繁雜的數據資料裡，有精準行銷的精神不可缺的背後，是放下主觀的心態去接納其他可能性，這樣才能達到「每一次的測試，都是為了讓我們更能近距離了解的使用者心理」!

在進行A/B測試的過程中，「分析結論」成為我們不間斷的思考動機，為了追求持續更好的流量優化，專注用最低可行成本MVC(minimum feasible cost)去執行，+

參考資料：

results matching ""