A/B tesztelés – Az adatvezérelt marketing alapköve

A/B tesztelés – Az adatvezérelt marketing alapköve

Sokszor olvashattad a 7Blogon – és mostanában egyre több más oldalon is -, hogy adatvezérelt marketing… de ugyan mitől lesz egy online piacszerzési technika adatvezérelt? A látogatók viselkedésének mérése és üzleti szempontú elemzése a metodika kulcsa, ahhoz azonban, hogy a marketing adatvezérelt legyen, ez még édeskevés. Az alábbi cikk betekintést nyújt a szegmentációba, az A/B tesztelésbe és annak a módszertannak a technikáiba, amit sok amerikai online marketing ügynökség mellett a 7Digits is alkalmaz a mindennapokban. Íme, így működik az adatvezérelt marketing a gyakorlatban:

Szegmentáció

Az adatvezérelt működés a marketing tölcsér teljes hosszában alkalmazható, így rögtön a hirdetéseknél kezdődik. Az adatvezérelt hirdetések egyik legalapvetőbb technikája a szegmentáció. A szegmentáció lényege, hogy bizonyos ismérvek alapján szétdaraboljuk a piacot, és megnézzük, hogy melyik szegmens hogyan teljesít.

A piaci szegmentáció nem új dolog, multinacionális vállalatok évtizedek óta végeztetnek közvélemény-kutatásokat annak érdekében, hogy megtudják, hogy a férfiak vagy a nők, vagy épp a 18-25 évesek avagy a 40 év felettiek reagálnak-e jobban az üzeneteikre. A modern online marketing azonban ennél jóval tovább megy…

A nagy különbség

A közvélemény-kutatással – szemben az A/B tesztelés gyakorlatával – ugyanis van két óriási probléma: az első, hogy meglehetősen lassú és drága, így mindmáig a közép- és nagyvállalatok játékszere maradt. A másik probléma, hogy a közvélemény-kutatás véleményt mér (az emberek pedig nem feltétlenül mondanak mindig igazat). Nem azért, mert tudatosan hazudnak, hanem azért, mert a közvéleménykutatás kontextusában olyan vélt, vagy vágyott színben tüntetik fel döntéseiket, amik a valóságban máshogy alakulnak.

Nem feltétlenül van szó szándékos ferdítésről, pusztán arról, hogy pillanatnyi kedvünk óhatatlanul befolyással van arra, hogy miről mit gondolunk, nem beszélve a gyakran rosszul összeállított kérdőívekről, rossz irányból közelítő kérdésekről – amelyek szükségszerűen torzítják a végeredményt. 

Az adatvezérelt marketing eszköze, az A/B tesztelés a közvélemény-kutatásokkal szemben nem véleményt, hanem viselkedést mér…

…és így olyan mély és árnyalt piacismeretet nyújt alkalmazóinak, amire egy közvélemény-kutatás soha nem lesz képes — ráadásul mindezt olcsón és gyorsan.

Ez a módszer tehát természetéből fakadóan áthatol a társadalom felé mutatott álarcon azáltal, hogy a tényleges viselkedést méri és teszi standardizálhatóvá. Márpedig aki képes kifürkészni és standardizálni az emberek viselkedését, az bizonyos mértékig képessé válik előre jelezni, illetve befolyásolni is azt — a viselkedéstervezés művesztéről alább lesz is még szó bőven.

A/B tesztelés

Ami a piac tekintetében a szegmentáció, az a hirdetések és a landing oldalak esetében az A/B tesztelés. A/B tesztnek hívjuk, amikor egy hirdetés vagy landing oldal két variációját teszteljük azáltal, hogy ugyanarra a közönségre párhuzamosan indítjuk el a két hirdetést. Az adott közönségből a Facebook algoritmusa véletlenszerűen választja ki azokat, akiknek megmutatja az egyik vagy a másik hirdetést, így pedig pontosan lemérhető a hirdetések egyes változatainak teljesítménye.

