OpenAdLibraryOpenAdLibrary
הגדרה

A/B Testing (מודעות)

A/B testing בפרסום פירושו הרצת שני וריאנטים, של מודעה, כותרת או דף נחיתה, אחד מול השני כדי למדוד מי מביניהם משיג ביצועים טובים יותר על פי מדד מוגדר.

איור מערכתי: A/B Testing (מודעות)

A/B testing בפרסום פירושו הרצת שני וריאנטים, של קריאייטיב למודעה, כותרת או דף נחיתה, אחד מול השני באותם תנאים כדי למדוד מי מהם משיג ביצועים טובים יותר על פי מדד מוגדר. השם מגיע מתיוג שתי הגרסאות כ-A ו-B; כל השאר – טרגוטינג, תקציב, תזמון – נשאר קבוע כך שההבדל בתוצאות ניתן לייחוס לדבר האחד שהשתנה.

הדרישה הבסיסית: משתנה אחד בכל פעם#

בדיקת A/B נקייה משנה בדיוק אלמנט אחד בין הווריאנטים. בדיקה של כותרת חדשה ותמונה חדשה וזווית קריאייטיבית חדשה בו-זמנית אומרת לך שהקומבינציה עבדה או לא, אבל לא איזה שינוי ספציפי הניע את התוצאה. בדיקת מודעות נייטיבית בעולם האמיתי הופכת לרוב למבולגנת יותר מהגרסה התאורטית כי מפרסמים רוצים לזוז מהר, אבל האות הנקי ביותר עדיין מגיע מבידוד של משתנה אחד.

איזה מדד קובע את המנצח#

איזה מדד חשוב תלוי במטרה. בדיקה שממטב CTR בלבד יכולה לבחור מנצח שמשיג קליקים ללא המרות, ולכן רוב המפרסמים המנוסים נותנים משקל רב יותר לשיעור המרה או לCPA מאשר לנפח קליקים גולמי. בדיקת קריאייטיב היא הפרקטיקה הרחבה יותר שזה משתלב בתוכה; A/B testing היא השיטה הספציפית להשוואת בדיוק שני וריאנטים בכל פעם, לעומת הרצת וריאנטים רבים בו-זמנית בבדיקה רב-משתנית.

הימנעות ממנצחים מזויפים#

הטעות הנפוצה ביותר היא להכריז על מנצח לפני שגודל המדגם גדול מספיק כדי להיות אמין סטטיסטית, כלומר הפער שנצפה יכול בקלות להיות רעש אקראי ולא הבדל אמיתי. וריאנט ש"מנצח" אחרי ארבעים קליקים יכול בקלות להתהפך אחרי ארבע מאות. המתנה לנפח מספיק, ובאופן אידיאלי הרצת הבדיקה על פני יותר מיום אחד כדי להחליק השפעות של יום בשבוע, מגנה מפני הקצאת תקציב על בסיס מקרי.

בפרסום נייטיבי ספציפית#

רשתות נייטיביות כמו Taboola, Outbrain ו-MGID בדרך כלל מבצעות A/B testing ברמת הקריאייטיב בתוך קמפיין יחיד, ומאפשרות לאלגוריתם של הפלטפורמה להקצות יותר חשיפות למבצע הטוב יותר אוטומטית ברגע שנבנה מדגם מספיק. מפרסמים שחוקרים איך מודעות Taboola עובדות או איך לפרסם ב-Taboola יתקלו בשכבת הבדיקה המובנית הזו ישירות בתוך פלטפורמת המודעות, בנוסף לכל בדיקה ידנית שהם עושים בעצמם.

לראות אילו וריאנטים קריאייטיביים מתחרה מריץ זה לצד זה הוא אחד האותות החיים הברורים ביותר לבדיקת A/B בתהליך. פלטפורמת המודיעין למודעות של OpenAdLibrary חושפת כל וריאנט פעיל עבור מותג כך שתוכלו לראות מי שורד.

בדיקת שפיות מהירה לפני שתתחילו#

לפני השקת כל בדיקת A/B, ודאו שהמתמטיקה של גודל המדגם הגיונית בערך עבור התקציב היומי שלכם ושיעור ההמרה של ההצעה. בדיקה שהייתה לוקחת שישה שבועות להגיע למדגם אמין ברמות ההוצאה הנוכחיות כנראה צריכה הקצאת תקציב גדולה יותר או חלון בדיקה ארוך יותר שתוכנן מראש, ולא החלטה באמצע הבדיקה שמתקבלת מתוך חוסר סבלנות.

שאלות נפוצות

מה ההבדל בין A/B testing לבין בדיקת קריאייטיב באופן כללי?
A/B testing משווה ספציפית שני וריאנטים בכל פעם בתנאים מבוקרים. בדיקת קריאייטיב היא המטריה הרחבה יותר שכוללת גם בדיקות רב-משתניות עם מספר קומבינציות שרצות בו-זמנית, בנוסף למחזור המתמשך של רענון המנצחים לאורך זמן.
האם אפשר לבצע A/B testing על יותר משני וריאנטים?
טכנית, זה הופך לבדיקת A/B/n או לבדיקה רב-משתנית ולא לבדיקת A/B קפדנית, אבל ההיגיון הבסיסי זהה: לבודד משתנים, לשמור על כל השאר קבוע, ולהמתין לדגימה אמינה לפני בחירת מנצח.
האם פלטפורמות לפרסום נייטיבי מריצות A/B testing אוטומטית בעצמן?
כן, רוב הרשתות הנייטיביות הגדולות מעבירות אוטומטית את התפוצה לכיוון וריאנטים קריאייטיביים עם ביצועים טובים יותר בתוך קמפיין ברגע שמצטבר מספיק נתונים, בנוסף לכל בדיקות ידניות שהמפרסם מקים בנפרד.
מה הטעות הנפוצה ביותר ב-A/B testing של מודעות?
סיום הבדיקה והכרזה על מנצח מוקדם מדי, לפני שהצטברו מספיק המרות כדי לשלול שונות אקראית. יתרון קטן מוקדם מתהפך לעתים קרובות לאחר שתנועה נוספת עוברת דרך שני הווריאנטים.
צוות OpenAdLibrary
נכתב על ידיצוות OpenAdLibrary
מודיעין פרסום ומחקר פרסום מקורי

אנחנו בונים את OpenAdLibrary, פלטפורמת השקיפות הפרסומית הפתוחה. מדי יום המערכות שלנו לוכדות פרסומות מקוריות חיות ברחבי Taboola, Outbrain, MGID, Revcontent, Teads, Yahoo ו-MSN, מזוהות את המפרסם האמיתי מאחורי כל אחת מהן, ועוקבות אחרי הקליק עד לדף הנחיתה. המדריכים האלה מסננים את מה שאנחנו רואים בנתונים האלה כדי שתוכלו לחקור את השוק מהר יותר.