1. A/B testing là gì?

A/B Testing (hay còn được gọi là split testing hay bucket testing) chính là kỹ thuật chia đối tượng cần kiểm tra thành hai phiên bản A và B để so sánh giữa 2 phiên bản của webpage hoặc ứng dụng nào đó từ đó đưa ra được phiên bản mà người dùng quan tâm hơn thông qua cách người dùng tương tác với mỗi phiên bản đó.

A/B Testing 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 kết quả của hành động đó sẽ được thể hiên qua conversion rate (tỉ lệ chuyển đổi), từ đó 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 A/B 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 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

2.Tại sao lại cần phải làm A/B testing?

A/B Testing cho phép các cá nhân, nhóm và doanh nghiệp thực hiện những thay đổi thận trọng cho trải nghiệm của người dùng trong khi thu thập những dữ liệu cho kết quả.

Tức là họ có thể 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 thông qua A/B test.

Cụ thể nếu bạn có một lượng khách hàng nhất định và bạn muốn tăng số lượng conversion lên thì cách thứ nhất là cần phải mang nhiều khách hàng hơn đến website hoặc cửa hàng. Cách thứ hai chính là tăng conversion rate để với cùng một lượng khách sẵn có, họ tạo ra một lượng conversion lớn hơn. A/B testing giúp bạn làm được điều thứ hai bằng cách cho phép cải thiện hiệu quả của các tiến trình đang làm dù đó là phát triển web, phát triển ứng dụng, quảng cáo hay bán hàng.

Với cách thứ nhất để tăng thêm khách hàng thì cần chi phí không nhỏ, trong khi đó việc sử dụng A/B testing không đòi hỏi chi phí đổi lại nhiều mà những thay đổi có lúc dù nhỏ vẫn có thể mang đến những hiệu quả to lớn trong việc tạo ra nhiều conversion hơn.

3. Quy trình A/B testing

Để thực hiện một quy trình A/B testing (hay bất cứ quá trình thử nghiệm nào khác) đúng mực thì cần tuân theo phương pháp khoa học thông thường, gồm các bước sau:

3.1. 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.

3.2. 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.

3.3. 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 A/B 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.

3.4. 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.

3.5. 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.

3.6. 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 đưa 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

4. Ứng dụng của A/B testing

Với A/B testing bạn có thể ứng dụng và cải thiện được rất nhiều thứ cho quy trình hoạt động và phát triển web, quảng cáo online / offline, cho tới mobile app và email marketing.

4.1. Cho website

Chủ yếu là liên quan đến vấn đề giao diện web và trải nghiệm người dùng (UI/UX) vì đây là các yếu tố tác động trực tiếp đến việc người dùng có thể thực hiện conversion trên website hay không. Với một trang web bạn có thể A/B testing hết toàn bộ những yếu tố nào có thể ảnh hưởng đến hành vi của người dùng như hình ảnh, tựa đề, nội dung, call to action, form điền thông tin, v.v… Test lần lượt từng yếu tố mà bạn cảm thấy có thể cải thiện để gia tăng conversion rate. Xem thêm các ứng dụng phân tích và A/B testing cho web.

4.2. Cho quảng cáo và bán hàng

Đối với mảng online thì A/B testing thường được dùng để đo lường hiệu quả của các mẫu quảng cáo khác nhau. Ví dụ như khi bạn viết copy quảng cáo Adwords cho cùng 1 nhóm từ khóa (ad group), luôn nên viết 2 mẫu quảng cáo khác nhau và cho chạy song song để biết mẫu quảng cáo nào hiệu quả hơn sau một thời gian chạy. Tương tự với các quảng cáo GDN hay Facebook, sử dụng các thiết kế quảng cáo khác nhau cho cùng một chiến dịch để đo lường hiệu quả sau đó chọn mẫu thiết kế nào hiệu quả hơn để chạy tiếp. Việc tối ưu hóa quảng cáo thường xuyên bằng cách test các lựa chọn khác nhau sẽ giúp bạn liên tục cải thiện được conversion rate và giúp quảng cáo chạy ngày càng hiệu quả hơn.

