A/B-testaus

Mitä A/B-testaus on?

A/B-testaus on menetelmä, jolla selvitetään, miten yksittäinen muutos verkkosivulla tai verkkokaupassa vaikuttaa konversioasteeseen. Konversio voi tarkoittaa esimerkiksi ostoa, yhteydenottoa, rekisteröitymistä, lomakkeen täyttöä, chatin aloitusta tai tiedoston latausta.

Testaamalla opitaan, mitkä muutokset parantavat tuloksia ja mitkä heikentävät niitä. Tärkein hyöty on se, että päätöksiä ei tehdä arvailulla, vaan oikeiden kävijöiden käyttäytymiseen perustuen.

Miksi testaamista kannattaa tehdä?

Ilman testaamista muutosten tekeminen on usein kuin ohjaisi laivaa silmät kiinni: jotain tapahtuu, mutta et tiedä viekö muutos parempaan vai huonompaan suuntaan.

A/B-testauksen idea on yksinkertainen: näytetään kahdelle kävijäryhmälle kaksi eri versiota samasta sivusta ja mitataan, kummalla versiolla tavoite toteutuu useammin.

A/B-testausta hyödyntävät yritykset voivat saavuttaa jopa 30 prosentin parannuksen konversioprosentissaan (VWO).

Mikä on sivustosi tärkein tavoite?

A/B-testaus on käytännössä hyödytöntä, jos sivustolla ei ole selkeää tavoitetta. Siksi ensimmäinen kysymys on aina sama: mikä on tärkein asia, jonka haluat kävijän tekevän sivustolla?

Tavoite voi olla esimerkiksi:

• ostaminen
• tarjouspyynnön jättäminen
• yhteydenoton tekeminen
• rekisteröityminen
• tietyn sivun tai vaiheen saavuttaminen (esim. siirtyminen kassalle)

Kun tavoite on kirkas, testaamisella voidaan keskittyä siihen, miten yhä suurempi osuus kävijöistä saadaan suorittamaan tuo toimenpide.

Esimerkki: miten konversioaste toimii?

Oletetaan, että etusivulla on painike, joka vie tilaussivulle. Jos etusivulla käy 100 kävijää ja 10 heistä klikkaa painiketta, konversioaste on 10 %.

A/B-testauksen avulla voidaan selvittää, miten esimerkiksi otsikon, painiketekstin tai sisällön muutos vaikuttaa siihen, klikkaako painiketta 10 % vai vaikka 12 % kävijöistä.

Mitä A/B-testaus mittaa ja mitä se ei mittaa?

A/B-testaus mittaa oikeiden kävijöiden käyttäytymistä oikeissa olosuhteissa. Tässä mielessä se eroaa käyttäjätesteistä ja fokusryhmistä, jotka voivat olla hyödyllisiä, mutta eivät välttämättä ennusta todellista ostokäyttäytymistä.

On silti hyvä muistaa, että A/B-testi mittaa vain sitä, mitä testissä muutettiin. Jos muutat kerralla kymmentä asiaa, et voi tietää mikä niistä aiheutti tuloksen.

Mitä dataa A/B-testaus usein tuo esiin?

Useimmat testaustyökalut tarjoavat myös käyttäytymisen “tukidataa”, kuten:

• klikkauskartat (heatmaps)
• scrollauskartat (kuinka pitkälle käyttäjät selaavat)
• sessioiden tallenteet (mitä käyttäjät yrittivät tehdä)

Nämä eivät ole A/B-testin tulos itsessään, mutta ne auttavat muodostamaan parempia hypoteeseja siitä, miksi käyttäjät toimivat tietyllä tavalla.

Miten A/B-testi rakennetaan käytännössä?

A/B-testauksen voi ajatella viiden vaiheen prosessina. Kun nämä vaiheet tehdään huolellisesti, testaaminen pysyy järkevänä eikä muutu “satunnaisten ideoiden kokeiluksi”.

