A PPC A/B tesztelés gyakorlati útmutatója (+5 ötlet a teszteléshez)

Intro

A PPC A/B tesztelés hatékony módja a hirdetési kampányok hatékonyságának javításának.

Ebben a gyakorlati útmutatóban megtudhatja, hogy mi is az A/B tesztelés a PPC esetében, és megismerheti a különböző típusú teszteket és az adatvezérelt döntésekhez szükséges tesztelési statisztikákat. Azt is megtudhatja, hogyan állítsa be első A/B tesztjét, és gyakorlati, nagy hatású ötleteket kap, amelyeket kipróbálhat.

Mi az A/B tesztelés PPC esetében?

Az A/B tesztelés a PPC esetében a hirdetési kampány elemeinek - például a hirdetési szövegnek, a céloldalaknak vagy a célzásnak - 2 vagy több változatát teszteli, azzal a céllal, hogy statisztikai bizonyítékot szolgáltasson különböző hipotézisekre, amelyek felhasználhatók a kampányok finomítására és az eredmények javítására.

Bár nem különbözik teljesen a céloldal vagy az e-mail A/B tesztelésétől, a PPC A/B tesztelés a hirdetési platformok korlátai, a minta méretének eltérése és a kampányok általános teljesítményének befolyásolásának kockázata miatt külön megközelítést igényel.

PPC-tesztek típusai

A PPC-ben az A/B teszteknek négy fő típusa létezik:

A/B tesztek
Az A/B teszt egy olyan kísérlet, amelynek során egy hipotézis alapján megváltoztatja a hirdetési kampány egyetlen elemét, és azt az eredeti kontrollváltozattal szemben teszteli. Ez a leggyakoribb teszttípus, amely segít leszűkíteni a konkrét elemekre és finomítani a kampányokat.
Példa az A/B tesztelésre: 2 szöveges hirdetés tesztelése ingyenes szállítással vs. 15%-os árengedménnyel mint fő ajánlattal.
Többváltozós tesztek
Ismerje meg a Ranktracker-t
Az All-in-One platform a hatékony SEO-hoz
Minden sikeres vállalkozás mögött egy erős SEO kampány áll. De a számtalan optimalizálási eszköz és technika közül lehet választani, ezért nehéz lehet tudni, hol kezdjük. Nos, ne félj tovább, mert van egy ötletem, ami segíthet. Bemutatom a Ranktracker all-in-one platformot a hatékony SEO-ért.
Végre megnyitottuk a Ranktracker regisztrációt teljesen ingyenesen!
Ingyenes fiók létrehozása
Vagy Jelentkezzen be a hitelesítő adatokkal
A többváltozós teszt egy több hipotézist és több változást tartalmazó kísérlet. Ezzel a módszerrel a kontrollváltozaton végrehajtott kis változtatások különböző kombinációit teszteli. Ritkán használom ezt a típust, mivel ez igényli a legnagyobb mintaméretet (ami gyakran lehetetlen a PPC esetében) a négy teszttípus közül, és ez generálja a legkisebb felemelkedést az eredményekben, így csökkentve a megbízhatósági szintet (lásd a mintaméret, a felemelkedés és a megbízhatósági szint definícióit a következő szakaszban).
Példa a többváltozós tesztelésre: 4 kreatív tesztelése a címsorok és képek különböző kombinációival.
A/B/n tesztek
Az A/B/n teszt szintén egy kísérlet több hipotézissel és több változtatással. A többváltozós teszteléssel ellentétben azonban a változatok teljesen különbözhetnek egymástól. Ez az egyik olyan teszttípus, amelyet gyakran használok új fiókok vagy új kampányok esetében, ahol nem állnak rendelkezésre historikus adatok, és teljesen különböző beállításokat vagy elemkombinációkat szeretnék tesztelni ahelyett, hogy A/B vagy többváltozós teszteléssel szűkíteném a választékot.
Példa az A/B/n tesztelésre: 2+ kreatív készlet tesztelése teljesen eltérő elrendezéssel és/vagy céloldalakkal.
Szekvenciális tesztek
A szekvenciális teszt az A/B teszt egy olyan típusa, amely fázisokban vagy szekvenciákban teszteli a kampányelemek változatait. Egy szekvencia lehet 2 hét, 1 hónap vagy hosszabb (nem javaslom, hogy 2 hétnél rövidebb ideig futtassunk tesztet). Ez a legkevésbé preferált teszttípus, mivel a teszt különböző időszakokban történő futtatása olyan külső tényezőket vezet be, amelyeket nem tudsz befolyásolni, mint például a szezonalitás, a minta méretének eltérése és a célzási eltérés. Ugyanakkor ez is egy gyakori típus, mivel nem minden PPC-platform kínál teljes (vagy semmilyen) A/B tesztelési funkciót.
Példa: A konverziók maximalizálása licitálás vs. konverziós érték maximalizálása tesztelése a Google Ads-ben

