Все давно усвоили главный принцип диджитал маркетинга: постоянно тестировать свои гипотезы. Но «всегда проводить тестирование» полезно только в том случае, если ваши тесты наверняка будут способствовать более успешным кампаниям.

Лучшим советом будет скорее «тестируйте многообещающие гипотезы». Если вы видите, что что-то можно улучшить, и у вас есть идея, как это улучшить, обязательно попробуйте. Важно иметь продуманный подход к A/B-тестированию, чтобы, если и когда стрелка сдвинется с места, вы знали, почему, и могли проверять и повторять этот успех снова и снова.

Сегодня мы рассмотрим отличные примеры A/B-тестирования рекламы и поделимся советами, которые помогут вам создать наиболее значимые и эффективные A/B-тесты.

Примеры гипотез PPC A/B-тестирования

Независимо от того, какой пример A/B-тестирования вдохновит вас на проведение собственного теста, обязательно сосредоточьтесь на своей гипотезе на протяжении всего эксперимента.

Как уже упоминалось выше, любой тест всегда следует начинать с гипотезы. Что вы пытаетесь проверить и почему? Простое: «Я думаю, что новая реклама будет более эффективной» не сработает. Постарайтесь сформулировать, чего вы собираетесь достичь при проведении A/B-теста. Если вы будете более внимательны при создании гипотезы, вы получите более действенные и передаваемые результаты.

Чтобы проиллюстрировать эту мысль, приведем типичную гипотезу в качестве примера A/B-тестирования: «Я хочу протестировать автоматическое назначение ставок и посмотреть, работает ли оно лучше».

Конечно, это может быть хорошим тестом, но что значит «работает лучше»? Хорошая, сфокусированная гипотеза почти всегда включает в себя определенный уровень детализации. На следующих шагах мы обрисуем в общих чертах особенности, но на данном этапе постарайтесь воспринять это выражение это как отчет вашему воображаемому высокопоставленному начальнику. Он, вероятно, не знает мельчайших цифр, на которые вы смотрите изо дня в день, но он точно хочет знать, на какие метрики в тесте вы ориентируетесь, чтобы понимать и контролировать происходящее.

И вот хороший план:

Гипотеза: «Автоматическое назначение ставок поможет нам снизить цену за конверсию для основного действия-конверсии».

Для начала приведем несколько примеров гипотез A/B-тестирования для нескольких различных экспериментов, которые вы можете провести:

• «Использование сравнения затрат в рекламных текстах поможет нам выделиться среди конкурентов».

• «Лендинг с большим количеством вспомогательного контента поможет привлечь больше потенциальных клиентов, и мы увидим более высокий коэффициент конверсии».

3 примера A/B-тестирования, которые должен попробовать каждый рекламодатель

Есть несколько способов проверить гипотезу на основных рекламных ресурсах, таких как Google Ads. И, в зависимости от того, какую платформу вы используете, вам могут помочь некоторые инструменты A/B-тестирования.

Не существует «неправильных» способов проверить гипотезу, но есть некоторые плюсы и минусы, о которых вам следует знать в каждом из следующих примеров A/B-тестирования.

1. On/off, последовательное тестирование.

Этот первый пример A/B-тестирования, вероятно, будет самым простым для большинства рекламодателей. Здесь вы принимаете к сведению данные из вашей существующей настройки, затем вносите изменения, подтверждающие вашу гипотезу, какое-то время запускаете кампанию таким образом, а затем сравниваете статистику.

Вот так это может. Здесь, в вечнозеленом рекламном экземпляре есть данные за четыре недели. Затем вы приостанавливаете эти варианты и запускаете копию, ориентированную на стоимость, на еще четыре недели, а затем сравниваете.

Этот метод тестирования может быть полезен и может дать хорошие результаты. Его легко реализовать, и от вас требуется только следить за резкими колебаниями эффективности вашей кампании.

Обратной стороной является то, что варианты никогда не пересекаются друг с другом. Был ли какой-то сезонный эффект во вторые 4 недели? У вас был ограниченный бюджет на месяц, и вам нужно было сократить расходы, чтобы достичь желаемого уровня? Влияли ли новости на производительность в худшую (или лучшую) сторону в любой период? Изменились ли какие-либо другие аспекты кампании за восемь недель проведения теста?

Это не идеальный вариант, но может быть полезно тестировать последовательно, чтобы увидеть результаты.

2. Тестирование геолокации

В примере A/B-тестирования по геолокации вы оставляете существующую кампанию без изменений, а затем создаете вариант эксперимента во втором местоположении. Это может быть либо расширенный рынок, либо часть того региона, на который вы в настоящее время ориентируетесь (т. е. ваша кампания нацелена на всю территорию определенного региона, но для этого теста вы вносите изменения, которые будут действовать только в определенном множестве мест).

