「我們只需要進行 A/B 測試」。在發布電子郵件活動、網站新版本或轉換表單時，您之前有多少次聽過這句話？在所有公司中，A/B 測試正在以閃電般的速度蔓延。想法：比較同一數字內容的兩個版本之間的有效性。
但這是一個有效的策略嗎？尤其是在B2B領域？當您是個不知所措的行銷人員時，這（真的）是一個相關的槓桿嗎？
為了回答這些問題，Benoit（Plezi 的成長行銷人員）採訪了（GitGuardian 的成長和需求產生主管）。如果您錯過了這個特殊的 Plezi Decode A/B 測試，請不要驚慌：趕上本文中的課程。
關於節目：
什麼是 A/B 測試：回顧這個行銷概念的定義
如何進行A/B測試？
A/B 測試：5 個最常見的錯誤
B2B 中的 A/B 測試：一個（真的）好主意嗎？
如何在沒有 A/B 測試的情況下測試和改進您的行銷活動？
cta 讓您下載 B2B 電子郵件清單
什麼是 A/B 測試？
A/B 測試（也稱為 A/B 測試或分割測試）是用於比較相同內容的兩個版本的行銷方法。 Orian Roturier 也談到「測試同一變體的兩個假設」。可以實施此測試策略來衡量有效性：在數位行銷中，A/B 測試旨在衡量變更的影響及其績效。例如，我們以兩個網路使用者為例：保羅和馬里恩。今天，他們都決定要造訪一家 SaaS 軟體公司的網站。
保羅將有權訪問網站的原始版本
“A”，而馬里昂將有權訪問替代版本（“B”）。從元素 A 到元素 B 的這些變化會隨機呈現給我們的兩個訪客以及所有網路流量。他們將可以存取不同的元素：行銷論點、按鈕顏色、圖像、CTA 甚至頁面結構。
在測試期間，收集資料並分析使用者行為…以驗證頁面上的某些假設：
在兩個版本之間，哪個頁面產生的網路流量最多？
哪個版本的網站轉換率最高？
訪客在每個測試頁面上平均停留多久？
哪種類型的號召性用語 (CTA)或按鈕效果更好？
轉換漏斗的哪一部分錶現不佳？
最後的問題？實施測試的獲勝版本，改善 波蘭 WhatsApp 號碼數據 使用者體驗並提高轉換率。
但在此之前，您仍然需要了解如何從頭到尾開發此方法。
如何進行A/B測試？
在我們專門用於 A/B 測試的 Plezi Decode 中，Orian Roturier 向我們證實了這一點：在沒有定義方法的情況下啟動測試……那就是低著頭衝到牆上。
如果您想部署這樣的行銷方法，請從以下 3 個步驟開始：
1. 定義關鍵 KPI
我們說了一個。還不到十五歲。這個精確的指標必須以單數形式定義，才能（真正）成功地分析您的測試項目。
那你的首要任務是什麼？電子郵件開啟率、CTA 按鈕的點擊率、登陸頁面的註冊數量、網站的轉換率等。
這就是您的使命選擇最相關的性能指標
並在測試期間追蹤正確的數據。
2. 檢驗假設
讓我們以電子郵件活動為例。第二步是建立兩條內容，然後定義一個假設。例如：「電子郵件版本 #2 將產生更多註冊」。
在這裡，我們找到了要實現的效能指標（產生註冊）和要遵循的假設（電子郵件的 2 號版本將表現最佳）。為了檢驗假設，現在需要定義「P值」：該值表示獲得所需轉換結果的機率。
P 值的範例：“我 95% 確信電子郵件版本 #2 優於電子郵件版本 #1。”
如果我們重複測試 100 次，那麼在分析過程中我們應該會發現相同的結果 95 次。
3. 驗證樣本量
樣本量對應於測試所需的最小量，因此您可以說“我有信心”。
定義太小的樣本意味著冒著結果既不具有代表性 了解軟體開發中的功能切換 也不顯著的風險。透過增加樣本量，結果可以更準確地反映整體使用者行為。
要計算測試的樣本量，Orian Roturier 建議使用Evan Miller 的工具。準備好採取行動了嗎？
沒那麼快！遵循這 3 個步驟只是一個開始。設定 A/B 測試（有時）是一條漫長而曲折的道路，轉換結果難以衡量。特別是如果你犯了一個或多個這些錯誤…
Plezi 解碼 S2EP11 – B2B 中的 A/B 測試
A/B 測試：5 個最常見的錯誤
A/B 測驗是一種嚴格的方法，遵循精確的數學定律。問題 ？太多的公司都會犯錯…有時甚至在體驗推出之前。以下有 5 種需要避免的情況：
1.沒有設定明確的目標
我們已經看到：透過單一 KPI 定義目標是首要任務。在開始 A/B 測試過程之前，必須先明確這些目標。
明智思考，具有具體的、可衡量的、可實現的、現實的和及時的目標。否則，很難建立相關的測試路線圖並取得有效的結果。
那你的首要任務是什麼
提高點擊率？提高轉換率？產生更多用戶註冊？選擇不是放棄……而是勇往直前！
2. 一次測試太多項目
想太多就會冒做錯事的風險。在行銷領 薩法新聞 域尤其如此。特別是在拆分測試（或 A/B 測試）期間。您想同時測試多個變體，以節省時間並快速獲得良好的結果嗎？
事實上，您可能會累積太多難以解釋和分析的結果。這會造成極大的時間浪費，而對於忙碌的行銷人員來說，這是可以避免的。
相反，一次只測試一個變量，以獲得可靠、可操作的結論。然後根據得到的用戶數據，進行最佳化。一次測試一個。
3. 不考慮樣本量
我們一起看到了這一點：（樣本）大小很重要。最嚴重的錯誤是關注的客戶、訪客或潛在客戶數量太少。兩個不同版本的結果將會偏差。
在啟動測試實驗之前，您知道必須做什麼：花時間定義樣本量。一般來說，建議至少有 1,000 個 B2B 聯絡人，才能開始獲得代表目標群體的實際測試結果。
你的流量低很多嗎？您還沒有這麼大的客戶或用戶群嗎？不要浪費時間創建相同內容的多個版本，請遵循此 A/B 測試方法…並首先將精力集中在獲取策略上。
4. 執行選擇偏差
對比測試的黃金法則是使用隨機的使用者群組。想要選擇使用者群組A和B之間的分佈就等於作弊…或者換句話說，執行選擇偏差。後果是什麼？結果扭曲。失敗的測試實驗。