Ideális esetben az összes tesztet a következő sorrendben alkalmazza:

A/B/n tesztelés a legjobban működő beállítás megtalálásához
A/B tesztelés a beállítások szűkítéséhez és finomításához
Többváltozós tesztelés a beállítások további szűkítéséhez
Szekvenciális tesztelés az elemek szekvenciális sorrendben történő teszteléséhez, ha nincs megfelelő A/B tesztelési funkció.

A/B tesztelési statisztikák

Ahhoz, hogy az A/B tesztelés statisztikailag szignifikáns adatokat szolgáltasson, informálja döntéseit, és javulást eredményezzen a PPC-ben, 4 kulcsfontosságú statisztikát kell figyelembe vennie:

A minta mérete
Ismerje meg a Ranktracker-t
Az All-in-One platform a hatékony SEO-hoz
Minden sikeres vállalkozás mögött egy erős SEO kampány áll. De a számtalan optimalizálási eszköz és technika közül lehet választani, ezért nehéz lehet tudni, hol kezdjük. Nos, ne félj tovább, mert van egy ötletem, ami segíthet. Bemutatom a Ranktracker all-in-one platformot a hatékony SEO-ért.
Végre megnyitottuk a Ranktracker regisztrációt teljesen ingyenesen!
Ingyenes fiók létrehozása
Vagy Jelentkezzen be a hitelesítő adatokkal
A PPC-ben a minta mérete az a forgalom mennyisége, amelyet ahhoz kell generálnia, hogy a teszteredmények reprezentatívak legyenek a közönségére nézve. Hirdetésszintű mérőszámok (például CTR vagy View Rate) esetében a megjelenések lesznek a mintáid forrásai, de konverzió-specifikus mérőszámok (például Conversion Rate, Cost/Conv. vagy ROAS) esetében a kattintásokat kell választanod. Általánosságban elmondható, hogy minél nagyobb a minta mérete, annál pontosabb lesz a tesztje.
Várható növekedés
Egy előrejelzés arra vonatkozóan, hogy a vizsgált változás hogyan befolyásolja a végső mérőszámot, százalékban kifejezve, 0 és 100% között. Például a múltbeli adatok és a konverzió-kutatás alapján megjósolhatja, hogy a fő ajánlat 10%-os kedvezményről ingyenes szállításra történő módosítása 30%-kal növeli a konverziós arányt.
P-érték
A fejlett statisztikák területén vagyunk. Egyszerűen fogalmazva, a p-érték segít meghatározni, hogy az eredmények jelentősen eltérnek-e a várttól, vagy hogy statisztikailag mennyire szignifikánsak az eredmények. Az érték 0 és 1 között mozog, és minél kisebb az érték, annál statisztikailag szignifikánsabbak az eredmények.
Bizalmi szintek
A bizalmi szintek vagy bizalmi intervallumok a vizsgálati eredmények bizonyosságának mértékét jelentik. Például a 95%-os megbízhatósági szint azt jelenti, hogy ha ugyanazt a tesztet többször megismételjük, akkor a tesztek 95%-a hasonló eredményt ad.

