การทำ AB testing นั้นถือว่าเป็นเรื่องหนึ่งที่มีความสำคัญมากในการทำดิจิตอลมาร์เก็ตติ้ง รวมไปถึงการทำ อีคอมเมิร์ซ ซึ่งโดยพื้นฐานแล้ว AB testing นั้นมีวัตถุประสงค์ในการทำเพื่อ Optimize อะไรบางอย่างให้ดีขึ้นโดยใช้วิธีการแบ่งกลุ่มเป้าหมายออกเป็น 2 กลุ่มเพื่อทำการทดสอบว่า ส่ิงที่กลุ่มแรกเห็น (A) และกลุ่มที่ 2 เห็น (B) อะไรดีกว่ากัน พูดง่ายๆ ก็คือ A หรือ B แบบไหนที่จะทำให้เป้าหมายสำเร็จได้ดีกว่ากัน
ถ้าเรามองกันเฉพาะดีไซน์บนหน้าเว็บไซต์อย่างเดียว (ไม่รวมการทำ AB testing กับ Ads โฆษณา) การทำ AB testing นั้นจะเน้นไปที่การปรับเปลี่ยนอีลีเม้นท์ หรือส่วนประกอบต่างๆ บนหน้าเว็บไซต์ เพื่อปรับปรุงเมทริคอะไรบางอย่างให้ดีขึ้น ยกตัวอย่างง่ายๆ เช่น การปรับเปลี่ยนสีปุ่ม Add to cart แล้วดูว่าแบบไหนสีไหนช่วยให้มีการกด Add to cart มากกว่ากัน กรณีนี้ก็จะเป็นการทำ AB test เพื่อปรับปรุงตัวเลขของการ Add to cart ของยูสเซอร์ หรืออีกกรณีเช่นการเพิ่มพวก Verified Icon ต่างๆ รวมถึงการเพิ่มข้อความการการันตีสินค้า รับเปลี่ยนคืน ไว้ในหน้ายืนยันการชำระเงิน เพื่อดูว่าช่วยให้เกิดการ Checkout และมี Conversion Rate ที่สูงขึ้นหรือไม่ เมื่อได้รูปแบบที่เรามั่นใจว่าทำให้ตัวเลขที่เราต้องการดีขึ้น เราก็สามารถนำไปดีไซน์เว็บไซต์ต่อไป ซึ่ง AB testing นั้นถือเป็นหนึ่งในขั้นตอนสำคัญของงานที่เรียกกันย่อๆ ว่า CRO หรือ Conversion Rate Optimization นั่นเองแหละครับ
ที่อธิบายมาข้างต้นนั้น เป็นการอธิบายอย่างย่อเพื่อให้เข้าใจและเห็นภาพขั้นตอนการทำ AB testing เบื้องต้นเท่านั้นเอง ในขั้นตอนการทำงานจริงนั้นมีขั้นตอนที่ต้องทำงานอยู่หลายขั้นตอน และจำเป็นต้องใช้เครื่องมือที่ออกแบบมาเพื่อทำ AB testing โดยเฉพาะ เช่น Google Optimize, VWO เป็นต้น ซึ่งขั้นตอนหนึ่งที่สำคัญคือการตั้ง Hypothesis หรือข้อสันฐาน โดยเป็นการตั้งจากข้อมูล Insight ต่างๆ ที่รวบรวมและนำมาวิเคราะห์ ไม่ว่าจะมาจากการทำ Qualitative Research หรือ Quantitative Research แล้วนำมาตั้งข้อสันนิษฐานว่า ถ้ามีการปรับ Design เป็นแบบ B (A คือแบบ Original ที่ใช้งานอยู่) น่าจะช่วยให้ตัวเลขที่เราต้องการปรับปรุงดีขึ้นหรือไม่
ปัญหาอย่างหนึ่งเมื่อเราเริ่มต้นทำ AB testing ไปได้สักพักก็คือ การมี Hypothesis หรือรูปแบบการเทสต์มากมายที่อยากจะทำ AB test ยิ่งโดยเฉพาะเว็บไซต์ E-commerce ที่ผมเคยผ่านงานมาด้วยนั้นพูดได้ว่า เทสต์กันทุกวัน รันเทสต์พร้อมกันจำนวนมาก เพราะการเพิ่ม Conversion Rate ได้แค่เพียงหลักทศนิยมนั้นก็ช่วยให้ยอดขายเพิ่มขึ้นได้ไม่น้อยแล้ว ปัญหาก็คือพอเวลาที่มี Hypothesis จำนวนมากมายเราจะจัดเรียงลำดับการเทสต์อย่างไร เพราะถ้าเราไม่มีการจัดเรียงลำดับที่ดีแล้วผลที่เกิดขึ้นก็จะเป็นการเสียเวลาการเทสต์ไปเปล่าประโยชน์ เพราะโดยปกติการทำ 1 Test อย่างน้อยก็ต้องใช้เวลา 2 อาทิตย์ หรือในบางกรณีทำแล้วก็อาจจะไม่ช่วยให้เกิด Uplift ที่ชัดเจน บทความนี้แนะนำ The PIE Prioritisation Framework ซึ่งเป็นเครื่องมือที่จะช่วยจัดลำดับความสำคัญของการทำ AB testing เพื่อให้การทำ AB testing เกิดประสิทธิภาพสูงสุด
The PIE Prioritisation Framework
The PIE Prioritisation Framework นั้นถูกออกแบบคิดขึ้นโดย Chris Goward โดยมีวัตถุประสงค์เพื่อใช้ในการจัดเรียงลำดับความสำคัญของการทำ AB testing หรือเป็นการทำเพื่อตอบคำถามง่ายๆ ที่คนทำ AB testing มักจะเกิดคำถามคือ
เราควรเริ่มต้นทำ AB testing ตรงไหนเป็นอย่างแรกดี?
