Käytännön opas PPC:n A/B-testaukseen (+5 testattavaa ideaa)

Intro

PPC A/B-testaus on tehokas tapa parantaa mainoskampanjoiden tehokkuutta.

Tässä käytännönläheisessä oppaassa selvitetään, mitä PPC:n A/B-testaaminen on, ja tutustutaan erityyppisiin testeihin ja testaustilastoihin, jotka ovat välttämättömiä tietoon perustuvien päätösten tekemiseksi. Opit myös, miten voit tehdä ensimmäisen A/B-testin ja saat käytännön ideoita, joilla on suuri vaikutus ja joita voit kokeilla itse.

Mitä on PPC:n A/B-testaus?

PPC:n A/B-testaus on menetelmä, jossa testataan kahta tai useampaa vaihtoehtoa mainoskampanjan elementeistä, kuten mainoskopiosta, laskeutumissivuista tai kohdentamisesta, tavoitteena tuottaa tilastollista näyttöä erilaisille hypoteeseille, joita voidaan hyödyntää kampanjoiden hiomiseksi ja tulosten parantamiseksi.

Vaikka PPC A/B-testaaminen ei eroa täysin aloitussivun tai sähköpostin A/B-testauksesta, se vaatii erityisen lähestymistavan mainosalustojen rajoitusten, otoskoon vaihtelun ja kampanjoiden kokonaissuorituskykyyn kohdistuvan riskin vuoksi.

PPC-testityypit

PPC:ssä on neljä päätyyppiä A/B-testejä:

• A/B-testit

  A/B-testi on kokeilu, jossa on yksi hypoteesi, jonka perusteella muutat mainoskampanjan yhtä elementtiä ja testaat sitä alkuperäistä vertailuvaihtoehtoa vastaan. Tämä on yleisin testityyppi, joka auttaa sinua rajaamaan tiettyjä elementtejä ja tarkentamaan kampanjasi.

  Esimerkki A/B-testauksesta: testaa 2 tekstimainosta, joissa päätarjouksena on ilmainen toimitus vs. 15 % alennus.

• Monimuuttujaiset testit

  Tapaa Ranktracker

  All-in-One-alusta tehokkaaseen hakukoneoptimointiin

  Jokaisen menestyvän yrityksen takana on vahva SEO-kampanja. Mutta kun tarjolla on lukemattomia optimointityökaluja ja -tekniikoita, voi olla vaikea tietää, mistä aloittaa. No, älä pelkää enää, sillä minulla on juuri oikea apu. Esittelen Ranktracker all-in-one -alustan tehokasta SEO:ta varten.

  Olemme vihdoin avanneet Ranktrackerin rekisteröinnin täysin ilmaiseksi!

  Luo ilmainen tili

  Tai Kirjaudu sisään omilla tunnuksillasi

  Monimuuttujainen testi on koe, jossa on useita hypoteeseja ja useita muutoksia. Tällä menetelmällä testataan eri yhdistelmiä pienistä muutoksista, jotka on tehty kontrollivaihtoehtoosi. Käytän tätä tyyppiä harvoin, koska se vaatii kaikista neljästä testityypistä suurimman otoskoon (usein mahdotonta PPC:n osalta) ja tuottaa pienimmän nousun tuloksiin, mikä pienentää luottamustasoa (katso otoskoon, nousun ja luottamustason määritelmät seuraavassa jaksossa).

  Esimerkki monimuuttujaisesta testauksesta: testaa 4 mainosmateriaalia eri otsikoiden ja kuvien yhdistelmillä.

• A/B/n-testit

  A/B/n-testi on myös koe, jossa on useita hypoteeseja ja useita muutoksia. Toisin kuin monimuuttujaisessa testauksessa, vaihtoehdot voivat kuitenkin olla täysin erilaisia. Tämä on yksi testityypeistä, joita käytän usein uusiin tileihin tai uusiin kampanjoihin, kun historiatietoja ei ole saatavilla ja haluan testata täysin erilaisia asetelmia tai elementtien yhdistelmiä sen sijaan, että rajaisin valintani A/B- tai monimuuttujatestauksen avulla.