Az A/B tesztekkel kiválóan összehasonlítható két hirdetés, bár pontosabb eredményt kapunk, ha a hirdetésnek csak egy-egy elemét (mondjuk a képi kreatívot, vagy a címsort) A/B teszteljük. Ebből a lehetőségből született meg az adatvezérelt marketing egyik gyakorlati elve: minek is vitatkozzunk a kreatívokon, amikor lehetőség van a kérdés objektív eldöntésére azáltal, hogy éles környezetben leteszteljük, melyik variáció teljesít jobban és utána azt alkalmazzuk a teljes célcsoportra?

A régi iskola

A marketing régi iskolája által használt hagyományos ATL-felületeken sem a szegmentáció sem az A/B tesztelés lehetősége nem létezett; nemcsak túl drága lett volna tízféle óriásplakátot vagy TV-spotot legyártani, de — mivel úgysem lehetett pontosan mérni a vásárlók reakcióját — a több variáció nem is eredményezett volna semmilyen használható adatot.

Ezért inkább nekiültek a legjobb kreatívok, és naphosszat vitáztak azon, hogy melyik variáció legyen a nyertes; a végén megállapodtak, és soha senki nem volt képes megmondani, hogy jól  döntöttek-e vagy sem… A nagy online hirdetési platformok és az adatvezérelt marketing módszertana azonban túllépett ezen a világon.

Érdekesség

Az Egyesült Államokban a vállalatok 93%-a alkalmaz A/B tesztelést az email kampányaiban.

Az adatvezéreltség haszna

Ma nem csupán arra vagyunk képesek, hogy különböző mikroközönségeken leteszteljük a hirdetési kreatívokat, a célzást, az üzenetet, vagy épp a landing oldal teljesítményét, hanem még egy lépéssel tovább is mehetünk: a Facebook és a többi, nagy online hirdetési platform összes adatát – azok anonimitása mellett – “kölcsönkérhetjük” annak érdekében, hogy tényleg csak azok lássák a hirdetéseinket, akiktől remélhetünk is vásárlást.

Az A/B tesztelés tárgya egyébként sok mindent lehet, de jellemzően a hirdetési kreatívok, a landing oldalak és az e-mail kampányok az online marketing azon területei, ahol a legjellemzőbb ez a technika.

MVT (Multi-Variant Testing)

Az MVT (Többváltozós tesztelés), bár nagyon csúnyán és szakmaian hangzik, nem más, mint az A/B tesztelés kettőnél több variációval folytatott változata. Kellő mennyiségű forgalom esetén akár úgy is tesztelhetőek a hirdetések, hogy mondjuk 3 cím, 3 kép, 5 célközönség – ez összesen 3x3x5, azaz 45 variáció. Ezzel a módszerrel akár több száz variáció is letesztelhető egy időben, de csak akkor, ha a tesztelt minta (vagyis a hirdetési forgalom) kellő méretű, azaz nagyon sokat számít…

…az adatok mennyisége

Az adatvezérelt módszertan fenti megállapításaiból szükségszerűen következik, hogy ezzel a módszertannal nem impulzus-jellegű tevékenységet végzünk, hanem kőkemény tények alapján optimalizálunk. A tények felismeréséhez azonban adatok kellenek, az adatokhoz pedig volumen (vagyis kellően sok adat). Nagyon egyszerűen belátható, hogy minél kisebb a különbség például egy hirdetés két variációjának teljesítménye között, annál több kattintás szükséges a hirdetések közötti különbség meghatározásához.

Pontosan amiatt létezik az az összefüggés, hogy a túl alacsony hirdetési büdzséket nehezebb jó teljesítménnyel futtatni, mint a nagyobbakat, hiszen a nagyobb büdzsé magasabb forgalma sokkal több A/B tesztelés elvégzésére nyújt lehetőséget és nem csak eredményesebb, hanem gyorsabb is az eredményesség elérése.Na de mégis mennyi adatra van neked szükséged ahhoz, hogy döntést hozz a kampányaid változtatásával kapcsolatban?

