A/B-testaus Google Optimize -työkalulla

A/B-testaus mahdollistaa esimerkiksi verkkokaupan tai sosiaalisen median mainosten konversion kasvattamisen. Kotisivujen A/B-testaus voi helposti tuntua aikaa vievältä viilaamiselta ja unohtua kaiken muun tekemisen keskellä.

Kerromme kuitenkin tässä kirjoituksessa, miksi se ehdottomasti kannattaa. Lisäksi mukana olevat ammattilaiset kertovat, miten pääset testauksessa alkuun ja miten siitä saadaan paras mahdollinen hyöty irti.

Kirjoitus tarjoaakin helpot ohjeet A/B-testauksen aloittamiseen ja antaa myös uusia vinkkejä jo aiemmin A/B-testaamista tehneille.

Mitä tarkoittaa A/B-testaus?

A/B-testaus (engl. A/B testing) on yksinkertaisimmillaan sitä, että esimerkiksi nettisivujen tietystä sivusta näytetään kahta eri versiota kävijöille. Vierailijoiden käyttäytymisestä kyseisellä sivulla kerätään tietoa, jonka perusteella voidaan päätellä, kumpi versio toimii paremmin. Yksinkertaisimmillaan muutos voisi olla eri värinen call to action -painike.

Käytännössä nämä versiot voisivat olla nimeltään A- ja B-versio. 50% sivuston kävijöistä näkee version A ja 50% version B. Testaamisen jälkeen havaitaan, että A-version konversioprosentti on 5% ja B-version 10%. Testauksen avulla havaitaankin, että versio B toimii paremmin.

A/B-testausta voidaan käyttää myös vaikkapa sosiaalisen median mainosten tai uutiskirjeiden kehittämiseen. Keskitymme kuitenkin tässä kirjoituksessa erityisesti kotisivujen ja verkkokauppojen A/B-testaukseen.

Miksi kannattaa testata?

Testaamisen avulla sivustoa voidaan jatkuvasti parantaa ja esimerkiksi verkkokauppojen konversioita kasvattaa. Testaamisen avulla saadaan todellisten asiakkaiden käyttäytymiseen perustuvaa tietoa, eli päätöksiä ei tarvitse tehdä fiilispohjalta.

Joonas: ”A/B testaus auttaa osaltaan ymmärtämään palvelun käyttäjää. Sen kauneus piilee siinä, että testausta voi tehdä oikeassa ympäristössä, oikeita ostospäätöksiä tekevän yleisön keskuudessa. Tällöin vältytään esimerkiksi käyttäjähaastatteluiden mahdolliselta ongelmalta, jossa käyttäjä selittää käytöstään jälkikäteen tai antaa vastaukseksi koetilanteessa jotain sellaista, mikä ei oikeasti ole tapa, jolla hän käyttäytyisi todellisessa tilanteessa.

A/B-testauksen avulla voidaan selvittää, esimerkiksi minkälainen tarjous toimii kohdeyleisöön paremmin (rahallinen alennus vai lisätilpehööriä), miksi käyttäjä ei siirry ostoputkessa eteenpäin (muutetaan designia ja nähdään, onko tällä vaikutusta) ja niin edelleen.”

Joni: ”AB-testaus on erittäin tehokas ja nopea tapa parantaa sivuston tai verkkokaupan konversiota. A/B-testauksessa hyödynnetään luotettavasti dataa päätöksenteossa, mikä toimii ja miten sivusto saadaan tuottamaan paremmin.

Asiakaskokemus korostuu entisestään nykyään ja kilpailukyvyn säilyttäminen alati kilpaillummassa online-kentässä tarkoittaa, että on pakko kehittää toimintaa ja pysyä ajan hermolla – ja vastata asiakkaiden tarpeisiin. A/B-testaus on kaikille, jotka haluavat tosissaan kehittää verkkoliiketoimintaa. Se on digitaalisen markkinoinnin työkalupakin vakiovaruste nykyään.”

Aina A/B testaus ei ole järkevää

Joni: ”Aina A/B-testaus ei kuitenkaan ole oikea valinta. Jos verkkokaupassa tai sivustolla on vain vähän kävijöitä, esimerkiksi alle 100 päivässä, A/B-testaus ei lähtökohtaisesti kannata. Kävijämäärien vähäisyys ei kuitenkaan ole absoluuttinen este, vaan myös testin aikaa voi venyttää ja siten kerryttää enemmän kävijä- sekä konversiodataa.

