En praktisk guide til A/B-testing for PPC (+5 ideer å teste)

Introduksjon

PPC A/B-testing er en effektiv måte å forbedre effektiviteten til annonsekampanjene dine på.

I denne praktiske veiledningen får du vite hva A/B-testing for PPC er, og du lærer om ulike typer tester og teststatistikk som er nødvendig for å ta datadrevne beslutninger. Du får også vite hvordan du setter opp din første A/B-test og får praktiske ideer med stor effekt som du kan prøve selv.

Hva er A/B-testing for PPC?

A/B-testing for PPC er en metode for å teste to eller flere varianter av annonsekampanjeelementene dine, for eksempel annonsetekster, destinasjonssider eller målretting, med mål om å skaffe statistisk bevis for ulike hypoteser, som kan brukes til å forbedre kampanjene og resultatene.

Selv om PPC A/B-testing ikke er helt forskjellig fra A/B-testing av destinasjonssider eller e-post, krever PPC A/B-testing en egen tilnærming på grunn av annonseplattformenes begrensninger, variasjonen i utvalgsstørrelse og risikoen for å påvirke kampanjens samlede ytelse.

Typer av PPC-tester

Det finnes fire hovedtyper av A/B-tester i PPC:

• A/B-tester

  En A/B-test er et eksperiment med én hypotese som fører til at du endrer ett enkelt element i annonsekampanjen og tester det mot den opprinnelige kontrollvarianten. Dette er den vanligste testtypen som hjelper deg med å begrense deg til spesifikke elementer og forbedre kampanjene dine.

  Eksempel på A/B-testing: testing av to tekstannonser med gratis frakt vs. 15 % rabatt som hovedtilbud.

• Multivariate tester

  Møt Ranktracker

  Alt-i-ett-plattformen for effektiv søkemotoroptimalisering

  Bak enhver vellykket bedrift ligger en sterk SEO-kampanje. Men med utallige optimaliseringsverktøy og teknikker der ute å velge mellom, kan det være vanskelig å vite hvor du skal begynne. Vel, frykt ikke mer, for jeg har akkurat det som kan hjelpe deg. Vi presenterer Ranktracker alt-i-ett-plattformen for effektiv SEO.

  Vi har endelig åpnet registreringen til Ranktracker helt gratis!

  Opprett en gratis konto

  Eller logg inn med påloggingsinformasjonen din

  En multivariat test er et eksperiment med flere hypoteser og flere endringer. Med denne metoden tester du ulike kombinasjoner av små endringer i kontrollvarianten. Jeg bruker sjelden denne typen, da den krever den høyeste utvalgsstørrelsen (ofte umulig for PPC) av alle de fire testtypene, og genererer den minste økningen i resultatene, noe som reduserer konfidensnivået (se mine definisjoner av utvalgsstørrelse, økning og konfidensnivå i neste avsnitt).

  Eksempel på multivariat testing: testing av 4 reklamer med ulike kombinasjoner av overskrifter og bilder.

• A/B/n-tester

  En A/B/n-test er også et eksperiment med flere hypoteser og flere endringer. Men i motsetning til multivariate tester kan variantene være helt forskjellige fra hverandre. Dette er en av testtypene jeg ofte bruker for nye kontoer eller nye kampanjer der det ikke finnes historiske data, og jeg ønsker å teste helt forskjellige oppsett eller kombinasjoner av elementer i stedet for å begrense utvalget med A/B- eller multivariat testing.

  Eksempel på A/B/n-testing: testing av 2+ sett med reklamer med helt forskjellige layouter og/eller landingssider.

• Sekvensielle tester

  En sekvensiell test er en type A/B-test som tester varianter av kampanjeelementer i faser eller sekvenser. En sekvens kan være 2 uker, 1 måned eller lengre (jeg anbefaler ikke å kjøre en test i mindre enn 2 uker). Dette er den minst foretrukne testtypen, ettersom det å kjøre en test i ulike tidsperioder introduserer eksterne faktorer du ikke kan kontrollere, for eksempel sesongvariasjoner, variasjoner i utvalgsstørrelse og målgruppeavvik. Det er imidlertid også en vanlig testtype, ettersom ikke alle PPC-plattformer tilbyr fulle (eller noen) A/B-testfunksjoner.