1. Tavoitteen määrittäminen

Valitse yksi päätavoite, jota haluat parantaa. Hyviä mitattavia tavoitteita ovat esimerkiksi:

• tilausten määrä
• liidien määrä
• lomakkeen lähetykset
• kassalle siirtymiset
• keskioston arvo (tietyissä tilanteissa)

Huonompia päätavoitteita ovat usein mittarit, jotka eivät suoraan kerro liiketoimintavaikutuksesta (esim. pelkkä sivulla vietetty aika tai bounce rate).

2. Pullonkaulojen löytäminen

Seuraavaksi etsitään kohta, jossa suuri osa kävijöistä putoaa pois. Pullonkaula voi olla esimerkiksi:

• kassavaihe verkkokaupassa
• lomake, jota harva täyttää
• tuotesivu, josta ei siirrytä ostoskoriin
• kampanjasivu, joka saa liikennettä mutta ei liidejä

Pullonkauloja löytyy yleensä analytiikan, käyttäjäpolkujen, lämpökarttojen ja asiakaspalautteen avulla.

3. Hypoteesin muodostaminen

Hyvä testi alkaa aina hypoteesista, joka perustuu havaintoon datasta. Hypoteesi on usein muotoa:

“Uskon, että suurempi osa kävijöistä tekee tavoitteen X, jos muutamme sivulla Y asian Z syystä.”

Esimerkiksi: jos lomaketta täytetään vähän, yksi hypoteesi voi liittyä luottamukseen, epäselvään hyötyyn tai liian pitkään lomakkeeseen. Tärkeää on, että hypoteesille löytyy jokin perusteltu syy.

4. Priorisointi

Hyviä ideoita on aina enemmän kuin aikaa. Siksi hypoteesit kannattaa laittaa järjestykseen sen mukaan:

• kuinka suuri vaikutus muutoksella voisi olla
• kuinka varma olet hypoteesista
• kuinka helppo muutos on toteuttaa

Tämä pitää testaamisen hallittavana ja estää ajautumista epäolennaisiin kokeiluihin.

5. Testin suorittaminen ja tulkinta

Testissä liikenne jaetaan kahden version välillä. Testiä ajetaan niin kauan, että dataa kertyy riittävästi luotettavaan johtopäätökseen. Testin kesto riippuu kävijä- ja konversiomääristä: mitä enemmän liikennettä ja tapahtumia, sitä nopeammin tulos saadaan.

Kun tulos on riittävän luotettava, heikompi versio poistetaan ja voittajaa jatkokehitetään uudella hypoteesilla. A/B-testaus on harvoin “yksi testi ja valmista”, vaan iteratiivinen tapa kehittää sivustoa.

Kuinka kauan A/B-testiä pitää ajaa?

Testin kesto riippuu kahdesta asiasta: kuinka paljon liikennettä sivulla on ja kuinka iso muutoksen vaikutus on.

Nyrkkisääntö on, että testiä kannattaa ajaa vähintään 1–2 viikkoa, jotta tulokseen mahtuu arkipäiviä ja viikonloppuja. Monissa tapauksissa tarvitaan 2–4 viikkoa luotettavaan tulokseen.

Tärkeintä ei ole kesto itsessään, vaan se, kertyykö riittävästi konversioita, jotta ero versioiden välillä on todellinen eikä sattumaa.

Kuinka paljon liikennettä A/B-testaukseen tarvitaan?

A/B-testaus vaatii riittävän otoskoon, jotta tulos on luotettava. Mitä pienempi muutoksen odotettu vaikutus on, sitä enemmän dataa tarvitaan.

Käytännössä tämä tarkoittaa, että:

• sivuilla, joilla käy satoja kävijöitä päivässä, voidaan testata nopeasti
• sivuilla, joilla käy kymmeniä kävijöitä päivässä, testaus vaatii pidempiä ajanjaksoja
• hyvin vähäliikenteisillä sivuilla perinteinen A/B-testaus ei aina ole järkevää

Jos liikenne ei riitä tilastollisesti luotettaviin testeihin, voidaan tehdä hallittuja muutoksia ja seurata vaikutusta pidemmällä aikavälillä.

