Dela test med Google Analytics Experiments

I dagens handledning kommer vi att titta på en av Google Analytics senaste tillägg till dess funktionssats; experiment. Med hjälp av det här verktyget visar jag dig hur man serverar olika varianter av en sida för att bestämma vilken som är mest framgångsrik när man konverterar besökare till webbplatsen.

Inledning

Om du någonsin har skapat en webbplats kommer du nästan säkert att känna till Google Analytics. Med ett gratis Google-konto och ett koduttag kan du spåra besökare på dina webbplatser och borra ner data med fantastiskt fokus.

Från små personliga projekt till företagsnivån har Google Analytics etablerat sig som marknadsledare av mycket bra skäl. Det är gratis, enkelt att implementera och lämpar sig för den lediga användaren eller till och med den mest kamphärda marknadsföraren.

Klar att komma igång? Låt oss börja!

En kort introduktion till Split Testing

Vi har täckt delad testning tidigare som en del av Ians grundliga ombyggnad på konvertering och marknadsföring på nätet, men låt oss ta en kort titt på delad testning i online-arenan.

Genom att servera olika versioner av en sida till samtidiga besökare gör vi effektivt vad människor i marknadsföringskretsar hänvisar till som Split Testing. Det yttersta målet med detta tillvägagångssätt är att bestämma vilken av en grupp webbsidor (eller broschyrer, bannerannonser, textannonser etc.) konverterar besökarna mest effektivt. Medan en konvertering kan vara nästan vad som helst, är webbplatsägare vanligtvis intresserade av inköp, registreringar, kontoregistreringar eller till och med få besökare att följa dem på sociala kanaler.

Varianter måste köras samtidigt.

Det viktigaste begreppet att förstå om delad testning är att variationerna måste köras på samma gång. Med andra ord skulle det inte anses vara ett effektivt delatest för att ladda upp en sida i en månad, samla in data och sedan ladda upp en annan sida för att samla in och jämföra data igen. En viktig del av delad testning är att se till att så många faktorer som möjligt som kan påverka en webbplatsbesökare tas bort.

Fram till ganska nyligen var A / B Split-testning (dvs testning mellan två variationer) standardmetoden för testning av onlinekonvertering. Tanken med A / B split testning är att komma fram till en vinnare och skölj och repetera flera gånger, varje gång närmar sig den sida som omvandlar maximalt antal besökare. Medan ganska effektiv har A / B Split Testing några kritiska begränsningar som vi diskuterar på ett ögonblick.

Frågan är, är detta ett robust sätt att verkligen anländer till den bästa konverteringssidan? Det finns ett antal problem med processen som beskrivs i bilden ovan:

För det första, om vi antar att varje test tar en vecka att utföra, kommer processen att komma fram till en vinnande sida att ta ont noga fem veckor att genomföra. Det här är inte bara länge när din webbplats är beroende av framgångsrika konverteringar, det kan hända mycket på fem veckor på Internet. Även en förändring av det sätt som Google indexerar din sida kan ge en drastiskt annorlunda uppsättning användare (precis som vi såg i den senaste uppdateringen av Google Penguin). Detta innebär att vi i huvudsak kan jämföra äpplen med apelsiner mellan det första delprovet och det slutliga testet nästan en och en halv månad senare.
För det andra, även om vi vet att sidan One överträffade sidan två i det första testet, kan vi inte vara säkra på att sidan två inte skulle överträffa sidan tre, eftersom vi inte har jämfört dem sida vid sida.

Ett bättre alternativ till denna metod är att jämföra alla sidvariationer mot varandra och samtidigt, som visas här:

I det här exemplet kan vi vara säkra (utan rimligt tvivel) att Sid fyra är verkligen den bästa sidan eftersom alla sidor testas mot varandra inom samma tidsperiod, med (vi kan anta) en konsekvent gästbas.

Vad vi gör idag är att använda Google Analytics Experiments för att köra tre sidsvariationer sida vid sida i stället för flera iterationer av de vanliga två variationerna i traditionell A / B-split testning. Medan jag använder tre varianter kan du för närvarande köra sexsidiga variationer i ett enda experiment.

Scenariot

I dagens projekt har vi blivit ansvariga för att öka antalet framgångsrika kontoregistreringar för ett fiktivt företag. De har märkt att en betydande mängd besökare på webbplatsen anländer till kontot registrering sida men släppa av innan du skickar in formuläret.

Här är en skärmdump (omformad för handledning) på den aktuella registreringssidan eller du kan se sidan online.

