Uanset om du arbejder professionelt med produkt eller marketing eller arbejder sammen med disse teams inden for kundeoplevelse, er du sandsynligvis involveret i vigtige processer, der skal forbedre din virksomheds produkter og resultater, og du bruger brugerperspektiver til dette. Et af de mest effektive værktøjer i din værktøjskasse er uden tvivl A/B-test.
Hvorfor? Fordi det fjerner gætteriet fra spørgsmål som hvilken af disse funktionsversioner understøtter bedst vores vigtigste KPI'er? Hvem ville afslå muligheden for med sikkerhed at vide, hvilken version af en produktændring der bedst understøtter deres vigtigste målinger, såsom konverteringsrate eller en anden engagementmåling?
Svar: stort set ingen.
Som ansvarlig for brugerundersøgelser arbejder jeg med flere teams, der udfører A/B-tests for at forstå, hvad hver test lærer os om brugerne, og hvordan den kan hjælpe os med at foretage bedre produktændringer i fremtiden. Lad os se nærmere på, hvad A/B-test er, hvornår og hvorfor du bør bruge det, hvordan du gør, og hvordan du kan bruge det til at opbygge intern viden om din brugerbase.
Hvad er A/B-test: Definition og eksempel
Kort sagt er A/B-test, også kendt som splittest, en metode til at sammenligne to versioner af noget for at se, hvilken der klarer sig bedst i forhold til dine vigtigste målinger. Det bruges almindeligvis i produktudvikling til at teste forskellige variationer af et produkt eller en funktion og deres respektive effekter på KPI'er.
I en A/B-test opretter du to versioner af noget (for eksempel en funktion) og tildeler tilfældigt forskellige brugergrupper til at se hver sin version. Ved at analysere testens resultater kan du afgøre, hvilken version der er mest effektiv, og bruge denne information til at træffe datadrevne beslutninger om dit produkt.
Her er et eksempel:
Lad os sige, at din virksomhed har en mobilapp, der hjælper brugere med at planlægge store begivenheder. Dit team har en funktion, der giver brugerne mulighed for at importere deres telefonkontakter og sende invitationer direkte via sms. Internt har nogle medlemmer af produkt- og kundeoplevelsesteams forskellige meninger om, hvornår man bør bede en bruger om at importere sine telefonkontakter – før eller efter vedkommende har tilpasset sms-invitationen. Den vigtigste KPI for denne specifikke funktion er procentdelen af brugere, der starter invitationsprocessen, og som faktisk ender med at sende deres sms-invitationer.
I en A/B-test udvikler dit team de to forskellige versioner, der er tale om. Den eneste variabel eller forskel mellem de to versioner er, hvornår CTA'en til at importere telefonkontakter vises. Dit team tildeler tilfældigt to grupper af brugere, hvor hver gruppe får én version af funktionen. Når du har tilstrækkeligt med data – ideelt set når du har opnået statistisk signifikante resultater – ser du på hver gruppe: Hvilken gruppe havde den højeste procentdel af brugere, som faktisk gennemførte forløbet og sendte deres sms-invitation? Det er den vindende version, og du aktiverer den for alle brugere.
Forfatterens tip
Jeg er også vild med denne ressource med flere eksempler på A/B-test, som kan hjælpe dig med at brainstorme over, hvordan A/B-test kan anvendes i din virksomhed eller organisation. Når du er i brainstormingfasen, er det også nyttigt at afsætte lidt tid til at søge efter eksempler på A/B-test, der specifikt findes på dit marked eller blandt din målgruppe.
Hvorfor udføre A/B-test?
Det er helt sikkert, at A/B-test kræver mange ressourcer – design, udvikling, dataanalyse og så videre. Men hvis du ser på de fleste virksomheders værdier og mål, vil du opdage, at de ofte stemmer meget godt overens med fordelene ved A/B-test. Lad os se på nogle af disse mål og værdier, som kan hjælpe dig med at argumentere for et A/B-testprojekt.
Have an account? Log In
Datadrevet beslutningstagning
A/B-test giver dig mulighed for at træffe datadrevne beslutninger om dit produkt i stedet for at basere dig på intuition eller gætterier. Ved at teste forskellige variationer af en funktion kan du afgøre, hvilken version der er mest effektiv, og træffe beslutninger baseret på konkrete data. Jeg har endnu ikke mødt nogen på noget produktteam noget sted, som ikke ønsker at være datadrevet. A/B-test er et vigtigt værktøj for ethvert datadrevet produktteam.