Mitä tarkoittaa tilastollinen merkitsevyys?

Tilastollinen merkitsevyys kertoo, kuinka todennäköistä on, että havaittu ero kahden version välillä on todellinen eikä sattumaa.

A/B-testauksessa käytetään yleensä 95 prosentin luottamustasoa. Tämä tarkoittaa, että 95 prosentin todennäköisyydellä tulos ei johdu satunnaisvaihtelusta.

Käytännössä tämä tarkoittaa, että testiä ei kannata lopettaa heti kun toinen versio näyttää paremmalta. Liian aikainen tulkinta on yksi yleisimmistä virheistä.

Yleisimmät virheet A/B-testauksessa

Testaaminen voi johtaa harhaan, jos perusasiat eivät ole kunnossa. Yleisimpiä virheitä ovat:

• testin lopettaminen liian aikaisin, ennen kuin dataa on riittävästi
• usean muutoksen testaaminen kerralla ilman selkeää hypoteesia
• väärien mittareiden seuraaminen (esimerkiksi pelkkä klikkausprosentti ilman konversion seurantaa)
• tulosten tulkinta ilman tilastollista merkitsevyyttä
• testin ajaminen liian lyhyen aikaa, jolloin viikonpäivien vaikutus jää näkemättä

Vain noin yksi kahdeksasta A/B-testistä tuottaa tilastollisesti merkitsevän positiivisen tuloksen, mikä korostaa huolellisen testaussuunnittelun tärkeyttä (VWO).

Nämä eivät tarkoita, ettei testaaminen kannata. Ne tarkoittavat, että testaaminen kannattaa tehdä huolellisesti.

Mitä työkaluja A/B-testaukseen käytetään?

A/B-testauksen voi toteuttaa monella eri työkalulla. Valintaan vaikuttaa sivuston alusta, liikenteen määrä ja tekninen osaaminen.

Yleisimmin käytettyjä työkaluja ovat:

• VWO (Visual Website Optimizer): monipuolinen ja helppo aloittaa, soveltuu hyvin markkinoijille
• Optimizely: laaja alusta, joka soveltuu suurempiin yrityksiin
• AB Tasty: eurooppalainen vaihtoehto, jossa painotus helppokäyttöisyydessä

Testaustyökalun lisäksi kannattaa käyttää analytiikkaa (kuten Google Analytics) ja käyttäytymisdataa (kuten lämpökarttoja ja sessiotallenteita). Yhdessä ne auttavat sekä tunnistamaan testattavia kohteita että tulkitsemaan tuloksia.

Mitä kannattaa testata?

Testattavia kohteita on käytännössä rajattomasti, mutta usein parhaat tulokset syntyvät, kun testataan isoja vaikutustekijöitä ennen pieniä hienosäätöjä.

Arvolupaus ja otsikot

Otsikot ja arvolupaus määrittävät, ymmärtääkö kävijä nopeasti miksi sivu on hänelle relevantti. Pienikin muutos viestissä voi vaikuttaa merkittävästi siihen, jatkaako kävijä eteenpäin.

Painikkeiden tekstit ja sijoittelu

Painiketeksti, sijainti ja konteksti vaikuttavat usein enemmän kuin pelkkä väri. Usein kysymys on siitä, ymmärtääkö käyttäjä mitä tapahtuu seuraavaksi ja miksi hänen kannattaa klikata.

Tuotekuvat ja visuaaliset elementit

Tuotesivuilla kuvat ovat usein tärkein yksittäinen elementti. Testaamalla erilaisia kuvia ja esitystapoja voidaan vaikuttaa luottamukseen ja päätöksentekoon.

Lomakkeen kenttien määrä ja rakenne

Mitä enemmän kitkaa lomakkeessa on, sitä useammin käyttäjä keskeyttää. Usein yksinkertaistaminen ja selkeyttäminen tuottaa isomman vaikutuksen kuin “viimeisen prosentin” hienosäätö.

