A/B tesztelés (hirdetések)

Az A/B tesztelés a hirdetésben azt jelenti, hogy két változatot – egy hirdetési kreatívet, címsort vagy céloldalt – futtatunk egymás ellen ugyanolyan körülmények között, hogy megmérjük, melyik teljesít jobban egy meghatározott metrika alapján. A név onnan származik, hogy a két verziót A-val és B-vel jelöljük; minden más – a célzás, a költségvetés, az időzítés – állandó marad, így az eredmények közötti különbség a változtatott egyetlen dolognak tulajdonítható.

Az alapvető követelmény: egy változó egyszerre#

Egy tiszta A/B teszt pontosan egy elemet változtat a változatok között. Ha egy új címsort, egy új képet és egy új kreatív megközelítést tesztelünk egyszerre, az csak azt mutatja, hogy a kombináció működött-e vagy sem, de nem azt, hogy melyik konkrét változtatás hozta az eredményt. A valóságos natív hirdetési tesztelés gyakran zavarosabb, mint a tankönyvi változat, mert a hirdetők gyorsan akarnak haladni, de a legtisztább jelet továbbra is egy változó izolálása adja.

Melyik metrika dönti el a nyertest#

Az, hogy melyik metrika számít, a célfüggvénytől függ. Egy olyan teszt, amely csak a CTR optimalizálására fókuszál, kiválaszthat egy olyan nyertest, amely kattintásokat kap, de nem konvertál, ezért a legtöbb tapasztalt hirdető nagyobb súlyt helyez a konverziós rátára vagy a CPA-ra, mint a nyers kattintásszámra. A kreatív tesztelés a tágabb gyakorlat, amelybe ez belefér; az A/B tesztelés az a konkrét módszer, amikor pontosan két változatot hasonlítunk össze egyszerre, szemben a többváltozós tesztben történő, több változat egyidejű futtatásával.

A hamis nyertesek elkerülése#

A leggyakoribb hiba az, hogy a nyertest túl korán hirdetik ki, mielőtt a minta mérete elég nagy lenne a statisztikailag megbízható következtetéshez, ami azt jelenti, hogy a megfigyelt különbség könnyen lehet véletlenszerű zaj is, nem pedig valós eltérés. Egy olyan változat, amely negyven kattintás után „nyer”, könnyen megfordulhat négyszáz kattintás után. Ha megvárjuk az elegendő forgalmat, és ideális esetben több napon át futtatjuk a tesztet, hogy a hét napjának hatásait kiegyenlítsük, az megvéd attól, hogy a költségvetést egy véletlenre méretezzük fel.

Kifejezetten a natív hirdetésben#

A Taboola, Outbrain és MGIDhez hasonló natív hálózatok jellemzően kreatív szinten végeznek A/B tesztelést egyetlen kampányon belül, lehetővé téve, hogy a platform saját algoritmusa automatikusan több megjelenítést osszon ki a jobban teljesítő változatnak, amint elegendő minta összegyűlik. Azok a hirdetők, akik kutatják, hogyan működnek a Taboola hirdetések vagy hogyan lehet hirdetni a Taboolán, közvetlenül a hirdetési platformon belül találkoznak ezzel a beépített tesztelési réteggel, a saját manuális tesztelésük mellett.

Ha látjuk, hogy egy versenytárs milyen kreatív változatokat futtat egymás mellett, az az egyik legvilágosabb élő jel arra, hogy egy A/B teszt folyamatban van. Az OpenAdLibrary hirdetési intelligencia platformja felhozza egy márka összes aktív változatát, így figyelheted, hogy melyik marad fenn.

Egy gyors józan ellenőrzés, mielőtt elkezdenéd#

Mielőtt bármilyen A/B tesztet indítanál, ellenőrizd, hogy a mintanagyság számítása durván értelmes-e a napi költségvetésedhez és az ajánlatod konverziós rátájához képest. Egy olyan teszt, amelynek megbízható minta eléréséhez hat hétre lenne szüksége a jelenlegi költési szint mellett, valószínűleg nagyobb költségvetési keretet vagy egy hosszabb tesztelési időszakot igényel előre megtervezve, nem pedig egy türelmetlenségből hozott, teszt közbeni döntést.