1. Názov metódy

A/B testing

2. Alternatívne názvy

Split testing, Bucket testing

3. Krátky popis

A/B testing je metóda, pri ktorej sa porovnávajú dve verzie niečoho (napr. webovej stránky, e-mailu, reklamy), aby sa zistilo, ktorá z nich dosahuje lepšie výsledky. Návštevníci (alebo používatelia) sú náhodne rozdelení do dvoch skupín: skupina A vidí verziu A (kontrolná) a skupina B vidí verziu B (variant). Následne sa štatisticky vyhodnotí, ktorá verzia lepšie plní stanovený cieľ (napr. konverzný pomer).

4. Účel / Kedy použiť

Používa sa najmä v online marketingu, produktovom dizajne a UX/UI na optimalizáciu a zlepšovanie na základe reálnych dát o správaní používateľov. Je ideálny na testovanie zmien v dizajne, textácii (copywriting), cenotvorbe alebo funkčnosti.

5. Postup / Ako ju aplikovať

1. Definuj cieľ a hypotézu: Čo chcete zlepšiť (napr. zvýšiť počet kliknutí na tlačidlo "Kúpiť")? Vytvorte hypotézu (napr. "Zmena farby tlačidla z modrej na zelenú zvýši konverzný pomer").
2. Vytvor variant (Verzia B): Vytvorte druhú verziu, ktorá sa od pôvodnej (Verzia A) líši len v jednom jedinom testovanom prvku.
3. Spusti test: Pomocou A/B testovacieho nástroja (napr. Google Optimize, Optimizely) rozdeľte návštevnosť 50/50 medzi obe verzie.
4. Zbieraj dáta: Nechajte test bežať dostatočne dlho, aby ste nazbierali štatisticky významný počet dát.
5. Analyzuj výsledky: Vyhodnoťte, ktorá verzia mala lepšie výsledky a či je rozdiel štatisticky významný (t.j. nie je to len náhoda).
6. Implementuj víťaza: Ak variant B preukázateľne vyhral, implementujte ho pre všetkých používateľov. Ak nie, ostaňte pri verzii A. Poučte sa z výsledku a naplánujte ďalší test.

6. Príklad z praxe

E-shop testoval nadpis na svojej hlavnej stránke. Verzia A (kontrolná) mala nadpis: "Kvalitná obuv pre každého." Verzia B (variant) mala nadpis: "Doprava zadarmo na všetky topánky." Po týždni testovania sa ukázalo, že verzia B mala o 30 % vyšší konverzný pomer. E-shop nasadil verziu B pre všetkých návštevníkov.

7. Výhody

- Rozhodovanie na základe dát: Nahrádza dohady a názory ("mne sa páči modrá") tvrdými dátami o správaní používateľov.
- Nízke riziko: Testovanie na malej vzorke znižuje riziko negatívneho dopadu neúspešnej zmeny.
- Postupné a neustále zlepšovanie: Umožňuje iteratívne optimalizovať a zlepšovať výkon.
- Lepšie pochopenie zákazníkov: Každý test odhalí niečo nové o preferenciách a správaní vašich zákazníkov.

8. Riziká / Limity

- Potreba dostatočnej návštevnosti: Pre dosiahnutie štatisticky významných výsledkov je potrebný dostatočný počet používateľov. Pre weby s nízkou návštevnosťou to môže trvať veľmi dlho.
- Testovanie viacerých premenných naraz: Ak zmeníte viacero vecí naraz, nebudete vedieť, ktorá zmena spôsobila výsledok.
- Predčasné ukončenie testu: Ukončenie testu predtým, ako sú výsledky štatisticky významné, môže viesť k chybným záverom.
- Externé faktory: Výsledky môžu byť ovplyvnené sezónnosťou alebo marketingovými kampaňami, ktoré bežia počas testu.

9. Tipy z praxe

- Testujte len jednu vec naraz: Ak chcete zistiť vplyv konkrétnej zmeny, meňte vždy len jeden prvok.
- Používajte A/A test: Pred spustením A/B testu niekedy urobte A/A test (obe skupiny vidia to isté), aby ste sa uistili, že váš testovací nástroj funguje správne a rozdeľuje návštevnosť náhodne.
- Multivariačné testovanie: Ak chcete testovať viacero zmien naraz a ich kombinácie, použite pokročilejšiu metódu – multivariačné testovanie.