Sisällön jäsentely ja luettavuus

Moni ei lue sivua alusta loppuun. Siksi tärkeimmät asiat kannattaa tehdä löydettäviksi nopeasti: selkeät väliotsikot, tiivistelmät ja olennaisten kohtien korostus auttavat usein enemmän kuin pitkä leipäteksti.

Mainosten viestit ja laskeutumissivut

Testaaminen ei rajoitu vain sivustoon. Myös mainoksissa ja laskeutumissivuissa kannattaa testata viestejä ja kulmia, jotta opitaan mikä resonoi oikeiden kävijöiden kanssa.

Usein kysytyt kysymykset

Sopiiko A/B-testaus pienelle sivustolle, jossa on vähän liikennettä?

Perinteinen A/B-testaus vaatii riittävän otoskoon, joten hyvin vähäliikenteisellä sivustolla tilastollisesti luotettavien tulosten saaminen voi kestää pitkään. Vaihtoehtoja on kuitenkin: voit tehdä hallittuja muutoksia ja seurata vaikutusta pidemmällä aikavälillä, keskittyä testaamaan vain sivuston tärkeintä sivua (esim. laskeutumissivua) tai käyttää kvalitatiivisia menetelmiä kuten käyttäjähaastatteluja ja sessiotallenteita päätösten tueksi.

Mikä ero on A/B-testauksella ja multivariate-testauksella?

A/B-testaus vertaa kahta kokonaista versiota keskenään, kun taas multivariate-testaus (MVT) testaa useita elementtejä ja niiden yhdistelmiä samanaikaisesti. Esimerkiksi MVT voi testata kolmea eri otsikkoa ja kahta eri kuvaa kaikissa mahdollisissa yhdistelmissä. MVT vaatii huomattavasti enemmän liikennettä kuin A/B-testaus, joten se soveltuu parhaiten suuriliikenteisille sivustoille. Useimmille yrityksille perinteinen A/B-testaus on käytännöllisempi lähtökohta.

Paljonko A/B-testaus maksaa?

A/B-testauksen kustannus muodostuu kahdesta osasta: testaustyökalusta ja testin suunnittelusta sekä toteutuksesta. Työkalujen hinnat vaihtelevat ilmaisista (esim. Google Optimize Legacy -vaihtoehdot) satoihin euroihin kuukaudessa (VWO, Optimizely). Konsultin tai toimiston kanssa tehtävä testausohjelma maksaa tyypillisesti 500–3 000 euroa kuukaudessa riippuen testien määrästä ja laajuudesta. Testaus maksaa itsensä usein nopeasti takaisin, koska pienikin konversioasteen parannus voi tuoda merkittävästi lisää liikevaihtoa.

Voiko A/B-testauksen aloittaa ilman maksullista työkalua?

Kyllä, joskin vaihtoehdot ovat rajalliset. Yksinkertaisia testejä voi tehdä esimerkiksi Google Tag Managerin ja Google Analyticsin yhdistelmällä, mutta se vaatii teknistä osaamista. Myös joidenkin markkinointialustojen (kuten HubSpot tai Mailchimp) sisäänrakennetut A/B-testausominaisuudet toimivat tietyissä käyttötapauksissa. Maksullinen testaustyökalu, kuten VWO tai AB Tasty, tekee testaamisesta huomattavasti helpompaa ja nopeampaa, varsinkin ilman kehittäjäresursseja.

Haluatko, että teen tämän puolestasi?

Varaa maksuton kartoitus, niin käydään läpi tavoitteesi ja valitaan sinulle sopivin tapa edetä.

Pyydä tarjous

Kirjoittaja

Sampsa Vainio

Helsinkiläinen digimarkkinoinnin asiantuntija ja Digily Oy:n perustaja. Olen työskennellyt digitaalisen markkinoinnin parissa yli 12 vuotta ja konsultoinut verkkonäkyvyyttä yli 100 yritykselle Suomessa ja kansainvälisesti. Koulutukseltani olen KTM (Åbo Akademi, 2014), pääaineena tietojärjestelmätiede.