  Esimerkki A/B/n-testauksesta: testaamalla yli 2 luovaa tuotesarjaa täysin erilaisilla ulkoasuilla ja/tai laskeutumissivuilla.

• Jaksotestit

  Peräkkäistesti on eräänlainen A/B-testi, jossa kampanjan elementtivaihtoehtoja testataan vaiheittain tai peräkkäin. Jakso voi olla 2 viikkoa, 1 kuukausi tai pidempi (en suosittele testin suorittamista alle 2 viikkoa). Tämä on vähiten suosittua testityyppiä, sillä testin suorittaminen eri ajanjaksoina tuo mukanaan ulkopuolisia tekijöitä, joita et voi hallita, kuten kausivaihtelua, otoskoon vaihtelua ja kohdentamispoikkeamaa. Se on kuitenkin myös yleinen tyyppi, sillä kaikki PPC-alustat eivät tarjoa täydellisiä (tai mitään) A/B-testiominaisuuksia.

  Esimerkki: Testaamalla Google Ads -mainoksissa tarjousten maksimointi vs. konversioarvon maksimointi.

Ihanteellisessa tilanteessa kaikki testit suoritetaan seuraavassa järjestyksessä:

1. A/B/n-testaus parhaiten toimivan asetelman löytämiseksi.
2. A/B-testaus asetusten rajaamiseksi ja tarkentamiseksi
3. Monimuuttujatestaus asetusten tarkemmaksi rajaamiseksi
4. Peräkkäistestaus, jolla testataan elementtejä peräkkäisessä järjestyksessä, kun ei ole kunnollista A/B-testaustoimintoa.

A/B-testauksen tilastot

Jotta A/B-testaus tuottaisi tilastollisesti merkittävää tietoa, antaisi tietoa päätöksistäsi ja johtaisi PPC:n parantamiseen, sinun on otettava huomioon neljä keskeistä tilastoa:

• Näytteen koko

  Tapaa Ranktracker

  All-in-One-alusta tehokkaaseen hakukoneoptimointiin

  Jokaisen menestyvän yrityksen takana on vahva SEO-kampanja. Mutta kun tarjolla on lukemattomia optimointityökaluja ja -tekniikoita, voi olla vaikea tietää, mistä aloittaa. No, älä pelkää enää, sillä minulla on juuri oikea apu. Esittelen Ranktracker all-in-one -alustan tehokasta SEO:ta varten.

  Olemme vihdoin avanneet Ranktrackerin rekisteröinnin täysin ilmaiseksi!

  Luo ilmainen tili

  Tai Kirjaudu sisään omilla tunnuksillasi

  PPC:ssä otoskoko on se liikennemäärä, joka sinun on saatava aikaan, jotta testitulokset edustaisivat yleisöäsi. Mainostason mittareita (kuten CTR tai View Rate) varten näytteet saadaan näyttökerroista, mutta konversiokohtaisia mittareita (kuten Conversion Rate, Cost/Conv. tai ROAS) varten kannattaa valita klikkauksia. Yleisesti ottaen mitä suurempi otoskoko, sitä tarkempi testi on.

• Odotettu nousu

  Ennuste siitä, miten testattu muutos vaikuttaa lopulliseen mittariin, ilmaistuna prosentteina ja vaihtelee välillä 0-100 %. Esimerkiksi historiatietojen ja konversiotutkimuksen perusteella voit ennustaa, että päätarjouksen muuttaminen 10 prosentin alennuksesta ilmaiseksi toimitukseksi nostaa konversiolukua 30 prosenttia.

• P-arvo

  Olemme kehittyneiden tilastojen alueella. Yksinkertaisesti sanottuna p-arvo auttaa määrittämään, poikkeavatko tulokset merkittävästi siitä, mitä olisi odotettavissa, tai kuinka tilastollisesti merkittäviä tulokset ovat. Se vaihtelee välillä 0-1, ja mitä pienempi arvo on, sitä tilastollisesti merkitsevämpiä tulokset ovat.

• Luottamustasot

  Luottamustasot tai luottamusvälit ovat testitulosten varmuuden mitta. Esimerkiksi 95 prosentin luottamustaso tarkoittaa, että jos sama testi toistetaan useita kertoja, 95 prosenttia testeistä tuottaa samanlaisia tuloksia.

