En praktisk guide til A/B-test til PPC (+5 ideer til test)

Introduktion

PPC A/B-test er en effektiv måde at forbedre dine annoncekampagners effektivitet på.

I denne praktiske guide finder du ud af, hvad A/B-test til PPC er, og lærer om de forskellige typer test og teststatistikker, der er nødvendige for datadrevne beslutninger. Du lærer også, hvordan du opsætter din første A/B-test og får praktiske idéer med stor effekt, som du selv kan afprøve.

Hvad er A/B-test til PPC?

A/B-test til PPC er en metode til at teste 2 eller flere varianter af dine annoncekampagneelementer, såsom annoncetekster, landingssider eller målretning, med det formål at levere statistisk bevis for forskellige hypoteser, som kan bruges til at forfine dine kampagner og forbedre resultaterne.

Selvom det ikke er helt anderledes end A/B-test af landingssider eller e-mails, kræver PPC A/B-test en dedikeret tilgang på grund af annonceplatformenes begrænsninger, variationen i stikprøvestørrelse og risikoen for at påvirke dine kampagners samlede performance.

Typer af PPC-tests

Der er fire hovedtyper af A/B-tests i PPC:

• A/B-test

  En A/B-test er et eksperiment med en hypotese, der får dig til at ændre et enkelt element i din annoncekampagne og teste det mod den oprindelige kontrolvariant. Dette er den mest almindelige testtype, der hjælper dig med at indsnævre til specifikke elementer og forfine dine kampagner.

  Eksempel på A/B-test: test af 2 tekstannoncer med gratis fragt vs. 15% rabat som hovedtilbud.

• Multivariate tests

  Mød Ranktracker

  Alt-i-en-platformen til effektiv SEO

  Bag enhver succesfuld virksomhed ligger en stærk SEO-kampagne. Men med utallige optimeringsværktøjer og -teknikker at vælge imellem kan det være svært at vide, hvor man skal starte. Nå, frygt ikke mere, for jeg har lige det, der kan hjælpe dig. Jeg præsenterer Ranktracker alt-i-en platformen til effektiv SEO

  Vi har endelig åbnet for gratis registrering til Ranktracker!

  Opret en gratis konto

  Eller logge ind med dine legitimationsoplysninger

  En multivariat test er et eksperiment med flere hypoteser og flere ændringer. Med denne metode tester du forskellige kombinationer af små ændringer i din kontrolvariant. Jeg bruger sjældent denne type, da den kræver den største stikprøvestørrelse (ofte umulig for PPC) ud af alle fire testtyper og genererer den mindste stigning i resultaterne, hvilket mindsker konfidensniveauet (se mine definitioner af stikprøvestørrelse, stigning og konfidensniveau i næste afsnit).

  Eksempel på multivariat test: test 4 reklamer med forskellige kombinationer af overskrifter og billeder.

• A/B/n-tests

  En A/B/n-test er også et eksperiment med flere hypoteser og flere ændringer. Men i modsætning til multivariate tests kan varianterne være helt forskellige fra hinanden. Det er en af de testtyper, jeg ofte bruger til nye konti eller nye kampagner, hvor historiske data ikke er tilgængelige, og jeg ønsker at teste helt forskellige opsætninger eller kombinationer af elementer i stedet for at indsnævre mit udvalg med A/B- eller multivariate test.

  Eksempel på A/B/n-test: test af 2+ sæt reklamer med helt forskellige layouts og/eller landingssider.

• Sekventielle tests

  En sekventiel test er en type A/B-test, der tester varianter af kampagneelementer i faser eller sekvenser. En sekvens kan være 2 uger, 1 måned eller længere (jeg anbefaler ikke at køre en test i mindre end 2 uger). Dette er den mindst foretrukne testtype, da det at køre en test i forskellige tidsperioder introducerer eksterne faktorer, du ikke kan kontrollere, såsom sæsonudsving, varians i stikprøvestørrelse og målretningsafvigelse. Det er dog også en almindelig type, da ikke alle PPC-platforme tilbyder fulde (eller nogen) A/B-testfunktioner.

  Eksempel: test af Maximize Conversions bidding vs. Maximize Conversion Value i Google Ads

I et ideelt scenarie ville du anvende alle tests i følgende rækkefølge:

1. A/B/n-test for at finde den opsætning, der fungerer bedst
2. A/B-test for at indsnævre og forfine din opsætning
3. Multivariate test for at indsnævre din opsætning yderligere
4. Sekventiel test til at teste elementer i rækkefølge, når der ikke er nogen ordentlig A/B-testfunktionalitet.