  Eksempel: testing av Maximize Conversions-budgivning vs. Maximize Conversion Value i Google Ads

Ideelt sett bør alle testene utføres i følgende rekkefølge:

1. A/B/n-testing for å finne det oppsettet som fungerer best
2. A/B-testing for å avgrense og forbedre oppsettet ditt
3. Multivariate tester for å snevre inn oppsettet ytterligere
4. Sekvensiell testing for å teste elementer i rekkefølge når det ikke finnes noen ordentlig A/B-testfunksjonalitet.

Statistikk for A/B-testing

For at A/B-testing skal gi statistisk signifikante data, informere deg om dine beslutninger og føre til forbedringer i PPC, er det fire viktige statistikker du må ta hensyn til:

• Utvalgsstørrelse

  Møt Ranktracker

  Alt-i-ett-plattformen for effektiv søkemotoroptimalisering

  Bak enhver vellykket bedrift ligger en sterk SEO-kampanje. Men med utallige optimaliseringsverktøy og teknikker der ute å velge mellom, kan det være vanskelig å vite hvor du skal begynne. Vel, frykt ikke mer, for jeg har akkurat det som kan hjelpe deg. Vi presenterer Ranktracker alt-i-ett-plattformen for effektiv SEO.

  Vi har endelig åpnet registreringen til Ranktracker helt gratis!

  Opprett en gratis konto

  Eller logg inn med påloggingsinformasjonen din

  I PPC er utvalgsstørrelsen den trafikkmengden du må generere for at testresultatene skal være representative for målgruppen din. For beregninger på annonsenivå (som CTR eller visningsfrekvens) vil visninger være kilden til utvalgene dine, men for konverteringsspesifikke beregninger (som konverteringsfrekvens, kostnad/konv. eller ROAS) bør du velge klikk. Generelt gjelder det at jo større utvalget er, desto mer nøyaktig blir testen.

• Forventet økning

  En spådom om hvordan en testet endring vil påvirke den endelige beregningen, uttrykt i prosent og fra 0 til 100 %. Basert på historiske data og konverteringsundersøkelser kan du for eksempel forutsi at en endring i hovedtilbudet fra 10 % rabatt til gratis frakt vil øke konverteringsfrekvensen med 30 %.

• P-verdi

  Vi er inne på avansert statistikk. Enkelt sagt kan p-verdien brukes til å avgjøre om resultatene avviker signifikant fra det man kunne forvente, eller hvor statistisk signifikante resultatene er. Den varierer fra 0 til 1, og jo mindre verdien er, desto mer statistisk signifikante er resultatene.

• Tillitsnivåer

  Konfidensnivå eller konfidensintervall er et mål på hvor sikre testresultatene er. Et konfidensnivå på 95 % betyr for eksempel at hvis vi gjentar den samme testen flere ganger, vil 95 % av testene gi lignende resultater.

Hvorfor er PPC A/B-testing viktig?

A/B-testing påvirker tre viktige områder av PPC-kampanjene dine:

1. Resultater

   Når du jobber med PPC-kampanjer, stilles du stadig overfor spørsmålet "Vil ting A gjøre det bedre enn ting B?" (bytt ut "ting" med kampanje/annonse/copy/målgruppe/vinkel/etc.). A/B-testing gir deg en måte å besvare slike spørsmål på, teste ulike hypoteser og til slutt forbedre resultatene dine.

2. Struktur

   Hvis du, i likhet med meg, har følt at noen av optimaliseringene dine har vært for ad hoc, reaktive i forhold til dataene du har til rådighet, eller til og med kosmetiske, er A/B-testing en metode som vil hjelpe deg med å skape mer struktur. Det kan bidra til å skape "fotfeste" (dokumenterte hypoteser) og fokusere på å finne de mest effektive optimaliseringsmulighetene i stedet for kosmetiske endringer.

3. Kommunikasjon og engasjement

   Hvis du er et byrå eller en in-house-spesialist, har du sannsynligvis opplevd problemer med kommunikasjon og engasjement hos kunder eller ledere. A/B-testing kan bidra til å løse noen av disse problemene, ettersom det gir et ekstra lag av åpenhet, bevissthet og engasjement. Om ikke annet kan du gi et raskt svar hvis noen spør "Har du testet en grønn knapp i stedet?" :)

Hva kan du A/B-teste?

