A/B Testing là gì? Quy trình 15 bước thực hiện A/B Test

Khi bạn thiết kế các landing page, viết email marketing hoặc thiết kế các nút CTA – Kêu gọi hành động, bạn thường phải sử dụng trực giác của mình để dự đoán điều gì sẽ kích thích người dùng click và tối ưu tỉ lệ chuyển đổi – conversion rate optimization.

Tuy nhiên, nếu chỉ marketing dựa trên “trực giác” không phải lúc nào cũng mang lại kết quả chính xác!

Thay vì đưa ra phỏng đoán hay giả định, có một cách thức có thể giúp bạn biết chính xác hành vi, suy nghĩ của người dùng – chạy A/B Testing.

Trong bài viết này, tôi sẽ giải thích cụ thể cho bạn:

• A/B Testing là gì?
• Những lợi ích khi dùng A/B Testing là gì?
• Quy trình tiến hành A/B Testing trong SEO bạn nên biết
• Cách thực hiện A/B Testing
• 4 lỗi A/B Testing thường gặp

Để tôi giải thích chi tiết cho bạn.

Thử nghiệm A/B về cơ bản là một cuộc thử nghiệm mà trong đó, hai hoặc nhiều biến thể của trang được hiển thị cho người dùng một cách ngẫu nhiên. Và những phân tích thống kê được sử dụng để xác định biến thể nào hoạt động tốt hơn cho mục tiêu chuyển đổi nhất định. 

Việc sử dụng AB testing để so sánh trực tiếp một biến thể với trải nghiệm hiện tại cho phép bạn có thể đặt ra câu hỏi về các thay đổi cho trang web hoặc ứng dụng. Và sau đó, bạn có thể thu thập dữ liệu về hiệu quả của những sự thay đổi đó.

Testing sẽ đưa ra những phỏng đoán về việc tối ưu hóa trang web và cho phép đưa ra các quyết định về thông tin dữ liệu mà sẽ chuyển các cuộc hội thoại kinh doanh từ “chúng tôi nghĩ” sang “chúng tôi biết“.

Bằng cách đo lường thay đổi của những biến đổi trong số liệu, bạn có thể đảm bảo rằng mọi thay đổi đều mang lại kết quả tích cực.

Điều này cho phép họ xây dựng các giả thuyết và hiểu rõ hơn tại sao các yếu tố xác định trong trải nghiệm của họ lại ảnh hưởng đến hành vi của người dùng.

Nói cách khác, họ có thể được chứng minh ý kiến của mình về trải nghiệm tốt nhất cho mục tiêu nhất định – là sai thông qua A/B test.

Không chỉ trả lời cho những câu hỏi một lần duy nhất hoặc giải quyết những bất đồng, A/B Testing có thể được sử dụng một cách nhất quán để có thể liên tục cải thiện những trải nghiệm và mục tiêu đơn lẻ. Ví dụ như: tỷ lệ chuyển đổi theo thời gian.

Chẳng hạn, một công ty công nghệ B2B có thể muốn cải thiện chất lượng và số lượng khách hàng tiềm năng từ các trang web của chiến dịch.

Để đạt được mục tiêu đó, một nhóm sẽ thử các thay đổi A/B Testing đối với các tiêu đề, hình ảnh trực quan, khung opt-in (biểu mẫu), CTA – kêu gọi hành động và bố cục tổng thể của trang.

Việc kiểm tra một thay đổi tại một thời điểm nhất định sẽ giúp họ xác định chính xác những thay đổi đó liệu có ảnh hưởng đến hành vi truy cập của người dùng hay có những thay đổi nào khác không.

Dần dần, dựa vào đó, họ có thể kết hợp hiệu ứng của nhiều thay đổi thành công từ các thử nghiệm trước để chứng minh sự cải thiện trải nghiệm mới so với trải nghiệm cũ.

Với phương pháp thông báo các thay đổi trong UX – Trải nghiệm cho người dùng này, nó cho phép trải nghiệm được tối ưu hóa đối với những kết quả mong muốn. Và từ đó, có thể thực hiện các bước tiến trọng yếu trong chiến lược marketing.

Bạn có thực sự hiểu rõ Marketing là gì? Tìm hiểu ngay về Marketing và 10 bước quan trọng để tạo một chiến dịch Marketing thành công!

Bằng cách thử nghiệm nhiều quảng cáo khác nhau, các marketers có thể tìm hiểu phiên bản nào thu hút nhiều cú nhấp chuột hơn.

Hoặc bằng cách thử nghiệm trang đích tiếp sau, họ có thể tìm ra cách bố trí layout nào sẽ biến đổi những người dùng thành khách hàng tốt nhất.

Tổng tiền đầu tư cho một chiến dịch marketing (marketing campaign) thực sự có thể giảm nếu từng yếu tố trong từng bước hoạt động hiệu quả nhất có thể để có được khách hàng mới.

Những nhà phát triển và thiết kế sản phẩm cũng áp dụng A/B Testing để chứng minh rằng:

Các tính năng mới hoặc thay đổi mới cũng có thể ảnh hưởng đối với trải nghiệm của người dùng.

Tất cả các sản phẩm mới, sự tương tác từ người dùng, phương thức và trải nghiệm trong sản phẩm đều có thể được tối ưu hóa với giải pháp của AB Testing. Miễn là các mục tiêu được xác định rõ ràng và bạn đặt ra một giả thuyết rõ ràng.