Notera: denna handledning kommer inte att se på designen av sidan och dess variationer. Om du är intresserad av att titta på koden kan du ladda ner alla filer från resursdelen av denna handledning.

Också för enkelhetens och korthetens skull är dessa sidor ganska nakna ben och innehåller inte några serverns skript för att samla formulärdata och är inte exempel på arbetsproduktionsformer.

I det här skedet kan vi bara spekulera på vad orsaken till avbrottet faktiskt kan vara, men ett bra ställe att börja är att adressera längden på formuläret. För närvarande kräver anmälningssidan användaren att slutföra en hel del fjorton separata åtgärder för att skapa ett konto.

Om du antar att användaren kan återvända och lägga till sina personliga uppgifter (t ex deras land och den föredragna valutan) efter att deras konto har skapats, är en logisk sidvariation för att visa besökare på webbplatsen en trimmad form som kräver färre handlingar att slutföra.

Med den angreppsplanen i åtanke är här den andra sidvariationen som vi använder i vårt experiment:

Visa sidan online.

För vår sista sidvariation, låt oss trimma ner formuläret en gång till för att bara inkludera absolut nödvändiga nödvändigheter för att skapa ett konto, nämligen användarnamnet, lösenordsfälten, e-postadressen och bekräftelsen av användarvillkoren.

Här är en bild av den tredje sidvariationen:

Visa sidan online.

Slutligen har vi en bekräftelsessida som visas för besökaren när formuläret har blivit färdigt.

Visa sidan online.

Nu när vi har våra tre sidvariationer, låt oss konfigurera de nödvändiga elementen i Google Analytics och testa dem sida vid sida.

Steg 1: Skapa ett Google Analytics-konto

Jag är säker på att många av er redan bekanta med Google Analytics, men för fullständighetens skull kommer vi att gå igenom varje steg som krävs för att aktivera analys på webbplatsen, definiera ett mål och aktivera experimentet själv.

Gå vidare till Google Analytics och logga in med ditt Google-konto (eller skapa ett nytt konto). Om du antar att du inte redan har lagt till ett analytikerkonto i din profil, presenteras du med följande skärm. Klicka på knappen "Registrera" för att komma igång.

På följande sida fyller du i formulärfälten som de relaterar till ditt projekt:

Steg 2: Lägg till Google Analytics-utdraget

Spårningsförmågan hos Google Analytics drivs av ett JavaScript-kod, och på den följande sidan får du den obligatoriska koden och instruktioner om hur du lägger till den på din webbplats. Kopiera koden till ditt urklipp och klistra in den på varje sida som du vill spåra med Google Analytics.

På webbplatsen föreslår hjälptexten att du lägger till det här koden direkt före stängningen tagg, vilket säkerställer att en sidvisning är registrerad även om hela sidan inte laddas innan användaren går vidare. Men det anses normalt som bästa praxis att lägga till dina skript längst ner på en html-sida före avslutningen märka.

Medan båda tillvägagångssätten fungerar bra, vill vi i så fall se till att våra registreringssidor laddas helt innan Analytics-skriptet avfyras.

För det här projektet har jag lagt till det här skriptet på de tre registreringssidorna (signup1.html, signup2.html & signup3.html) och confirmation.html-sidan, så här:

När du har lagt till koden, ladda upp sidorna till en webbserver via FTP. Det är också viktigt att notera att Google Analytics ofta tar 24-48 timmar för att börja samla in data, var därför tålmodig de första dagarna innan du ser dina besökardata.

Steg 3: Skapa ett mål

Innan vi ställer in och aktiverar experimentet själv måste vi skapa ett mål för mätning.

Google Analytics kan konfigureras för att skapa och övervaka mycket sofistikerade mål, inklusive flerkanaliga måltunnel och e-handelsspårning. I dagens exempel håller vi det enkla genom att definiera en lyckad omvandling (dvs. vårt mål) som /confirmation.html URL-destinationen. Med andra ord vill vi spåra varje instans av en användare som fyller i någon av de tre formulärvariationerna, klicka på "Submit" -knappen och anländer till sidan "Tack för att du registrerar dig".

Från huvudmenyn i Google Analytics-gränssnittet, välj objektet "Översikt" från rubriken "Konverteringar":

Om det här är det första målet du har ställt in, ska du ta automatiskt till sidan Skapa ett nytt mål. Om inte, klicka på menyn "Admin" högst upp till höger på din skärm och se till att du tittar på fliken Mål.

Ge ditt nya mål ett namn, välj måltyp som en URL-destination och ange sökvägen, i det här fallet /confirmation.html.

