1. 青瓜傳媒首頁
  2. APP推廣

精細化用戶增長案例!

精細化用戶增長案例!

 

ABtest越來越受到大家的重視,快速的、靈活的快速對比實驗能迅速的找出問題所在,避免了大范圍的資源浪費。所以設計一個好的實驗是至關重要的。

簡單來說,A/B測試在產品優化中的應用方法是:在產品正式迭代發版之前,為同一個目標制定兩個(或以上)方案,將用戶流量對應分成幾組,在保證每組用戶特征相同的前提下,讓用戶分別看到不同的方案設計,根據幾組用戶的真實數據反饋,科學的幫助產品進行決策。

精細化用戶增長案例!

A/B測試的應用方式決定了它擁有的三大特性:先驗性、并行性和科學性。

精細化用戶增長案例!

先驗性:?A/B測試其實是一種“先驗”的試驗體系,屬于預測型結論,與“后驗”的歸納性結論差別巨大。同樣是用數據統計與分析版本的好壞,以往的方式是先將版本發布,再通過數據驗證效果,而A/B 測試卻是通過科學的試驗設計、采樣樣本代表性、流量分割與小流量測試等方式來獲得具有代表性的試驗結論,這樣就可以用很少的樣本量就能推廣到全部流量可信。

并行性:?A/B測試是將兩個或以上的方案同時在線試驗,這樣做的好處在于保證了每個版本所處環境的一致性,便于更加科學客觀地對比優劣。同時,也節省了驗證的時間,無需在驗證完一個版本之后再測試另一個。

科學性:?這里強調的是流量分配的科學性。A/B 測試的正確做法,是將相似特征的用戶均勻的分配到試驗組中,確保每個組別的用戶特征的相似性,從而避免出現數據偏差,使得試驗的結果更有代表性。

誤區一:輪流展現不同版本

首先需要明確,這種做法不是真正意義上的A/B測試。而這一現象,經常出現在如今的廣告投放的環節。廣告主為了提升著陸頁的轉化率,會選擇將不同的廣告版本進行輪流投放展示。

但這一做法并不能保證每個版本所處的環境相同,例如選在工作日的晚七點黃金檔和下午三點時段,受眾群體會有明顯區別,以至于最終效果是否有差異,甚至導致效果不同的原因是很難下定論的。

正確做法:?不同版本方案并行(同時)上線試驗,盡可能的降低所有版本的測試環境差別。

誤區二:選擇不同應用市場投放(隨機選取用戶測試)

對于一些已經意識到數據先驗重要性的企業來說,為了驗證新版本對于用戶使用真實影響,可能會選擇將不同版本打包,分別投放到不同的應用市場,當發現其中某版本的數據表現的最好,就決定將該版本全量上線。

更有甚者,會隨機選取一部分用戶(甚至是公司內部人員)進行前期試用,根據數據反饋決定迭代版本。這都違背了A/B測試的科學流量分配的原則,很容易造成辛普森悖論(即某個條件下的兩組數據,分別討論時都會滿足某種性質或趨勢,可一旦合并起來考慮,卻可能導致相反的結論)。

正確做法:?科學的進行流量分配,保證每個試驗版本的用戶特征相類似。

誤區三:讓用戶自主選擇版本

不少企業會在新版的頁面上留下返回老版本的入口,讓用戶自主選擇使用哪一版,通過收集返回按鈕的點擊率來判斷最佳版本。但該思路不利于統計分析用戶在新版的行為數據,因為用戶離開新版本可能單純是因為習慣使用老版本,而不是認為新版本的體驗不好,最終導致了試驗結果的不準確。

正確做法:?讓用戶展現對不同版本的真實使用體驗,企業則應實時關注各版本的數據表現,并根據數據反饋及時調整試驗流量。

誤區四:對試驗結果的認知和分析過淺

這一誤區又包括了兩個不同的內容:

其一,認為只有當試驗版本結果優于原始版本時,試驗才算成功。事實上,A/B 測試是用于選擇最佳版本的工具。試驗可能出現的結果分為三種:試驗版本有提升(試驗版本最佳)、無明顯差異(兩版本均可)、試驗版本的表現比原始版本糟糕(原始版本最佳),這三種結果其實都說明了試驗的成功。

其二,單從試驗的整體數據結果,就推論所有場景的表現效果。例如,當A/B測試的結果表明試驗版本的數據差于原始版本時,就認定所有的地區或渠道的效果都是負面的。

但如果細分每個版本中不同瀏覽器的數據,可能會發現:由于某一瀏覽器的明顯劣勢,導致整體試驗數據不佳。因此,不要只專注于試驗數據的整體表現,而忽略了細分場景下可能導致的結果偏差。