Test link

Test link là một hệ thống quản lý kiểm tra dựa trên web tạo điều kiện đảm bảo chất lượng phần mềm. Nó được phát triển và duy trì bởi Teamtest. Nền tảng cung cấp hỗ trợ cho các trường hợp thử nghiệm, bộ thử nghiệm, kế hoạch thử nghiệm, dự án thử nghiệm và quản lý người dùng, cũng như các báo cáo và thống kê khác nhau.

Quy trình A/B Testing

Có nhiều cách triển khai a/b testing khác nhau nhưng cách hiệu quả nhất khi triển khai quy trình A/B Testing là gì? Dưới đây là quy trình A/B Testing mẫu bạn có thể sử dụng để bắt đầu cuộc thử nghiệm:

• Thu thập data: Những phân tích của bạn thường sẽ cung cấp cái nhìn sắc nét, rõ ràng về nơi bạn có thể bắt đầu tối ưu hóa. Nó giúp bạn bắt đầu với các khu vực có lưu lượng truy cập cao của trang web hoặc ứng dụng. Vì điều này sẽ cho phép bạn thu thập dữ liệu nhanh hơn.
  Việc tìm kiếm các trang có tỷ lệ chuyển đổi thấp hoặc tỷ lệ rơi (drop-off) cao có thể được cải thiện.
• Xác định mục tiêu: Mục tiêu chuyển đổi của bạn là số liệu mà bạn đang sử dụng để xác định xem biến thể có thành công hơn phiên bản gốc hay không.
  Mục tiêu có thể là bất cứ thứ gì từ việc click vào nút hoặc liên kết đến trang web bán hàng.
• Tạo ra giả thuyết: Khi bạn đã xác định được mục tiêu, bạn có thể bắt đầu tạo ra các ý tưởng và giả thuyết AB Testing về lý do tại sao bạn nghĩ rằng chúng sẽ tốt hơn phiên bản hiện tại.
  Một khi bạn có một danh sách các ý tưởng, hãy ưu tiên chúng theo mức độ tác động dự kiến ​​và độ khó khi thực hiện.
• Tạo các biến thể: Sử dụng phần mềm A/B Testing của bạn (chẳng hạn như Optimizely). Điều này giúp thực hiện các thay đổi theo ý muốn đối với một thành phần của trang web hoặc trải nghiệm ứng dụng di động của bạn.
  Điều này có thể chỉ đơn giản là:
• Thay đổi màu của một nút CTA
• Hoán đổi thứ tự các thành phần trên trang
• Ẩn các thành phần điều hướng hoặc một thứ đó có thể hoàn toàn tùy chỉnh được.
  Nhiều công cụ A/B Testing hàng đầu có trình chỉnh sửa trực quan sẽ giúp những thay đổi này trở nên dễ dàng hơn. Hãy đảm bảo thử nghiệm của bạn có thể hoạt động đúng như mong đợi.
• Chạy thử nghiệm: Hãy bắt đầu thử nghiệm của bạn và chờ người dùng truy cập vào!
  Ở bước này, khách truy cập vào trang web hoặc ứng dụng của bạn sẽ được chỉ định ngẫu nhiên để kiểm soát hoặc thay đổi trải nghiệm của bạn.
  Sự tương tác của họ với từng trải nghiệm được đo lường, tính toán và so sánh để xác định cách thức từng cách hoạt động.
• Phân tích kết quả: Khi thử nghiệm của bạn hoàn tất, đã đến lúc phân tích kết quả.
  Phần mềm A/B Testing của bạn sẽ xuất ra dữ liệu từ thử nghiệm và cho bạn thấy sự khác biệt giữa cách hai phiên bản trang web đang hoạt động. Và liệu có sự khác biệt đáng kể về mặt thống kê hay không?

Nếu biến thể của bạn đã thành công thì xin chúc mừng! Để xem bạn có thể áp dụng các bài học rút ra từ thử nghiệm trên các trang khác của website không và tiếp tục lặp lại các thử nghiệm để cải thiện kết quả.

Nếu thử nghiệm của bạn tạo ra kết quả âm hoặc không mang lại kết quả, đừng lo lắng. Hãy xem thử nghiệm đó như một kinh nghiệm học tập và tạo ra giả thuyết mới mà bạn có thể kiểm tra.

Bất kể kết quả của cuộc thử nghiệm của bạn là gì, hãy sử dụng kinh nghiệm của bạn để áp dụng cho những bài test khác trong tương lai. Và lặp đi lặp lại không ngừng trong việc tối ưu hóa ứng dụng hoặc website của bạn.

A/B Testing SEO

Google cho phép và khuyến khích A/B Testing và đã tuyên bố rằng:

Việc thực hiện A/B Testing hoặc đa biến không gây ra những sự cố hay rủi ro nào cho xếp hạng tìm kiếm trên website.
Tuy nhiên, nó có thể gây bất lợi cho thứ hạng tìm kiếm của bạn nếu lạm dụng công cụ A/B Testing cho các mục đích như che giấu.

