Mikä on A/B-testaus UX:ssä? | UX-tutkimus #26

A/B-testaus on erinomainen tutkimusmenetelmä, jolla voidaan testata kahta vaihtoehtoista versiota tietystä ratkaisusta samanaikaisesti. Lue artikkelimme oppiaksesi, kuinka A/B-testejä suoritetaan ja nähdäksesi niiden hyödyt ja rajoitukset.

A/B-testaus UX:ssä – sisällysluettelo:

1. Mitä A/B-testit ovat UX-tutkimuksen kontekstissa?
2. Milloin A/B-testausta tulisi soveltaa?
3. Kuinka A/B-testausta suoritetaan?
4. Yhteenveto

Mitä A/B-testit ovat UX-tutkimuksen kontekstissa?

A/B-testaus mahdollistaa kahden tuotteen/ratkaisun version testaamisen (versio A ja versio B) ja sen arvioimisen, mikä niistä saa enemmän hyväksyntää käyttäjiltä. Mittaustapa sisältää konversioprosentin, sivustolla vietetyn ajan tai osallistujien palautteen ja heidän taipumuksensa suositella sivustoa/tuotetta. Ennen testiä sinun on määriteltävä ja päätettävä, mitä “onnistuminen” tarkoittaa tietylle versiolle.

Milloin A/B-testausta tulisi soveltaa?

Voit käyttää A/B-testejä prototyyppitestauksessa, tuotteen kehitysvaiheessa sekä markkinointi- ja mainosstrategioiden rakentamisessa. Ne ovat täydellinen työkalu päätöksenteon tueksi, joka voi vaikuttaa organisaation tulokseen. A/B-testit ovat erityisen hyödyllisiä, kun meillä on jo hypoteesi aikaisemman tutkimuksen perusteella ja haluamme vahvistaa, että se on oikea ratkaisu. A/B-testaukseen laaditut tutkimuskysymykset voivat näyttää tältä:

• mikä tuoteversio tuottaa korkeamman konversioprosentin?
• kumpi kahdesta eri sanamuodolla varustetusta push-ilmoituksesta lisää sitoutumista sovelluksessa?

Hyvä A/B-testi tulisi sisältää mahdollisimman yksinkertaisia vertailuja, esimerkiksi sen sijaan, että vertaillaan kahta täysin erilaista sivustoversiota, on parempi testata kahta erilaista otsikkotyyliä tai kahta eri sijaintia CTA-painikkeelle. Pienillä vertailuilla tunnistamme tarkasti, mikä fontti, väri, elementti tai sijainti vaikuttaa UX:ään eniten.

Tämä tutkimusmenetelmä sisältää kahta tyyppiä testejä: univariantteja ja multivariantteja. Ensimmäinen keskittyy kahden variantin eroihin – esimerkiksi punainen painike ja sininen painike. Multivariantti puolestaan vertaa samanaikaisesti useampaa kuin kahta painikevarianttia – esimerkiksi punaista, sinistä, vihreää ja valkoista (lisäksi ne voivat erota vielä otsikoissa, esim. “Tarkista tämä” ja “Katso lisää”).

A/B-testauksen keskeisiä etuja ovat nopeus ja alhaiset kustannukset. Ne mahdollistavat myös useiden tuotevarianttien arvioimisen suurella joukolle todellisia ihmisiä. Silti on tärkeää keskittyä niihin näkökohtiin, jotka voivat vaikuttaa merkittävästi tuotteen yleiseen käsitykseen. Älä vertaa satunnaisia elementtejä. Tee hypoteesi, suorita muita täydentäviä tutkimuksia, ja konsultoi sitten suunnittelu- ja kehitystiimiäsi. Yhdessä päätätte, mitkä olennaiset ominaisuudet on tutkittava useissa versioissa suorittamalla yksivariantteja tai monivariantteja A/B-testejä.

A/B-testaus vaikuttaa nopealta tutkimusmuodolta – vaikka se ei ole sääntö. Saatat joutua suorittamaan niitä useita viikkoja saadaksesi riittävästi tietoa UX-analyysiin (mutta voit yhtä hyvin selvitä muutamasta päivästä tai jopa muutamasta tunnista). Ajan, joka kuluu kyselyn suorittamiseen, määrää monet tekijät.

Kuinka A/B-testausta suoritetaan?