Forbedret brugeroplevelse
Ved at teste forskellige versioner af et produkt eller en funktion kan du identificere måder at forbedre brugeroplevelsen på. Det kan betyde, at du gør en knap i din app mere fremtrædende, ændrer farven på en CTA eller forenkler en betalingsproces på en e-handelswebside. Resultaterne af en A/B-test fortæller dig, hvilke forløb, funktioner og variabler der fungerer bedst for dine brugere, baseret på de vigtigste målinger, du vælger. Når vi springer A/B-test over, viser det sig ofte, at vi gættede forkert og bruger endnu flere ressourcer på at rette fejlen – hvilket også forlænger tidsplanen for optimering af en funktion, så den opfylder brugernes behov.
Potentielle indtægtsstigninger
Når du udfører en A/B-test, vælger du den eller de vigtigste målinger, som du vil bruge til at afgøre vinderen, når du får testresultaterne. Det betyder, at hvis indtægter er et af dine vigtigste mål, kan du faktisk vide med sikkerhed, hvilken version af et produkt eller en funktion der resulterer i de højeste indtægter.
Opbygning af viden om brugere over tid
Vi kommer nærmere ind på dette senere, men en anden vigtig fordel ved at integrere A/B-test i din produktarbejdsgang er, at du med tiden opbygger viden om brugerne. Det handler ikke kun om, at hver A/B-test hjælper dig med at træffe beslutninger her og nu, men også om, at den lærer dig noget om, hvordan dine brugere interagerer med dit produkt, og at denne viden kan hjælpe i fremtidigt produktarbejde.
A/B-testprocessen i 7 enkle trin
Så er vi nået til den sjove del! Du er allerede overbevist om, at A/B-test af placeringen af din handlingsopfordring eller den bedste måde at implementere en spændende ny funktion på er vejen frem. Men hvordan gør du?
Forfatterens tip
Dine vigtigste målinger kan være positive—som at øge åbningsraten for din e-mail-liste eller øge omsætningen via et priseeksperiment—eller de kan have til formål at begrænse skade, f.eks. ved at reducere antallet af afviste e-mails eller afinstallationer af mobilapps. Ting som optimering af konverteringsraten er vigtige mål for A/B-test, men husk på, at der også findes mange andre muligheder.
Før du går videre med resten af trinnene, skal du sørge for, at du og dit team definerer de målinger, som I vil bruge til at afgøre vinderen baseret på jeres overordnede mål.
Trin 2: Identificér den variabel, der skal testes
Når du har defineret dit mål, er næste trin at identificere den variabel, du vil teste. En variabel er forskellen mellem de to versioner i din A/B-test, og jeg vil sige noget lidt ekstremt om variablen:
Hvis du har mere end én variabel, er resultaterne af din A/B-test begrænsede med hensyn til, hvor meget de kan lære dig.
Hvis dine to versioner har mere end én forskel, vil du stadig kunne se, hvilken version der vandt baseret på din vigtigste metrik, men du vil ikke vide hvorfor, og det kan skabe problemer. Lad os vende tilbage til vores eksempel med landingssiden. Hver side har en CTA med en forskellig knapfarve, og lad os sige, at markedsføringsteksten også er forskellig mellem de to versioner. Du kan se, at version B påvirker dine KPI'er mere positivt, men du ved ikke, om det skyldes knapfarven, den forskellige tekst eller begge dele.
Det er især vigtigt, fordi hvad nu hvis du vil lave fremtidige iterationer, enten med dine brugerfladefarver eller din markedsføringstekst? Du vil ikke vide, hvad der er afgørende, og hvad der ikke er, eller hvordan du strategisk skal formulere din næste A/B-test. Så reglen er én A/B-test, én variabel.
Når det er sagt, findes der noget, der kaldes multivariat test, hvilket er præcis, hvad det lyder som—test af versioner af noget, der har flere variabler. Reglerne og trinnene for at gennemføre en multivariat test er anderledes og ligger uden for denne guides rammer, men vi anbefaler denne som en god ressource at starte med.
Forfatterens tip
Da du i en A/B-test kun har én variabel, bør du forsøge at vælge en variabel baseret på dit teams hypotese om, hvilket aspekt af din funktion eller anden iteration der vil påvirke din vigtigste måleenhed. Hvis din vigtigste måleenhed for eksempel er konverteringsraten for betalende kunder, bør den variabel, du tester, være tæt knyttet til, hvor og hvordan brugerne beslutter, om de vil betale for dit produkt eller din tjeneste.