Google đã cung cấp một số ví dụ cụ thể để đảm bảo rằng điều này không xảy ra:

• Không che giấu – Che giấu là cách website của bạn hiển thị nội dung trên các công cụ tìm kiếm khác với những gì mà khách truy cập thông thường sẽ thấy. Che giấu có thể khiến website của bạn bị rớt top hoặc thậm chí bị xóa khỏi kết quả tìm kiếm.
  Để ngăn chặn việc “che giấu”, bạn không nên lạm dụng những phân đoạn khách truy cập để hiển thị nội dung khác nhau cho Googlebot dựa trên địa chỉ người dùng hoặc đại lý IP.
• Sử dụng thẻ rel = “canonical” – Nếu như bạn thử nghiệm riêng biệt với nhiều URL, bạn nên sử dụng thuộc tính rel = “canonical” để hướng các biến thể trở lại phiên bản gốc của trang.
  Làm như vậy sẽ ngăn chặn việc Googlebot bị nhầm lẫn bởi nhiều phiên bản của cùng một trang.
• Sử dụng redirect 302 thay vì 301s – Nếu như bạn thử chuyển hướng URL gốc sang URL biến thể, hãy sử dụng redirect 302 (tạm thời) so với redirect 301 (vĩnh viễn).
  Điều này giúp cho các công cụ tìm kiếm như Google biết rằng việc chuyển hướng này là tạm thời. Và họ nên giữ URL gốc được lập chỉ mục thay vì URL được kiểm tra.
• Chỉ chạy thử nghiệm khi cần thiết – Việc thử nghiệm lâu hơn mức cần thiết, đặc biệt khi bạn đang sử dụng một biến thể của trang cho một tỷ lệ lớn người dùng. Điều này có thể được coi là một nỗ lực để đánh lừa các công cụ tìm kiếm.
  Google khuyên bạn nên cập nhật trang web của mình và xóa tất cả các biến thể kiểm tra trang web của bạn ngay khi thử nghiệm kết thúc. Và đặc biệt, tránh chạy thử nghiệm lâu không cần thiết.

Làm thế nào để thực hiện một A/B Testing?

Trước khi thực hiện A/B Testing

#1 Chọn một biến thể để kiểm tra

Khi bạn tối ưu hóa các trang web và email marketing của mình, bạn có thể thấy có một số biến thể bạn muốn kiểm tra.
Nhưng để đánh giá mức độ hiệu quả của một thay đổi, bạn sẽ muốn dùng “biến thể độc lập” và đo lường hiệu suất của nó.

Giả sử, sau khi thử nghiệm có thay đổi nào đó từ người dùng, làm sao bạn biết yếu tố nào gây ra thay đổi đó? Ý tôi là bạn sẽ không thể chắc chắn biến thể nào sẽ chịu trách nhiệm cho những thay đổi của AB Testing.

Bạn có thể kiểm tra nhiều hơn một biến thể cho một trang web hoặc email; chỉ cần chắc chắn rằng bạn sẽ không thử nghiệm chúng cùng một lúc.

Nhìn vào các yếu tố khác nhau trong tài nguyên marketing của bạn và các lựa chọn thay thế của chúng cho thiết kế, từ ngữ và bố cục. Ngoài ra, bạn có thể kiểm tra các yếu tố:

• Dòng chủ đề email
• Tên người gửi
• Các cách khác nhau để cá nhân hóa email của bạn.

Hãy nhớ rằng ngay cả những thay đổi đơn giản, như thay đổi hình ảnh trong email hoặc từ ngữ trên CTA cũng có thể tạo ra sự thay đổi lớn.

Trên thực tế, những kiểu thay đổi này thường dễ xác định hơn những kiểu thay đổi lớn hơn thế.

Lưu ý: Đôi khi, sẽ ý nghĩa hơn nếu như bạn kiểm tra nhiều biến thể hơn là chỉ một biến thể. Quá trình gọi là quá trình thử nghiệm đa biến – Multivariate Testing.

#2 Xác định mục tiêu của bạn

Mặc dù bạn sẽ đo nhiều số liệu cho mỗi một lần kiểm tra, nhưng hãy chọn một số liệu chính để tập trung vào ngay trước khi bạn thử nghiệm. Trên thực tế, hãy làm điều này trước cả khi bạn thiết lập biến thể thứ hai. Đây là “biến phụ thuộc” của bạn.

Hãy suy nghĩ về vị trí bạn muốn đặt biến thể này ở cuối bài testing. Bạn có thể nêu ra một giả thuyết chính và kiểm tra kết quả dựa trên dự đoán này.

Nếu bạn đợi cho đến cuối để quyết định xem:

• Số liệu nào quan trọng với bạn?
• Mục tiêu của bạn là gì?
• Những sự thay đổi bạn đề xuất có thể ảnh hưởng đến hành vi của người dùng không?

Thì có thể bạn sẽ không thể thử nghiệm theo cách hiệu quả nhất.

#3 Tạo ‘kiểm soát’ và ‘thách thức’.

Bây giờ bạn đã có biến thể độc lập, biến phụ thuộc và kết quả mong muốn của bạn. Hãy sử dụng thông tin này để thiết lập phiên bản chưa thay đổi của bất cứ điều gì bạn đang kiểm tra làm “kiểm soát”.

Nếu bạn đang kiểm tra một trang web, đây là trang web chưa được thay đổi vì nó đã tồn tại. Nếu bạn đang thử nghiệm với landing page, thì đây sẽ là bản sao thiết kế của landing page và bản sao bạn thường sử dụng.

