Forestil dig, at du netop har lanceret en ny annoncekampagne. Du har lagt mange timer i at finde den perfekte overskrift og vælge de rigtige billeder. Alligevel er resultaterne ikke som forventet. Hvad gør du nu? For mange marketingfolk ville svaret være at stole på mavefornemmelsen og justere kampagnen baseret på erfaring. Men hvad nu, hvis data kunne afsløre en bedre løsning?
Mange marketingfolk har en stærk mavefornemmelse for, hvad der vil virke bedst i en kampagne. Udsagn som fx “En klar og tydelige CTA vil give flere konverteringer” eller “Video performer bedre end billeder” er noget som de fleste i marketingbranchen har siddende på rygraden.
Men disse udsagn er blot antagelser. Antagelser som ofte er bevist gennem utallige forsøg og studier. Men en ting er, at antagelserne generelt er korrekte, men nogle gange kan der være undtagelser. Og hvad gør man, når antagelser og resultater ikke hænger sammen?
Mindre inuition og mere databaseret
Mange marketingfolk stoler på intuition og erfaring, men virkeligheden er sjældent så enkel. A/B-testing giver dig mulighed for at udfordre antagelser og finde ud af, hvad der rent faktisk virker. Det handler ikke om at afvise intuition, men om at styrke dine valg med data, der kan forbedre kampagnepræstationerne.
Hvad er A/B-test?
I en A/B-test (også kaldet split-test) undersøger man performance af to varianter: variant A og variant B. Disse varianter vises tilfældigt til et publikum. Når man har eksponeret sine varianter over for et stor nok publikum, vil man kunne sammenligne data fra varianterne med hinanden. Man kan derved finde den variant, som performer bedst baseret på sit mål.
Forestil dig, at du tester to overskrifter: 'Gratis levering på alle ordrer' vs. 'Få din pakke leveret gratis i morgen'. Med en A/B-test kan du finde ud af, hvilken overskrift der får flest klik og konverteringer. Det samme kan gøres med billeder, CTA'er og andre elementer.
A/B-test kan benyttes til at øge performance i bl.a. e-mails, annoncer, landingssider.
Som udgangspunkt er det en god idé at A/B-teste hvorend man kan, hvis man ønsker at optimere sine resultater. Vi foretrækker i hvert fald ikke at lade det være op til tilfældighederne om vores annoncer klarer sig godt, men at kunne underbygge vores valg med data. Særligt når vi tester annoncer, som vi bruger store summer på, er det vigtigt, at vi får valgt den bedste version af annoncen så hurtigt som muligt.
Det tager nemlig også tid og ressourcer at A/B-teste en annonce. Den skal vises til et stort nok publikum, og få nok performance før at testen er statistisk signifikant, og det kræver også nogle annoncekroner. Men de kan hurtigt hentes hjem igen, hvis vi gennem A/B-testen kan finde en mere effektiv variant af vores annonce.
Hvis variant B skaber 50% flere konverteringer end variant A, så har vi på papiret også mulighed for at reducere vores omkostninger pr. konvertering med 50%. Noget som vi måske ikke havde gjort, havde vi ikke A/B-testet vores annonce.
Resultater fra den virkelige verden
A/B-tests kan være meget forskellige, og det samme kan resultaterne. Vi har samlet nogle af vores egne A/B-tests, hvor vi gennem data har hjulpet vores kunder med at optimere deres annoncering.
Case 1: Test af overskrift
Testen undersøgte, hvordan forskellige USP’er påvirker målgruppen.
Testede vi to forskellige overskrifter: “Dansk Familieejet virksomhed” og “100 års samlet erfaring i faget”. Her er det svært som udgangspunkt at vurdere, hvad der ville klare sig bedst – særligt uden at kende konteksten. Derfor var en A/B-test oplagt.
Resultaterne viste også en signifikant forskel på vores to annoncer:
| Variant | Visn. | Klik | CPC (kr.) | CTR | Omk. (kr.) | Conv.% | Pris/conv. (kr.) |
|---|---|---|---|---|---|---|---|
| Dansk Familiejet Virksomhed | 1.726 | 77 | 44,55 | 4,46% | 3.403,38 | 11,69% | 381,15 |
| 100års Samlet Erfaring I faget | 1.901 | 71 | 46,18 | 3,73% | 3.278,48 | 5,63% | 819,6 |
Ved en meget simpel A/B-test, var de i stand til at få næsten dobbelt så mange konverteringer til samme budget, blot ved at vælge en rette USP til annoncen.
