Google Analytics Thailand

A/B testing หรือที่เรียกกันอีกชื่อหนึ่งว่า Split test นั้น คือการทดสอบรูปแบบขององค์ประกอบต่างๆ บนหน้าเว็บไซต์เพื่อหารูปแบบที่ให้ผลลัพธ์ที่ดีที่สุด โดยที่วิธีการทำจะเป็นการแบ่งกลุ่มเป้าหมายที่จะทำการทดสอบออกเป็นสองกลุ่มเท่าๆ กัน กลุ่มแรกให้เห็นแบบ A กลุ่มที่สองให้เห็นแบบ B แล้ววัดผลว่าแบบใดให้ผลลัพธ์ตามเป้าหมายที่ตั้งไว้ได้ดีที่สุด เช่น การคล้ิก การซื้อสินค้า หรือการลงทะเบียน เป็นต้น ยกตัวอย่างที่เห็นภาพง่ายที่สุดคือการเปลี่ยนสีของปุ่ม Add to cart เพื่อดูว่าสีแดงหรือสีเขียวทำให้คนคล้ิกในเปอร์เซ็นที่มากกว่ากัน หากพบว่าสีเขียวให้ผลลัพธ์ที่ดีกว่าในทางสถิติแล้ว ก็จะนำมาปรับใช้กับเว็บจริงต่อไป ซึ่งก็เชื่อได้ว่าจากผลลัพธ์ที่ยืนยันได้ทางสถิติจะส่งผลให้การปรับเปลี่ยนนั้นเกิดการคล้ิก Add to cart ที่มากขั้นนั่นเอง

การนำ AB testing ไปประยุกต์ใช้งานสามารถทำได้มากมาย แต่วิธีที่ทุกคนน่าจะเคยทำ หรือถ้ายังไม่เคยก็ควรจะต้องเริ่มทำเลยก็คือ การซื้อโฆษณา Facebook Ads ที่ทำ Creative 2-3 แบบ เพื่อทดสอบว่า แบบไหนที่ทำให้คนเห็นแล้ว คลิ้ก หรือมี engagement ได้มากกว่ากัน เพื่อที่จะนำข้อมูลนี้ไปใช้ในการ Optimized โฆษณา หรือนำไปใช้ในการปรับงาน Creative ในครั้งถัดๆ ไปได้ รวมไปถึงการปรับเปลี่ยนดีไซน์ UX UI บนหน้าเว็บไซต์ก็ตาม การทำ AB testing จะช่วยทำให้การปรับเปลี่ยนนั้นได้ผลลัพธ์ที่ดีที่สุดในเชิงธุรกิจ ไม่ใช่เป็นการดีไซน์ตามใจคนออกแบบ หรือเจ้าของเว็บไซต์เท่านั้น ตัวอย่างง่ายๆ ในการทำ A/B testing 4 แบบที่น่าสนใจ และทำได้ไม่ยาก สามารถอ่านได้จาก เพิ่ม conversion rate ด้วย A/B testing 4 แบบง่ายๆ ที่ทุกคนควรทดลอง

การทำ A/B testing นั้นก็ไม่ได้หมายความว่าจะต้องมีแต่ A กับ B แค่สองแบบเท่านั้น ในการทำงานจริงๆ แล้วอาจจะมี สามหรือสี่แบบก็ได้ ขึ้นอยู่กับการตั้ง Hypothesis และการ Design test ซึ่งศัพท์ที่เรียกกันในภาษาของคนที่ทำ Testing จะเรียกแบบแรก(A) ว่า Control ส่วนแบบที่สอง (B) จะเรียกว่า Variation หากมีมากกว่าสองแบบ แบบถัดไปก็จะเรียกว่า Variation2 เป็นต้น ในกรณีที่มีการทดสอบมากกว่า 2  แบบ เราจะเรียกการทดสอบนั้นว่า A/B/n testing ซึ่งอาจจะเป็น A/B/C/D testing ก็ได้ แต่การที่จะสามารถ test ได้หลายๆ รูปแบบนั้น เราต้องแน่ใจว่าว่า Traffic ที่มีในหน้านั้นมากพอสำหรับการทำ Test เพื่อให้ได้ผลลัพธ์ที่มีความถูกต้อง

7 ขั้นตอนการทำ A/B testing

Business Objective : ทดสอบโดยคาดหวังผลลัพธ์อะไร ต้องให้ชัดเจน

กำหนด Business Objective ให้ชัดเจน เพื่อที่สามารถนำมากำหนด KPIs และเลือก KPI ที่จะนำมาเป็น Metric หลักในการวัดผลการทำ A/B test เรื่องนี้เป็นเรื่องสำคัญมากและจำเป็นต้องมีในการทำ Test ทุกครั้ง เพราะว่าหากไม่มี Targeted Metric แล้ว ก็จะไม่มีอะไรบอกเราได้ว่า A หรือ B แบบไหนที่จะส่งผลต่อธุรกิจของเรา เช่น ต้องการให้ตัวเลข Conversion Rate ดีขึ้น เป็นต้น