Từ đó, xây dựng một biến thể hoặc một “thách thức” cho trang web, landing page hoặc email marketing mà bạn kiểm tra đối với sự kiểm soát đó. 

#4 Chia nhóm mẫu test của bạn ngang bằng và ngẫu nhiên

Đối với các thử nghiệm mà bạn có quyền kiểm soát nhiều hơn – như với email, bạn cần thử nghiệm với 2 hoặc nhiều đối tượng ngang bằng nhau để có kết quả cuối cùng.

Cách bạn thực hiện việc này sẽ khác nhau tùy thuộc vào công cụ A/B Testing – Testing tool mà bạn sử dụng.

#5 Xác định kích cỡ mẫu thử của bạn (nếu có)

Cách bạn xác định kích thước mẫu thử của bạn cũng sẽ thay đổi tùy thuộc vào công cụ A/B Testing của bạn, cũng như loại A/B test mà bạn đang sử dụng.

Nếu như bạn đang kiểm tra A/B với email, có thể bạn sẽ muốn gửi A/B Testing đến một phần nhỏ hơn trong danh sách của bạn để có kết quả thống kê.

Cuối cùng, bạn sẽ chọn một phần chiến thắng và gửi biến thể thành công đó cho phần còn lại của danh sách.

Bạn có thể nhìn ảnh minh họa bên dưới:

Nếu bạn đang thử nghiệm thứ gì đó không có đối tượng hữu hạn, như trang web, thì thời gian bạn duy trì thử nghiệm sẽ ảnh hưởng trực tiếp đến kích thước mẫu thử của bạn.

Bạn sẽ cần để thử nghiệm của mình chạy đủ lâu để có được số lượt xem đáng kể, nếu không, thật khó để biết liệu có sự khác biệt có ý nghĩa thống kê giữa hai biến thể hay không.

#6 Quyết định tầm quan trọng của kết quả của bạn

Trường hợp bạn đã chọn số liệu mục tiêu của mình, hãy nghĩ xem kết quả của bạn cần có ý nghĩa như thế nào để giải thích cho việc chọn biến thể này thay vì dùng một biến thể khác.

Ý nghĩa thống kê là một phần cực kỳ quan trọng của A/B Testing và nó thường bị hiểu sai. Tỷ lệ phần trăm mức độ tự tin của bạn càng cao, bạn càng chắc chắn về kết quả của mình.

Trong hầu hết các trường hợp, bạn sẽ muốn mức độ tin cậy đạt tối thiểu 95% – tốt nhất là 98%. Đặc biệt nếu đó là một thử nghiệm tốn nhiều thời gian để thiết lập.

Tuy nhiên, đôi khi bạn nên sử dụng tỷ lệ tin cậy thấp hơn nếu bạn không cần quá trình kiểm tra nghiêm ngặt. 

#7 Chắc chắn rằng bạn chỉ thử nghiệm tại một thời điểm trên bất kỳ chiến dịch nào

Thử nghiệm nhiều hơn một thứ cho một chiến dịch – ngay cả khi nó không nằm trên cùng một tài sản chính xác. Điều này có thể làm phức tạp hóa kết quả sau khi thực hiện A/B Testing của bạn.

Trong quá trình A/B Testing

#8 Sử dụng công cụ A/B Testing

Để thực hiện A/B Testing trên trang web của bạn hoặc trong email, bạn sẽ cần sử dụng công cụ A/B Testing.

Các tùy chọn như Thử nghiệm của Google Analytics sẽ cho phép bạn làm A/B Testing trên tối đa 10 phiên bản đầy đủ của một trang web và so sánh hiệu suất của nó bằng cách sử dụng một tập hợp mẫu người dùng ngẫu nhiên.

#9 Kiểm tra cả hai biến thể cùng một lúc

Thời gian đóng một vai trò quan trọng trong kết quả chiến lược marketing online của bạn, cho dù đó là thời gian trong ngày, ngày trong tuần hay tháng trong năm.

Nếu bạn đã chạy Phiên bản A trong một tháng và Phiên bản B một tháng sau đó, làm thế nào bạn biết liệu thay đổi hiệu suất là do thiết kế khác nhau hoặc tháng khác nhau?

Khi bạn chạy A/B Testing, bạn sẽ cần chạy hai biến thể cùng một lúc, nếu không, bạn có thể bị lặp lại kết quả của mình.

Ngoại lệ duy nhất ở đây là nếu bạn đang tự kiểm tra thời gian, ví dụ như tìm thời gian tối ưu để gửi email.

Đây là một điều tốt để kiểm tra vì tùy thuộc vào những gì doanh nghiệp của bạn cung cấp và người đăng ký của bạn là ai, thời gian tối ưu cho quá trình tham gia của người đăng ký có thể thay đổi đáng kể theo ngành và thị trường mục tiêu.

#10 Cung cấp đủ thời gian cho A/B Testing để tạo ra dữ liệu hữu ích

Một lần nữa, bạn sẽ muốn đảm bảo rằng  thử nghiệm của mình chạy đủ lâu để có được kích thước mẫu đáng kể. Mặt khác, thật khó để biết liệu có sự khác biệt có ý nghĩa thống kê giữa hai biến thể hay không.

Bao lâu mới là đủ?

