- E-handelspaket & Priser
- Tilläggstjänster
- Affärssystem / Logistik / B2B
- Betallösningar
- Design
- Dropshipping
- Frakt & 3PL
- Marknadsplatser
- Moduler - Allmänt
- Synlighet
- Specialisttjänster
- Uppstarttjänster
- Övriga tjänster
- Tillgänglighet
A/B-testning
Vad är A/B-testning?
Det är att ställa två scenarion mot varandra och analysera vilket som fungerade bäst. Inom E-handel gäller det (oftast) att labborera för att öka konverteringsgraden, och med det försäljningen. Då fokuserar man ofta på stegen som leder till köp, från produktsidan till en färdig order. Man labborerar med färg, form och placering av pris och köpknapparna och ja, egentligen precis vad ni vill och kan hitta på.
Kortfattat innebär det altså att labborera sig fram en ökad försäljning.
Varför A/B-testning?
A/B tester utförs för att det inte finns ett koncept som fungerar för alla brancher, det kan vara väldigt skilt vad som fungerar för ett b2b företag inom industri och ett smyckesföretag som riktar sig till slutkonsumenter, alla besökare beter sig inte likadant.
Skulle en annan färg på köpknappen öka din konvertering? Det finns bara ett sätt att veta, prova!
Det har gjorts ett stort antal studier på just detta tidigare, med varierade resultat. Just därför att inte samma ändringar påverkar alla sajter likadant.
Hur utförs A/B-test?
Är det bara att prova?
När man AB-testar så vill man försöka minimera variablerna som kan påverka resultatet.
Låt oss tex. påstå att du testar i två veckor med grön köpknapp och två veckor med röd köpknapp, vad kan förstöra ditt test?
- Kanske har en konkurrerande firma en kampanj under vecka 3 och 4 som helt förstör ditt resultat?
- Kanske är vecka ett lönevecka och ni statistiskt alltid har bättre försäljning i slutet av månaderna?
- Kanske är varorna säsongsbetonade och sportlov eller skolstart eller sommar närmar sig?
- Kanske regnade det hela vecka fyra?
När man ABtestar så försöker man minimera dessa variabler, Vi kan tex. visa en grön knapp för varannan besökare och röda för 50% under samma tidsperiod, och då få ett mer pålitligt testresultat. (Har du större mängder besökare kanske det räcker med ett par procent av besökarna under ett par timmar för att få tillräckligt med data för att kunna dra slutsatser.)