Как правильно проводить A/B-тестирование в рекламе

О чем лучше написать в рекламном заголовке — о главной ценности продукта или об акциях и скидках? Какой призыв к действию на кнопке лучше сработает: «Узнать больше» или «Купить сейчас»? Какой из заголовков email-рассылки даст лучшую открываемость письма? Профессиональные маркетологи не гадают, а получают четкие ответы на эти вопросы, проводя A/B-тесты.

A/B-тесты используются для сравнения разных версий рекламного контента с целью определения наиболее эффективной. Этот инструмент позволяет маркетологам проводить эксперименты и анализировать реакцию аудитории на различные варианты объявлений, веб-сайтов, посадочных страниц, электронных писем и т.д.

В ходе A/B-тестирования создаются два (или более) варианта контента, где один элемент изменяется (например, заголовок, изображение или текст), а остальные остаются неизменными. Затем эти варианты показываются разным группам аудитории для сравнения и анализа результатов. Собирая данные о том, какой вариант приносит более высокие показатели привлечения, конверсии или других ключевых метрик, маркетологи могут принимать обоснованные решения. Главным инструментом и опорой A/B-тестирования является сквозная аналитика рекламы.

Для правильных A/B-тестов необходимо уделить внимание каждому этапу процесса и обязательно опираться на аналитику.

Ниже описываем основные составляющие A/B-тестирования.

• Определение целей. Они должны быть ясно сформулированы: например, увеличение конверсии, повышение кликабельности или улучшение других метрик.
• Формирование гипотез. Каждое A/B-тестирование должно быть основано на четкой гипотезе. Она определяет, что именно вы собираетесь проверять и какие изменения вы ожидаете увидеть.
• Разработка вариантов. Создание нескольких вариантов — оригинала и измененной версии (A и B).
• Планирование эксперимента. Определите, сколько времени будет длиться тест, сколько показов или пользователей потребуется для получения статистически значимых результатов.
• Проведение тестирования и сбор данных. Запустите эксперимент и соберите данные, убедившись, что для каждого пользователя или события применяется только один из вариантов.
• Анализ результатов и принятие решений. После сбора данных проведите анализ и примите решение на основе полученных результатов.
• Применение изменений. Если один из вариантов показал себя значительно лучше, реализуйте изменения на основе этого варианта.

Главная цель при рождении гипотезы — определение конкретного аспекта, который, возможно, будет изменен для улучшения реакции аудитории.

К примеру, гипотеза может заключаться в том, что изменение заголовка объявления в интернет-рекламе приведет к увеличению кликов или что изменение расположения кнопки с призывом к действию (CTA) на сайте повысит конверсию. Гипотезы могут рождаться на основе анализа поведения пользователей, результатов предыдущих тестов или исследования конкурентов.

Приведем несколько примеров гипотез, которые могут стать предметом A/B-тестирования:

1. Гипотеза для рекламного объявления: «Изменение текста заголовка в рекламе с „Бесплатная доставка“ на „Бесплатная доставка для заказов свыше 5000 руб.“ приведет к увеличению кликов и конверсии».

2. Гипотеза для сайта: «Перемещение блока с информацией о бесплатной консультации на главной странице выше, под самый заголовок, увеличит количество заполненных форм обратной связи».

3. Гипотеза для электронного письма: «Изменение расположения кнопки „Купить сейчас“ в электронном письме повысит кликабельность и конверсию в покупки».

Как мы видим, каждая из этих гипотез содержит конкретное изменение, которое, как предполагают их авторы, может привести к улучшению показателей.