Om ditt mål har ett faktiskt dollarvärde som är kopplat till det (till exempel ett betald medlemsskap till en webbplats), kan du lägga till det här beloppet till textfältet "Målvärde". Vi kommer inte att använda en målratt idag, så vi kan bara spara vårt nya mål.

Steg 4: Gå till experimentfunktionen

Med vårt målinställningar kan vi nu starta ett experiment för att bestämma vilka av våra sidor som ska bäst utföra när det gäller framgångsrik kontoregistrering.

Under avsnittet "Innehåll" i huvudmenyn vänster väljer du "Experiments".

Notera: Som med många Google-produkter levereras Experiments-funktionen som en del av en stegvis utrullning. Om du för närvarande inte har tillgång till experiment måste du utöva tålamod och vänta på att ditt Google-konto uppdateras med den här funktionen.

För att komma igång, lägg till webbadressen till sidan som vi vill testa, i det här fallet signup1.html. Detta är inte en levande webbadress - den används bara för syftet med handledningen.

Steg 5: Skapa ett experiment

När du har tillgång till experimentfunktionen presenteras du med en fyra stegs experimenteringsguiden.

Börja med att bekräfta kontrollsidan (dvs /signup1.html) och lägg sedan till webbadresserna för var och en av sidvariationerna. Se till att du ger varje variant ett beskrivande namn och inte bara en generisk "variant en / variant två / variant tre" -titel - det gör analysen av experimentet mycket enklare i de senare stegen.

På nästa sida i experimentregistreringsguiden refererar vi till målet som vi skapade i steg tre som mätbar metrisk.

I detta experiment vill vi servera sidvariationer till 100% av besökarna. Om du gjorde svepande ändringar på en etablerad webbplats kan du välja att begränsa antalet besökare som deltar i experimentet för att minimera eventuell påverkan.

På den tredje sidan får du ett annat kodblock som läggs till i kontroll sida (i detta fall /signup1.html). Lägg till den här koden till toppen av kontrollsidan, strax efter öppningen märka. Obs! För det här skriptet - till skillnad från spårningskoden - vill vi definitivt ha den här koden längst upp på sidan eftersom det här är hur sidvariationerna ska serveras för besökare.

Den slutliga koden för kontrollsidan (dvs /signup1.html) kommer att se ut så här:

        Anmälningsformulär 1

Ladda upp din nya kontrollsida med experimentskriptet till din server.

I fjärde etappen kan du kontrollera att allt fungerar som det ska vara och att Google Analytics registrerar alla sidor och är redo att börja utföra experimentet.

Steg 6: Testa ditt experiment

Bra jobbat! Du har skapat ditt första Google Analytics-experiment och du är ett steg närmare att förbättra din konverteringsfrekvens.

Eftersom det tar 24-48 timmar för experimentpanelen att börja visa data, låt oss bara se till att vårt experiment verkligen tjänar upp olika sidvariationer.

Öppna din webbläsare och navigera till kontrollsidan (dvs /signup1.html). Om experimentet fungerar korrekt, omdirigeras du automatiskt till en av de tre sidvariationerna. Din adressfält visar variationen med ett bifogat ID, vilket indikerar att experimentet har fungerat som en av variationerna i din webbläsare.

Bakom kulisserna har Google Analytics lagt till en cookie i din webbläsarsession som "kommer ihåg" vilken sidvariation du var servern. Du noterar att om du uppdaterar sidan eller återgår till sidan senare visas alltid den ursprungliga sidvariationen - en viktig del för att du ska ge dina besökare en konsekvent användarupplevelse.

Du kan rensa webbläsarens cookies, webbplats och plugin-data för att kunna serveras en annan variant av sidan.

Steg 7: Analys av experimentdata

När du väl har skapat försöker experimentet helt enkelt, samlar in data tills en klar vinnare kan bestämmas av Google Analytics. Den tid som ditt experiment behöver köra beror på ett antal faktorer, inklusive totala besökare och hur nära varianterna utför varandra.

Låt oss ta en titt på det här experimentet medan det pågår och välja några punkter som är värda att diskutera.