Tùy thuộc vào công ty của bạn và cách bạn triển khai A/B Testing, việc có được kết quả có ý nghĩa thống kê có thể xảy ra trong vài giờ … hoặc vài ngày … hoặc vài tuần.

Một phần lớn của việc mất bao lâu để có được kết quả có ý nghĩa  là lượng lưu lượng truy cập bạn nhận được – vì vậy nếu doanh nghiệp của bạn không nhận được nhiều lưu lượng truy cập vào trang web, bạn sẽ mất nhiều thời gian hơn để chạy A/B Testing.

Về lý thuyết, bạn không nên giới hạn thời gian thu thập kết quả. 

#11 Yêu cầu phản hồi từ người dùng thực sự

A/B Testing có liên quan nhiều đến dữ liệu định lượng … Nhưng điều đó sẽ không nhất thiết giúp bạn hiểu lý do tại sao mọi người lại thực hiện một số hành động nhất định đối với người khác.

Trong khi bạn đang chạy A/B Testing, tại sao không thu thập phản hồi định tính từ người dùng thực? Một trong những cách tốt nhất để hỏi mọi người về ý kiến ​​của họ là thông qua một cuộc khảo sát hoặc thăm dò ý kiến.

Bạn có thể thêm khảo sát trên trang web của mình để hỏi khách truy cập tại sao họ không nhấp vào một CTA nào đó, hoặc một khảo sát trên trang cảm ơn của bạn hỏi về vấn đề tại sao người truy cập lại nhấp vào nút hoặc điền vào biểu mẫu. 

Sau quá trình A/B Testing

#12 Tập trung vào số liệu mục tiêu của bạn

Một lần nữa, mặc dù bạn sẽ có nhiều số liệu, hãy tập trung vào số liệu mục tiêu khi bạn thực hiện phân tích.

#13 Đo lường tầm quan trọng của kết quả của bạn bằng máy tính A/B Testing

Bây giờ bạn đã xác định được biến thể nào hoạt động tốt nhất, đã đến lúc xác định xem kết quả có ý nghĩa thống kê hay không.

Nói cách khác, nó có đủ để giải thích cho một sự thay đổi?

Để tìm hiểu thêm, bạn sẽ cần tiến hành kiểm tra ý nghĩa thống kê. Bạn có thể làm điều đó thủ công … hoặc bạn chỉ cần đưa kết quả từ thử nghiệm của mình vào máy tính A/B Testing.

Đối với mỗi biến thể bạn đã kiểm tra, bạn sẽ được nhắc để nhập tổng số lần thử, như email đã gửi hoặc số lần hiển thị được nhìn thấy.

Sau đó, nhập số lượng mục tiêu đã hoàn thành – nói chung bạn sẽ xem các nhấp chuột, nhưng đây cũng có thể là các loại chuyển đổi khác.

Máy tính sẽ cung cấp mức độ tin cậy mà dữ liệu của bạn tạo ra cho biến thể được chọn. Sau đó, đánh giá số đó so với giá trị bạn đã chọn để xác định ý nghĩa thống kê.

#14 Hãy thực hiện dựa trên kết quả của bạn

Nếu một biến thể tốt hơn về mặt thống kê so với biến thể khác, bạn đã có người chiến thắng. Biến thể này đã hoàn thành bài kiểm tra của bạn bằng cách vô hiệu hóa biến thể còn thiếu trong công cụ A/B Testing.

Nếu không có biến thể nào tốt hơn về mặt thống kê, bạn vừa biết rằng biến thể bạn đã kiểm tra không ảnh hưởng đến kết quả và bạn sẽ phải đánh dấu thử nghiệm là không có kết quả.

Trong trường hợp này, hãy gắn bó với biến thể ban đầu – hoặc chạy thử nghiệm khác. Bạn có thể sử dụng dữ liệu thất bại để giúp tìm ra một lần lặp mới trong bài kiểm tra mới của bạn.

Mặc dù các bài A/B Testing giúp bạn tác động đến kết quả trong từng trường hợp cụ thể, bạn cũng có thể áp dụng các bài học học được từ mỗi bài kiểm tra và áp dụng nó cho các nỗ lực trong tương lai. 

#15 Lập kế hoạch A/B Testing tiếp theo của bạn

A/B Testing của bạn vừa hoàn thành có thể đã giúp bạn khám phá một cách mới để làm cho nội dung marketing hiệu quả hơn – nhưng đừng dừng lại ở đó.

Sẽ luôn luôn có cách để có thể tối ưu hóa hơn. Bạn thậm chí có thể thử tiến hành A/B Testing trên một tính năng khác của cùng trang web hoặc email mà bạn vừa thực hiện kiểm tra. 

Lợi ích của A/B Testing

A/B Testing có vô số lợi ích cho một nhóm marketing, tùy thuộc vào những gì bạn quyết định thử nghiệm.

Trên hết, các thử nghiệm này có giá trị đối với một doanh nghiệp vì chúng có chi phí thấp nhưng phần thưởng cao. Giả sử bạn sử dụng một người sáng tạo nội dung (content) với mức lương 84 triệu/ năm.

Người này xuất bản 5 bài viết mỗi tuần cho blog của công ty, nghĩa là tổng cộng 260 bài viết mỗi năm.