Ниже представлены основные метрики, используемые для оценки результатов A/B-тестирования:

• Конверсия. Этот показатель отражает процент посетителей, совершивших целевое действие (покупка, заполнение формы, подписка на рассылку и т.д.). Подсчет конверсии поможет определить, какой из тестируемых вариантов лучше на нее влияет.
• Кликабельность (Click-Through Rate, CTR). Эта метрика отражает процент посетителей, кликнувших по рекламе или ссылке. CTR может помочь понять, какой вариант привлекает больше внимания целевой аудитории.
• Время нахождения на странице. Это показатель среднего времени, проведенное посетителями на веб-странице, которая может являться основным объектом тестирования либо посадочной страницей, на которую ведет тестируемая реклама. Увеличение времени нахождения может свидетельствовать, что контент стал более привлекательным.
• Средний чек. Данная метрика отражает среднюю сумму покупки. A/B-тестирование может помочь определить, какой контент или дизайн стимулирует увеличение среднего чека.
• Отказы (Bounce Rate). Показывает процент посетителей, покинувших сайт после просмотра только одной страницы. Снижение отказов может говорить об удачных изменениях.
• Retention Rate. Эта метрика отражает процент клиентов, продолжающих пользоваться услугами или приобретать товары после проведения изменений.
• Продолжительность пребывания на сайте. Указывает на среднее время, проведенное пользователями на веб-сайте. Повышение этой метрики может показать повышение заинтересованности посетителей.

Успешное A/B-тестирование обычно включает в себя анализ этих и других метрик, в зависимости от конкретной цели и контекста тестирования.

Сквозная аналитика — это оценка эффективности любой рекламы в разрезе «от клика до продажи». Она позволяет отследить, как A/B-тестирование воздействует на все ключевые метрики, перечисленные в предыдущем разделе. Вы увидите, как тестируемое изменение влияет на поведение пользователей на всех этапах взаимодействия с вашей рекламой. С аналитикой рекламы можно понять, изменения влияют и на отношение с клиентами в долгосрочной перспективе.

Только вооружившись данными аналитики рекламы, профессиональные маркетологи принимают окончательные решения.

За счет чего достигается точность аналитики

Базовая технология, которая делает возможной глубокую и точную аналитику всей онлайн- и офлайн-рекламы — это отслеживание (трекинг) источников. Все целевые действия клиента — звонки, обращения в чаты, мессенджеры, на почту, в чат-бот или лидформы ВКонтакте — связываются в статистике с источником, который привел клиента.

Звонки отслеживает коллтрекинг, письма на электронную почту — имейлтрекинг. С помощью статического трекинга фиксируются офлайн-источники, а также такие онлайн-площадки, как 2ГИС, Яндекс.Карты, сервисы-агрегаторы и др., к каждому из которых привязывается свой номер телефона или email-адрес. В свою очередь, с помощью динамического трекинга можно отслеживать эффективность любой онлайн-рекламы, вплоть до рекламного заголовка и креатива на баннере.

Предположим, вы делаете A/B-тест двух разных заголовков объявления в Яндекс.Директ. В этом случае для группы пользователей, увидевшей заголовок A, на сайте будет показан один рекламный номер / email-адрес, а вторая группа, увидевшая заголовок B — другой номер и другой адрес. Таким образом, два потока с двух тестируемых источников будут идентифицированы по-разному для статистики.

Нередко посетители обращаются в чат, мессенджер или социальную сеть — такое обращение аналитика тоже отслеживает и соотносит с источником благодаря решению для омниканальных коммуникаций. Так соблюдается одно из главных требований к аналитике — полнота данных, для которой необходим охват всех типов обращений и всех существующих рекламных каналов.

В аналитике вы увидите, как тестируемая гипотеза влияет на:

• клики;
• время нахождения на сайте;
• конверсию посещений в целевые действия;
• заключение сделок;
• объем среднего чека;
• повторные продажи и долгосрочные отношения с клиентом.

A/B-тесты дают возможность выявить из нескольких вариантов рекламного контента наиболее действенный и конверсионный. В основе тестирования лежит проверка той или иной гипотезы. Корректное проведение A/B-тестов возможно только при использовании сервиса аналитики рекламы, который показывает эффективность тестируемого контента в разрезе всех актуальных для маркетолога метрик.