ซึ่ง The PIE Prioritisation Framework ประกอบด้วยเงื่อนไขสำคัญ 3 อย่างคือ
- Potential
- Importance
- Ease
Potential
เป็นสิ่งแรกที่เราต้องพิจารณาว่า การทำ AB testing นี้มีความเป็นไปได้ในการช่วยให้เกิด Uplift มากน้อยแค่ไหน หรือพูดง่ายๆ ก็คือ ช่วยให้เกิดการเติบโตของ Conversion ได้ดีแค่ไหน ถ้ามีผลต่อ Conversion น้อย ทำไปก็อาจจะไม่มี Impact ต่อ Conversion มากนัก หรืออาจจะไม่มีผลเลย
Importance
เงื่อนไขที่สองนี้เป็นการดูว่า หน้าเว็บไซต์ที่จะทำการเทสต์นั้นมีทราฟฟิคมากน้อยแค่ไหน หรือเป็นหน้าที่เรากำลังมีการทำแคมเปญเพื่อดึงยูสเซอร์เข้ามาอยู่หรือไม่ แน่นอนว่าถ้าหน้าๆ นั้นมียูสเซอร์เข้าใช้งานน้อย การทำ AB testing อาจจะไม่ค่อยคุ่มค่าสักเท่าไร อย่างไรก็ตามให้ดูในเรื่องของคุณภาพของทราฟฟิคในหน้านั้นประกอบด้วย เพราะในบางกรณีถึงแม้หน้านั้นจะไม่ได้มีทราฟฟิคสูงที่สุด แต่อาจจะเป็นทราฟฟิคที่มีคุณภาพได้เช่นกัน
Ease
เงื่อนไขสุดท้ายคือ การทำ AB testing นั้น มีความยากมากแค่ไหนในการเซ็ตอัพและ Implement ไม่ว่าจะเป็นในเชิงเทคนิคอล หรือในเชิงนโยบายที่ต้องขออนุมัติจากที่ประชุมว่าทำได้หรือไม่ ถ้าหากว่าการทำเทสต์นั้น ทีม Dev บอกว่าต้องไปแก้เว็บหรือแก้ระบบอะไรซึ่งต้องใช้เวลาเดือนหนึ่ง แบบนี้แล้วก็อาจจะเป็นเปลืองทรัพยากรและเวลามากไปเสียหน่อย
เมื่อเข้าใจ 3 เงื่อนไขของ PIE framework แล้ว งานที่เหลือเราก็เพียงแต่ให้คะแนนของแต่ละ Test แต่ละ Page ตามตัวอย่างด้านล่างบน โดยอาจจะแบ่งช่วงคะแนะแบบง่ายๆ อย่างที่เราพอจะคุ้นเคยกันอยู่แล้วเช่น
- มีผลน้อยที่สุด 1-2 คะแนน
- มีผลน้อย 3-4 คะแนน
- มีผลปานกลาง 5-6 คะแนน
- มีผลมาก 7-8 คะแนน
- มีผลมากที่สุด 9-10 คะแนน
ให้คะแนนเสร็จแล้วก็ทำการรวมคะแนนเข้าด้วยกันเป็นค่า PIE Score ถ้าหน้าไหน หรือเทสต์ไหนที่มีค่า PIE Score สูงสุดก็เป็นส่ิงที่เราควรทำก่อน ตัวอย่างด้านบนนี้เป็นการคิดค่า PIE Score โดยดูจากหน้าของเว็บไซต์เป็นหล้กเพื่อดูว่าเราควรทำ AB test ที่หน้าไหนก่อน แต่ในขั้นตอนการทำงานจริง เราสามารถนำไปประยุกต์ใช้งานให้ละเอียดขึ้นโดยการให้คะแนนแยกตาม Test ได้เช่นกันเพื่อดูว่า Test ไหนที่ควรเริ่มต้นทำก่อน
ลองนำไปใช้กันดูนะครับ Framework ง่ายๆ ที่ช่วยทำให้การทำ AB testing เกิดประสิทธิภาพสูงสุด และใช้เวลาได้อย่างคุ้มค่ามากที่สุดครับ
source
Happy Optimization 🙂
ไม่พลาดทุกบทความ แอดเฟรนด์ LINE : @pornthep
สนใจคอร์สเรียน Google Analytics อ่านรายละเอียด