Hvad er A/B-testning i UX? | UX forskning #26

A/B testning er en fremragende forskningsmetode til at teste to alternative versioner af en given løsning på samme tid. Læs vores artikel for at lære, hvordan man udfører A/B tests og se deres fordele og begrænsninger.

A/B testning i UX – indholdsfortegnelse:

1. Hvad er A/B tests i konteksten af UX forskning?
2. Hvornår skal man anvende A/B testning?
3. Hvordan udfører man A/B testning?
4. Sammendrag

Hvad er A/B tests i konteksten af UX forskning?

A/B testning giver dig mulighed for at teste to versioner af et produkt/løsning (version A og version B) og evaluere den, der vinder større godkendelse fra brugerne. Måden at måle det på inkluderer konverteringsrate, den tid der bruges på siden eller deltagernes feedback og deres tilbøjelighed til at anbefale siden/produktet. Før testen skal du definere og bestemme, hvad “succes” vil betyde for en bestemt version.

Hvornår skal man anvende A/B testning?

Du kan anvende A/B tests til prototype testning, under produktudviklingsfasen, samt til at opbygge marketing- og promotionsstrategier. De er det perfekte værktøj til at træffe beslutninger, der kan påvirke en organisations bundlinje. A/B tests er især nyttige, når vi allerede har en hypotese baseret på tidligere forskning og ønsker at bekræfte, at det er den rigtige løsning. Forskningsspørgsmål konstrueret til A/B testning kan se sådan ud:

• Hvilken version af produktet genererer en højere konverteringsrate?
• Hvilken af de to forskelligt formulerede push-notifikationer øger engagementet i appen?

En solid A/B test bør inkludere så enkle sammenligninger som muligt, f.eks. i stedet for at sammenligne to helt forskellige versioner af siden, er det bedre at teste to forskellige header-stile eller to forskellige placeringer af CTA-knappen. Med mindre sammenligninger vil vi præcist kunne genkende, hvilken skrifttype, farve, element eller placering der påvirker UX mest.

Denne forskningsmetode omfatter tests af to slags: univariat og multivariat. Den første fokuserer på forskellene mellem to varianter af et element – for eksempel en rød knap og en blå knap. Den multivariate sammenligner dog mere end 2 varianter af en knap på samme tid – f.eks. rød, blå, grøn og hvid (derudover kan de stadig variere i overskrifter, f.eks. “Tjek dette” og “Se mere”).

De vigtigste fordele ved A/B testning er hurtighed og lave omkostninger. De muliggør også evaluering af flere produktvarianter på en stor gruppe af rigtige mennesker. Vær dog opmærksom på at fokusere på de aspekter, der kan have en reel indvirkning på den overordnede opfattelse af et produkt. Sammenlign ikke tilfældige elementer. Lav en hypotese, udfør anden komplementær forskning, og konsulter derefter dit design- og udviklingsteam. Sammen vil I afgøre, hvilke essentielle funktioner der skal undersøges i adskillige versioner ved at udføre enkeltvariant eller multivariat A/B testning.

A/B testning synes at være en hurtig form for forskning – selvom det ikke er en regel. Du kan have brug for at køre dem i op til et par uger for at få nok data til UX-analyse (men du kan lige så godt klare det på et par dage eller endda et par timer). Den tid, det tager at gennemføre en undersøgelse, afhænger af mange faktorer.

Hvordan udfører man A/B testning?

1. Identificer dit problem.

Sørg for at anvende de rigtige analytiske værktøjer til præcist at fastslå problemets natur.

2. Find ud af så meget som muligt om problemet samt brugerne. Få en god fornemmelse for dem.

Præciser nøjagtigt placeringen af flowet og prøv at finde ud af, hvorfor det sker. En detaljeret forståelse vil bidrage til en ordentlig og grundig analyse.

3. Formuler en hypotese ved at besvare, hvordan man løser problemet.

En hypotese er en testbar antagelse. Du kan formulere den i form af en betingelse – “hvis X sker, så Z”, dvs. for eksempel “hvis overskriften er i skrifttype 22 i stedet for 18, vil konverteringen stige”. A/B testning vil lade dig vide, om den formodning, der præsenteres i hypotesen, er korrekt.

4. Definer dit mål.

Bestem, hvad du ønsker at opnå med undersøgelsen samt gennem hele forsknings- og designprocessen – for eksempel ønsker du, at flere brugere klikker på CTA-knappen på startsiden.

5. Definer statistisk nøjagtighed.

Bestem de tal og figurer, du har brug for til både den praktiske evaluering af undersøgelsen og for forretningsinteressenterne at fremvise – f.eks. vil en 2% stigning i konverteringer tilfredsstille dem og være værd at investere i en undersøgelse?

6. Definer den nødvendige skala af resultater.

Hvilket antal respondenter vil sikre statistisk nøjagtighed? Hvilken procentdel af den daglige, ugentlige eller månedlige brugerbase vil gøre disse resultater værdifulde og afgørende? Det er vigtigt at bestemme dette, før du går videre med undersøgelsen.

7. Opret version B og test din hypotese.

Forbered en ekstra variant (variant B) af siden/produktet/funktionaliteten til din hypotese og begynd at teste. På dette stadium træder udviklerne ind for at implementere en anden, alternativ løsning for det eksisterende produkt – og brugerne opdeles ubevidst i to grupper (gruppe A og gruppe B) som før. Under vurderingen skal du forsøge at se på dine data først, efter at du har indsamlet nok af dem til at få statistisk gyldighed og et levedygtigt resultat.

8. Analyser og handle på testresultaterne.

Hvis din version B opfylder den fastsatte effektivitetstærskel og bekræfter din hypotese, kan du gå videre med at implementere den for alle brugere (ikke længere opdelt mellem versioner A og B). Men hvis hypotesen bliver modbevist, skal du forblive med den oprindelige version A eller udtænke og teste en ny hypotese. Tjek også alternative forskningsmetoder for at supplere dataene.

Sammendrag

A/B testning er et ret teknisk emne. Det kræver, at man har visse kendskaber til statistik samt mere specialiseret teknisk/programmeringsviden (eller et godt forhold til virksomhedens udviklingsteam). Det er en direkte metode – derudover er den ret simpel, hurtig og billig. Det muliggør at sammenligne to alternative versioner af et produkt til lave omkostninger med tilfredsstillende resultater. Hvad mere er, kommer dens resultater på baggrund af de rigtige brugere, de er så præcise, som du kan få. Husk dog, at du ikke kan teste hver funktion, element eller lille detalje på siden – derfor er det en standard at udføre andre komplementære forskningsmetoder, når man udfører A/B tests.

Læs også: Opdagelsesforskningsmetoder

Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.