Standardgrafdata visar plottsfrekvensen för var och en av sidvariationerna mot den tid som experimentet har kört, vilket förmodligen är den viktigaste metriska att överväga för våra syften idag. I rullgardinsvalet kan du också plotta data som avser ett antal andra mätvärden, inklusive användning av webbplatser, framgångsrikt målläge och ett urval av standard Analytics-statistik som sidor per besök, avvisningsfrekvens, procentandel av nya besök osv..
Till höger om sidan summeras experimentet i gång, taltar de totala besöken på försökssidorna, hur lång tid som har gått och experimentstatusen. I det här fallet har Analytics inte skapat en klar vinnare.
En intressant punkt är att Analytics inte nödvändigtvis distribuerar sidorna en-mot-en. Medan du i början av experimentet kunde förvänta dig en jämförande mängd besök för varje sidvariation. När experimentet fortskrider och en eller flera av sidorna börjar överträffa de andra, börjar Analytics att gynna de bättre resultatsidorna. I det här fallet har vår tredje variant (den korta formuläret) distribuerats till cirka 36% av besökarna, jämfört med att den långa formulären (variationen) visas för cirka 31% av besökarna.
I datatabellen längst ner på sidan jämför Analytics jämför konverteringsfrekvensen för varje variation mot kontrollen och beräknar sannolikheten för variationen som överträffar originalen. Så, i det här exemplet, medan vi inte har en klar vinnare, kunde vi redan vara övertygade om att båda variationerna skulle vara bättre alternativ till den långa formen med en bättre än 93% chans att de konverterade besökare mer framgångsrikt.

Steg 8: Anländer till en vinnare

Som nämnts beror tiden på att komma fram till en vinnare av sidovarians resultat i förhållande till kontrollsidan. Oavsett om det tar tre dagar eller tre veckor att komma fram till en slutsats kan du vara säker över det rimliga tvivel att vinnaren av experimentet verkligen kommer att vara den bästa aktören när det gäller målet som mäts.

Efter åtta dagars data och 1240 besök har Analytics kommit fram till att den klara vinnaren är (du gissade den), vår kortformulärssida.

Steg 9: Vi har en vinnare, vad nu?

Nu när vårt experiment har avslutat måste vi vidta åtgärder. Eftersom den korta formen har fungerat så bra med en konverteringsfrekvens på omkring 91,5% är det mest uppenbara att göra med att ersätta kontrollsidan (det vill säga den långa formen) med den vinnande variationen.

Härifrån behöver vi utföra ytterligare analys och göra ett viktigt beslut. Medan vi har upprättat vårt mål som besök på bekräftelsessidan är det inte vårt verklig mål. Den faktiska åtgärden av framgång är givetvis människor som använder tjänsten (vad den tjänsten egentligen är). Om vi antar att all ytterligare information krävs (landet, den föredragna valutan etc.) krävs ytterligare analys för att se till att framgångsrika registranter faktiskt fyller i denna information när deras konto har upprättats (en övning för en annan experimentera).

Slutligen är nästa beslut att göra om huruvida du ska investera tid för att skapa ytterligare variationer för vår blankett för att försöka förbättra den 91,5% omräkningskursen. Till exempel kan olika konstruktions- eller kopieringsvarianter öka konverteringsfrekvensen. Verkligen kan experiment fortsätta att utföras tills en 100% omvandlingsfrekvens uppnås. Med det sagt måste vi överväga att minska avkastningen. Det kommer att finnas en punkt där den tid och det arbete som krävs för att förbättra omvandlingsfrekvensen inte ger en tillräcklig avkastning på investeringen, och vår tid skulle vara bättre betjänad testning och optimering av andra sidor på vår webbplats.

Slutsats

I den här handledningen har vi bara skrapat Experimentens yta från Google Analytics, och vi kunde fortsätta diskutera invecklingen av tillgängliga data ad infinitum. Med detta sagt har vi i bara några enkla steg upprättat ett program som är mycket effektivare än traditionell A / B-splitstestning och vi har kommit till ett obestridligt resultat som långt överträffar kontrollsidan.

Medan vi har skapat ett experiment som serverar helt olika sidor när det gäller innehåll kan samma sätt tas för att testa mycket mer subtila sidelement. Till exempel kan en annorlunda färgad knapp, en något annorlunda layout eller mindre kopieringsändringar resultera i markant förbättrade omvandlingsfrekvenser - som alla kan testas med hjälp av denna delade testmetod.

Viktigt är att det här sättet att testa våra mönster tar gissningen på att fungera effektivt. Eftersom designers arbetar med kundintressenter (och ofta fattar beslut av den fruktade kommittén) är det lätt att förlora skogen för träden och fatta designbeslut baserat på antagande snarare än hårda data. Att skapa ett split testprogram så här är det säkraste sättet att förbättra dina omvandlingar, oavsett vad ditt mål kan vara.

Hur använder du Google Experiments? Lämna en kommentar nedan - vi skulle gärna höra dina tankar!

Webbdesign