Miksi PPC A/B-testaus on tärkeää?

A/B-testaus vaikuttaa PPC-kampanjoidesi kolmeen keskeiseen osa-alueeseen:

1. Tulokset

   PPC-kampanjoita työstäessäsi joudut jatkuvasti pohtimaan kysymystä: "Toimiiko asia A paremmin kuin asia B?" (korvaa "asia" kampanjalla/mainoksella/copyllä/yleisöllä/kulmalla/jne.). A/B-testauksen avulla voit vastata tällaisiin kysymyksiin, testata erilaisia hypoteeseja ja lopulta parantaa tuloksia.

2. Rakenne

   Jos sinusta on tuntunut, kuten minustakin, että jotkin optimoinnit ovat olleet liian tilapäisiä, reaktiivisia käsillä oleviin tietoihin nähden tai jopa kosmeettisia, A/B-testauksen avulla voit lisätä rakenteellisuutta. Se voi auttaa luomaan suorituskyvyn "jalansijat" (todistetut hypoteesit) ja keskittymään kosmeettisten muutosten sijaan vaikuttavimpien optimointimahdollisuuksien löytämiseen.

3. Viestintä ja sitoutuminen

   Jos olet virastossa tai sisäinen asiantuntija, olet todennäköisesti kokenut viestintä- ja sitoutumisongelmia asiakkaiden tai johtajien kanssa. A/B-testaus voi auttaa ratkaisemaan joitakin näistä ongelmista, sillä se tarjoaa uuden tason avoimuuteen, tietoisuuteen ja sitoutumiseen. Jos ei muuta, voit antaa nopean vastauksen, jos joku kysyy: "Oletko testannut vihreää painiketta sen sijaan?" :)

Mitä voit A/B-testata?

PPC-kampanjoissa A/B-testien tekeminen on ratkaisevan tärkeää. Suosittelen aloittamaan elementeistä, joiden parantamisella voisi olla suurin vaikutus tuloksiin.

1. Luovat

   Esimerkkejä: ulkoasu, värimaailma, malli vs. ei mallia, lyhyt video vs. pitkä video, UGC vs. omat varat.

2. Tarjous

   Esimerkkejä: ilmainen toimitus vs. alennus, ilmainen bonus vs. niukkuus, ilmainen kokeiluversio vs. freemium, takuu vs. ei takuuta, webinaari vs. e-kirja.

3. Mainosten sijoittelu

   Esimerkkejä: Facebook vs. Instagram, mobiili vs. työpöytä, haku vs. hakukumppanit.

4. Mainoskopio

   Esimerkkejä: Pitkämuotoinen vs. lyhyt muotoinen kopio, luettelopohja vs. kappale, ilmaisen sanan sisällyttäminen vs. ei, edut vs. auktoriteetti.

5. Kohdennus

   Esimerkkejä: uudet avainsanat, kapea kohdennus vs. laaja, lookalike vs. kylmä, vanhemmat uudelleenmarkkinointiyleisöt vs. nuoremmat, fraasitarkenteiset avainsanat vs. laaja, kapea sijaintikohdentaminen vs. laaja.

6. Kampanja/mainostyypit

   Esimerkkejä: DSA vs. tavalliset hakukampanjat, dynaamiset uudelleenmarkkinointikampanjat vs. tavalliset uudelleenmarkkinointikampanjat, lyijymainokset vs. messenger-mainokset.

7. Talousarvion määrärahat

   Esimerkkejä: enemmän budjettia kampanjaan 1 verrattuna kampanjaan 2, enemmän budjettia uudelleenmarkkinointiin verrattuna hankintaan, enemmän budjettia Performance Maxiin verrattuna ostoksiin.

8. Laskeutumissivut

   Esimerkkejä: ulkoasu, kuvat vs. videot, dynaaminen avainsanojen lisääminen, otsikot, lomakkeet, sosiaalinen todiste, mainoksen ja laskeutumissivun viestin vastaavuus.

9. Tarjouskilpailustrategiat

   Esimerkkejä: CPA-tavoitteet, ROAS-tavoitteet, suurin volyymi vs. suurin arvo.