Miért fontos a PPC A/B tesztelés?

Az A/B tesztelés a PPC kampányok 3 kulcsfontosságú területét érinti:

Eredmények
Amikor PPC-kampányokon dolgozol, állandóan azzal a kérdéssel kell szembenézned, hogy "vajon az A dolog jobban fog működni, mint a B dolog?" (a "dolog" helyébe a kampány/hirdetés/szöveg/közönség/látószög/stb. lép). Az A/B tesztelés lehetőséget biztosít az ilyen kérdések megválaszolására, a különböző hipotézisek tesztelésére, és végső soron az eredmények javítására.
Szerkezet
Ha hozzám hasonlóan úgy érezte, hogy néhány optimalizációja túlságosan ad hoc, a rendelkezésre álló adatokra reagáló vagy akár kozmetikai jellegű volt, az A/B tesztelés az a megközelítés, amely segít nagyobb struktúrát adni. Segíthet a teljesítmény "megalapozásában" (bizonyított hipotézisek), és a kozmetikai változtatások helyett a leghatásosabb optimalizálási lehetőségek megtalálására összpontosíthat.
Kommunikáció és elkötelezettség
Ha Ön ügynökségi vagy házon belüli szakember, valószínűleg Ön is tapasztalt már kommunikációs és elkötelezettségi problémákat az ügyfelekkel vagy a vezetőkkel. Az A/B tesztelés segíthet megoldani e problémák egy részét, mivel az átláthatóság, a tudatosság és az elkötelezettség egy újabb rétegét kínálja. Ha mást nem is, de gyors választ adhat, ha valaki megkérdezi: "Nem teszteltél inkább egy zöld gombot?" :)

Mit tudsz A/B tesztelni?

A PPC-kampányok A/B tesztelésének eldöntése kulcsfontosságú. Javaslom, hogy azokkal az elemekkel kezdje, amelyek javítása a legnagyobb hatással lehet az eredményére.

Kreatívok
Példák: elrendezés, színséma, modell vs. modell nélkül, rövid formátumú videó vs. hosszú formátumú, UGC vs. saját eszközök.
Ajánlat
Példák: ingyenes szállítás vs. kedvezmény, ingyenes bónusz vs. szűkösség, ingyenes próbaverzió vs. freemium, garancia vs. garancia nélkül, webinárium vs. ebook.
Hirdetés elhelyezése
Példák: Facebook vs. Instagram, mobil vs. desktop, keresés vs. keresőpartnerek.
Reklámszöveg
Példák: Hosszú szöveg kontra rövid szöveg, felsorolás kontra bekezdés, az "ingyenes" szó szerepeltetése kontra nem, előnyök kontra tekintély.
Célzás
Példák: új kulcsszavak, szűk célzás vs. széles, lookalike vs. hideg, idősebb remarketing célközönség vs. fiatalabb, phrase match kulcsszavak vs. széles, szűk helymeghatározás vs. széles.
Kampány/Ad típusok
Példák: DSA vs. hagyományos keresőkampányok, dinamikus remarketing kampányok vs. hagyományos remarketing, lead hirdetések vs. messenger hirdetések.
Költségvetés elosztása
Példák: több költségvetés az 1. kampányra a 2. kampányhoz képest, több költségvetés a remarketingre az akvizícióhoz képest, több költségvetés a Performance Max-hoz képest a vásárláshoz képest.
Landing oldalak
Példák: elrendezés, képek vs. videók, dinamikus kulcsszavak beillesztése, címsorok, űrlapok, társadalmi bizonyítékok, hirdetés és leszállóoldal üzenetének egyezése.
Licitálási stratégiák
Példák: CPA-címek, ROAS-célok, legnagyobb volumen vs. legnagyobb érték.
A kampány felépítése
Példák: (vagy Hagakure) struktúra vs. granuláris, dinamikusabb/automatizáltabb kampányok vs. kevesebb, legjobban teljesítő vs. rosszul teljesítő, SKAG-k.