正確做法:?在分析試驗整體數據的同時,需要從多個維度細分考量試驗數據結果

盡管A/B 測試可以彌補產品優化中遇到的不足,但它并不完全適用于所有的產品。因為A/B 測試的結果需要大量數據支撐,日流量越大的網站得出結果越準確。通常來說,我們建議在進行A/B測試時,能夠保證?每個版本的日流量在1000個UV以上?,否則試驗周期將會很長,或很難獲得準確(結果收斂)的數據結果推論。

說完什么樣的產品適合用A/B 測試,接下來我們將從優化內容和應用場景兩個方面說明A/B測試可以用在哪些地方,希望能給你一些啟發。

優化內容

產品UI

不同行業的產品需要不同的風格,同時還要與企業的品牌相得益彰。利用A/B 測試優化UI能給用戶帶來更好的交互體驗和視覺感受。

精細化用戶增長案例!

文案內容

顧名思義是指用戶閱讀到的文字內容,它貫穿一個產品的所有部分,小到圖片配文和按鈕文字,大到文章標題甚至版塊主題。這些部分都可以嘗試變換文案內容,測試不同方案的數據效果。

精細化用戶增長案例!

頁面布局

有些時候,可能根本不需要對產品的UI或是文案內容作出調整,只是在布局排版上的改變,就可以出現增長的效果。

精細化用戶增長案例!

產品功能

想給產品增加一個新功能,可是很難確定是否能達到用戶的預期,如果盲目上線,可能會造成一些損失。使用A/B 測試,對你的用戶真正負責。 例如:社交類產品在付費查看照片的新功能正式上線前,需要進行A/B 測試,以驗證功能的使用情況和效果。

推薦算法

包括基于內容的推薦算法(根據用戶的歷史記錄推薦相似內容)、基于協同過濾的推薦算法(根據有相似興趣用戶的行為推薦相關內容)、基于關聯規則的推薦算法(根據內容本身的相關性給用戶推薦),最終提高用戶使用黏性。

廣告著陸頁

著陸頁作為互聯網營銷中流量的承接和轉化的關鍵步驟,如何讓訪客在看到廣告(或營銷頁面)后點擊進入著陸頁,并繼續保持對您的產品或服務的興趣,乃至產生好感,最終完成注冊、購買、分享等轉化行為是十分重要的。A/B測試能夠幫助你最大化你的營銷ROI。

Web/H5 頁面

除廣告營銷的傳播外,產品的官網頁面(不論是PC端還是移動端)始終是用戶了解產品的重要渠道。因此,如何讓用戶更好的了解產品信息,激發用戶產生進一步行為意愿,從而得到更高的注冊率、購買率、下載率等,是Web端頁面優化的首要目標。利用A/B測試,可以在較少的成本支出下,找到頁面的最佳展現方法。

APP用戶體驗

隨著C端用戶的海量進入,產品的復雜度越來越高,新版本的決策風險也急劇提升,保持產品核心業務數據穩步增長是每個App的版本目標,通過A/B測試在每個版本正式發布之前驗證版本的數據表現,讓每次迭代都能得到確定性增長。

媒體廣告投放與管理

對于媒體和廣告技術公司而言,可以通過A/B測試實現由設計與數據驅動的創新性廣告產品的優化。

一方面借助測試可以優化廣告投放效果和廣告資源填充率,以達到提升廣告單價的目標;另一方面還能衡量現有廣告產品對用戶體驗的影響,通過不斷提高用戶體驗的廣告產品,從而驅動更高的移動廣告業務收入。

灰度發布

目前產品優化迭代的方式,通常是直接將某版本上線發布給全部用戶,一旦遇到線上事故(或BUG),對用戶的影響極大,解決問題周期較長,甚至有時不得不回滾到前一版本,嚴重影響了用戶體驗。A/B測試通過給小批量用戶發放版本,有效減少全用戶發生線上事故/重大BUG的概率,絕大多數用戶對BUG無感知,最大程度保證了用戶的良好體驗。

ABtest適用于用戶量比較大的產品類型,提供的只是我們的一種工作思路,并不是神一樣的存在,既不能高估也不能低估。

 

作者:白高粱

來源:公眾號:白高粱

本文由青瓜傳媒發布,不代表青瓜傳媒立場,轉載聯系作者并注明出處:http://www.wvklyg.live/171958.html

聯系我們

在線咨詢:點擊這里給我發消息

郵件:[email protected]

工作日:9:30-18:30,節假日休息

QR code
江西时时彩被停原因