В отличие от примера последовательного A/B-тестирования, тестирование геолокации позволяет одновременно запускать варианты и сравнивать результаты. Любой встречный или попутный ветер, который вы почувствуете во время испытания, должен быть одинаковым для обоих мест.

3. A/B сплит-тестирование

Сплит-тесты, вероятно, являются лучшим примером A/B-тестирования, поскольку они устраняют некоторые недостатки, которые мы наблюдаем при последовательном тестировании и тестировании по геолокации. Проблема в том, что настоящее A/B-тестирование провести труднее всего.

Такие платформы, как Google Ads и Meta Ads, уже давно отказались от равномерного чередования переменных. Например, обе платформы оснащены машинным обучением на основе искусственного интеллекта, которое почти всегда будет отдавать предпочтение одному варианту рекламы перед другим в зависимости от желаемого результата кампании или набора объявлений. То же самое справедливо и для стратегий ставок. Если вы тестируете ручное или автоматическое назначение ставок или одну целевую цену за конверсию в сравнении с другой, эти две кампании, скорее всего, не выйдут на аукцион с одинаковой скоростью. Одна будет иметь приоритет над другой, и вы получите несбалансированный тест.

Именно здесь могут пригодиться эксперименты в Google Ads и сплит-тестирование в Facebook Ads.

Используя эти инструменты, вы можете настроить тесты, чтобы сосредоточиться на одной (или нескольких) переменных и дать каждой из них равные шансы на аукционе.

Измерение успеха на различных примерах A/B-тестирования рекламы

Теперь, когда мы знаем, как будем тестировать, нам нужно более подробно остановиться на показателях, которые мы собираемся использовать для определения успеха.

Во-первых, нам нужно решить, какой у нас основной KPI. Это ваша цена за лид в Google Ads? Коэффициент конверсии? Рейтинг кликов? Процент показов? Это будет полностью зависеть от вашей гипотезы и от того, какой пример A/B-тестирования вы решите реализовать. Выберите статистику, которая лучше всего отразит успех или неудачу вашего теста.

Как и в случае с функциональностью теста, существует три распространенных подхода к этому. Допустим, мы пытаемся улучшить цену за конверсию для аккаунта. Вот несколько способов, которыми можно сформулировать свою метрику «успеха»:

• Целевая эффективность. Этот тест считается успешным, если переменная эксперимента дает цену за конверсию $60.

• Процентное улучшение: этот тест считается успешным, если переменная эксперимента имеет CPA на 10 % ниже, чем контрольная.

• Статистическая значимость: этот тест считается успешным, если переменная эксперимента имеет уровень достоверности 80%, показывающий лучшие результаты, чем контрольная.

Все это действительные способы измерения. Выберите тот, который лучше всего подходит для ваших целей.

Установите ограничения условий PPC A/B-тестирования

Теперь давайте перейдем к некоторым другим показателям, о которых мы упоминали. Хотя вы, возможно, работаете над оптимизацией стоимости за лид, это не означает, что все остальные показатели останутся неизменными. На самом деле, рискнем предположить, что многие из них существенно изменятся. И вам решать, какой уровень изменения других характеристик является приемлемым.

Возможно, вас не волнует, снизится ли ваш рейтинг кликов на 20%, пока стоимость лида снизится до прибыльного уровня. Возможно, вам все равно, если вы увидите увеличение цены за клик, пока доход останется стабильным. Но не всех устраивает слишком сильное изменение других показателей.

Когда вы проводите эксперименты в Google, они даже запрашивают два ключевых показателя и то, что вы планируете сделать. Вы должны сделать это для себя и спросить: «Есть ли какие-либо потенциальные препятствия для показателей, которые потребуют от меня остановки этого теста до его завершения?»

Продумайте график проведения A/B-тестирования

К сожалению, иногда A/B-тесты заканчиваются без явного победителя. Эти тесты не могут продолжаться вечно, иначе вы никогда больше ничего не будете тестировать.

С другой стороны, A/B-тесты должны выполняться достаточно долго, чтобы убедиться, что у вас достаточно данных для принятия решений. Только самые крупные аккаунты потенциально могли бы принять решение после одной недели тестирования, но даже в этом случае им придется следить за тестом денно и нощно, чтобы быть в курсе всех показателей.

Обычно для запуска теста рекомендуется минимум две недели и максимум два месяца. Все, что выходит за рамки этого, может оказаться неуправляемым и привести к тому, что другие факторы могут привести к признанию теста недействительным.

Это означает, что независимо от того, какой пример A/B-тестирования вы выберете, будьте уверены, что в течение двух месяцев ваш тест будет иметь достаточно данных, чтобы с уверенностью решить, верна ли ваша гипотеза.

Заключение

A/B-тестирование — бесценный инструмент, который следует использовать в той или иной форме всем маркетологам. Прежде чем приступать к тестированию, убедитесь, что у вас ясная голова, готова гипотеза, план действий и обозначены потенциальные препятствия. Таким образом, вы настроитесь на успех независимо от результата.