A/B Test

Στατιστικές δοκιμές για τη σύγκριση δύο παραλλαγών

Τι είναι η Δοκιμή A/B;

Το A/B Test είναι μια στατιστική μέθοδος για τη σύγκριση δύο εκδοχών (A και B) και την καθορισμό του ποια αποδίδει καλύτερα. Είναι σαν να κάνετε ένα επιστημονικό πείραμα με τους χρήστες σας!

Χωρίζετε το κοινό σας σε δύο ομάδες: η μία βλέπει την έκδοση A (έλεγχος) και η άλλη βλέπει την έκδοση B (παραλλαγή). Το σύστημα υπολογίζει εάν η παρατηρούμενη διαφορά είναι στατιστικά σημαντική.

Χρήση παραδείγματα:

  • • Δοκιμάστε δύο εκδόσεις μιας σελίδας πωλήσεων
  • • Σύγκριση αποτελεσματικότητας δύο ψηφιακών καμπάνων μάρκετινγκ
  • • Αξιολογήστε τον αντίκτυπο των αλλαγών στο σχέδιο ή το κείμενο
  • • Αποφασίζοντας μεταξύ δύο στρατηγικών τιμολόγησης

Γρήγορη Εκκίνηση

  1. 1. Ετοιμάστε τα δεδομένα σας σε μορφή CSV με ομάδα (A ή B) και μετρική αποτελέσματος.
  2. 2. Ανεβάστε το αρχείο στο σελίδα μεταφόρτωσης
  3. 3. Ρυθμίστε τις παραμέτρους (επίπεδο εμπιστοσύνης, τύπος δοκιμής)
  4. 4. Περιμένετε την επεξεργασία (κανονικά 1-2 λεπτά)
  5. 5. Αναλύστε τα στατιστικά αποτελέσματα και λάβετε αποφάσεις βάσει δεδομένων

Πώς να οργανώσετε τα δεδομένα σας

Οργανώστε τα δεδομένα σας σε ένα αρχείο CSV με δύο στήλες:

Στήλη 1: Ομάδα

Εντοπίστε ποια έκδοση εμφανίστηκε. Χρησιμοποιήστε 'A' για τον έλεγχο και 'B' για την παραλλαγή.

Στήλη 2: Μετατροπή/Μέτρηση

Αποτέλεσμα της ενέργειας (1 = μετέτρεψε, 0 = δεν μετέτρεψε) ή αριθμητική τιμή (χρόνος, έσοδα, κ.λπ.)

Παράδειγμα φύλλου εργασίας δοκιμής A/B:

group converted
A 1
A 0
B 1
B 1

💡 Συμβουλή: Κάθε γραμμή αντιπροσωπεύει έναν χρήστη ή παρατήρηση. Χρησιμοποιήστε το 1 για επιτυχία (μετατροπή, κλικ, αγορά) και το 0 για αποτυχία.

Ρυθμίσεις δοκιμής

Επίπεδο Εμπιστοσύνης

Ορίστε πόσο σίγουρος θέλετε να είστε ότι η διαφορά είναι πραγματική (δεν είναι τυχαία).

90% Καλή εμπιστοσύνη για γρήγορες δοκιμές
95% Συνιστώμενο πρότυπο (ισορροπημένο)
99% Υψηλή εμπιστοσύνη για κρίσιμες αποφάσεις

Είδος Τεστ

Επιλέξτε την κατάλληλη στατιστική δοκιμή για τα δεδομένα σας:

Z-Test (αναλογίες)

Για δυαδικά δεδομένα (0 ή 1): μετατροπές, κλικ, αγορές

T-Test (μέσοι όροι)

Για συνεχείς αριθμητικές τιμές: χρόνος, έσοδα, ποσότητα

Unicaudal Test vs Bicaudal Test

Ορίστε την υπόθεση της δοκιμής:

Διπλής κατεύθυνσης (two-tailed)

Δοκίμασε αν υπάρχει διαφορά προς οποιαδήποτε κατεύθυνση (μεγαλύτερη ή μικρότερη)

Μονομερώς (one-tailed)

Δοκίμασε αν το B είναι συγκεκριμένα καλύτερο από το A

Κατανοώντας τα αποτελέσματα

Η δοκιμή επιστρέφει στατιστικά στοιχεία που βοηθούν να αποφασίσετε αν η έκδοση B είναι πραγματικά καλύτερη από την A ή αν η διαφορά μπορεί να είναι απλώς τύχη.

Κύριες Μετρήσεις

P-αξία (p-value)

Πιθανότητα να παρατηρήσετε αυτή τη διαφορά τυχαία.

p < 0.05 = Σημαντική διαφορά! | p > 0.05 = Μη σημαντική διαφορά

Conversion Rate

Ποσοστό επιτυχίας σε κάθε ομάδα (Α και Β).

Παράδειγμα: Ομάδα A: 12%, Ομάδα B: 15% (Η B είναι 25% καλύτερη)

Διάστημα Εμπιστοσύνης

Ράβδος όπου πιθανότατα βρίσκεται η πραγματική διαφορά.

Αν δεν περιλαμβάνει το μηδέν, η διαφορά είναι στατιστικά σημαντική.

Μέγεθος Επίδρασης (Effect Size)

Πρακτική έκταση της διαφοράς που βρέθηκε.

Μικρό (0.2), Μεσαίο (0.5), Μεγάλο (0.8)

⚠️ Σημαντικό: Ένα στατιστικά σημαντικό αποτέλεσμα (p < 0.05) δεν εγγυάται αντίκτυπο στην επιχείρηση. Πάντα να λαμβάνετε υπόψη το μέγεθος του αποτελέσματος και το πρακτικό πλαίσιο της απόφασης.

Χρειάζεστε βοήθεια; Επικοινωνήστε: contato@grabatus.com