Vad är A/B-testning inom UX? | UX-forskning #26

A/B-testning är en utmärkt forskningsmetod för att testa två alternativa versioner av en given lösning samtidigt. Läs vår artikel för att lära dig hur man genomför A/B-tester och se deras fördelar och begränsningar.

A/B-testning i UX – innehållsförteckning:

1. Vad är A/B-tester i kontexten av UX-forskning?
2. När ska man tillämpa A/B-testning?
3. Hur genomför man A/B-testning?
4. Sammanfattning

Vad är A/B-tester i kontexten av UX-forskning?

A/B-testning gör att du kan testa två versioner av en produkt/lösning (version A och version B) och utvärdera den som får större godkännande från användarna. Sättet att mäta detta inkluderar konverteringsgrad, tiden som spenderas på sidan eller deltagarnas feedback och deras benägenhet att rekommendera sidan/produkten. Innan testet behöver du definiera och bestämma vad “framgång” kommer att betyda för en viss version.

När ska man tillämpa A/B-testning?

Du kan använda A/B-tester för prototyp-testning, under produktutvecklingsfasen, samt för att bygga marknadsförings- och promotionsstrategier. De är det perfekta verktyget för att fatta beslut som kan påverka en organisations resultat. A/B-tester är särskilt användbara när vi redan har en hypotes baserad på tidigare forskning och vill bekräfta att det är den rätta lösningen. Forskningsfrågor som konstrueras för A/B-testning kan se ut som följande:

• Vilken version av produkten genererar en högre konverteringsgrad?
• Vilken av de två olika formulerade push-notiserna ökar engagemanget i appen?

En bra A/B-test bör inkludera så enkla jämförelser som möjligt, t.ex. istället för att jämföra två helt olika versioner av sidan, är det bättre att testa två olika header-stilar eller två olika distinkta placeringar av CTA-knappen. Med mindre jämförelser kommer vi noggrant att känna igen vilken font, färg, element eller placering som påverkar UX mest.

Denna forskningsmetod omfattar tester av två typer: univarianta och multivarianta. Den första fokuserar på skillnaderna mellan två varianter av en artikel – till exempel, en röd knapp och en blå knapp. Den multivarianta jämför dock mer än 2 varianter av en knapp samtidigt – t.ex. röd, blå, grön och vit (dessutom kan de fortfarande skilja sig i rubriker, t.ex. “Kolla på detta” och “Se mer”).

De viktigaste fördelarna med A/B-testning är snabbhet och låga kostnader. De möjliggör också utvärdering av flera produktvarianter på en stor grupp verkliga människor. Var dock medveten om att fokusera på dessa aspekter som kan ha en verklig inverkan på den övergripande uppfattningen av en produkt. Jämför inte slumpmässiga element. Gör en hypotes, genomför annan kompletterande forskning, och konsultera sedan ditt design- och utvecklingsteam. Tillsammans kommer ni att avgöra vilka viktiga funktioner som ska undersökas i flera versioner genom att genomföra enskilda eller multivarianta A/B-tester.

A/B-testning verkar vara en snabb form av forskning – även om det inte är en regel. Du kan behöva köra dem i upp till några veckor för att få tillräckligt med data för UX-analys (men du kan lika gärna klara dig på några dagar eller till och med några timmar). Tiden det tar att genomföra en undersökning beror på många faktorer.

Hur genomför man A/B-testning?

1. Identifiera ditt problem.

Se till att använda rätt analytiska verktyg för att noggrant fastställa problemets natur.

2. Ta reda på så mycket som möjligt om problemet samt användarna. Få en bra känsla för dem.

Identifiera exakt var flödet går fel och försök att lista ut varför det händer. En detaljerad förståelse kommer att bidra till en ordentligt rigorös analys.

3. Formulera en hypotes genom att svara på hur man löser problemet.

En hypotes är en testbar antagande. Du kan formulera den i form av ett villkor – “om X händer så Z”, dvs. till exempel, “om rubriken är i font 22 istället för 18, kommer konverteringen att öka”. A/B-testning kommer att låta dig veta om antagandet i hypotesen är korrekt.

4. Definiera ditt mål.

Bestäm vad du vill uppnå med studien samt genom hela forsknings- och designprocessen – till exempel, du vill att fler användare ska klicka på CTA-knappen på startsidan.

5. Definiera statistisk noggrannhet.

Bestäm de siffror och tal du behöver för både den praktiska utvärderingen av undersökningen och för affärsintressenterna att visa – t.ex. kommer en ökning med 2% i konverteringar att tillfredsställa dem och vara värt att investera i en undersökning?

6. Definiera den nödvändiga skalan av resultat.

Vilket antal respondenter kommer att säkerställa statistisk noggrannhet? Vilken procentandel av den dagliga, veckovisa eller månatliga användarbasen kommer att göra dessa resultat värdefulla och avgörande? Det är avgörande att bestämma detta innan du går vidare med undersökningen.

7. Skapa version B och testa din hypotes.

Förbered en extra variant (variant B) av sidan/produkten/funktionaliteten för din hypotes och börja testa. I detta skede träder utvecklarna in för att implementera en andra, alternativ lösning för den befintliga produkten – och användarna delas omedvetet in i två grupper (grupp A och grupp B) på sidan/appen som tidigare. Under bedömningen, försök att titta på dina data först efter att du har samlat tillräckligt med dem för att få statistisk giltighet och ett genomförbart resultat.

8. Analysera och agera på testresultaten.

Om din version B uppfyller den fastställda effektivitetströskeln och bekräftar din hypotes, kan du gå vidare med att implementera den för alla användare (inte längre uppdelad mellan versioner A och B). Men om hypotesen motbevisas, stanna kvar med den ursprungliga versionen A eller utforma och testa en ny hypotes. Kolla också på alternativa forskningsmetoder för att komplettera datan.

Sammanfattning

A/B-testning är ett ganska tekniskt ämne. Det kräver att man har viss kunskap om statistik, samt mer specialiserad teknisk/programmeringskunskap (eller en bra relation med företagets utvecklingsteam). Det är en direkt metod – dessutom är den ganska enkel, snabb och billig. Det möjliggör att jämföra två alternativa versioner av en produkt till låg kostnad med tillfredsställande resultat. Vad mer är, dess resultat baseras på verkliga användare, de är så precisa som du kan få. Kom ihåg att du inte kan testa varje funktion, element eller liten detalj på sidan – därför är det en standard att genomföra andra kompletterande forskningsmetoder när man genomför A/B-tester.

Läs också: Upptäcktsforskningsmetoder

Om du gillar vårt innehåll, gå med i vår aktiva community av busy bees på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.