A/B Testi Nedir ve Etkileşimi Nasıl Artırabilir?

İÇİNDEKİLER
- A/B testi nedir?
- A/B testini neden yapmalısınız?
- A/B testi nasıl çalışır?

Doğru ürünü geliştirmek çok fazla analiz ve veri gerektirir. Ürün ölçümünün en iyi bilinen yöntemlerinden biri de şüphesiz A/B testidir.

Peki bir ürünü ölçmek tam olarak ne anlama geliyor ve A/B testini doğru yapmak nasıl mümkündür? 🤔

Aslında bunun net bir cevabı yok.. A/B testini bir futbol oyunu gibi düşünün. ⚽ Futbolun içinde bir çok component vardır fakat temelde kuralları basittir ve nihai amaç; rakipten daha fazla gol atmaktır. Kurallara uyduğunuzda, oyunun hedefi kolay ve oynaması eğlencelidir. Ancak teoride kolay olan, pratikte de kolay olacağı anlamına gelmez. 😎 Gerçekten futbolda ustalaşmak yetenek ve bolca pratik yapmayı gerektirir. Ayrıca rakip stratejilerle ilgili deneyim elde etmeniz sizi rakiplerinize kıyasla öne geçirecektir.

A/B testi de bu anlamda futbola çok benzer.

A/B testi nedir?

Prensip olarak, A/B testi aslında bir deneydir. Bu deneyde control grubu ile 2 ya da daha fazla variation ziyaretçiler tarafından değerlendirilir. Yapılan değerlendirme sonucunda da verilere bakılarak hangi variation’ın daha iyi sonuç verdiğine karar verilir.

Yazının ilerleyen bölümlerinde daha detaylı değineceğim ama öncesinde bir girizgah yapalım 🙂

A/B testi yapmadan önce kendinize bir hedef belirlersiniz. Bu hedef, üyelik aktivitesinin artırılması, satışa dönüş, tıklama gibi pazarlama temelli bir faaliyet olabileceği gibi yeni teknoloji, siteye eklenen bir eklentinin etkisi, yedek sunucu performansı veya CDN testi gibi teknik bir geliştirme de olabilir.

Sonrasında ise bu hedef doğrultusunda hipotezler üretirsiniz. Buna hipotez deniyor çünkü sonuçları henüz görmedik ve faydası kesinleşmedi. Bu hipotezler yukarıda bahsettiğim gibi sitenin front-end’inde yapılan basit tasarımsal manipülasyonlar yada teknik ayarlamalardır.

Mevcut web sitenize “control” adı verilir. Ardından sitenizde bir değişiklik yaparsınız ve bunu, “variant #1” olarak kaydedersiniz. Bu yeni tasarım artık sizin “hipoteziniz”dir. Bu variant’la birlikte istersek fark yaratacağına inandığımız veya sonuçlarını merak ettiğimiz farklı variant’lar da üretip birden fazla test çalıştırabilir ve trafiğin ne kadarını hangi gruba aktaracağımızı belirleyebiliriz.

Variant’ların belirli bir süre çalışmasına izin verirsiniz ve sonunda her bir variant’ın ne kadar iyi performans gösterdiğini izlersiniz. 📈

İşte A/B testi bu şekilde gerçekleştirilir. A/B testi, ürünü sihirli bir dokunuşla mükemmel hale getirmez. ✨ Yalnızca geçici bir growth sağlar, optimize edilmesi gereken yerleri belirlemeye yardımcı olur, ancak iş planı üzerinde kalıcı bir etkisi yoktur.

Sonuçları analiz ettiniz, ürünü daha iyi hale getirmek için neleri değiştirebileceğiniz konusunda hipotezler geliştirdiniz ve bu değişiklikleri uyguladınız. 🥂 Ancak, değişikliklerin dönüşüm oranınızı ve diğer istatistikleri nasıl etkilediğini doğru bir şekilde ölçebilmek, bu sürecin büyük bir parçasıdır. Bu işlemi yapmak için size yardımcı olacak bazı A/B test araçları kullanmanız gerekiyor. Araçları sundukları özelliklere, performanslarına ve kendi ihtiyaçlarınıza göre seçebilirsiniz.