Hogyan tesztelje PPC kampányait A/B teszteléssel

A/B teszt beállítása

Miután összeállt az A/B tesztelésre szánt ötletek listája, itt az ideje hipotéziseket felállítani, és dönteni a megközelítésekről és eszközökről.

Hipotézis

A hipotézis az a feltételezés, amelyet a kísérlettel próbál tesztelni. Kifejezi azt a hatást, amelyet egy változtatástól vár, például a hirdetési szöveg átdolgozásától, a hirdetési kreativitás megváltoztatásától vagy a célzás kiterjesztésétől. A hipotéziseim strukturálásához szívesen hivatkozom Craig Sullivan Hypothesis Kit V4 című könyvére:

(adatok/kutatás/megfigyelés alapján)
hisszük, hogy (változás)
for (népesség)
okoz (hatás).
Ezt akkor fogjuk tudni, amikor meglátjuk (metrikus).
Ez jó lesz az ügyfeleknek, a partnereknek vagy a mi üzletünknek (mert).

Megközelítés

Itt dönti el, hogyan közelíti meg a tesztet. Ez egy A/B teszt lesz? A/B/n? Szekvenciális? Fontos, hogy ezt már a kezdetektől fogva meghatározzuk, mivel ez hatással lesz az A/B tesztelési eszközökre, a költségvetésre és az eredményekre. Mint fentebb említettem, azt javaslom, hogy A/B/n tesztekkel kezdjünk, ha nincsenek korábbi adataink, és a hipotézisünk megfigyeléseken alapul. Bizonyos tesztek és hirdetési platformok esetében azonban a szekvenciális tesztelési megközelítésekre korlátozódsz (pl. licitálási stratégiák a Google Ads esetében).

Eszközök

Ha PPC A/B tesztelésről van szó, a legjobb barátod a táblázatos műszerfal. Ha nem tudod, hol kezdj hozzá, a legfrissebb dashboardomat itt találod. Ha negyedévente csak néhány tesztet futtatsz, azt javaslom, hogy töltsd ki kézzel. Ha néhánynál többről van szó, akkor automatizálhatja azt olyan eszközökkel, mint például a Supermetrics a PPC-adatok lehívásához.

excel

Az A/B teszt elindítása

Az indítási utasítások a tesztelt elemtől és a kiválasztott hirdetési platformtól függnek. Egy dolog azonban nem változik - a kísérletednek egyenlő vagy közel azonos mintaméretet kell produkálnia a kontroll és a tesztváltozat esetében, ami azt jelenti, hogy a megfelelő A/B teszteket soha nem szabad ugyanabban a kampányban vagy hirdetéscsoportban indítani, kivéve, ha ellenőrizni tudod a költségvetés és a forgalom terjedését (pl. a Facebook Ads-ben a hirdetési készlet költségvetés-optimalizálási kampányok, vagy ABO).

Itt vannak az általam leggyakrabban használt tesztelési beállítások:

Facebook/Instagram/Pinterest/Pinterest/LinkedIn: a natív A/B tesztelés funkció, új hirdetéskészletek, új kampányok, szekvenciális indítások.
Google/Microsoft: a natív kampánykísérleti funkció, a reklámszöveg A/B tesztelési funkció, az egyenlő hirdetésrotációs funkció, a szekvenciális indítások.

Az adatok elemzése

Megalkotott egy hipotézist, beállította a tesztet, és hagyta, hogy az végigfusson. És most?

Töltse ki a műszerfalat, és nézze meg, hogy a tesztje a várt értéknövekedést eredményezte-e, hogy a minta mérete elég nagy volt-e, hogy az eredményei statisztikailag szignifikánsak-e, vagy hogy a tesztjének több időre van-e szüksége a nagyobb szignifikancia eléréséhez.

A mintaméret és a megbízhatósági/szignifikancia számításokhoz használhat számológépet.

Ha van egy egyértelmű győztes, fogalmazza meg a következtetést, és készítsen cselekvési tervet annak bevezetésére a PPC-beállításokba.