Toinen tilanne, jossa A/B-testaus ei toimi, on sivuston lyhytaikainen käyttötarkoitus. Tällaisia voivat olla esimerkiksi kampanjasivut. A/B-testaus vaatii aikaa ja yleinen paras käytäntö A/B-testeissä on 2vk – 3kk. Yleisin A/B-testin pituus on 14 päivää. Kampanjasivustojakin kannattaa silti mitata, joten analytiikka kuntoon!”

Aloita A/B-testaus

Testausta tulee tehdä mahdollisimman järjestelmällisesti, jotta myös tulokset ovat luotettavia. Aluksi määritellään testauksen tavoite, sen jälkeen hypoteesi ja mittarit sekä testaustyökalu. Lopuksi on tärkeää arvioida saatuja tuloksia ja tehdä niiden pohjalta uusia hypoteeseja.

A/B testaus onkin jatkuva prosessi, joten testausta ei siis missään nimessä lopeteta vielä ensimmäisen kierroksen jälkeen. Myöhemmin voidaan ottaa alkuperäisen tavoitteen rinnalle myös uusi tavoitteita ja testikohteita.

Joni: ”A/B-testauksen voi totta kai aloittaa itsekin. Kuitenkin konversio-optimoinnin palvelutuottajan kanssa pääsee nopeammin liikkeelle: mikä toimii, mikä ei toimi, valmiita ideoita, nopea toteutus, sen varmistus, että seurataan oikeita asioita, tehdään tehokkaasti ja saadaan aitoja tuloksia. A/B-testauksessa UI/UX-osaamisesta on hyötyä, mutta tätä ei välttämättä itseltä löydy, mutta palveluntarjoajalla on tähänkin puoleen usein osaamista.

AB-testausta varten on hyvä olla analytiikka olemassa. A/B-testejä voi tehdä ilman erillistä analytiikkaa, sillä Google Optimize on rakennettu pyörimään sen oman analytiikan varassa, mutta käytännössä linkitys Google Analyticsiin on pakollinen.

Varaa testille riittävä aika, esimerkiksi kuukausi. Ensimmäisellä viikolla teet suunnitelman, ideoit muuttujat ja variaatiot sekä teet dokumentaation. Sitten käynnistät testin ja annat sen pyöriä kaksi viikkoa. Kuun viimeisellä viikolla tutkit dataa, hyväksyt tai hylkäät hypoteesin ja suunnittelet jatkotestausta.”

Määrittele testauksen tavoite

Joonas: ”Ensimmäiseksi meidän tulee määrittää ongelma, johon haemme vastausta, onko verkkokaupassa esimerkiksi hyvin liikennettä, paljon tuotenäyttöjä mutta vähän ostoja. Tai SaaS-palvelulla paljon freemium-käyttäjiä, mutta hyvin heikosti maksullisen version käyttöönottajia.”

A/B-testaukselle tulisi aina olla jokin mitattava tavoite, esimerkiksi verkkokauppaostojen määrän kasvattaminen tai yhteydenottojen lisääminen.

Testaamisen kannalta olisi tärkeää löytää ne niin kutsutut pullonkaulat eli kohdat, joissa asiakas jättää vaikkapa sen toivotun ostoksen tekemisen kesken. Tällaisia pullonkauloja löydetään yleensä helpoiten tutkimalla sivuston analytiikkaa.

Muodosta hypoteesit

Testaukselle tulee muodostaa hypoteesi tai hypoteeseja, eli oletuksia lopputuloksesta. Kannattaa keskittyä vain yhteen asiaan kerrallaan, jotta tiedetään varmasti, miten mikäkin asia vaikuttaa lopputulokseen.

Joonas: ”Kun ongelma on identifioitu voimme lähteä purkamaan sitä osiin ja tekemään hypoteeseja, eli arvaamaan syitä, mistä tämä voisi johtua. Esimerkiksi verkkokaupassa oleva tuotteemme näyttää olevan kilpailijaa kalliimpi, mutta meillä sille saak in ilmaisen toimituksen, kun taas kilpailijalla toimitusmaksaa. Ehkä käyttäjä ei ymmärtäny tätä eroa. Tai SaaS-palvelun freemiumkäyttäjät menevät kyllä pricing -osioon, mutta eivät osta. Ehkä he eivät ymmärrä, mitä maksullinen lisäominaisuus Y tarkoittaa juuri heille.”