Đối với mảng offline thì A/B testing thường có thể được dùng để đánh giá hiệu quả của các kênh quảng cáo như báo giấy, tờ rơi, billboard… Chẳng hạn bằng cách sử dụng các mã coupon khác nhau cho từng mẫu quảng cáo trên báo, mẫu tờ rời, hoặc billboard, nhà quảng cáo có thể nắm được mẫu quảng cáo nào hiệu quả hơn thông qua việc có nhiều người sử dụng mã couple nào hơn. Một số trường hợp khác có thể sử dụng số điện thoại khác nhau để thay cho mã coupon.

Một ứng dụng khác trong bán hàng tại các cửa hàng có thể bao gồm việc sắp xếp vị trí các sản phẩm theo các vị trí khác nhau để đo lường sự chú ý của khách hàng và cuối cùng khiến họ mua nhiều hơn. Điều này cho thấy khả năng áp dụng của A/B testing là rất đa dạng và rất linh động tùy theo mục tiêu được đặt ra.

4.3. Cho ứng dụng di động

A/B testing cũng được ứng dụng trong việc phát triển ứng dụng di động và tương tự như website, chủ yếu nhằm cải thiện UI/UX của sản phẩm. Với các ứng dụng điện thoại di động thì việc tiến hành testing thường khó khăn hơn nhiều cả về mặt kỹ thuật lẫn về hành vi người dùng. Về mặt kỹ thuật thì để tiến hành test, thì phiên bản ứng dụng cần được cập nhật, được duyệt bởi AppStore hay Google Play rồi mới đến với người dùng do đó tốn nhiều thời gian hơn. Về phương diện hành vi người dùng, không phải ai cũng sẽ cập nhật ngay phiên bản mới và trải nghiệm người dùng trên điện thoại di động hoàn toàn khác so với trên web.

Hiện nay có nhiều công cụ hỗ trợ A/B testing dành cho ứng dụng di động trên thị trường, cá nhân thì tôi đã có cơ hội thử qua 2 công cụ là Splitforce và Apptimize và cả 2 đều khá tốt. Bạn cũng có thể tham khảo thêm danh sách 20 công cụ A/B testing cho điện thoại di động.

4.4. Cho email marketing

Đã qua rồi cái thời mà đẩy hàng trăm ngàn email đi và nghĩ rằng người dùng sẽ đọc được những email của mình gửi. Các email clients ngày càng có các bộ lọc tinh xảo hơn, tống tất cả các spam email vào thùng rác và dù cho là vậy khách hàng vẫn bị chôn vùi bởi hàng chục thậm chí hàng trăm email mỗi ngày. Điều quan trọng là làm thế nào để khách hàng chịu mở email của mình ra xem và tương tác với các email đó. Câu trả lời chính là A/B testing. Bạn phân vân không biết câu title nào sẽ hấp dẫn người đọc hơn để tăng open rate, hãy test. Bạn không biết nên dùng CTA nào để khiến người dùng bấm vào link, hãy test.

Hiện nay hầu hết các tool gửi email như MailChimp, BenchmarkEmail, đều có tính năng cho phép A/B testing các nội dung được gửi ra để có thể đo lường hiệu quả của chiến dịch được gửi.

5. Áp dụng A/B Testing trong marketing

Trước khi thực hiện A/B Testing

5.1. Chọn một biến thể để kiểm tra

Khi bạn tối ưu hóa các trang web và email 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 những thay đổi lớn.

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

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

5.2. 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 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.

5.3. 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 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 mà bạn kiểm tra đối với sự kiểm soát đó.

5.4. Chia nhóm mẫu test của bạn ngang bằng và ngẫu nhiên

Đối với các thử nghiệm mà bạn có nhiều quyền kiểm soát 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 mà bạn sử dụng.

5.5. 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 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.

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.

5.6. Quyết định tầm quan trọng của kết quả của bạn

Khi 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.

5.7. 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

5.8. 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.

5.9. Kiểm tra cả hai biến thể cùng một lúc

Thời gian đóng một vai trò quan trọng trong kết quả chiến dịch marketing 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.

5.10. 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.

5.11. 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

5.12. 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.

5.13. 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 đưa ra 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.

