廣告投放用 AB 測試(A/B test) 的正確作法

A/B 測試是什麼?

根據維基百科的說明如下:

A/B測試通過對比只有一個變量不同的同一產品的兩個不同版本的表現來研究該變量的作用以及影響。

重點是 「只有一個變量不同」,也就是其他條件都要一樣。

以廣告投放為例,不論是要比較兩個廣告活動(素材),或是兩種廣告頁的轉換,一定都是採用同一時間區間,以隨機方式分配出現 A 和 B 兩種版本,這樣才能將其他變數的干擾,控制在差異最小最小最小,檢討 A 和 B 兩種版本的成效差異才有代表性。

如果是先推出一個版本,然後檢討修正後再推出另一個新版本,當然也可以把這兩個版本拿來作比較,但這不叫做 A/B 測試(A/B test)。

不只 A 和 B 的不同測試時間可能帶來重大變因(例如一個在月底,一個在月初),還有轉換會有延遲性,在 B 版本時間下的單,有可能是被 A 版本所打中,而在 B 版本打中的客戶,可能在測試期結束之後才下單,這種測試方式,並無有效控制其他的變量,所以得到的數據,會參雜其他的變因,如果你要做的是 A/B 測試,請以前面的模式進行,限定在同一個時間區間,以隨機分配 A、B 兩個版本。

廣告活動素材的 AB Test

如果要測試廣告活動或素材的 AB Test,通常廣告平台本身就能支援,若是投放廣告的平台不支援 AB Test,則可以考慮採用短網址的服務,目前市面上已有許多支援 AB Test 功能的短網址服務,或搭配 GA4 的功能,來進行 A 版與 B 版的廣告成效,例如目前能見度極高的 lihi.io – AB 分流短網址

很多時候礙於廣告板位的限制,只能放置受限的圖片尺寸及文字,使得廣告圖片或文字必須有所取捨,但又不知道保留哪一張圖、哪幾句詞的效果最好,所以透過 AB Test 來做實際的測試最準,以這種做法作為決策依據已經行之多年,也包含在廣告領域,所以是一種可以信任的做法,如果在廣告素材的決定,有所疑慮時,那麼採用 AB Test 來做最終的選擇,絕對不至於會有太失敗的結果。

廣告頁排版的 AB Test

廣告頁或到達網頁(Landing Page)的排版,也會影響客戶轉單的意願,所以透過 AB Test 來選出轉換率較高的版本,是放大投放前的必要工作,而最常被採用的工具是 Google Optimize,它不只功能強大、操作容易、而且可免費使用,是目前最受歡迎的網頁「最佳化工具」。

廣告頁的排版,考量點與前面的廣告素材是不一樣的情境,廣告素材要爭取的,是客戶短短一眼的印象或感覺,但是進到廣告頁之後,通常客戶至少會花數秒鐘來閱讀或觀看網頁的內容,所以品牌商家可以準備多一點的資料來呈現。

不過即使客戶已來到網頁,也不代表就會有耐心一字一句的看完網頁上的長篇資料,所以這裡的編排技巧是,要想辦法讓客戶願意繼續往下看,通常建議的技巧是,先不廢話,直接提示產品特色或賣點,可能是斗大的文字、或是特寫圖片,用來爭取客戶的認同,讓客戶願意繼續往下探索,當然也是會面臨到選擇的問題,所以也需要 AB Test 的幫助。

AB Test 執行時的建議

電商業很常在行銷活動或文案上,採用 A/B Test 來進行小規模測試,確定 A 或 B 方案後,再套用到全站或重大活動,甚至作為長期行銷策略的參考基礎。

除了檔期促銷活動之外,大部分商家進行的重大活動,都是為了增加品牌知名度、增加品牌好感度、增加品牌愛好者數、提高回購率,或透過購買者,協助推薦給親朋好友,讓品牌行銷效益持續堆疊、擴大。

然而我所看到大部分的行銷或商家,在進行 A/B Test 的時候,都只記錄了曝光數、點擊數、下單數及下單金額,統計出點擊率、轉換率、客單價,如此而已,像這樣簡單低解析度的數據,真能呈現 A/B 方案所能帶來的品牌行銷效益的真實面貌嗎?

如果 A、B 方案分別有 10%、5% 的轉換率,難道就代表 A 方案比較能增加品牌知名度、比較能增加品牌好感度、比較能增加品牌愛好者數、比較能提高回購率、這些購買者還比較會幫您的品牌推薦給他的親友嗎 ?

A 方案之所以有比較高的點擊率、轉換率,有可能只是因為它的內容,造成客戶有較多的 「美好想像」,觸發較多的衝動性購買,有可能在客戶收到實際商品之後,與預期的美好落差過大,有些人辦理退貨、有些人進行客訴、有些人留惡評、有些人與親友分享此不愉快的購物經驗,難道這一些都不用納入分析嗎? 轉進了 200 張訂單,退貨了 100 張,仍然以轉單 200 張來計算它的成效嗎 ?

B 方案之所以沒有比較高的點擊率、轉換率,有可能只是因為它的內容較為保守,無法誘發衝動性的購買,但有可能在客戶收到實際商品之後,因為並無較高的期待,反而容易感覺比預期的 C/P 值還高,不只較可能得到愉快的購物體驗,也會對品牌留下實在的好印象,退貨率低,好評多於負評,有較多比例的購買者願意推薦給他的親友,雖然只轉進了 100 張訂單,但幾乎無退貨,回購率也高,還揪親友一起再次團購,這樣得成效真的比 A 方案差嗎 ?

增加數據收集的解析度,包含針對 A/B 方案所帶進的訂單或客戶,統計退貨狀況、客訴狀況、各項滿意度、回購狀況、推薦購買狀況等等,再加以合理的積分權重計算,不只能提高 A/B 方案的成效原貌,更多的收據收集還能進行各種額外的統計分析,提供更多的營運決策參考資訊。

並不是看到某一項指標的數字高,就代表某個版本比較優,對於 A/B Test,甚至各種統計報表,都應該更謹慎的面對,蒐集更完整的數據,做合宜的解讀,切勿過度依賴解析度過低的統計報表,來進行重大的營運決策。

▍如何取得最新的電商資訊

本人工作的主要業務為電商網站的建置、客製、與維運,所以我有一些電商產業的資訊、技術、行銷、實際案例、及電商經營觀點分析,能跟大家分享,除了部分資訊整理成文章至此部落格分享以外,其餘文章的發文管道將此以下規則:

行銷科技洞察社團(本社團) : 以行銷科技相關訊息+淺層分析為主,歡迎加入 https://www.facebook.com/groups/martech.insight

 

▍作者

電商工匠 王仁佑,從事電商網站架設、客製、維護、SEO、顧問服務等超過 20 年,所經營的開源電商有限公司,是 OpenCart 系統在台灣最主要的技術支援廠商。

Facebook 個人檔案(王仁佑) :  https://www.facebook.com/dakswang