A/B/n-testning

Vad är A/B/n-testning?

A/B/n-testning är en typ av webbplatstestning där flera versioner av en webbsida jämförs med varandra för att avgöra vilken som har den högsta konverteringsgraden. I den här typen av test delas trafiken slumpmässigt och jämnt fördelat mellan de olika versionerna av sidan för att avgöra vilken variant som presterar bäst.

A/B/n-testning är en utvidgning av A/B-testning där två versioner av en sida (en version A och en version B) testas mot varandra. I ett A/B/n-test jämförs dock fler än två versioner av en sida med varandra samtidigt. "N" avser antalet versioner som testas, allt från två versioner till den "nionde" versionen.

A/B/n-testning kan också jämföras med multivariat testning. Ett multivariat test jämför också flera versioner av en sida samtidigt genom att testa alla möjliga kombinationer av variationer på en gång. Multivariat testning är mer omfattande än A/B/n-testning och används för att testa ändringar av specifika element på en sida. A/B/n-testning kan användas för att testa helt olika versioner av en sida mot varandra.

Varför är A/B/n-testning viktigt?

A/B/n-testning hjälper dig att förstå vilken webbplatsdesign som hjälper dig att generera mest engagemang och konverteringar från dina användare. Du kan testa flera sidor mot varandra samtidigt och använda data för att avgöra vilken variant du bör välja.

När ett företag har mer än en konkurrerande idé om vilken som är den bästa webbplatslayouten kan A/B/n-testning användas för att testa varje idé och fatta ett beslut baserat på konkreta data som visar hur en version överträffade andra.

Förutom att A/B/n-testning hjälper till att avgöra vilken version av en sida som är mest framgångsrik, visar den också vilken version av en sida som presterade sämst. Genom att analysera dessa lågpresterande sidor är det möjligt att ta fram hypoteser om varför vissa funktioner konverterar bättre än andra, och dessa lärdomar kan sedan införlivas i nya tester på andra sidor på webbplatsen.

En fallstudie av A/B/n-testning:

Ett verkligt exempel på A/B/n-testning i praktiken är när Electronic Arts släppte en ny version av sin populära SimCity-serie i mars 2013. I sitt A/B/n-test skapade och testade EA flera olika versioner av sin förbeställningssida mot varandra för att se vilken som fungerade bäst.

EA-teamet fann genom testet att versionen av deras sida utan ett specialerbjudande överst på sidan presterade 43% bättre än de andra variationerna i testet.

EA kunde inte bara se en massiv ökning av antalet förbeställningar tack vare testet, utan de kunde även tillämpa lärdomarna från testet på andra sidor på hela webbplatsen och se en ökning av konverteringen på hela webbplatsen (läs hela EA:s fallstudie här).

Potentiella nackdelar med A/B/n-testning

Om man testar för många varianter (när man inte kan bestämma sig för en) kan det leda till att trafiken till webbplatsen delas upp på många olika varianter. Detta kan öka den tid och trafik som krävs för att nå ett statistiskt signifikant resultat och skapa vad vissa skulle kunna kalla "statistiskt brus" i processen.

En annan sak att tänka på när man kör flera A/B/n-tester är att inte förlora helhetsbilden ur sikte. Bara för att olika variabler presterade bäst i sina egna experiment betyder det inte alltid att dessa variabler skulle fungera bra i kombination. Överväg att köra produktexperiment för att testa alla variationer och se till att förbättringar av mätvärden på toppnivå följer med hela vägen genom konverteringstratten.

Använda Optimizely för A/B/n-testning

Optimizely tillhandahåller en plattform för att utföra ett A/B/n-test på ett effektivt och korrekt sätt. Den tar dig sömlöst genom testprocessen, ger dig detaljerade testresultat i slutet och tillhandahåller en visuell editor så att du kan göra ändringar utan att behöva koda.

Börja testa med Optimizely idag och dra nytta av kraften i A/B/n-testning!