Nézzük meg, hogyan is tudunk kivitelezni egy Multi-Variant-Test-et célközönségek tesztelésén keresztül. Ennek az első lépése a különböző célzások létrehozása:

(Figyelem a videóban csak a technikát mutatjuk be, nem helyeztünk nagy hangsúlyt a célközönségek kutatására és szofisztikálása.)

A célközönségek létrehozása után a Hirdetéskezelőbe vezet az utunk:

Szignifikancia

Az adatvezérelt módszertan fenti megállapításaiból szükségszerűen következik, hogy ezzel a módszertannal nem impulzusjellegű tevékenységet végzünk, hanem kőkemény tények alapján optimalizálunk és az idő előrehaladtával egyre jobb és jobb eredményeket érünk el.

A tények felismeréséhez azonban kellő mennyiségű adat kell, vagyis látogatói volumen. Nagyon egyszerűen belátható, hogy minél kisebb a különbség például egy hirdetés két variációjának teljesítménye között az A/B tesztelés során, annál több kattintás szükséges a hirdetések teljesítménye közötti különbség meghatározásához. Na, de mégis mennyi adatra lesz neked szükséged ahhoz, hogy döntést hozz a kampányaid változtatásával kapcsolatban?

A szignifikancia fogalma

Az A/B tesztelés tárgykörében érdemes tisztázni egy fontos fogalmat, ami nem más mint a szignifikancia. (És esküszünk, hogy ez lesz a legdurvább matek, ennél rosszabb ma már nem jön!) Mivel a kampányok optimalizálásánál és az adatok értelmezésénél is számokkal dolgozunk, ezért fontos tisztában lenni a statisztika e fontos mérőszámával.

Tipp: Egy eredmény akkor lesz szignifikáns, ha a véletlenek esélyének az aránya egy meghatározott érték alatt marad. Ez az érték általában 5% szokott lenni.

Ha egy kampányban az A/B tesztelés melltt döntesz, mindenképp ajánlott úgynevezett szignifikanciakalkulátort alkalmaznod. A kalkulátor értelmezéséhez szükséges elővenni a középiskolában/egyetemen statisztikából tanultakat. 

Ha egy hirdetés vagy akár oldal bizonyos mutatóján (például a konverziós arányán) javítani szeretnél, akkor 3 különböző metrikát kell figyelembe venned, amennyiben ki szeretnéd számolni, mennyi adat szükséges ahhoz, hogy a teszt szignifikáns legyen:

  • A meglévő konverziós arány (oldal vagy hirdetés)
  • Az elvárt növekedést
  • A szignifikanciamutató nagyságát – ez a fentebb említettek értelmében 100 – 5, azaz  95%.
AB teszt eredmény

Sok fajta szignifikancia kalkulátor létezik, ami segít neked kiszámolni, hogy mekkora közönség szükséges a teszt elvégzéséhez, illetve hány napig szükséges futtatni a tesztet. Az utóbbi metrika kiszámításához egy analitikai adatra is szükséged lesz, mégpedig a landing oldaladat látogatók átlagos számára vagy a hirdetésre kattintók napi átlagos számára.

szignifikancia számolás A/B teszthez

Az Abtasty vagy akár a VWO angol nyelvű szoftvere segít az értékek tisztázásában. 

Ezen felül a landing oldalak teljesítményének értelmezésében segít Neil Patel egyszerű programja (angol nyelvű). A rendszernek meg kell adni az adott oldal látogatóinak számát vagy a hirdetésre kattintók számát, valamint azt, hogy hány konverziót realizáltak, és kiderül, melyik teljesített jobban.

Érdekesség

A szignifikancia fogalma csak a hagyományos (szaknyelven úgynevezett frekventista) statisztikai modellben létezik, azonban bizonyos A/B tesztelő eszközök nem frekventista, hanem úgynevezett bayeziánus statisztikai modellt használnak.

