A/B Testing

Insights

A/B Testing

Apa itu A/B Testing?

A/B Testing adalah membuat 2 versi dari aset digital untuk membandingkan mana yang performanya lebih baik. Sederhananya kamu mencari tahu, apakah pengguna lebih suka versi A atau versi B?

Konsep A/B Testing

Konsep ini mirip seperti eksperimen saat pelajaran IPA di sekolah dulu, misalkan percobaan dengan tanaman.

Kedua tanaman harus mendapatkan perlakuan yang sama kecuali satu aspek/variabel: tanaman A lebih sering terkena matahari dibanding tanaman B. Pada akhirnya kita dapat melihat tanaman mana yang tumbuh lebih baik.

Itulah metode ilmiah yang juga diaplikasikan dalam digital marketing.

Contoh penerapan A/B Testing dalam digital marketing

Aset digital yang dimaksud dapat berupa:

  • Online advertising
  • Desain website/Landing Page
  • Post media sosial
  • Email campaign

Misalkan kamu ingin menjalankan A/B testing di landing page.

Contoh A/B Testing Landing page yang dibuat oleh tim Kucuci, RevoU Batch 3

Dicontoh ini terlihat bahwa ada 2 varian landing page: versi A lebih panjang sedangkan versi B lebih pendek.

Misalkan setelah periode waktu tes selesai, ditemukan bahwa versi B menghasilkan lead lebih banyak 10%. Dari hasil ini kita bisa menganalisa dan menarik kesimpulan, bahwa target audiens ini lebih menyukai landing page dengan informasi yang to the point.

Penemuan ini dapat menjadi landasan hipotesis awal untuk tes kamu berikutnya.

Kenapa A/B Testing penting?

A/B testing memberikan marketer data yang dibutuhkan untuk memaksimalkan budget marketing.

Data akan membantu kamu agar mengetahui dan bisa memproduksi aset digital yang sesuai dengan selera audiens sehingga menciptakan customer experience yang positif. Hal ini diharapkan berkontribusi dalam meningkatkan jumlah conversion.

A/B testing membuktikan bahwa dengan perubahan kecil dapat menunjukkan kemajuan  yang besar. Hanya dengan mengganti judul pada meta description misalnya, orang dapat lebih tertarik untuk klik dan pada akhirnya membeli produk yang kita jual.

Apa saja yang dapat di A/B Test?

Di setiap aset digital, kamu dapat mencoba A/B Test di berbagai variable.

Misalkan ketika menguji desain website, kamu dapat mencoba berbagai opsi misalkan:

  • Warna
  • Layout
  • Tipe gambar
  • Judul dan sub-judul
  • Harga produk
  • Penawaran spesial
  • Tombol call-to-action

Pada umumnya, hampir semua elemen konten yang berhubungan dengan pelanggan dapat diuji. Keberhasilan dapat terlihat dari data click-through-rate dan conversion.

Bagaimana proses A/B Testing?

Source : Optimizely Glossary
  1. Mengoleksi data -- Dari data analitik, pilih area dengan traffic yang tinggi agar dapat mengumpulkan data lebih cepat. Carilah halaman/konten dengan conversion rate rendah atau tingkat drop-off tinggi yang dapat dioptimasi.
  2. Identifikasi tujuan -- Pilih metrik yang akan menjadi penentu apakah varian baru lebih berhasil atau tidak (Misalkan: klik tombol, pembelian, atau email signup)
  3. Susun hipotesis-- Kamu dapat membuat perkiraan elemen apa yang dapat membuat varian baru lebih baik dari versi sekarang. Setelah memiliki daftar ide, prioritaskan berdasarkan perkiraan dampak dan kesulitan dalam implementasi.
  4. Buat variasi-- Buatlah 2 varian, yaitu versi lama (A) dan versi baru (B) yang mendapat perubahan pada elemen yang sudah terpilih.
  5. Mulailah eksperimen-- Pada tahap ini, pengguna akan diberikan varian secara acak dan interaksi mereka akan terekam.
  6. Analisa hasil -- Setelah eksperimen selesai, saatnya untuk menganalisa hasilnya. Cek, apakah ada perbedaan yang signifikan secara statistik? Apakah hipotesismu benar?

Kemudian gunakan varian yang memiliki performa lebih baik sebagai pembanding di A/B test yang berikutnya, karena metode ini adalah proses optimasi yang selalu berjalan dan berkembang.

Tips untuk A/B testers

Berikut adalah beberapa tips agar eksperimen A/B tes dapat berjalan dengan maksimal:

#1 Lebih serupa karakteristik sampel, maka hasil lebih akurat
Kamu harus mengusahakan agar semua partisipan dalam tes ini serupa, terkecuali satu elemen yang menjadi pembeda. Misalkan jika kamu ingin menguji visual iklan pada Facebook Ads, maka gunakan target audiens yang sama-- mulai dari jumlah, usia, gender, lokasi, lainnya.

Ini dilakukan supaya faktor ini berdampak minimal pada keseluruhan hasil tes.

#2 Lebih banyak sampel, maka hasil lebih akurat
Semakin banyak audiens yang diuji, maka hasilnya akan semakin akurat.

Misalkan kamu menyebarkan versi baru email ke 50 orang dan versi lama ke 50 orang, maka jika ada 5% peningkatan pada click-through-rate artinya ada 5 orang yang merespon ke versi baru. Selisihnya sangat tipis dan bisa jadi akibat faktor lain/kebetulan.

Namun, jika kamu mengirimkannya ke sample 500 orang, maka kenaikan 5% berarti 50 orang merespon lebih baik ke versi yang baru. Selisihnya cukup signifikan, dan data dapat menjadi argumen yang kuat untuk mengambil kesimpulan.

#3 Lebih sedikit elemen yang diuji, maka hasil lebih akurat

Mungkin kamu akan tergoda untuk mengganti beberapa elemen di waktu yang bersamaan. Namun, semakin banyak elemen yang diganti maka semakin sulit untuk menganalisa korelasi.

Misalkan kamu ingin menguji kreatif iklan, bayangkan jika kamu mengganti call-to-action dan font. Ketika hasil keluar, akan sulit untuk menarik kesimpulan: apakah yang audiens memilih varian A karena font yang baru atau call-to-action yang baru?

Jika kamu coba membedakan varian A dan B hanya di call-to-actionnya, maka nanti kamu bisa menyimpulkan “Varian A menghasilkan lebih banyak conversion karena menggunakan call-to-action ….”. Analisa ini kemudian bisa diaplikasikan saat pengujian elemen berikutnya.

#4 Jangan terburu-buru berasumsi

Karena A/B test di digital marketing hasilnya dapat dilihat secara real time, terkadang marketer tergoda untuk menyimpulkan hasil sesegera mungkin. Namun hal ini akan memberikan hasil yang tidak lengkap. Tunggu sampai learning phase yang ditentukan selesai.

#5 Coba lebih dari sekali

Pengujian ulang sangat penting jika versi baru menunjukkan sedikit peningkatan. Bisa jadi bahwa hasil A/B test pertama adalah kebetulan. Jika kamu memastikan hipotesa beberapa kali, maka kamu akan dapat membaca pola dan kemungkinan akurasi bisa semakin tepat.


Jika kamu pernah bertanya ke Digital Marketer mana yang lebih baik, pasti kamu pernah menemukan jawaban “tergantung” bukan? Ini adalah penyebabnya. Dalam digital marketing, data perusahaanmu sendiri yang akan berbicara dan cara untuk mendapatkan beragam data adalah dengan A/B testing.

Vilory Ivy

Vilory Ivy

Content Marketing Executive at RevoU