Statistik for A/B-test

For at A/B-test kan give statistisk signifikante data, informere dine beslutninger og føre til forbedringer i PPC, er der fire vigtige statistikker, du skal overveje:

• Prøvens størrelse

  Mød Ranktracker

  Alt-i-en-platformen til effektiv SEO

  Bag enhver succesfuld virksomhed ligger en stærk SEO-kampagne. Men med utallige optimeringsværktøjer og -teknikker at vælge imellem kan det være svært at vide, hvor man skal starte. Nå, frygt ikke mere, for jeg har lige det, der kan hjælpe dig. Jeg præsenterer Ranktracker alt-i-en platformen til effektiv SEO

  Vi har endelig åbnet for gratis registrering til Ranktracker!

  Opret en gratis konto

  Eller logge ind med dine legitimationsoplysninger

  I PPC er din stikprøvestørrelse den mængde trafik, du skal generere, for at testresultaterne er repræsentative for din målgruppe. For målinger på annonceniveau (såsom CTR eller View Rate) vil visninger være kilden til dine prøver, men for konverteringsspecifikke målinger (såsom konverteringsfrekvens, Cost/Conv. eller ROAS) bør du vælge klik. Generelt gælder det, at jo større stikprøven er, jo mere præcis bliver din test.

• Forventet stigning

  En forudsigelse af, hvordan en testet ændring vil påvirke den endelige metrik, udtrykt i procent og varierende fra 0 til 100%. Baseret på historiske data og konverteringsundersøgelser kan du f.eks. forudsige, at en ændring i hovedtilbuddet fra 10% rabat til gratis fragt vil øge konverteringsraten med 30%.

• P-værdi

  Vi er i den avancerede statistiks territorium. For at sige det enkelt hjælper p-værdien med at afgøre, om resultaterne afviger væsentligt fra det, man ville forvente, eller hvor statistisk signifikante resultaterne er. Den går fra 0 til 1, og jo mindre værdien er, jo mere statistisk signifikante er resultaterne.

• Tillidsniveauer

  Konfidensniveauer eller konfidensintervaller er et mål for sikkerheden i testresultater. For eksempel betyder et konfidensniveau på 95 %, at hvis vi gentager den samme test flere gange, vil 95 % af testene give lignende resultater.

Hvorfor er PPC A/B-tests vigtige?

A/B-test påvirker 3 nøgleområder i dine PPC-kampagner:

1. Resultater

   Når du arbejder med PPC-kampagner, står du konstant over for spørgsmålet "Vil ting A gøre det bedre end ting B?" (erstat 'ting' med kampagne/annonce/kopi/målgruppe/vinkel/etc.). A/B-test giver dig en måde at besvare sådanne spørgsmål på, teste forskellige hypoteser og i sidste ende forbedre dine resultater.

2. Struktur

   Hvis du ligesom jeg har følt, at nogle af dine optimeringer var for ad hoc, reaktive i forhold til de data, du havde til rådighed, eller endda kosmetiske, er A/B-test den tilgang, der vil hjælpe dig med at tilføje mere struktur. Det kan hjælpe med at skabe "fodfæste" for performance (dokumenterede hypoteser) og fokusere på at finde de mest effektive optimeringsmuligheder i stedet for kosmetiske ændringer.

3. Kommunikation og engagement

   Hvis du er et bureau eller en in-house specialist, har du højst sandsynligt oplevet problemer med kommunikation og engagement med kunder eller ledere. A/B-test kan hjælpe med at løse nogle af disse problemer, da det giver endnu et lag af gennemsigtighed, bevidsthed og engagement. Om ikke andet giver det dig mulighed for at give et hurtigt svar, hvis nogen spørger "Har du testet en grøn knap i stedet?" :)

Hvad kan du A/B-teste?

Det er afgørende at beslutte, hvad man skal A/B-teste i sine PPC-kampagner. Jeg anbefaler, at du starter med de elementer, der, hvis de forbedres, kan have den største indvirkning på dine resultater.

1. Kreative

   Eksempler: layout, farveskema, model vs. ingen model, kort form video vs. lang form, UGC vs. egne aktiver.

2. Tilbud

   Eksempler: gratis fragt vs. rabat, gratis bonus vs. knaphed, gratis prøveperiode vs. freemium, garanti vs. ingen garanti, webinar vs. e-bog.

