DokumentationExperimentationsaccelerator

Journey Optimizer Experimentation Accelerator bästa praxis content-experiment-best-practices

Last update: Mon Dec 08 2025 00:00:00 GMT+0000 (Coordinated Universal Time)

Skapat för:

  • Nybörjare
  • Användare

Vad är A/B-testning?

A/B-testning är en process där två eller flera versioner av något jämförs för att avgöra vilken som fungerar bäst i förhållande till ett definierat mål.

Deltagare tilldelas slumpmässigt till en version, en så kallad variant, och deras beteende spåras. Resultatet visar om en version är statistiskt bättre än de andra.

Nyckelterminologi

Villkor
Definition
Kontroll
Den ursprungliga versionen som används som baslinje för jämförelse.
Variant eller behandling
En ny version har skapats för att testa mot kontrollen.
Hypotes
En förutsägelse om vilka ändringar som ger ett bättre resultat och varför.
Samplingsstorlek
Antalet individer eller sessioner som ingår i testet.
Statistisk signifikans
Ett mått på tillförsikt att resultaten inte beror på en slumpmässig chans.
Lyft
Den procentuella förbättringen eller minskningen av en variant jämfört med kontrollen.
Primärt mått
Det viktigaste måttet som används för att avgöra om testet lyckades.
Sekundära mått
Stödjande mätvärden som ger ytterligare insikter eller hjälper till att övervaka oönskade effekter.
Konfidensintervall
Det uppskattade intervall inom vilket den verkliga effekten sannolikt kommer att falla.
Segment
En specifik del av målgruppen som analyserats oberoende av varandra (t.ex. nya användare, mobilbesökare).

Bästa tillvägagångssätt för att köra experiment

  • Börja med en tydlig hypotes

    En stark hypotes innefattar vad du håller på att ändra, vad du förväntar dig att hända och varför.
    Exempel: Vi tror att X-ändringar kommer att öka med Y på grund av Z.

  • Definiera ett meningsfullt framgångsmått

    Välj ett mätvärde som passar in i de bredare målen. Undvik"ovanlighetsmått" som ser bra ut men inte avspeglar den verkliga effekten.

  • Testa en ändring i taget (när det är möjligt)

    Genom att isolera variabler blir det enklare att tolka resultaten korrekt. Om du testar flera ändringar samtidigt kanske du inte vet vad som orsakade effekten.

  • Låt testet köras tillräckligt länge

    För tidiga slutsatser kan vara vilseledande. Vänta på en statistiskt signifikant samplingsstorlek innan du agerar.

  • Var medveten om externa faktorer

    Säsongalitet, semester och andra förändringar i din miljö kan förvränga resultatet. Dokumentera allt som kan påverka beteendet under testet.

  • Använd detaljerad segmentering

    Genom att dela upp resultaten efter målgruppssegment kan du hitta dolda mönster men undvika att övertolka små provstorlekar.

  • Dokumentera och dela aviseringar

    Se tydligt vad som har testats, varför och vad du lärt dig. Detta bygger upp institutionskunskaper och förhindrar upprepade misstag.

Vanliga mått

Mått
Vad det innebär
När ska användas
Konverteringsgrad
Procentandelen användare som slutfört en önskad åtgärd
Användbar för att spåra framgångar i en målstyrd upplevelse
Klickfrekvens (CTR)
Procentandelen användare som klickar på ett visst element
Anger hur övertygande upplevelsen är
Hastighet
Hur stor interaktion användarna har med upplevelsen
Bra för att mäta intresse eller uppmärksamhet
Studsfrekvens
Procentandel användare som snabbt lämnar utan att vidta åtgärder
Kan ge en dålig eller förvirrande upplevelse
Tid på sidan
Hur mycket tid användarna lägger på en viss del av upplevelsen
Kan spegla intressenivå eller komplexitet
Intäkter per besökare
Genomsnittlig intäkt per användare
Används ofta i handelsinriktade experiment
Bevarandefrekvens
Procentandelen användare som återgår eller förblir engagerade över tiden
Användbar för långsiktiga värdebedömningar

Vad är ett bra experiment?

Ett bra experiment ger inte bara en vinst, det ger en tydlig och åtgärdbar inlärning.
Här kan du söka efter:

✓ Statistisk konfidens: Det är osannolikt att skillnaden mellan varianter beror på en chans.
✓ Justering med mål: Det primära måttet visar meningsfulla framsteg mot ett affärsmål.
✓ Sekundär effekt: Inga signifikanta negativa biverkningar på relaterade mått.
✓ Scalability: Resultatet kan informera framtida beslut eller vara generaliserat till andra områden.
✓ Clarity: Orsaken till resultatet är relativt isolerad och förstådd.

Experimentation handlar inte bara om att hitta den"bästa" versionen, utan också om att bygga upp kunskap genom testning och iteration. När det är klart avslöjar experiment insikter som driver smartare beslut, bättre användarupplevelser och förbättrade resultat.

recommendation-more-help

Exempel:

  • Företag: Hotellkedja

  • Hypotes: Om vi använder ett mer brådskande språk på hemsidan leder det till fler bokningar.

    • Kontroll: Ursprunglig version
    • Variant: En ny version med en brådskande fråga har lagts till
    • Primärt mått: Bokningsfrekvens
    • Sekundära mått: Studsfrekvens, tid på plats

  • Resultat: Varianten gav en 14-procentig ökning av bokningsfrekvensen, utan någon negativ ändring av andra mätvärden.

  • Åtgärd: Överväg att rulla ut varianten och köra uppföljningsförsök för att testa liknande metoder inom andra områden.

style
shade-box
65d9f4ff-7245-4908-ba5d-a40d01d30952