1. Tunnista ongelmasi.

Varmista, että käytät oikeita analyysityökaluja ongelman luonteen tarkkaan määrittämiseen.

2. Selvitä niin paljon kuin mahdollista ongelmasta sekä käyttäjistä. Hanki hyvä käsitys heistä.

Tarkkaile tarkasti virran sijaintia ja yritä selvittää, miksi se tapahtuu. Sen yksityiskohtainen ymmärtäminen auttaa oikeanlaisen analyysin tekemisessä.

3. Muotoile hypoteesi vastaamalla siihen, kuinka ongelma ratkaistaan.

Hypoteesi on testattavissa oleva oletus. Voit muotoilla sen ehdon muodossa – “jos X tapahtuu, niin Z”, eli esimerkiksi “jos otsikko on fontissa 22 sen sijaan, että se olisi 18, konversio kasvaa”. A/B-testaus kertoo sinulle, onko hypoteesissa esitetty olettamus oikea.

4. Määrittele tavoitteesi.

Määritä, mitä haluat saavuttaa tutkimuksen sekä koko tutkimus- ja suunnitteluprosessin aikana – esimerkiksi haluat, että enemmän käyttäjiä klikkaa CTA-painiketta etusivulla.

5. Määrittele tilastollinen tarkkuus.

Määritä numerot ja luvut, joita tarvitset sekä kyselyn käytännön arvioimiseen että liiketoimintakumppaneille esitettäväksi – esimerkiksi, riittääkö 2 %:n kasvu konversioissa heille ja onko se investoinnin arvoista?

6. Määrittele tarvittava tulosten skaala.

Kuinka monta vastaajaa varmistaa tilastollisen tarkkuuden? Mikä prosenttiosuus päivittäisestä, viikoittaisesta tai kuukausittaisesta käyttäjäkunnasta tekee näistä tuloksista arvokkaita ja päätöksentekoon kelpaavia? On tärkeää määrittää tämä ennen kyselyn aloittamista.

7. Luo versio B ja testaa hypoteesisi.

Valmistele ylimääräinen variantti (variantti B) sivustosta/tuotteesta/toiminnallisuudesta hypoteesisi testaamiseksi ja aloita testaus. Tässä vaiheessa kehittäjät astuvat kuvaan toteuttaakseen toisen, vaihtoehtoisen ratkaisun olemassa olevalle tuotteelle – ja käyttäjät jakautuvat tietämättään kahteen ryhmään (ryhmä A ja ryhmä B) kuten ennenkin. Arvioinnin aikana yritä tarkastella tietojasi vasta sen jälkeen, kun olet kerännyt riittävästi niitä saadaksesi tilastollista pätevyyttä ja käyttökelpoisen tuloksen.

8. Analysoi ja toimi testitulosten perusteella.

Jos versio B täyttää asetetun tehokkuusrajan ja vahvistaa hypoteesisi, voit edetä sen toteuttamiseen kaikille käyttäjille (ilman jakautumista versioiden A ja B välillä). Jos hypoteesi kuitenkin kumotaan, pysy alkuperäisessä versiossa A tai kehitä ja testaa uusi hypoteesi. Tarkista myös vaihtoehtoiset tutkimusmenetelmät täydentämään tietoja.

Yhteenveto

A/B-testaus on melko tekninen aihe. Se vaatii tiettyä tietämystä tilastoista sekä erikoistuneempaa teknistä/ohjelmointitaitoa (tai hyvää suhdetta yrityksen kehitystiimiin). Se on suora menetelmä – lisäksi se on melko yksinkertainen, nopea ja edullinen. Se mahdollistaa kahden vaihtoehtoisen tuotteen version vertailun vähäisin kustannuksin tyydyttävillä tuloksilla. Lisäksi sen löydökset perustuvat todellisiin käyttäjiin, ja ne ovat niin tarkkoja kuin mahdollista. Silti muista, että et voi testata jokaista ominaisuutta, elementtiä tai pientä yksityiskohtaa sivustolla – siksi A/B-testejä suoritettaessa on normaalia toteuttaa muita täydentäviä tutkimusmenetelmiä.

Lue myös: Discovery-tutkimusmenetelmät

Jos pidät sisällöstämme, liity vilkkaaseen mehiläisyhteisöömme Facebookissa, Twitterissä, LinkedInissä, Instagramissa, YouTubessa, Pinterestissä, TikTokissa.