Nếu trung bình mỗi bài đăng trên blog của công ty tạo ra 10 khách hàng tiềm năng, bạn có thể nói rằng chi phí chỉ hơn 500.000 nghìn VNĐ để tạo ra 10 khách hàng tiềm năng cho doanh nghiệp (mức lương 84,000,000 đồng ÷ 260 bài viết = 323,000 VNĐ/ bài viết).

Đó là một phần lớn của sự thay đổi.

Bây giờ, nếu bạn yêu cầu người sáng tạo nội dung này dành 2 ngày để phát triển A/B Testing cho một bài viết, thay vì viết 2 bài viết trong khoảng thời gian đó, bạn có thể giảm đi 323,000 VNĐ vì bạn đang xuất bản ít hơn một bài viết.

Nhưng nếu A/B Testing đó cho thấy bạn có thể tăng tỷ lệ chuyển đổi của mỗi bài viết từ 10 lên 20 khách hàng tiềm năng, bạn chỉ cần chi 323,000 VNĐ để có khả năng nhân đôi số lượng khách hàng mà doanh nghiệp của bạn có được từ blog của bạn.

Tất nhiên, nếu bài kiểm tra thất bại, bạn đã mất 323,000 VNĐ – nhưng bây giờ bạn có thể làm cho bài A/B Testing tiếp theo của mình được hiệu quả hơn.

Nếu thử nghiệm thứ hai đó thành công trong việc nhân đôi tỷ lệ chuyển đổi trên blog của bạn, cuối cùng bạn đã chi 646,000 VNĐ để có khả năng nhân đôi doanh thu của công ty.

Cho dù sự thất bại của bạn trong quá trình A/B Testing là gì đi chăng nữa, thành công cuối cùng của nó sẽ hầu như luôn vượt xa chi phí để thực hiện nó.

Có nhiều loại split test mà bạn có thể chạy để làm cho thử nghiệm có giá trị hơn. Dưới đây là một số mục tiêu phổ biến mà các nhà tiếp thị có cho doanh nghiệp của họ khi sử dụng A/B Testing:

• Lưu lượng truy cập trang web tăng: Việc test các bài đăng trên blog hoặc tiêu đề trang web khác nhau có thể làm thay đổi số lượng người nhấp vào tiêu đề siêu liên kết đó để truy cập website của bạn.
  Điều này dẫn đến kết quả là làm tăng lưu lượng truy cập trang web.
• Tỷ lệ chuyển đổi cao hơn (Conversion Rate): Test các vị trí, màu sắc khác nhau hoặc thậm chí là văn bản neo trên CTA của bạn có thể thay đổi số người nhấp vào các CTA này để đến trang đích.
  Điều này giúp làm tăng số người điền vào biểu mẫu trên website của bạn, gửi thông tin liên lạc của họ cho bạn và “chuyển đổi” thành khách hàng tiềm năng.
• Tỷ lệ thoát trang thấp hơn: Nếu khách truy cập website của bạn rời khỏi hoặc thoát ra nhanh chóng sau khi truy cập website của bạn, hãy làm thử nghiệm trên các bài đăng giới thiệu blog, phông chữ hoặc hình ảnh đặc trưng khác nhau.
  Điều này có thể làm giảm tỷ lệ thoát và giữ được nhiều khách truy cập hơn.
• Giảm sự từ bỏ giỏ hàng (cart abandonment): Các doanh nghiệp thương mại điện tử cho biết từ 40% – 75% khách hàng rời khỏi trang web khi mà những mặt hàng của họ vẫn còn trong giỏ.
  Điều này được gọi là “từ bỏ giỏ hàng” hay “cart abandonment”.
  Việc test các hình ảnh sản phẩm khác nhau, thiết kế trang thanh toán và hiển thị phí vận chuyển có thể làm giảm tỷ lệ từ bỏ này.

4 lỗi Testing A/B thường gặp và cách khắc phục chúng

#1 Công cụ testing của bạn bị lỗi

Sự nổi tiếng là một con dao hai lưỡi và điều này vẫn luôn đúng ngay cả với phần mềm A/B testing.

Sự phổ biến của phương pháp testing A/B đã tạo ra nhiều phần mềm với chi phí thấp và tuyệt vời, nhưng về chất lượng thì lại không nhất quán.

Nhiều công cụ khác nhau dĩ nhiên sẽ có chức năng khác nhau nhưng có vài điểm khác biệt bạn cần phải lưu ý. Và nếu bạn không ý thức được những điểm khác biệt đó thì quá trình A/B testing sẽ gặp khó khăn từ trước khi bạn bắt đầu.

Thực tế đã chỉ ra rằng trung bình mỗi lần load trang kéo dài thêm 1 giây cũng làm giảm đi 11% lượt viewvà kèm theo đó, tỉ lệ chuyển đổi cũng giảm 7%. Điều này tạo ra một cơn ác mộng thực sự khi mọi nỗ lực cải thiện website bằng A/B testing lại cản trở tiến trình làm việc của bạn.

Và ngay cả khi bạn nghĩ, mọi chuyện không thể tồi tệ hơn được nữa, thì chính quyết định lựa chọn phần mềm A/B testing nào của bạn cũng sẽ tác động đến kết quả của việc kiểm tra.

Neil Patel là một chủ doanh nghiệp và là một người có sức ảnh hưởng. Patel đã phát hiện rằng phần mềm A/B Testing anh ấy hiện đang sử dụng có những điểm khác biệt rõ rệt. Nhưng khi ông tạo một trang mới thì lại không nhận thấy sự thay đổi trong việc chuyển đổi.