5 kipróbálandó PPC A/B tesztelési ötlet

1. Ajánlat tesztelés

A PPC-eredmények maximalizálásakor ne becsülje alá a különböző ajánlatok tesztelésének hatását. Tapasztalataim szerint ez eredményezi a legjelentősebb változásokat az eredményekben.

Ez magában foglalhatja a szűkösséget (gondoljon a korlátozott kínálatra), a sürgősséget, a bónuszokat, a garanciákat vagy az árengedményeket.

Ha rendelkezésre áll, ne felejtse el használni a natív reklámszöveg-tesztelési funkciót, hogy nagyobb kontrollt biztosítson a mintanagyság és a forgalom variációnkénti felosztása felett (mint például a Google Ads "Hirdetési variáció" kísérlettípusa).

2. Landing page tesztelés

"Várj, azt hittem, ez egy gyakorlati útmutató a PPC teszteléshez?". Tapasztalataim szerint a céloldalak az egyik legnagyobb mértékben hozzájáruló tényező a PPC sikeréhez. Ha a landing page nem jól optimalizált, nem számít, hogy mennyire jók a hirdetései - az eredményei akkor is korlátozottak lesznek.

A legnagyobb javulás érdekében azt javaslom, hogy az elrendezés és az űrlapok tesztelésével kezdje, mivel ezek járulhatnak hozzá a konverziós arány legjelentősebb javulásához. Ez a hitelkártyával foglalkozó vállalat például 17%-os növekedést tapasztalt a konverziós arányban, miután optimalizálta űrlapját.

Ezután fontolja meg a hirdetés-üzenet párosítást és a főcímek tesztelését, hogy javítsa a hirdetés-konverzió áramlását.

3. Kreatív tesztelés

A Nielsen szerint a reklámok kreatív minősége 49%-ban járul hozzá a növekményes eladásokhoz, és ez a reklámhatékonyság legkritikusabb tényezője. Ezért javaslom mindig a nagy gyakoriságú kreatív tesztelést a kreatív-első csatornákon, például a Facebookon és a TikTokon. Ez is jelentősen hozzájárult ahhoz, hogy ügyfelem mindössze 6 hónap alatt 54%-kal növelte a foglalások számát.

A legnagyobb javulás érdekében javaslom az elrendezés, az üzenetküldés és az UGC-tartalom tesztelését.

4. Célzott tesztelés

A célzott tesztelés egy másik ötlet, amit a legnagyobb potenciális felhajtás érdekében ajánlok kipróbálni. Amint azt a "Mit tudsz A/B tesztelni" részben említettük, ezek közé tartozhatnak az új kulcsszavak, a szűk célzás vs. széles, és a hasonszőrűek vs. elmentett célközönség.

Például érdemes lehet tesztelni egy külön hosszú kulcsszavas és egy rövid kulcsszavas kampányt, hogy lássuk, javíthatjuk-e a költségvetés ellenőrzését és csökkenthetjük-e a CPA-t.

Ehhez egy olyan eszközt ajánlok, mint a RankTracker kulcsszókeresője, amely segít abban, hogy fejlettebb kulcsszójavaslatokat és szűrést kapjon, mint a Google Keyword Planner.

keyword finder

5. Licitálási tesztelés

Az A/B licitálási stratégiák tesztelése hatékony módja lehet a PPC-eredmények optimalizálásának. Ez megmutathatja, hogy a jelenlegi licitjei túl magasak vagy alacsonyak, hogy a legnagyobb értékű ügyfelekre optimalizál-e vagy sem, és hogy a legjobb-e a legmagasabb konverziószámra (minőség) vagy a legmagasabb konverziós értékre (mennyiség) törekedni.

Például tesztelheti, hogy 30-50%-kal megnöveli a CPA-korlátokat, hogy lássa, nem marad-e ki olyan kattintásokból, amelyek konverziót eredményezhetnek, vagy 25%-kal csökkentheti a ROAS-értéket, hogy nagyobb mennyiségű konverziót generáljon egy nagy versenyben lévő időszakban (pl. fekete péntek).

bidding