10. Kampanjan rakenne

    Esimerkkejä: Dynaamisemmat/automaattiset kampanjat vs. harvemmat, parhaiten menestyvät vs. huonoiten menestyvät, SKAG:t.

Kuinka testata PPC-kampanjoita A/B-testien avulla

A/B-testin määrittäminen

Kun olet laatinut luettelon A/B-testattavista ideoista, on aika muodostaa hypoteeseja ja päättää lähestymistavoista ja työkaluista.

Hypoteesi

Hypoteesi on oletus, jota yrität testata kokeella. Se ilmaisee vaikutuksen, jonka odotat näkeväsi muutoksella, kuten mainostekstin tarkistamisella, mainosluonnoksen muuttamisella tai kohdentamisen laajentamisella. Hypoteesieni jäsentämiseksi käytän mielelläni Craig Sullivanin Hypothesis Kit V4 -teosta:

1. Perustuu (tietoihin/tutkimuksiin/havaintoihin).
2. uskomme, että (muutos)
3. for (väestö)
4. aiheuttaa (vaikutus).
5. Tiedämme tämän, kun näemme (metrijärjestelmän).
6. Tämä on hyväksi asiakkaille, yhteistyökumppaneille tai liiketoiminnallemme (koska).

Lähestymistapa

Tässä vaiheessa päätät, miten lähestyt testiäsi. Onko kyseessä A/B-testi? A/B/n? Jaksollinen? Tämä on tärkeää määrittää alusta alkaen, sillä se vaikuttaa A/B-testaustyökaluihin, budjettiin ja tuloksiin. Kuten edellä mainittiin, suosittelen aloittamaan A/B/n-testauksella, jos sinulla ei ole historiatietoja ja hypoteesisi perustuu havaintoihin. Tietyissä testeissä ja tietyillä mainosalustoilla sinun on kuitenkin rajoituttava peräkkäisiin testimenetelmiin (esim. Google Adsin tarjousstrategiat).

Työkalut

PPC A/B-testauksessa taulukkolaskenta on paras ystäväsi. Jos et ole varma, mistä aloittaa, löydät viimeisimmän kojelautani täältä. Jos teet vain muutaman testin vuosineljännestä kohden, suosittelen täyttämään sen manuaalisesti. Jos testejä on enemmän kuin muutama, voit automatisoida sen käyttämällä esimerkiksi Supermetricsin kaltaisia työkaluja PPC-tietojen keräämiseen.

A/B-testin käynnistäminen

Käynnistysohjeet riippuvat testatusta elementistä ja valitsemastasi mainosalustasta. Yksi asia pysyy kuitenkin samana - kokeilusi on tuotettava yhtäläiset tai lähes yhtäläiset otoskoot sekä kontrolli- että testivaihtoehdoille, mikä tarkoittaa, että kunnollisia A/B-testejä ei pitäisi koskaan käynnistää samaan kampanjaan tai mainosryhmään, ellet voi kontrolloida budjetin ja liikenteen jakautumista (eli mainosjoukon budjetin optimointikampanjoita eli ABO-kampanjoita Facebook Adsissa).

Tässä ovat useimmin käyttämäni testiasetelmat:

• Facebook/Instagram/Pinterest/LinkedIn: natiivi A/B-testausominaisuus, uudet mainossarjat, uudet kampanjat, peräkkäiset lanseeraukset.
• Google/Microsoft: natiivikampanjan kokeilutoiminto, mainoskopioiden A/B-testaustoiminto, yhtäläinen mainoskiertotoiminto, peräkkäiset lanseeraukset.

Tietojen analysointi

Laadit hypoteesin, teet testin ja annat sen kulkea. Entä nyt?

Täytä kojelauta ja katso, onko testisi tuottanut odotetun parannuksen, oliko otoskoko tarpeeksi suuri, ovatko tulokset tilastollisesti merkitseviä vai tarvitseeko testisi enemmän aikaa saavuttaakseen suuremman merkitsevyyden.

Voit käyttää laskinta apuna otoskoon ja luottamuksen/signifikaation laskemisessa.