Nguyên nhân thật ra bắt nguồn từ công cụ testing (testing tool) bị lỗi.

Vậy những việc bạn nên làm để đảm bảo hiệu quả hoạt động của phần mềm testing A/B là gì trong vô vàn bẫy ngầm đang đợi bạn?

Cách giải quyết – Chạy A/A test

Trước khi chạy A/B test, bạn nên chạy A/A test với phần mềm của mình để đảm bảo phần mềm vẫn hoạt động mà không tác động đến tốc độ và hiển thị nội dung của trang.

Đối với dân nghiệp dư, A/A test cũng giống như A/B test. Điểm khác nhau chính là trong A/A test, cả 2 nhóm người dùng đều nhìn thấy cùng một trang web.

Đúng vậy, điều phải làm ở đây là bạn cần phải so sánh trang web đó với chính bản thân nó.

Nghe có vẻ hơi vô lý, nhưng khi chạy A/A test, bạn sẽ nhận ra nhiều vấn đề bắt nguồn từ phần mềm kiểm tra.

Riêng đối với A/A test, bạn sẽ muốn kết quả kiểm tra của mình vô vị một tí.

Bởi nếu bạn thấy tỉ lệ chuyển đổi bị giảm ngay khi bạn bắt đầu kiểm tra thì có lẽ công cụ bạn đang dùng đang làm chậm nó. Và nếu bạn thấy có nhiều sự khác biệt đáng kể giữa 2 trang thì có lẽ phần mềm của bạn mới là thứ bị lỗi.

#2 Ngừng test ngay khi kết quả đạt mức

Về mặt thống kê số liệu, việc này giống như là ôm banh rồi về nhà vậy. Thực ra, khi tiến hành A/B testing, việc ngừng test ngay khi bạn thấy kết quả mong muốn không chỉ đơn thuần là hành động phi thể thao, mà nó còn khiến kết quả mà bạn tạo ra trở nên vô nghĩa.

Rất nhiều công cụ dung túng cho hành vi này bằng cách cho phép người dùng ngưng kiểm tra ngay khi đạt được kết quả mong muốn.

Nhưng nếu bạn thực sự muốn cải thiện trang web của mình, bạn cần phải thay đổi ngay ý định muốn kết thúc quá trình A/B Testing sớm.

Vấn đề ở đây được gọi là “false positives”: những kết quả đó sai lầm khi chỉ ra sự khác biệt giữa các trang với nhau. Bạn càng kiểm tra kết quả thường xuyên, bạn sẽ càng có nhiều cơ hội nhận được kết quả vốn tưởng là đúng nhưng bị khẳng định nhầm.

Điều này sẽ không thành vấn đề nếu bạn bình tĩnh và tiếp tục kiểm tra thêm. Tuy nhiên nếu bạn kết thúc quá trình kiểm tra ngay khi bạn thấy kết quả khả quan thì có lẽ bạn đã bị “false positives” lừa rồi.

Công ty phân tích Heap đưa ra kết quả mô phỏng cho thấy việc kết thúc kiểm tra quá sớm sẽ nguy hại đến kết quả của bạn như thế nào.

Bằng phương pháp kiểm tra số liệu, sau đó kiểm tra kết quả từ 1000 người dùng cho thấy có 5% là “false positives”.

Nếu người kiểm tra xem lại kết quả từ cùng nhóm người dùng đó 10 lần, khả năng gặp “false positives” sẽ tăng lên đến 19.55%. Và nếu kiểm tra 100 lần, thì 5% ban đầu sẽ gấp 8 lần, lên đến 40,1%.

Những con số này sẽ giúp cảnh tỉnh bạn nếu lần kế tiếp bạn háo hức muốn kết thúc sớm với kết quả khả quan.

Cách giải quyết – Bám theo một kích cỡ mẫu được định sẵn

Hiểu được false positives là gì là một chuyện, còn để đối đầu với false positives là một chuyện khác. Để đối đầu với false positives, bạn phải đặt ra quy tắc. Bạn nên có một bộ mẫu trước khi chạy A/B test và chống lại cám dỗ khiến bạn muốn kết thúc sớm.

Dù kết quả có khả quan ra sao đi nữa, cũng đừng băn khoăn không biết bộ mẫu phải lớn đến bao nhiêu. Trên mạng có rất nhiều công cụ giúp bạn tính toán kích cỡ tối thiểu. Vài công cụ phổ biến có thể kể đến Optimizely và VWO, …

Lưu ý: Về kích cỡ số liệu mẫu, hãy nhớ rằng bạn cần một kích cỡ mẫu thực tế cho trang web của mình.

Thực tế, ai cũng muốn có hàng triệu người dùng để thử nghiệm, nhưng không phải ai cũng có thể làm được điều đó. Tôi nghĩ bạn nên ước tính bạn sẽ thử nghiệm trong bao lâu để đạt đến bộ kích cỡ mẫu.

#3 Bạn chỉ tập trung vào chuyển đổi

Khi bạn đang lặn ngập trong những lần A/B test thì rất dễ bỏ qua bức tranh toàn cảnh. Để tôi giải thích cho bạn dễ hiểu hơn. Khi nói đến A/B testing, bạn thường tập trung vào mỗi việc chuyển đổi mà quên mất kết quả kinh doanh lâu dài.