Kun olemme miettineet nipun hypoteeseja, voimme lähteä priorisoimaan näitä. Yleensä on hyvä käyttää kriteereinä kahta asiaa: 1) kuinka helppo tätä hypoteesia on testata (=kuinka paljon testaukseen kuluu aikaa ja rahaa) 2) kuinka suuri on ennalta veikattu hyöty (esimerkiksi muualla vastaavien tehtyjen testien perusteella). Näiden perusteella suunnitellaan sitten testausjärjestys.”

Esimerkkejä hypoteeseista

Joni: ”Aloita aina hypoteesista eli väittämästä, jota lähdet testaamaan. Selkeä hypoteesi mahdollistaa paremman mitattavuuden. Tässä muutama esimerkki hypoteeseista:

• Jos etusivun mobiilikäyttäjille nostetaan mobiilisovellusten mainos ylemmäs, se nostaa mobiilisovellusten latausten määrää.
• Tuotebanneri tekstillä konvertoi kävijöitä ostajiksi enemmän kuin ylesluontoinen bannerikuva.
• Koko lomakkeen levyinen painike yhteydenottolomakkeessa nostaa yhteydenottojen määrää.
• Jos hinta näkyy valmiiksi tuotesivulla eikä vain hinnastossa, se lisää myyntiä.
• Toimitustapatietojen esittäminen tuotesivulla lisää ostojen määrää.
• Kokotaulukon lisääminen tuotesivulle lisää ostojen määrää.
• Tuotekuvan suurentaminen vähintään puoleen ruudusta lisää myyntiä.
• Quick view -toiminto suositelluissa tuotteissa nostaa lisämyyntiä ostoskorinäkymässä.
• Copy-teksti ”Muut käyttäjät ostivat näitä tuotteita” suositelluissa lisämyyntituotteissa konvertoi enemmän kuin ”Sinulle suositellut tuotteet”.

Kun hypoteesi on luotu, varmista, että hypoteesin pohjalta mitattavat konversiopisteet on asetettu sivustolle ja näkyvät analytiikassa.”

Valitse mittarit ja testaustyökalu

A/B-testausta voidaan mitata useilla eri mittareilla. On kuitenkin yleensä kannattavaa valita yksi mittari, jota seuraa aktiivisesti. Hyviä mittareita voisi olla esimerkiksi juuri verkkokauppaostojen tai yhteydenottojen määrä.

Joonas: ”Kun testauskohde ja testattava hypoteesi on määritetty, on aika napata jokin testaamisen mahdollistava työkalu, ja luoda testattava versio esimerkiksi verkkosivusta. Useimmat A/B -testaustyökalut omaavat visuaalisen editorin (kuten Google Optimize), jolla sivuston komponentteja (tekstejä, kuvia nappuloita ja niin edelleen.) voi testattavaan versioon muokata suoraan.”

Analysoi tulokset

Joonas: ”Tärkeää on myös huomioida se, että meillä on tarpeeksi potentiaalista liikennettä A/B testiin syötettäväksi, jotta järkevässä ajassa voidaan saada tilastollisesti merkitseviä tuloksia. Emme halua siis, että testauksesta saamamme voittaja on valikoitunut puhtaan sattuman perusteella.

Tämä on itseasiassa testauksessa kovin yleinen pullonkaula. Uudelle palvelulle tai tuotteelle ei kannata lähteä heti alkuun miettimään A/B-testauskehikoita, testiin työnnettyä käyttäjämäärää ei ole riittävällä tasolla. Mikä on riittävä käyttäjämäärä?

Usein tarvitsemme kuitenkin tuhansia, tai jopa kymmeniä tuhansia toistoja per versio, jotta todellinen voittaja selviäisi. Se riippuu siitä, kuinka suuri konversioprosenttimme yleisesti on ja kuinka suuri testattavien versioiden ero konversioprosentissa oletettavasti on. Apptimizella on hyvä artikkeli aiheesta: Apptimize – How many users time.”

Testauksesta saatavien tulosten luotettavuutta kannatta aina arvioida kriittisesti. Erityisesti tulisi huomioida, onko testausta tehty tarpeeksi suurelle joukolle ja onko testiryhmät keskenään vertailukelpoisia. Testiryhmät tulisi muodostaa mahdollisimman tasaisesti ja satunnaisesti.

Tulosten analysoinnin jälkeen on tärkeä myös päättää, mitä lähdetään testaamaan seuraavaksi: otetaanko kokonaan uusi testikohde vai voidaanko nykyisen rinnalle tuoda uusi vaihtoehtoinen versio testattavaksi.