Case 2: Test af Landingsside
I denne test ville vi teste effekttiviteten af to vidt forskellige landingssider. Fra samme annonce, blev halvdelen af brugerne sendt til en klassisk produktside og den anden halvdel til en mere generel oversigtsside i webshoppen.
| Landingsside | Visn. | Klik | CTR | Omk. (€) | Conv. | Conv. værdi | Conv.% | Værdi/omk. |
|---|---|---|---|---|---|---|---|---|
| Oversigtsside | 77.359 | 5.668 | 7,33% | 3.294,35 | 283,34 | 26.228,10 | 5,00% | 7,90 |
| Produktside | 66.953 | 5.156 | 7,70% | 3.239,99 | 222,72 | 19.163,95 | 4,32% | 5,91 |
Denne annonce var lidt imod den gængse idé om at klassiske produktsider konvertere mere end oversigtssider, men for netop denne webshop viste det sig at være anderledes, og vi kunne give vores kunde mere indtjening til samme annonceringsbudget.
Case 3: Test af målgruppe
Her blev en annonce testet mod køn – mere specifikt mod kvinder. Samme kampagne vist til to forskellige målgrupper: én kun med kvinder og én med begge køn.
| Målgruppe | Visn. | Klik | CPC (€) | Omk. (€) | Conv. | CTR | Conv.% | Værdi / omk. | Værdi / klik | € / conv. |
|---|---|---|---|---|---|---|---|---|---|---|
| Kvinder | 3.477 | 348 | 1,58 | 549,28 | 15,83 | 10,01% | 4,55% | 4,67 | 7,37 | 34,69 |
| Begge køn | 23.520 | 1.879 | 1,14 | 2.138,03 | 39,84 | 7,99% | 2,12% | 3,01 | 3,43 | 53,67 |
Målrettet mod kvinder gav markant bedre resultater. Hvorfor vi ikke testede kvinder vs. mænd? I dette tilfælde var vores kampagne rettet mod begge køn, og derfor gav det mening kun at teste ét køn – i dette tilfælde kvinder – for at kunne udlede, om det ene eller andet køn performede bedre.
Case 4: Formulering af rabat
I denne test undersøgte vi hvordan vi mest effektivt kunne præsentere en aktuel rabat for en klinik – i dette tilfælde “Spar 50 %” vs. “Halv pris – kun 1625 kr.” To annoncer blev oprettet med de forskellige rabatformuleringer for at teste, hvilken der tiltrak flest kunder.
| Rabatformulering | Impr. | Clicks | CTR | Cost | Conv. rate | Cost / conv. |
|---|---|---|---|---|---|---|
| Spar 50% | 711 | 152 | 21,38% | DKK2.871,26 | 3,45% | DKK546,94 |
| Halv Pris - kun 1.650 kr. | 777 | 138 | 17,76% | DKK2.67,73 | 1,92% | DKK1.012,83 |
Procentbaserede rabatter tiltrak i dette tilfælde den meste effektive variant og gav flere konverteringer til en lavere pris.
Sådan Kommer Du i Gang med A/B-testing
Nu har du set hvor stor værdi A/B-tests kan skabe. Hvis du selv ønsker at komme i gang med at A/B-teste, så har vi et par anbefalinger her:
- Start med små ændringer: Test enkle elementer som overskrifter eller billeder for at finde ud af, hvad der virker bedst.
- Brug KPI’er som vejledning: Definér tydelige mål for dine tests såsom konverteringsrate eller konverteringsværdi.
- Hold det datadrevet: Test begge varianter samtidig og undgå eksterne faktorer som højtider, der kan påvirke resultaterne.
- Sørg for statistisk signifikans: Vent på nok data, før du konkluderer. Giv dine tests tid til at producere meningsfulde resultater.
- Gør det til en løbende proces: A/B-testing er ikke kun en engangsaktivitet, men en løbende del af din annonceringsstrategi.
A/B-testing kan være forskellen mellem en god kampagne og en fantastisk kampagne. Ved at lade data guide dine beslutninger kan du skabe mere effektive annoncer, øge din ROI og reducere omkostningerne.
Så næste gang du planlægger en kampagne, overvej da A/B-testing som en aktiv del af din optimering.