Ennek számos előnye mellett hátrányai is vannak, ha azonban az A/B tesztelés választott eszköze például a Google Optimize, akkor ne nagyon keresd a szignifikanciát, mert az Optimze bayeziánus logikát alkalmaz.

Mi van ha már nem lehet jobb?

Aki következetesen optimalizál, az előbb-utóbb eljut oda, hogy már alig van, amin képes lenne javítani. Ráadásul ellentétben az optimalizálás kezdeti lépéseivel, amikor akár duplázni is lehetett a marketing funnel adott pontjának teljesítményét egy-egy jobban eltalált hirdetési variációval, az optimalizáció egy szint fölött már elenyészően kicsi javulást képes biztosítani. Az eredményekhez egyre több és több adatra — és ezzel összhangban egyre nagyobb fizetett forgalomra — lesz szükség.

Az A/B tesztelés egyik áldásos “mellékterméke” így az lesz, hogy nemcsak az számolható ki pontosan, hogy A vagy B variáció teljesít-e jobban, hanem az is, hogy megéri-e valamivel foglalkozni – ez pedig már nem más, mint az üzleti erőforrások adatvezérelt elosztásának kapuja, tehét adatvezérelt döntés-előkészítés.

Amennyiben például egy újabb teszt legfeljebb 0,1%-os eredménynövekedést képes elérni és a teljes funnel évi 300 millió forint árbevételt termel 12%-os fedezet (azaz árrés) mellett, úgy könnyen belátható, hogy ha elvégezzük e tesztet, akkor legfeljebb

0.001 x 0.12 x 300 millió = 36 000 Ft-ot

nyerhetünk rajta. Ha a A/B teszt futtatásához szükséges fizetett forgalom ennél többe kerül, akkor az adott teszt már – legalábbis adott éven belül – nem éri meg. Ha viszont ennél kevesebbe kerül, akkor 12 hónapon belül meg fog térülni.

Egy apró segítség a mindennapokra

Ez eddig szimpla üzleti logika, a legtöbben azonban ilyenkor azt kérdezik, hogy hogy a viharba lehet előre megmondani, hogy mekkora javulást lehet majd elérni az A/B tesztelés segítségével? Nos, pont erre való az iparági mutatók betanulása.

E mutatók (benchmarkok) egy része általánosítható, mások sokkal kevésbé. Míg ugyanis például egy webshop látogatóinak vásárlási aránya az egész világon hasonló, addig például egy Facebook hirdetés kattintási költsége akár 100-szoros eltérést is mutathat mondjuk Las Vegas és Debrecen összehasonlításában.

Összegzésül annyit érdemes megjegyezni, hogy eljöhet az a pont, ahol már nem éri meg a további A/B tesztelés, mert a hirdetések teljesítményén már csak olyan elenyésző mértékben lehet javítani, hogy az kevesebbet hoz, mint amennyibe kerül.

Ha több idő, erőforrás, vagy hirdetési összeg szükséges az adott teszt elvégzéséhez, mint amennyi az egész A/B tesztelés által realizált megtérülés, akkor nem érdemes belekezdeni.

Minden teszt előtt azt javasoljuk, hogy konkrét stratégiát állíts össze az A/B tesztelés menetéről és arról, hogy mit szeretnél tesztelni, mit vársz tőle, és hogy megéri-e tesztelni ezt a szegmenst. 

Szokták mondani, hogy végtelen ideig lehet tesztelni, ezért ne ess át a ló másik oldalára: csak olyan területen próbálj meg javítani, ahol a legtöbb profitot tudod realizálni a teszt segítségével. Kommentekre örömmel válaszolok és kérlek, oszd meg a cikket, ha tetszett!

1200 628 Udvarhelyi Ádám
Feliratkozás
Visszajelzés
guest
0 hozzászólás
Inline visszajelzések
Minden hozzászólás megtekintése
Írd ide, amit keresel...