Google Optimize ja A/B-testaus

Google Optimize on yksi A/B-testaukseen yleisesti käytetyistä työkaluista. Sen avulla voidaan tehdä testaamista tehokkaasti ja täysin ilmaiseksi, työkalusta löytyy myös maksullinen versio.

Mikä Google Optimize on?

Google Optimize on vuonna 2016 julkaisu työkalu verkkosivustojen testaamiseen ja kehittämiseen. Se mahdollistaa A/B-, monimuuttuja- ja uudelleenohjaustestauksen.

Yleensä Google Optimize -työkalun avulla pyritäänkin kasvattamaan sivuston konversioprosenttia. Koska kyseessä on Googlen työkalu, on se myös hyvin integroitavissa esimerkiksi Google Analytics –työkalun kanssa.

Google Optimize vs. Google Optimize 360

Google Optimize -työkalusta on olemassa kaksi versiota: ilmainen Google Optimize ja maksullinen Google Optimize 360.

Joni: ”Aloitukseen kannattaa aina ottaa Google Optimizen ilmaisversio. Sillä pääsee jo pitkälle ja voi myös arvioida A/B-testaustarpeita kattavasti. Sen avulla voi tehdä muun muassa laitekohtaista erottelua ja maantieteellistä kohdentamista. Rajoituksena on maksimissaan 5 yhtäaikaista A/B-testiä sekä käyttäjien demografisten tekijöiden, kuten iän ja sukupuolen, puuttuminen.

Maksullinen Google Optimize perustelee paikkansa, jos vaikkapa käyttäjien iän perusteella testaaminen on keskeistä. Lisäksi jos kyseessä on multi-site tai muu laaja sivusto ja halutaan tehdä laajamittausta testausta, ilmaisversion viiden testin raja tulee nopeasti vastaan.”

Joonas: ”Maksullinen Google Optimize 360 on suunniteltu Enterprise-tason yritysten käyttöön ja sen hintalappu on sen mukainen. Puhtaasti A/B-testauksen osalta ero ei ole käsittääkseni kovin merkittävä.

Maksullinen versio mahdollistaa kahden version testaamisen sijasta esimerkiksi A/B/C ja niin edelleen testaamisen. Näissä on hyvä muistaa että jokainen uusi versio testiin, nostaa käyttäjämäärää, joka meidän on syötettävä testiin, jotta saadaan ulos tuloksia, jotka eivät ole puhdasta sattumaa.

Maksullisella voit pyörittää yhtä aikaa suurempia määriä testejä kuin ilmaisella. Käytännössä maksullinen versio tulee kyseeseen, jos olet suuri globaali toimija, jolla on testausta varten oma dedikoitu tiimi ja pyörität esimerkiksi 100 testiä yhtä aikaa.”

Miten aloittaa testaaminen Google Optimize -työkalulla?

Aluksi luodaan Google Optimize -tili ja niin kutsuttu oma säilö. Kannattaa käyttää samaa Google-tiliä, joka on jo kytkettynä Google Analytics -työkaluun.

Seuraavaksi kannattaa tehdä Google Analytics -linkitys Asetukset-kohdasta. Testaaminen voitaisiin jo tässä kohtaa aloittaa valitsemalla Aloita.

Kun linkitys on tehty, voidaan Google Optimize -snippet lisätä sivustolle.  Varsinainen testien luominen kannattaa aloittaa vasta näiden vaiheiden jälkeen, jotta kaikki testeistä saatava tieto saadaan talteen. Pääset aloittamaan testaamisen valitsemalla nyt Aloita edellisestä näkymästä.

Ammattilaisten vinkit

Loppuun kokosimme vielä molempien asiantuntijoiden vinkit sivuston A/B-testaukseen.