Det er viktig å avgjøre hva du skal A/B-teste i PPC-kampanjene dine. Jeg anbefaler at du starter med de elementene som, hvis de forbedres, kan ha størst innvirkning på resultatene dine.

1. Kreative

   Eksempler: layout, fargevalg, modell vs. ingen modell, kortformet video vs. langformet, UGC vs. egne ressurser.

2. Tilbud

   Eksempler: gratis frakt vs. rabatt, gratis bonus vs. knapphet, gratis prøveperiode vs. freemium, garanti vs. ingen garanti, webinar vs. e-bok.

3. Annonseplassering

   Eksempler: Facebook vs. Instagram, mobil vs. desktop, søk vs. søkepartnere.

4. Annonsetekst

   Eksempler: Lang form vs. kort form, punktliste vs. avsnitt, inkludering av ordet "gratis" vs. ikke, fordeler vs. autoritet.

5. Målretting

   Eksempler: nye søkeord, smal målretting vs. bred, lookalike vs. cold, eldre remarketingmålgrupper vs. yngre, søkeord med frasematch vs. bred, smal stedsmålretting vs. bred.

6. Kampanjer/annonse-typer

   Eksempler: DSA vs. vanlige søkekampanjer, dynamiske remarketingkampanjer vs. vanlig remarketing, lead-annonser vs. messenger-annonser.

7. Budsjettallokering

   Eksempler: mer budsjett til kampanje 1 vs. kampanje 2, mer budsjett til remarketing vs. akkvisisjon, mer budsjett til Performance Max vs. Shopping.

8. Landingssider

   Eksempler: layout, bilder vs. videoer, dynamisk innsetting av søkeord, overskrifter, skjemaer, sosiale bevis, samsvar mellom annonse- og landingssidebudskap.

9. Budstrategier

   Eksempler: Maksimere konverteringer vs. maksimere konverteringsverdi, CPA-mål, ROAS-mål, høyeste volum vs. høyeste verdi.

10. Kampanjestruktur

    Eksempler: Bred (eller Hagakure) struktur vs. detaljert, mer dynamiske/automatiserte kampanjer vs. færre, best presterende vs. dårlig presterende, SKAGs.

Slik A/B-tester du PPC-kampanjene dine

Sette opp A/B-testen

Når du har kommet frem til en liste over ideer du vil A/B-teste, er det på tide å danne hypoteser og velge metoder og verktøy.

Hypotese

Hypotesen er antakelsen du prøver å teste med eksperimentet. Den uttrykker effekten du forventer å se av en endring, for eksempel å revidere annonseteksten, endre annonseteksten eller utvide målgruppen. For å strukturere hypotesene mine bruker jeg gjerne Hypothesis Kit V4 av Craig Sullivan:

1. Basert på (data/forskning/observasjon)
2. vi tror at (endring)
3. for (befolkning)
4. vil forårsake (påvirkning).
5. Dette vet vi når vi ser (metrisk).
6. Dette vil være bra for kunder, partnere eller virksomheten vår (fordi).

Tilnærming

Det er her du bestemmer deg for hvordan du skal gripe an testen. Skal dette være en A/B-test? A/B/n? Sekvensiell? Det er viktig å avgjøre dette fra starten av, ettersom det vil påvirke A/B-testverktøyene, budsjettene og resultatene. Som nevnt ovenfor anbefaler jeg å starte med A/B/n-tester hvis du ikke har noen historiske data og hypotesen din er basert på observasjoner. Med visse tester og annonseplattformer er du imidlertid begrenset til sekvensielle testmetoder (f.eks. budstrategier på Google Ads).

Verktøy

Når det gjelder PPC A/B-testing, er et regnearkdashboard din beste venn. Hvis du er usikker på hvor du skal begynne, kan du finne det nyeste dashbordet mitt her. Hvis du bare kjører noen få tester i kvartalet, anbefaler jeg at du fyller det ut manuelt. Hvis det er mer enn noen få, kan du automatisere det ved hjelp av verktøy som Supermetrics for å hente PPC-data.

Lansering av A/B-testen

Lanseringsinstruksjonene vil avhenge av det testede elementet og annonseplattformen du har valgt. Én ting vil imidlertid være den samme - eksperimentet må gi like eller nesten like store utvalg for både kontroll- og testvariantene, noe som betyr at ordentlige A/B-tester aldri bør lanseres i samme kampanje eller annonsegruppe med mindre du kan kontrollere budsjettet og trafikkspredningen (f.eks. kampanjer for budsjettoptimalisering av annonsesett, eller ABO, i Facebook Ads).