A/B testini neden yapmalısınız?

Artık A/B testinin ne olduğunu anladığımıza göre, ikinci soru neden bu teste başvurmanız gerektiği olacaktır. Bu sorunun cevabı genelde, kullanıcı deneyimini iyileştirmek ve ROI yaratmak etrafında şekillenir.

A/B testini uygulayan firmanın bir SaaS çözümü, e-ticaret sitesi veya video konferans uygulaması gibi çok farklı sektörlerde hizmet veren tüm şirketler, kullanıcılarının bir sorunu ile mücadele etmektedir. Ne demek istiyorum? SaaS çözümü olan bir şirket, sitelerine yeterince ziyaretçi çekebilmesine karşın demo ürün deneme oranı düşük olabilir, e-ticaret sitesinin sepete eklenen ürünleri ödeme işlemine dönüşmüyor olabilir veya video konferans uygulamasının, kullanıcılarından düşük deneyim puanları alıyor olabilir.

Peki neden tüm bu sorunların üstesinden gelmek için A/B testine başvurmanız gerekir? Hadi beraber tüm nedenlerin üzerinden geçelim. ☝️

Kullanıcıların tıkandığı (pain points) noktaları bulun

Bir websiteyi ziyaret eden kullanıcı bir amaç için gelir. Bu ziyaret, ürün satın almak, bilgi edinmek veya bu bilgiyi başkaları paylaşmak için olabilir. Kullanıcının hedefi ne olursa olsun sitede tıkandığı, bulmakta zorlandığı veya hata ile karşılaştığı noktalar olabilir.

Buna en iyi örnek olarak vava.cars sitesinin ziyaretçilerinin araç seçim ekranında deneyimledikleri journey’i gösterebiliriz. Kullanıcıların araç filtreleme sürecini yarıda kestikleri veya filtreleme sırasında çok fazla zaman harcadıkları tespit edilmiş ve sitedeki filtreleme fonksiyonunda iyileştirme yapılmıştır. Bu sorunu çözmek için araçların modellerinin görsellerini filtreleme adımlarına ekleyerek, kullanıcıların seçim ekranında harcadıkları süreyi kısaltmak adına bir yöntem denenmiş ve çok etkili sonuçlar alınmıştır.

Sayfanızdan hemen çıkma oranını (bounce rate) düşürün

Ürünün performansını ölçerken, hemen çıkma oranı adı verilen (bounce rate) bir ölçüm vardır. Yalnızca bir sayfayı görüntüledikten sonra kaç ziyaretçinin siteden ayrıldığını gösterir. Bu oranın yüksek olmasının bir çok nedeni olabilir. Gelin bunları tek tek inceleyelim. 🕵️

Teknik nedenler; yavaş yüklenen bir site performansı, güvenlik eksikliği (SSL, No 3D Secure), mobil uyumlu olmayan bir tasarım vb.
İçerik (content) ve tasarım kaynaklı nedenler; eski bir UI tasarım hiçbir kullanıcıya güven vermez.
UX (kullanıcı deneyimi) kaynaklı nedenler; kullanıcılar uzun metinler okumak yerine görselleri daha çok tercih ederler. Kullanıcının sitenin karmaşık olduğunu düşünmeden önce onu ilgilenebileceği alanlara yönlendirmeniz gerekmektedir.

İngilizce’de, kullanıcıların istenen davranışı hızlı bir şekilde gerçekleştirmelerini sağlamak için kullanılan Harekete Geçirici Mesaj (Call-to-Action) denilen bir yöntem bulunmaktadır. Call-to-Action için kullanılan en yaygın örnekler; siteden ayrılmaya hazırlanan kullanıcıya bir indirim kodu sunmak, stokta kalan son “X” ürün, Sepete Ekle düğmesini dikkat çekici bir renk yapmak ve ilgili kategorideki tamamlayıcı ürünleri önermek (diş fırçası alana diş macunu). Call-to-Action etkisi yaratan yöntemler, pazarlama ekipleri tarafından A/B testlerinde sıklıkla test edilir. ⚙️

Bu yöntemler, kullanıcı deneyiminizi geliştirerek ziyaretçilerin ürününüz üzerinde daha fazla zaman geçirmesine ve hemen çıkma oranlarını düşürmesini sağlar.