Research : หาให้พบว่าอะไรเป็นสิ่งที่มีปัญหา และต้องการการทดสอบแก้ไข

เป็นขั้นตอนการหาข้อมูล หา Insight ต่างๆ เพื่อที่นำเอาข้อมูลที่ได้มาเป็นไอเดียในการกำหนดข้อสันนิษฐาน Hypothesis โดยการทำ Research นั้นก็มีหลากหลายวิธี เช่น

• • การทำ Customer Survey, Focus Group และ On-site Survey
  • การทำ Usability test เป็นอีกวิธีหนึ่งในการทำ Research ในลักษณะที่ให้ user ใช้งานเว็บไซต์จริงๆ แล้วพูดในสิ่งที่คิดที่รู้สึกออกมาในระหว่างที่กำลังใช้งานเว็บไซต์
  • การใช้เครื่องมือช่วยในการเก็บข้อมูลต่างๆ แล้วนำมาวิเคราะห์ต่อ เช่น Web Analytics tools และ Mouse Tracking tools เป็นต้น

Hypothesis : ตั้งข้อสันนิษฐานเพื่อทดสอบผลลัพธ์

หลังจากได้ข้อมูลจากการทำ Research แล้ว เราจะนำข้อมูลที่ได้มาใช้ตั้ง Hypothesis ยกตัวอย่างเช่น หากการทำ Customer Survey พบว่ากลุ่มเป้าหมายส่วนใหญ่ไม่ทราบว่ามีบริการจัดส่งฟรี และการชำระเงินปลายทาง ซึ่งเป็นหนึ่งในเหตุผลสำคัญที่กลุ่มเป้าหมายใชัในการตัดสินใจซื้อสินค้าแล้ว เราอาจตั้ง Hypothesis ได้ว่า ถ้าหากเราเพิ่มข้อความไว้ใกล้ๆ ปุ่ม Checkout เพื่อสื่อสารเรื่องบริการเหล่านี้น่าจะช่วยเพิ่มจำนวนของ Transaction และ Conversion Rate ได้ เป็นต้น โดยที่การตั้ง Hypothesis ที่ดีนั้นจะต้องมีองค์ประกอบอยู่สามส่วนด้วยกันคือ

• • Testable : จะต้องสามารถทำการทดสอบได้จริง
  • Conversion Problem : จะต้องสามารถแก้ไขปัญหาเรื่องของ Conversion ได้
  • Gain marketing insight : ผลลัพธ์ที่ได้ควรจะต้องให้ข้อมูล Insight บางอย่างที่เป็นประโยชน์

Prioritise : จัดลำดับความสำคัญให้การทดสอบทั้งหมด

ขั้นตอนนี้เป็นขั้นตอนการจัดลำดับความสำคัญก่อนหลังในการทำ Test ซึ่งในกรณีที่เรามี Hypothesis จำนวนมาก เราจะสามารถรู้ได้ว่าอะไรควรทำ ไม่ควรทำ อะไรควรทำก่อนหรือหลัง และอะไรมีผลต่อธุรกิจมากหรือน้อย ไม่ใช่ว่าได้ Hypothesis อะไรมาแล้วก็ทำๆ ไป เพราะบางทีทำไปแล้วก็ไม่เกิดประโยชน์ ไม่ส่งผลอะไรกับธุรกิจ ก็จะเป็นการเสียเวลาทำไปเปล่าๆ เรื่อง Prioritise ถ้าคิดแบบง่ายที่สุดก็ให้พิจารณาดูว่า Hypothesis นั้น ถ้ามีการนำไปใช้งานจริง Hypothesis ไหนจะมี Impact ต่อ Conversion ได้มากที่สุดนั่นแหละครับ ส่วนเครื่องมือหนึ่งที่น่าสนใจที่จะช่วยในการจัดลำดับความสำคัญของการทำ AB Test  ถ้าใครสนใจก็ลองศึกษา PIE Prioritisation Framework แล้วนำไปใช้งานกันดูนะครับ ใช้งานง่ายมากๆ ช่วยให้การทำ AB Test ใช้เวลาได้อย่างคุ้มค่า และมีประสิทธิภาพมากขึ้น