Her er testoppsettene jeg bruker oftest:

• Facebook/Instagram/Pinterest/LinkedIn: native A/B-testing, nye annonsesett, nye kampanjer, sekvensielle lanseringer.
• Google/Microsoft: eksperimentering med native-kampanjer, A/B-testing av annonsekopier, rotasjon av like annonser, sekvensielle lanseringer.

Analyse av dataene

Du har utarbeidet en hypotese, satt opp testen og latt den gå sin gang. Hva nå?

Fyll ut dashbordet, og se om testen ga den forventede økningen, om utvalgsstørrelsen var stor nok, om resultatene er statistisk signifikante, eller om testen trenger mer tid for å oppnå høyere signifikans.

Du kan bruke en kalkulator til å beregne utvalgsstørrelse og konfidensgrad/signifikans.

Hvis du har en klar vinner, kan du formulere en konklusjon og utarbeide en handlingsplan for hvordan du skal innføre den i PPC-oppsettet ditt.

5 PPC A/B-tester du kan prøve

1. Tilby testing

Når det gjelder å maksimere PPC-resultatene, må du ikke undervurdere effekten av å teste ulike tilbud. Etter min erfaring gir dette de største endringene i resultatene.

Dette kan omfatte knapphet (tenk begrenset tilgang), hastverk, bonuser, garantier eller rabatter.

Husk å bruke funksjonen for testing av native annonsekopier for å sikre bedre kontroll over utvalgsstørrelser og trafikkfordeling per variant (for eksempel eksperimenttypen "Annonsevariasjon" i Google Ads).

2. Testing av destinasjonssider

"Vent, jeg trodde dette var en praktisk guide til PPC-testing?". Min erfaring er at landingssider er en av de mest avgjørende faktorene for å lykkes med PPC. Hvis landingssiden din ikke er godt optimalisert, spiller det ingen rolle hvor gode annonsene dine er - resultatene dine vil fortsatt være begrensede.

For å oppnå de største forbedringene anbefaler jeg at du starter med layout- og skjematesting, da disse kan bidra til de største økningene i konverteringsfrekvensen. Dette kredittkortselskapet opplevde for eksempel en økning i konverteringsraten på 17 % etter å ha optimalisert skjemaet.

Deretter bør du vurdere å teste samsvar mellom annonser og budskap og overskrifter for å forbedre flyten fra annonse til konvertering.

3. Kreativ testing

Ifølge Nielsen bidrar kvaliteten på reklamen til 49 % av mersalget og er den viktigste faktoren for reklameeffektivitet. Dette er grunnen til at jeg alltid anbefaler at man tester reklamer med høy frekvens i kanaler som Facebook og TikTok. Det var også en viktig årsak til at kunden min økte antall bestillinger med 54 % på bare 6 måneder.

For å oppnå størst effekt anbefaler jeg å teste layoutendringer, budskap og UGC-innhold.

4. Målretting av testing

Målrettingstesting er enda en idé jeg anbefaler å prøve for å oppnå størst mulig potensiell økning. Som nevnt i avsnittet "Hva kan du A/B-teste", kan dette omfatte nye søkeord, smal målretting vs. bred, og lookalikes vs. lagrede målgrupper.

Det kan for eksempel være lurt å teste en egen kampanje med lange søkeord i forhold til en med korte søkeord for å se om du kan forbedre budsjettkontrollen og redusere CPA.

Jeg anbefaler at du bruker et verktøy som RankTrackers Keyword Finder for å få mer avanserte søkeordforslag og filtrering enn du får med Google Keyword Planner.

5. Testing av budgivning

A/B-testing av budstrategier kan være en effektiv måte å optimalisere PPC-resultatene på. Dette kan avdekke om budene dine er for høye eller lave, om du optimaliserer for de mest verdifulle kundene eller ikke, og om det er best å satse på flest mulig konverteringer (kvalitet) fremfor høyest mulig konverteringsverdi (kvantitet).

Du kan for eksempel teste å øke mål-CPA-grensene med 30-50 % for å se om du går glipp av klikk som kan resultere i konverteringer, eller redusere mål-ROAS med 25 % for å generere flere konverteringer i en periode med høy konkurranse (f.eks. Black Friday).