Dĩ nhiên là thêm nhiều bản sao vào web của bạn sẽ khiến tỉ lệ chuyển đổi cao hơn. Và nếu vậy thì người dùng đã qua chuyển đổi với chất lượng thấp hơn nhưng có tỉ lệ chuyển đổi cao hơn cũng sẽ không mang lại kết quả tốt cho doanh nghiệp.

Bạn sẽ dễ bị những thứ phù phiếm thu hút sự quan tâm khi đang tiến hành AB testing. Nhưng bạn phải nhớ rằng, những thứ đó chỉ đánh lạc hướng bạn khỏi kết quả sinh lời thực sự.

Nếu bạn đang thử nghiệm chiến thuật kêu gọi hành động nhằm dẫn đến landing page, bạn không nên chỉ chú tâm vào việc chuyển đổi đến trang landing page này. Thay vào đó bạn nên tính toán những đường dẫn tới trang và ràng buộc nó với lợi nhuận được sinh ra.

Cách giải quyết: Kiểm chứng giả thuyết

Trước khi tiến hành A/B test, bạn nên lập nên một giả thuyết bạn muốn chứng minh hoặc bác bỏ. Và khi tập trung giả thuyết này vào mục tiêu kinh doanh nhằm thúc đẩy kết quả doanh nghiệp, bạn sẽ tránh được những cám dỗ phù phiếm.

Quá trình chạy A/B test nên được đánh giá dựa trên mức độ ảnh hưởng đến mục tiêu kinh doanh chứ không phải bất kỳ số liệu nào khác. Nên nếu bạn muốn tăng lượt đăng ký, hãy chú tâm vào số lượng người đăng ký chứ không phải lượt truy cập (traffic) hay traffic vào trang “Đăng ký” hay trang chủ chứa form đăng ký của mình.

Trong khi đang kiểm chứng để chứng minh hoặc bác bỏ giả thuyết, đừng bỏ qua bất kỳ kết quả nào không quan trọng mà hãy dùng chúng cho những lần kiểm chứng tiếp theo.

#4: Bạn chỉ chú tâm tới những thứ nhỏ nhặt

Thực ra, A/B Testing không chỉ đơn giản là một yếu tố riêng lẻ nào đó (như test màu của nút CTA chẳng hạn). Nó còn gồm nhiều yếu tố khác nữa. Chính việc bạn chỉ test màu của các nút CTA đã làm hỏng việc tiến hành A/B testing của bạn.

Nếu những trang web lớn sẽ có cú lội ngược dòng ngoạn mục chỉ nhờ vào việc thay đổi màu nút CTA. Thì với đại đa số các trang web thông thường, những thứ nhỏ nhặt (như màu nút CTA) sẽ không cho ra kết quả ý nghĩa nào.

A/B testing sẽ gò ép chúng ta vào việc cải thiện những thứ lắt nhắt, nhưng nếu làm vậy chúng ta sẽ bỏ lỡ những cơ hội to lớn hơn.

Cách giải quyết – Kiểm tra căn bản định kỳ

Có một quy tắc cơ bản đó là hãy kiểm tra những thay đổi căn bản cho trang web của bạn một cách định kỳ. Vì thế, việc này được gọi là Kiểm tra căn bản định kỳ.

Nếu bạn thấy tỉ lệ chuyển đổi thấp, thì có lẽ bạn nên dành thời gian kiểm tra những thay đổi căn bản thay vì những thay đổi nhỏ nhặt.

Hãy coi việc testing như một bàn chơi bài, thi thoảng bạn nên cược lớn một chút nếu bạn muốn lời to.

Nhưng trước khi bạn tuyên truyền về cách “kiểm tra căn bản”, thì hãy nhớ rằng bản thân nó cũng có nhiều điểm bất cập.

• Cần nhiều sự chuẩn bị hơn A/B testing

Kiểm tra căn bản yêu cầu bạn dành thời gian thiết kế lại trang web. Vì việc này sẽ tốn nhiều thời gian, nên tôi khuyến cáo bạn nên tiến hành định kỳ.

• Khó xác định yếu tố nào có tác động lớn nhất đến web của bạn

Và bạn nên lưu ý rằng kiểm tra căn bản sẽ giúp bạn xác định nếu việc tái thiết trang web có tác động đến tỉ lệ chuyển đổi chứ không cho phép bạn định vị chính xác yếu tố nào đã thúc đẩy kết quả đó.

Kết luận

Giờ thì bạn đã nắm được khái niệm về A/B Testing là gì chưa? Đây là một chiến thuật được sử dụng rất nhiều trong lĩnh vực Digital Marketing nói riêng và Marketing nói chung. Nếu có vấn đề thắc mắc, comment chia sẻ bên dưới bài viết này nhé!

Nếu bạn đang muốn tìm hiểu về Digital Marketing thì chắc chắn video “Kinh nghiệm đúc kết sau 5 năm Tự học Digital Marketing” sẽ hữu ích với bạn. Xem ngay nhé! 

Nguồn tham khảo:

1. https://blog.hubspot.com/marketing/how-to-do-a-b-testing
2. https://en.wikipedia.org/wiki/A/B_testing

Có thể bạn đang tìm kiếm: