26 oktober, 2021

De 7 meest gemaakte fouten binnen het A/B testen van IT content en hoe je ze voorkomt

Door

Loes

De-7-meest-gemaakte-fouten-binnen-het-AB-testen-van-IT-content-en-hoe-je-ze-voorkomt

A/B testen, een fenomeen waar je niet meer aan ontkomt in dit digitale tijdperk. A/B testen kan je helpen om je content te optimaliseren en je KPI doelstellingen te behalen. Zo kan het zorgen voor meer website bezoekers, meer downloads voor je whitepaper of meer aanmeldingen voor je webinar. 

A/B testen is echter niet altijd even makkelijk. Een handvol fouten die ertoe leiden dat je A/B test niet optimaal is wordt nog veel gemaakt. De moeite die je in je A/B tests hebt gestoken is dan dus eigenlijk zonde van je schaarse tijd. In deze blogpost lees je meer over de 7 meest gemaakte fouten binnen A/B testen en ontdek je hoe je het maken van deze fouten kunt voorkomen.

1. Niet verder kijken dan het gemiddelde

Elk stuk content wordt door een verscheidenheid aan mensen gezien en gelezen. Zeker binnen de B2B wereld. Er zijn veel DMU’s die meebeslissen over het wel of niet aanschaffen van jouw IT product of dienst. Al deze decision makers kunnen op hun eigen wijze geïnteresseerd zijn in de content die je te bieden hebt.  

Een veelgemaakte fout is dat het A/B testen van deze content geen rekening houdt met deze verschillende doelgroepen. Zonde! Want juist met online marketing heb je de mogelijkheid om dit wel te doen. Te veel focussen op testen voor de totale doelgroep kan ertoe leiden dat er geoptimaliseerd wordt voor een deel van je doelgroep, terwijl de rest van je doelgroep de interesse verliest. Je optimaliseert dan dus deels voor de verkeerde mensen. Daarnaast kun je door testen voor de totale doelgroep resultaten missen die je wel had gevonden als je de verschillende doelgroepen in je tests had meegenomen.

Hoe voorkom je dit? Allereerst, zorg dat je content is gesegmenteerd onder de verschillende doelgroepen die voor jou relevant zijn. Kies vervolgens de KPI’s die zowel bij je content doel als je doelgroep passen. Houd hierbij rekening met de verschillende eisen en gedragingen van de groepen die je gemaakt hebt. Je kunt bijvoorbeeld focussen op de click-through rate (CTR), maar je kunt ook wat verder gaan en je richten op interactie of conversies. Meet vervolgens de impact van je A/B tests over de verschillende groepen. En onthoud hierbij; een optimalisatie voor de ene groep, is niet altijd ook een optimalisatie voor de andere groep.

2. A/B myopia (bijziendheid)

Myopia, ofwel bijziendheid, wijst naar een te grote focus voor de korte termijn, waardoor de lange termijn uit het oog valt. A/B testen hebben tijd nodig. Zeker wanneer je een relatief kleine doelgroep hebt. Als je niet snel verschil in resultaten ziet, hoeft dat niet te betekenen dat dit verschil er niet is.

Hoe voorkom je dit? Houd rekening met de hoeveelheid traffic naar jouw content. Doe onderzoek naar hoe jouw doelgroep reageert op veranderingen. Wanneer je denkt dat je lang genoeg hebt gewacht op resultaat, wacht dan tot je ziet dat de data stabiliseert. Houdt als vuistregel aan dat het minimaal een week zal duren voor je significante resultaten kunt zien. Geef dus niet te snel op.

3. Teveel gevoel, te weinig data

Bij A/B testen gebeurt het veel dat tests op gevoel af gaan: “Ik zie X gebeuren, dus ik denk dat ik Y het beste kan testen”, “Dit werkte daar dus ik ga het hier ook proberen”. Het mooie aan de online wereld is echter dat je dankzij de mogelijkheden van dataverzameling niet puur op je gevoel hoeft af te gaan. Frisse ideeën zijn nooit fout, echter is het zonde van je tijd als je ze uitvoert voordat je in de data hebt gekeken of het ook daadwerkelijk een goed idee is. Bij verschillende problemen in de data passen verschillende oplossingen. Zo kun je bijvoorbeeld bij een lage CTR andere dingen testen dan bij een hoge cost per conversion.

Bij onderstaande foto zie je een voorbeeld van twee LinkedIn ads. Hier kun je zien dat er twee content stukken zijn met dezelfde afbeelding, maar een andere tekst. Hierbij heeft tekst “A” 2 leads en een redelijke CTR. Tekst “B” heeft 0 leads en een stuk lagere CTR. Op basis van deze data kun je beslissen om alleen met tekst “A” verder te gaan omdat deze beter werkt. Echter, omdat bij beide stukken de CTR niet hoog is, zou je er ook voor kunnen kiezen om een nieuwe afbeelding te testen.

Voorbeeld AB testen

Hoe kun je meer data gedreven te werk gaan? Volg de 5 stappen in dit stappenplan:

  1. Onderzoek bijzonderheden in je data
  2. Beschrijf wat je aan je content veranderd om de gevonden bijzonderheid op te lossen
  3. Beschrijf het effect dat je naar aanleiding van de verandering in je data verwacht
  4. Beschrijf waarom je dit effect verwacht
  5. Meet of het verwachte effect heeft plaatsgevonden en check of er vervolgacties nodig zijn

4. Testen voor de makkelijke klant

Simpele dingen aanpassen in je content duurt niet lang en kan resultaten in je data opleveren. De vraag die je je echter altijd moet stellen is, voor wie voer ik de verandering door? Als je bijvoorbeeld de call to action in je content aanpast, focus je dan op de klanten die moeilijk zijn over te halen om tot actie over te gaan? Of focus je meer op de klanten die toch al een hoge potentie tot interactie hebben? Probeer een antwoord te vinden op de vraag hoe je door middel van A/B testen juist het moeilijke publiek meer bij je content kunt betrekken. Vraag je hierbij ook af hoe je dit publiek kunt overhalen om jouw content doel te bereiken.

5. Appels met peren vergelijken

Veel A/B tests worden niet gemeten over volledige weken. Hierdoor kun je geen exacte dagen met elkaar vergelijken. Je vergelijkt dus verschillende dagen met elkaar. Het vergelijken van bijvoorbeeld maandag met donderdag is echter als het vergelijken van appels met peren. Data van verschillende dagen van de week zijn niet met elkaar te vergelijken. Zorg daarom dus altijd dat je volledige weken test. Zo krijg je het juiste beeld over jouw data en weet je dat de uitslag van je A/B test meer te vertrouwen is.

In onderstaande afbeelding zie je bijvoorbeeld CTR data van woensdag (Oct 13) tot en met woensdag (Oct 20). Je ziet dat de twee woensdagen redelijk op dezelfde lijn liggen. Je kunt deze twee dagen ook goed met elkaar vergelijken. Je ziet echter een grote piek op de zondag (Oct 17) en de maandag (Oct 18). In dit specifieke voorbeeld is dit een terugkomende trend. Indien je hier geen rekening mee houdt door niet over volledige weken te testen zul je dus onterecht conclusies trekken uit grote verschillen in de data.

6. Alles tegelijk willen

Het is heel verleidelijk om bij het stukje tekst dat je wil aanpassen meteen even die ene afbeelding mee te nemen. En dan ook gelijk maar de call to action te tweaken. Als je dit bewust doet, en rekening houdt met de consequenties die dit met zich meebrengt, dan is er niks aan de hand. Als we echter terug gaan naar de basis van experimenten, dan maakt meerdere variabelen veranderen het lastiger om te  achterhalen welke variabele de oorzaak van de verandering in je data is. Zo kan het dus zijn dat je twee veranderingen tegelijk doorvoert en de A/B test succesvol blijkt te zijn, terwijl in realiteit één van je aanpassingen juist een negatieve invloed heeft die wordt overschaduwd door de grotere positieve invloed van je tweede aanpassing. Je zal dus nooit weten dat het aparte effect van de ene variabele eigenlijk negatief is. Zorg daarom dus altijd dat je één verandering tegelijk uitvoert bij het A/B testen van je content.

7. Grote tijdsbesteding voor kleine veranderingen

Veel IT bedrijven in de B2B sector hebben een relatief kleine doelgroep. Ze zijn geen Coca-Cola of Zalando met een grote hoeveelheid traffic naar hun content. Voor dit soort bedrijven kunnen de kleinste veranderingen al een groot verschil bieden. Echter, wanneer je niet met deze mate van verkeer te maken hebt, is het minder effectief om je te focussen om kleine aanpassingen. De tijd die je in deze aanpassingen steekt, hoe weinig het ook is, is vaak verspilde tijd. Focus je daarom op de grotere veranderingen. Veranderingen die ook voor een kleinere doelgroep voor impact kunnen zorgen.

Hoe helpt Leadgate?

De specialisten van Leadgate zijn dagelijks bezig met het optimaliseren van IT content door middel van A/B testen. Met hun kennis over marketing en IT kunnen zij helpen om uw content doelstellingen op een efficiënte manier te bereiken. Zo kunnen zij helpen met het verhogen van de traffic naar uw website. Ook kunnen zij helpen met het verhogen van het aantal kwalitatieve leads dat door content genereert wordt. Neem contact op voor de mogelijkheden via 010 – 268 1148 of via info@leadgate.eu

Norman Vincent Peale

Dr. Norman Vincent Peale (1898–1993) was a minister and author (most notably of The Power of Positive Thinking) and a progenitor of the theory of “positive thinking”.

Schedule a call

Marketing strategy helps you with:

Reid Hoffman

Reid Garrett Hoffman is an American internet entrepreneur, venture capitalist, podcaster, and author. Hoffman was the co-founder and executive chairman of LinkedIn, a business-oriented social network used primarily for professional networking.

Eddy Huang

Edwyn Charles Huang (born March 1, 1982) is an American film director, author, chef, restaurateur, food personality, producer, and attorney. He was a co-owner of BaoHaus, a gua bao restaurant in the East Village of Lower Manhattan.

Mother Theresa

Moeder Teresa, geboren als Agnes Gonxha Bojaxhiu (Skopje, 26 augustus 1910 – Calcutta, 5 september 1997), was een katholieke zuster, stichteres van de Missionarissen van Naastenliefde en Nobelprijswinnares voor de vrede. … In 2003 werd ze zalig verklaard en op 4 september 2016 volgde de heiligverklaring.

Warren Buffett

Warren Edward Buffett (Omaha (Nebraska), 30 augustus 1930) is een Amerikaans zakenman en investeerder. Hij is directeur en met een belang van 38% grootaandeelhouder van Berkshire Hathaway. Buffett staat al enkele decennia op de lijst van rijkste mensen ter wereld met in 2021 een geschat vermogen van 109 miljard dollar.