Design Test : ออกแบบการทดสอบให้ดีเพื่อให้ได้ข้อมูลที่น่าเชื่อถือ

หลังจากได้ Hypothesis ก็ถึงขั้นตอนของการออกแบบการทดสอบ ซึ่งในหัวข้อนี้จะเกี่ยวข้องโดยตรงกับ Hypothesis ที่ตั้งไว้ เพื่อนำมาออกแบบการทดสอบต่อไป ประเด็นสำคัญในขั้นตอนนี้ยังมีเรื่องของการกำหนดกลุ่มเป้าหมาย การทำ Segment และจำนวนของกลุ่มเป้าหมายในการทดสอบที่เหมาะสมเพื่อให้การทำ Test นั้นมีความถูกต้องมากที่สุด หรือที่เรียกกันว่า Clean Test จริงๆ นั่นเอง

Run Test : ลงมือทดสอบจริง

หลังจากทุกอย่างพร้อมแล้วก็ถึงขั้นตอนการทดสอบจริงตามที่ได้ออกแบบไว้ในขั้นตอนที่ 5 คำถามที่เกิดขึ้นในขั้นตอนนี้คือ จะต้องทำการทดสอบเป็นเวลานานเท่าไร? ตรงนี้เป็นเรื่องที่ตอบได้ยากมาก ส่วนตัวผมแล้วมองว่าควรให้ความสำคัญกับ Sample size ก่อนเป็นอันดับแรก ซึ่งก็คือจำนวนของกลุ่มเป้าหมายที่จะทำการทดสอบว่าต้องมีจำนวนเท่าไรถึงจะเหมาะสม ดยปกติเครื่องมือการทำ  A/B testing จะช่วยเราคำนวนเรื่องนี้ให้อยู่แล้วทั้งในเรื่องของจำนวนและเวลาการทดสอบ แต่ถ้าเราไม่ใช้เครื่องมือก็แนะนำว่าให้ Sample size มีขนาดใหญ่ไว้ก่อน และอย่างนั้นการทดสอบก็ควรใช้เวลาขั้นตำ่สัก 2 สัปดาห์ขึ้นไป

Analyze : วิเคราะห์ผลให้ถูกต้องด้วย Google Analytics

เมื่อมีการทดสอบแล้วก็ต้องมีการวัดผลที่เกิดขึ้น ซึ่งผลลัพธ์ที่ได้นั้นจะเป็นประโยชน์และถูกต้องมากน้อยแค่ไหนแน่นอนว่าส่วนใหญ่เป็นผลมาจากการกำหนด Target KPI การออกแบบการทดสอบ รวมถึงการควบคุมการทดสอบไม่ให้มีปัจจัยอื่นๆมากระทบ หรือกระทบน้อยที่สุดเท่าที่จะทำได้ การทดสอบในช่วงที่เว็บไซต์มีอีเว้นท์พิเศษหรือโปรโมชั่นส่งเสริมการขายถือเป็นเรื่องหนึ่งที่ควรต้องพิจารณาหลีกเลี่ยง แต่ถ้าหากทุกอย่างทำมาอย่างถูกต้องเหมาะสมแล้วที่เหลือคือการวิเคราะห์ผลลัพธ์ ซึ่งเครื่องมีอการทำ A/B testing นั้นส่วนใหญ่ก็ให้รีพอร์ทมาค่อนข้างจะครบแล้ว เรื่องที่อยากจะเพิ่มเติมสำหรับคนที่ทำ on-site A/B testing คือการวิเคราะวัดผลห์ต่อใน Google Analytics เพื่อที่จะหาพฤติกรรมต่างๆ ของกลุ่มคนทั้งสองกลุ่มที่ผ่านการทดสอบมาคนละแบบว่ามีพฤติกรรมต่างๆ บนเว็บไซต์เป็นอย่างไร เพราะรีพอร์ทของเครื่องมือ A/B testing เองนั้นไม่สามารถที่จะวิเคราะห์พฤติกรรมบนเว็บไซต์ได้ละเอียดเหมือน Google Analytics

สุดท้ายสิ่งที่ควรจะต้องพิจารณาเพิ่มเติมหลังจากได้ผลลัพธ์ที่ต้องการแล้วนั้น คือการวิเคราะห์ลงลึกในระดับ Segment ย่อยๆ เพราะการที่แบบ A ชนะแบบ B นั้นเป็นการชนะกันโดยภาพรวมตามกลุ่มเป้าหมายที่เรากำหนดไว้ แต่ก็มีความเป็นไปได้ว่า B อาจจะชนะ A ในบางกลุ่ม Segment ได้เช่นกัน ซึ่งเรื่องนี้เป็นเรื่องที่อาจถูกมองข้ามไปสำหรับคนที่เพิ่งเริ่มทำ A/B testing ได้ไม่นาน

Happy Analytics 🙂