Şimdi de hemen çıkma oranlarını etkileyen bir kaç tasarım örneğini inceleyelim. 💡

Birçok websitesi sizi bir image slider ile karşılar çünkü bu, kısıtlı bir alanda birden fazla içerik gösterilmesine imkan sağlayan işlevsel bir yöntemdir. Ancak genellikle 3–5 görselden sonra ziyaretçiler bu alanda gösterilen kampanyalara olan ilgisini kaybeder. Vatan Bilgisayar, her kategorideki en çarpıcı kampanyayı ziyaretçilere göstererek ve slider’ın altına küçük resimler ekleyerek ziyaretçilerin ilgilendikleri kampanyaya hızlıca ulaşmalarını sağlayacak bir işlevsellik eklemiş.

Hepsiburada.com ve Tozlu.com anasayfası eksik bir şekilde test edilmiş ve bu nedenle Adblocker kullanıcıları content slider’daki fırsatları görüntüleyemiyor. Bu hata sonrası, analiz ekibinin “slider neden eskisine oranla daha az tıklanma aldı?” sorusunu cevaplamaları için biraz mesai harcamaları gerekecek gibi görünüyor. 🙂

Bu tarz gözden kaçan eksik testler özellikle indirim sezonunda ciddi bir conversion rate düşüşüne sebep olabilir. 📉

Kişiselleştirme (Personalization) seçeneklerini değerlendirin

Kişiselleştirme, ayrı bir başlık altında ele alınabilecek geniş bir konu olsa da, A / B testlerinde tercih edilen bir yöntem olduğu için burada kısaca bahsetmemiz gerekiyor.

Adından da anlaşılacağı gibi kişiselleştirme; sitelerin ziyaretçilerine ilgi alanlarına, ihtiyaçlarına ve hedeflerine göre özelleştirilmiş içerikler sunmasına olanak tanır. Bunun için Insider gibi özel entegrasyonlar yada Google Optimize gibi ücretsiz yazılımlar kullanabilirsiniz. Örneğin; Google üzerinden “X” ürününü arayarak veya UTM linki üzerinden yönlenen bir ziyaretçiye farklı bir sonuç ekranı gösterebilir veya daha önce arama çubuğunda “Y” ürününü aramış fakat alışveriş yapmadan siteden ayrılmış ziyaretçiye tekrar geldiğinde önceki ürünlerini gösterebilirsiniz.

Daha uç bir örnek vereyim; Kullanıcıların satın aldığı ürünlede renk/desen/ beden seçeneklerine bağlı olarak ilgili kategorilerde tavsiye motoru (recommendation engine) üzerinde yapacağınız optimizasyonlar conversion rate’lerinizi önemli ölçüde artırabilir. Günümüzde sadece e-ticaret siteleri değil, haber siteleri ve sosyal medya siteleri gibi içerik sunan platformlar da tavsiye motorlarını çok sık kullanmakta ve bu motorlar için yapay zeka geliştirme çalışmalarına ciddi yatırımlar yapmaktadır.

Ayrıca omnichannel pazarlama yöntemlerini A/B test süreçlerine katarak kişiselleştirme deneyimlerini optimize edileblir ve kullanıcı tepkilerini ölçebilirsiniz. Sepetteki ürününü satın alması için e-mail gönderebilir, eğer okumadıysa ilgili ürünlerden biri indirime girdiğinde mobil uygulama üzerinden bildirim gönderebilirsiniz.

