A/B分离测试

A/B分离测试允许网站比较同一网页的变化,以确定哪一个将产生最好的结果。A/B拆分测试中使用的度量是微观和宏观转换. 随着工具的引入,A/B测试变得越来越普遍,这些工具几乎不需要开发人员的参与,也不需要其他技术资源。这种试验在营销人员中有很强的立足点,因为它的成本相对较低用户体验设计师越来越多地使用它。像谷歌这样的网站,亚马逊网站而许多大型电子商务网站被称为“一直在测试”——在任何给定的时间都会运行多个A/B测试。

垃圾进,垃圾出

如果使用得当,A/B测试是一种授权工具。但是,A/B测试可能存在以下3个主题的问题:

  1. 这种变化不符合这个概念。糟糕的设计可能导致差的转换 - 这很清楚。然而,每个设计都是一个概念的实现,通过单一的设计实现判断概念的优点是愚蠢的。经常需要几次设计尝试充分服务概念。例如,您可以理解将描述添加到选项中将增加采用该选项。然而,如果以使其看起来像广告的方式呈现描述,则用户可能会被用户忽略。这个概念并不差,但实施是。这概念和实施是至关重要的。
  2. 这种变化并没有解决问题的实际原因。对导致问题转化为实际解决问题的设计变更的假设不正确。对此变化的调整将永远不会解决问题,因为设计是对无效原因的响应。例如,您可能猜测贷款申请提交较差的原因是该过程涉及太多屏幕,因此您将其冷凝成一个屏幕,但您仍然没有看到电梯。相反,真正的问题是用户无法找到贷款利率,并且他们最终在申请页上最终找到的原因是因为他们认为他们会在那里找到它。
  3. 变化是基于猜测的。在A/B测试中,您只能从可获得的变化。如果这些变化仅仅基于内部经验和意见,谁能说测试包括了最优化的设计呢?

这些实验缺陷可以通过通知A/B测试和用户研究来缓解。即使是最少量的用户研究,我们也能获得转换问题潜在原因的宝贵线索。

揭示真正的原因来定义更好的变化

“理论可以用实验来证明,但从实验到理论的诞生,没有一条路是通的。”

-爱因斯坦

为确保执行良好的A/B测试,必须为每个实验定义以下内容:

你可以把所有的时间都花在产生原因理论和变异假设上,然后A/B测试所有这些:这就是暴力方法。随意的A/B测试相当于把想法扔到墙上,看看哪些想法能坚持到底。不幸的是,您负担不起这样做:这种方法增加了用户放弃和糟糕体验的风险。当你在等待A/B测试抽奖时,用户将与次优设计进行交互。他们最终可能会认为你的网站是一个失败的事业,永远不会回来。你需要缩小假设的范围,谨慎有效地部署A/B测试;我们建议进行用户调查作为一种可以帮助你的方法。

四项用户体验调查以改进优化测试

1定义用户意图和反对意见

重要的是要了解人们为什么要参观环境,他们是否(或相信他们)成功,以及他们为什么决定离开。如果你错误地假设人们为什么来到这个网站,你的原因理论和变异假设将无法反映用户所感知的环境效用的现实。假设用户反对而不进行调查是危险的。例如,假设你假设访问者没有采取理想的行动,因为你的价格太高,所以你降低价格,你的利润率受到打击。如果事实证明,人们不转换的真正原因不是因为价格,而是因为他们不了解您的服务所解决的需求,那么您可能没有工作来周一。

如何定义意图和异议:简短的现场,出口和/或后续调查(通过诸如夸拉鲁)问两个简单的问题:

  • 你为什么这么旅?
  • 你成功了吗?如果没有,为什么?

2.暴露界面缺陷

如果您忽略了显着的可用性问题,例如混乱的交互流或误解的提示,您可能看不到A / B检测调整的转换升降机,因为您的设计变更不会在问题的内核中致讨。例如:如果您有多个字段的表格要求用户不觉得提供的信息提供,运行A / B测试实验,以查看是否更改提交按钮颜色增加转换率是白费力气。了解低转化率的真正驱动因素对于运行智能、成功的实验至关重要。

如何暴露界面漏洞:可用性测试(远程调节或未调节或者可以快速进行,或者可以突出,并且只有5个用户揭开站点中的85%的巨大缺陷。

3.测量可取性

导航标签和菜单设计实验暗指可查找性问题。然而,可寻性差可以而且应该在运行直接影响信息架构和导航的A/B测试之前进行确认。(你可以学习在我们为期两天的课程中了解更多关于信息体系结构的知识。)

如何测量可求解性:树测试在不受接口设计影响的情况下,测量现有或提议的信息体系结构中元素的可查找性。它们可以告诉您标签、链接分组、层次结构或术语是否直观。如果您对站点中的节、页、链接和标签的命名有冲突,此测试可以确定最有问题的名称,并帮助定义新的标签以提高可查找性。树形测试可以用一个工具来执行,比如优化车间的特雷查克,它允许您生成任务来测试信息体系结构。

4上线前清理设计变更

用户测试最简单的应用是通过为用户移除绊脚石来清理设计。几个小时的测试通常会发现你的设计中有什么不好的地方。虽然更先进的用户研究形式有其优势,但不要忽视不起眼的清理研究。对于A/B测试,您需要确保所有的设计变体都有一个公平的机会,而不被可用性问题所破坏,这些问题使客户无法从每个变体中获得全部好处。先把它们擦干净。

组合方法以最大化转换

A / B测试是一个很好的工具,不幸的是,可以利用很差。如果使用A / B测试代替研究,则变化基本上猜测。您可以通过纳入UX研究来改善A / B测试的结果,以改善原因识别,开发更现实的假设,并确定更多的实验机会。

在我们的全天课程中了解有关A / B测试的更多信息分析和用户体验