Trin 4: Opsæt din test
Det er afgørende at sikre, at din test er opsat korrekt. Her er en hurtig tjekliste over ting, du bør være opmærksom på, og som måske er relevante for din virksomhed eller organisation – eller måske ikke.
- Har du kontrolleret begge versioner af din webside/mobilapp/funktion for at sikre, at de begge fungerer korrekt?
- Er dit data- eller produktteam klar over, at denne A/B-test skal finde sted, og har de afsat tid til at analysere den, efterhånden som dataene kommer ind?
- Har du et kontrolpanel, hvor vigtige KPI'er og målinger af brugeradfærd kan overvåges, mens A/B-testen kører? Dette er også vigtigt for at sikre, at en af versionerne ikke påvirker en vigtig måleenhed drastisk negativt. I så fald kan det være en god idé at afbryde testen og undersøge sagen.
Hvad angår udførelsen af din test, kan det være, at dit datateam allerede har en intern mekanisme til at gøre det. Hvis ikke, findes der et stort udvalg af A/B-testværktøjer – lige fra grundlæggende funktionalitet i Google Analytics til mere komplekse platforme, såsom SaaS-A/B-testværktøjer. Tal internt med dit team om, hvilket værktøj der bedst opfylder jeres behov.
More Articles
Trin 6: Implementér den vindende version
Efter at du har analyseret dine data, er det tid til at implementere den vindende version af din A/B-test. På dette tidspunkt er det vigtigt at sikre, at alle interessenter er bekendt med A/B-testens resultater, og hvordan du afgjorde, hvilken variant der vandt. Hvis der findes en relevant Slack-kanal eller noget i den stil, er det endnu bedre – du har netop truffet en beslutning om brugeroplevelsen, og du vil gerne sikre, at der er gennemsigtighed omkring hvornår, hvorfor og hvordan.
Når alle er bekendt med beslutningen, og det er tid til at gå videre, kan du bede dit teknologi- og produktteam om at gå videre og aktivere den vindende variant for alle brugere – og se din vigtigste måleenhed stige mere og mere!
Når det er sagt, er dit arbejde ikke helt færdigt endnu …
Brug A/B-test til at opbygge viden om din brugerbase over tid
Selvom hver A/B-test er designet til at indsamle data om én specifik produktiteration og træffe en beslutning i realtid om et specifikt problem, vil du opdage, at når du integrerer A/B-testmetoden i dine centrale produktarbejdsgange, opbygger du faktisk en masse viden om din brugerbase, som også kan have en vis varighed.
Dit team bør overveje at bruge noget så enkelt som et regneark eller så omfattende som et arkiv til research og eksperimenter for at spore og mærke jeres indsigter fra hver A/B-test sammen med andre interne indsigter om brugerne.
Med tiden vil du sandsynligvis begynde at lægge mærke til mønstre. Hvis der for eksempel er én bestemt CTA-knapfarve eller en emnelinje, der normalt er den vindende variant, er det data med potentiale til at være relevante over længere tid, især når de understøttes af data fra mere end én A/B-test. Et andet eksempel kunne være, at dit team bemærker, at tekstændringer har en mindre betydelig effekt på A/B-tests, der fokuserer på konverteringsraten, end UI-ændringer.
Mulighederne er uendelige og afhænger i høj grad af dit produkts karakter, men det overordnede budskab er, at du bør gennemgå A/B-testdata med en vis regelmæssighed, så du ikke kun kan opnå indsigter her og nu, men også opbygge viden over tid.
Din A/B-testrejse bliver udbytterig, garanteret!
A/B-test er uden sammenligning et af de mest effektive værktøjer, du har som brugerrettet fagperson eller produktprofessionel, når det gælder om at optimere brugeroplevelsen, skabe værdi for dine brugere og nå dine vigtigste mål og målsætninger.
Forhåbentlig føler du nu, at du har den nødvendige viden til at komme videre med A/B-testmetoden. Men hvis du gerne vil have mere viden, så sørg for at tilmelde dig CX Lead-nyhedsbrevet for regelmæssigt at få en dosis kuraterede artikler, der kan hjælpe dig med at nå dine mål.
God fornøjelse med testningen!