Aşağıda ürün görüntüleme aksiyonunu gerçekleştirmiş bir kullanıcı için çok basit örnek bir kişiselleştirme akışı paylaştım. Amazon, n11, Hepsiburada gibi e-ticaret siteleri de buna benzer akışlar oluşturup ziyaretleri olası satışa çevirmeye çalışmaktadırlar.

Netflix’in 2015 yılında devreye soktuğu ve kullancılarına kişiselleştirme deneyimi sağlayarak izledikleri dizi ve filmlere göre önerilerde bulunan Max isimli algoritması Netflix için pek iyi bir deneyim olmadı. Kısa sürede çok fazla şikayet aldılar ve servisi durdurduklarını açıkladılar. 2009'da açıkladıkları 1 milyon $ ödüllü yarışma sonrası bile algoritmaları sağlıklı tavsiyelerde bulunamamaktadır. Fakat Netflix’in aksine Amazon satışlarının %35'inin geliştirdikleri recommendation engine üzerinden gerçekleştiğini açıklamıştır.

Kişiselleştirme, conversion rate’leri, müşteri sadakatini ve satışları artırdığı gibi siz ve ziyaretçileriniz arasındaki etkileşimi de artıracağı için tercih edilebilecek bir yöntemdir.

A/B testi nasıl çalışır?

Aslında yazımın içinde bundan biraz bahsettim. Gelin şimdi biraz daha detaylandıralım.

Bir sayfanın veya öğenin mevcut sürümünü (buna control diyoruz), test etmek istediğiniz değişikliklerle bir (veya daha fazla) varyasyonla karşılaştırıyoruz. Bu bir web sayfası, sayfadaki bir öğe, bir CTA, bir resim veya hatta bir UX akışı bile olabilir.

Trafiği belirttiğiniz oranda bölersiniz ve ardından ziyaretçiler, belirli bir süre boyunca rastgele (veya sizin belirlediğiniz kurallara göre) bir veya diğer varyasyonlara maruz kalır. Daha sonra, performanslarını (dönüşümler veya satışlar gibi ölçütler açısından) karşılaştırır ve değişikliklerin hayata geçirilmeye değer olup olmadığını belirlemek için analiz edersiniz. Ve artık, karar verdiğiniz yeni variant sizin kontrol sürümünüz olur ve bir sonraki A/B testinizde bu sürüm için yeni variant’lar tasarlamanız gerekecektir.

Popüler streaming uygulaması Netflix’den örnek verelim. 📼

Netflix sitesine girdiğinizde sizi 2 farklı varyasyon karşılar. “Sohbete Katıl” (tam olarak ne anlama geldiğini bilmiyorum, İngilizce sloganın doğrudan çevirisi olabilir) ve “İzlemeye başla” CTA butonları ile, Netflix’in kendi yapımlarının ve o ülkedeki popüler içeriklerin öne çıktığı yapımların artwork’lerini içeren bir arka plan. Ödeme planına kayıt ekranına girmeden, içeriklere ise kayıt olmadan ulaşma imkanınız yoktur. Buna karşın Netflix açık ara dünyadaki en popüler video streaming servisidir.

Unutmayın ki ürününüz için cazip olduğunu düşündüğünüz her fikri aynı anda test edemezsiniz. Çok sayıda test fikriniz varsa, onlara öncelik vermenin bir yolunu bulmanız gerekir. Fikirlerinizi kullanıcı verileri ile destekleyebilir, gözlem sonucu oluşturabilir, müşteri geri bildirim sonuçlarına göre hareket edebilir veya sosyal trendler doğrultusunda yaratabilirsiniz.

Öyleyse, bir test fikrinin potansiyelini objektif olarak nasıl belirlersiniz? Bunun için aşağıdaki iki farklı ICE modelini kullanabilirsiniz.

Impact (Etki) — Bu işe yararsa etkisi ne olur?
Confidence (Güven) — Bunun işe yarayacağından ne kadar eminim?
Ease (Kolaylık) — Uygulama kolaylığı nedir?