Joonaksen vinkit

• Suunnittele testi ensin kunnolla. Varmista, että sinulla on riittävästi liikennettä, jotta voit saada järkevässä ajassa tilastollisesti merkittäviä tuloksia.
• Suosittelen, että asennat Google Optimizen sivustolle Google Tag Manager -työkalun avulla. Kaiken kaikkiaan Tag Managerin käytön opettelu kannattaa. Se on loppupeleissä paras tapa hallita sivustolle asennettavia markkinointiin liittyviä lisätoimintoja tai skriptejä.
• Nimeä testi järkevästi eli niin, että ensi vuonna vanhoja testejä katseleva upo uusi markkinoinninharjoittelijakin pystyy nimestä päättelemään, mitä on testattu. Valitse testille järkevä tavoite (Objectives). Muista tässä, että esimerkiksi konversioprosentti verkkokauppamyyntiin on pienempi kuin ostoskorilisäykseen. Mitä pienempi konversioprosentti on, sitä enemmän tarvitset testaajia eli liikennettä, jotta saat tuloksia ulos.
• Jos testaat esimerkiksi ostoputken jotain välivaihetta, samalla on hyvä kuitenkin tarkkailla esimerkiksi toissijaisena tavoitteena (Secondary objective) sitä todellista loppukonversiota (kuten myyntiä). Jos testiversio esimerkiksi tilastollisesti merkitsevästi voitti alkuperäisen ostoskorilisäyksissä, mutta samalla myyntikonversiot eivät lisääntyneet, meidän täytyy lähteä miettimään tapahtuiko jotain sellaista joka ajaa nyt ”vääriä” käyttäjiä ostoskoriin.
• Linkitä Google Optimize testi Google Analytics -seurannan kanssa. Tämä mahdollistaa testituloksen segmentoimisen Google Analyticsissä eteenpäin esimerkiksi markkinointikanvan suhteen.

Jonin vinkit

• Varmista, että Google Optimize on asennettu oikein. Se pitää asentaa oikeaan kohtaan sivua ja varmistaa, että se on latausjärjestyksessä oikeassa kohtaa. F5 on ystäväsi tässä ja sitä pääsee painamaan monta kertaa. Jos Optimize on asennettu väärään kohtaan, sivustolla saattaa esiintyä vääriä animaatioita tai vilkkua sisältöä, joka on alkuperäiseltä sivulta.
• Varmista myös mobiili. Tekemääsi testiä voi muokata ja esikatsella myös mobiilisti. Jos haluat siis tehdä testin myös mobiilikäyttäjille, muista tarkistaa, että editoimasi sisältö toimii myös mobiilissa. Tämä on erityisen tärkeä tilanteissa, joissa muokkaat responsiivista sisältöä, kuten esim. eri kuva tai erikokoinen logo.
• Aseta Google Optimizen tavoitteet oikein. Huonosti määritelty konversioseuranta voi antaa väärää tietoa A/B-testin tuloksista ja haitata sivuston konversio-optimoitia.
• Älä aja liian montaa testiä yhtä aikaa. Jos testit ovat liian lähellä toisiaan tai vaikuttavat toisiinsa (esim. jos testataan samaa aikaa ostoskorin checkout-prosessin osoitteen syöttövaihetta ja tuotteiden valintavaihetta ja konversio nousee, ei voida tietää kumpi vaikuttaa kumpaan). Nyrkkisääntö on: yksi testi per käyttäjäpolku kerrallaan.
• A/B-testiä ja datan kertymistä kannattaa seurata testin aikana. Testin voi keskeyttää, jos on ilmeistä, että se ei toimi.
• Toimimattomasta hypoteesista kannattaa aina oppia. Myös negatiiviset testit ovat tärkeitä, koska ne toimivat esimerkiksi design-näkökulmasta rajaavina tekijöinä. Niillä saadaan kartoitettua muun muassa konversiota heikentäviä elementtejä. Toimimaton hypoteesi on usein tie toimivaan.
• Panosta hypoteesien mitattavuuteen. Vahvan hypoteesin ja helposti mitattavien konversioiden A/B-testaus on helppoa. Sen sijaan vaikkapa asiakaskokemuksen mittaaminen on vaikeaa A/B-testauksella – sen perusteella on vaikea vastata, tuleeko asiakkaalle esimerkiksi parempi ostokokemus. Mustavalkoisuus ja mitattavuus kannattavat A/B-testeissä.
• AB-testauksessa tarvitaan usein design-osaamista, jotta testit noudattavat brändiä. UI/UX-designereiden apu A/B-testien ideoinnissa auttaa paljon varsinkin, jos puhutaan vaikkapa kokonaisten sivujen vertailusta.
• Varaa riittävästi aikaa ensimmäisen A/B-testin tekemiseen. Google Optimizesta ei ole yhtä kattavia ohjeita kuin monista muista työkaluista. Ensimmäiseen itse tehtyyn testiin voit hyvin blokata yhden kokonaisen päivän.
• HTML- ja CSS-osaaminen on eduksi. Ilman näitä taitoja pärjäät, mutta voit toimia vain valmiin wysiwyg-editorin ehdoilla. Silläkin onnistuu perustoiminnallisuudet kuten värien ja elementtien paikkojen vaihdokset.
• Luota dataan. Google Optimizessa on tilastollisen merkitsevyyden mittari eli se kertoo, kun dataa on tarpeeksi ja A/B-testin tulokseen voi luottaa.