5.14. 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.

5.15. 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.

6. Những lời khuyên khi tiến hành A/B testing

6.1. NÊN

• Biết là nên test đến khi nào thì dừng: dừng quá sớm thì bạn sẽ mất những thông số có giá trị để đưa ra quyết định đúng. Chạy test quá lâu thì cũng có cái hại vì nếu phiên bản thử nghiệm có performance quá tệ thì cũng có thể ảnh hưởng đến conversion rate và tổng số sales của bạn.

• Giữ sự đồng nhất: khi tiến hành A/B testing cần phải có cách nào đó để ghi nhớ người dùng nào đã chọn phiên bản test nào để lúc nào cũng hiển thị đúng phiên bản đó nhằm tránh ảnh hưởng đến trải nghiệm của người dùng. Nếu có một nút bấm được thay đổi để test và nút bấm này xuất hiện ở nhiều chỗ trên website thì khách hàng cũng phải thấy nút bấm này như nhau ở mọi chỗ trên website. Cookies là phương thức thường dùng nhất.

• Test nhiều lần: sự thật là không phải đợt A/B testing nào cũng sẽ mang lại kết quả như bạn mong muốn hoặc giúp bạn tìm ra được giải pháp cho vấn đề. Do đó hãy cứ tiếp tục test thêm nhiều lần nữa, theo những định hướng khác nhau. Nếu mỗi lần test cải thiện conversion rate của bạn một chút thì nhiều lần test như vậy sẽ cộng dồn lại tạo ra một ảnh hưởng lớn hơn.

• Lưu ý sự khác biệt giữa traffic từ mobile và desktop: khách hàng truy cập website từ mobile và từ desktop có thể có biểu hiện hoàn toàn khác nhau trên website của bạn tùy theo design, UI/UX và website có mobile-friendly hay không. Do đó nên lưu ý việc phân chia traffic khi A/B testing trang web, tốt nhất là nên test cho mobile và desktop traffic riêng.

6.2. KHÔNG NÊN

• Testing mà không đảm bảo điều kiện giống nhau: luôn nhớ rằng việc testing cả 2 phiên bản A và B phải được tiến hành song song. Bạn không thể chạy phiên bản A trong tuần thứ 1 và phiên bản B trong tuần thứ 2 nghĩ rằng điều đó sẽ cho kết quả đúng.

• Kết luận quá sớm: hãy nhớ rằng kết quả chỉ có giá trị khi chúng có một giá trị số tương đối và một thời gian tương ứng để xác định. Bạn không thể quyết định rằng phiên bản A hơn B hoặc ngược lại khi chúng chỉ khác nhau một vài conversion hoặc thời gian test quá ngắn.

• Khiến các khách hàng cũ ngạc nhiên: tốt nhất khi tiến hành A/B testing, chỉ nên tập trung vào các đối tượng khách hàng mới vì nếu các khách hàng cũ vào và thấy mọi thứ khác so với lúc trước thì có thể họ sẽ ngạc nhiên và điều này ảnh hưởng đến conversion rate, nhất là khi bạn chưa chắc phiên bản thử nghiệm sẽ có được chọn hay không.

• Để linh cảm chi phối kết quả: đôi khi kết quả test lại có thể hoàn toàn sẽ trái ngược với những gì bạn có thể nghĩ tới. Có thể một cái CTA đỏ trên nền xanh theo bạn là chói mắt và khó chịu nhưng kết quả lại có thể chứng minh rằng nó có hiệu quả hơn. Cái bạn cần là conversion rate, đừng để những linh cảm của bạn chống lại các kết quả test.

Kết luận

Trên đây là những khái quát chung về A/B testing tôi đã tìm hiểu, hi vọng bài viết hữu ích, và giải đáp được thắc mắc của các bạn để áp dụng vào công việc. Các bạn hãy bình luận cho tôi biết ý kiến của bạn cung như bổ sung cho bài viết của tôi được hoàn thiện hơn

Tài liệu tham khảo

https://www.optimizely.com/optimization-glossary/ab-testing/ https://mailchimp.com/marketing-glossary/ab-tests/ https://gtvseo.com/ab-testing-la-gi/