Kullanılan bir diğer türü ise aşağıdaki gibidir:

Impact (Etki) — Satış büyümesi, maliyet tasarrufları vb. ile ölçülebilir. Kısaca, fayda sağlayan her şey.
Cost (Maliyet) — Bu fikrin uygulanmasının maliyeti nedir?
Effort (Çaba) — Bu fikir yeterli kaynak var mı ve ne kadar zaman gerekiyor?

Etki ve Güven gibi değerler deneyim ve tahmine dayalı koşullar içerdiğinden, bu çerçeveler çok başarılı olarak kabul edilemez. Ancak yine de konuya belirli bir model ile yaklaşmanıza destek olur.

Özetle, sürecinizi; Araştırma + Verileri analiz etme > Hipotez oluşturma > Test etme > Başarılı varyasonu geliştirme olacak şekilde bir döngü içinde devam ettirmeniz gerekir.

Araştırma: Çözümün ana unsurlarını kolayca tanımlamanıza, kullanıcıların davranışlarını tanımanıza ve testiniz için hipotezlere kolayca yer açmanıza olanak tanıyan basit araştırmalar içerir.

En çok ziyaret edilen sayfaları, tıklama oranlarını, trafik kaynaklarını, yüksek çıkma oranlı sayfaları vb. istatikleri Analytics tool’ları ile inceleyebilirsiniz.

Heatmap ile ziyaretçilerin sitede tam olarak nerede ve nasıl gezindiğini inceleyebilir, nerede tıkladıklarını, durakladıklarını veya işlemi sonlandırdıklarını gözlemleyebilirsiniz.

Anketler ve Sorular: kullanıcıların deneyimleri ve geridönüşleri çok önemlidir. Forms veya Hotjar benzeri eklentiler ile kullanıcı etkileşimini arttırabilirsiniz.ğişkeninizin etkisiz olduğunu ya da en iyi test aracı olmadığına çok geç karar verebilirsiniz.

Hipotez oluşturma: Kullanıcı davranışını ve tanımlanmış bir hedefi analiz ederek dönüşümleri artırmayı amaçlayan bir hipotez oluşturabilirsiniz. Örneğin: Sepete ekle butonunun renk değişikliği tıklamaları arttırır ve dolayısıyla conversion rate’i de arttırır.

Ikea’nın “Üye Ol” butonu için tercih ettiği gri renk ziyaretçilere üyelik işleminin etkin olmadığı hissini veriyor. Çünkü gri renk web dilinde olumsuz bir anlama sahiptir. Açıkçası bu renk tercihinin conversion rate’leri olumsuz anlamda etkileyeceğini düşünüyorum.

Test Etme: Hipotezlerin izlendiği adımdır. Hipoteziniz için bir variation oluşturursunuz ve control sayfanız ile kıyaslarsınız. Genelde testin 2 haftayı geçmemesi tavsiye edilir.

Decathlon, kış indirimleri için anasayfada iki farklı variant oluşturmuş ve ziyaretçilerinin ilgisini ölçmek istemiş. Sayfanın üst kısmında iki farklı kategoriyi karşılaştırırken, alt kısımda ise ziyaretçilerin ilgisinin özel ürünlerine mi yoksa sezonluk ürünlere mi olduğunu test etmeye çalışmış.

Başarılı Varyasonu Uygulama: Test sonucunda ürün için hangi alanlarda değişim yapılmak isteniyorsa, değişimlere dair istatistikler ve geri dönüşüm oranları çıkartılarak hangi varyasonun daha iyi sonuç aldığı değerlendirilir. Eğer test belirsizse 3. adıma geri dönüp hipotez üzerinde yeniden çalışmanız gerekir.

Ürünün dönüşüm optimizasyonuna sürekli devam eden bir süreç gözüyle bakmalısınız. Yazımın içinde bahsettiğim gibi; A/B testleri, geliri artırma ve diğer hedefler etrafında şekillenmektedir ve doğru kullanıldığında ürününüz için yeni fikirleri deneme konusunda size çok yardımcı olabilir.