Jos sinulla on selkeä voittaja, tee johtopäätös ja laadi toimintasuunnitelma sen käyttöönottamiseksi PPC-järjestelyissäsi.

5 PPC A/B-testausideaa, joita kannattaa kokeilla

1. Tarjouksen testaus

Kun haluat maksimoida PPC-tulokset, älä aliarvioi eri tarjousten testaamisen vaikutusta. Kokemukseni mukaan tämä tuottaa merkittävimmät muutokset tuloksiin.

Tähän voi sisältyä niukkuutta (rajallinen tarjonta), kiireellisyyttä, bonuksia, takuita tai alennuksia.

Muista käyttää natiivien mainoskopioiden testaustoimintoa, jos se on käytettävissä, jotta voit hallita otoskokoja ja liikennemäärien jakamista varianteittain paremmin (kuten Google Ads -palvelun "Mainosvaihtoehto"-kokeilutyyppi).

2. Laskeutumissivun testaus

"Hetkinen, luulin, että tämä oli käytännön opas PPC-testaukseen?". Kokemukseni mukaan laskeutumissivut ovat yksi tärkeimmistä tekijöistä PPC-menestyksen kannalta. Jos laskeutumissivusi ei ole hyvin optimoitu, ei ole väliä, kuinka hyviä mainoksesi ovat - tuloksesi jäävät silti vähäisiksi.

Suurimpien parannusten saavuttamiseksi suosittelen aloittamaan ulkoasun ja lomakkeiden testauksen, koska ne voivat vaikuttaa merkittävimpiin konversioluvun parannuksiin. Esimerkiksi tämä luottokorttiyritys havaitsi 17 %:n nousun konversioluvussa lomakkeensa optimoinnin jälkeen.

Harkitse seuraavaksi mainoksen ja viestin yhteensovittamista ja otsikoiden testausta, jotta voit parantaa mainoksesta konversioon -virtausta.

3. Luova testaus

Nielsenin mukaan mainonnan luovan laadun osuus lisämyynnistä on 49 prosenttia, ja se on mainonnan tehokkuuden tärkein tekijä. Tämän vuoksi suosittelen aina tiheää luovien ominaisuuksien testausta luovia ominaisuuksia suosivissa kanavissa, kuten Facebookissa ja TikTokissa. Se oli myös merkittävä tekijä asiakkaani varausten 54 prosentin kasvussa vain kuudessa kuukaudessa.

Suurimmat parannukset saat aikaan testaamalla ulkoasumuutoksia, viestejä ja UGC-sisältöä.

4. Kohdennettu testaus

Kohdennettu testaus on toinen idea, jota suosittelen kokeilemaan suurimman potentiaalin nostamiseksi. Kuten kohdassa "Mitä voit A/B-testata" mainittiin, näitä voivat olla esimerkiksi uudet avainsanat, kapea kohdentaminen vs. laaja kohdentaminen ja lookalikes vs. tallennetut yleisöt.

Voit esimerkiksi testata erillistä pitkän ja lyhyen avainsanan kampanjaa verrattuna lyhyen avainsanan kampanjaan, jotta näet, voitko parantaa budjetin hallintaa ja pienentää CPA:ta.

Tätä varten suosittelen käyttämään RankTrackerin Keyword Finderin kaltaista työkalua, jonka avulla saat kehittyneempiä avainsanaehdotuksia ja suodatusta kuin Google Keyword Plannerilla.

5. Tarjouskilpailun testaus

A/B-testaus voi olla tehokas tapa optimoida PPC-tuloksia. Tämä voi paljastaa, ovatko nykyiset tarjouksesi liian korkeat vai matalat, optimoitko arvokkaimpia asiakkaita vai et, ja onko parasta pyrkiä mahdollisimman suureen konversioiden määrään (laatu) vai mahdollisimman suureen konversioarvoon (määrä).

Voit esimerkiksi testata CPA-tavoiterajojen nostamista 30-50 %:lla nähdäksesi, jääkö sinulta saamatta klikkauksia, jotka voisivat johtaa konversioihin, tai vähentää ROAS-tavoiterajaa 25 %:lla saadaksesi aikaan enemmän konversioita korkean kilpailun aikana (esim. musta perjantai).