3. Placering af annoncer

   Eksempler: Facebook vs. Instagram, mobil vs. desktop, søgning vs. søgepartnere.

4. Annoncekopi

   Eksempler: Lang form vs. kort form, punktopstilling vs. afsnit, ordet 'gratis' vs. ikke, fordele vs. autoritet.

5. Målretning

   Eksempler: nye søgeord, smal målretning vs. bred, lookalike vs. cold, ældre remarketingmålgrupper vs. yngre, phrase match søgeord vs. bred, smal lokationsmålretning vs. bred.

6. Kampagne/Ad-typer

   Eksempler: DSA vs. almindelige søgekampagner, dynamiske remarketingkampagner vs. almindelig remarketing, lead ads vs. messenger ads.

7. Tildeling af budget

   Eksempler: mere budget til kampagne 1 vs. kampagne 2, mere budget til remarketing vs. acquisition, mere budget til Performance Max vs. Shopping.

8. Landingssider

   Eksempler: layout, billeder vs. videoer, dynamisk indsættelse af søgeord, overskrifter, formularer, social proof, match mellem annonce- og landingssidebudskab.

9. Strategier for budgivning

   Eksempler: Maksimer konverteringer vs. maksimer konverteringsværdi, mål-CPA-lofter, mål-ROAS-mål, højeste volumen vs. højeste værdi.

10. Kampagnens struktur

    Eksempler: Bred (eller Hagakure) struktur vs. granulær, mere dynamiske/automatiserede kampagner vs. færre, best-performers vs. low-performers, SKAGs.

Sådan A/B-tester du dine PPC-kampagner

Opsætning af din A/B-test

Når du har fundet en liste over ideer til A/B-test, er det tid til at danne hypoteser og beslutte, hvilke tilgange og værktøjer du vil bruge.

Hypotese

Din hypotese er den antagelse, du forsøger at teste med eksperimentet. Den udtrykker den effekt, du forventer at se ved at foretage en ændring, såsom at revidere annonceteksten, ændre din annoncering eller udvide din målretning. For at strukturere mine hypoteser kan jeg godt lide at henvise til Hypothesis Kit V4 af Craig Sullivan:

1. Baseret på (data/forskning/observation)
2. vi tror på, at (ændring)
3. for (population)
4. vil forårsage (påvirkning).
5. Det vil vi vide, når vi ser (metrisk).
6. Det vil være godt for kunder, partnere eller vores forretning (fordi).

Tilgang

Det er her, du beslutter, hvordan du vil gribe din test an. Skal det være en A/B-test? A/B/n? Sekventiel? Det er vigtigt at identificere dette fra starten, da det vil påvirke dine A/B-testværktøjer, budgetter og resultater. Som nævnt ovenfor anbefaler jeg, at du starter med A/B/n-tests, hvis du ikke har nogen historiske data, og din hypotese er baseret på observationer. Men med visse tests og annonceplatforme vil du være begrænset til sekventielle testmetoder (f.eks. budstrategier på Google Ads).

Værktøj

Når det kommer til PPC A/B-test, er et regnearksdashboard din bedste ven. Hvis du ikke er sikker på, hvor du skal starte med det, kan du finde mit seneste dashboard her. Hvis du kun kører et par tests i kvartalet, anbefaler jeg, at du udfylder det manuelt. Hvis det er mere end et par stykker, kan du automatisere det ved hjælp af værktøjer som Supermetrics til at trække PPC-data.

Lancering af din A/B-test

Dine lanceringsinstruktioner vil afhænge af det testede element og den annonceplatform, du har valgt. En ting vil dog forblive den samme - dit eksperiment skal producere lige eller næsten lige store stikprøvestørrelser for både kontrol- og testvarianter, hvilket betyder, at ordentlige A/B-tests aldrig bør lanceres i den samme kampagne eller annoncegruppe, medmindre du kan kontrollere budgettet og trafikspredningen (dvs. kampagner til budgetoptimering af annoncesæt eller ABO i Facebook Ads).

Her er de testopsætninger, jeg oftest bruger:

• Facebook/Instagram/Pinterest/LinkedIn: den indbyggede A/B-testfunktion, nye annoncesæt, nye kampagner, sekventielle lanceringer.
• Google/Microsoft: funktionen til at eksperimentere med native-kampagner, A/B-test af annoncetekster, funktionen til at rotere annoncer på lige fod, sekventielle lanceringer.

Analyse af data

Du har opstillet en hypotese, sat testen op og ladet den gå sin gang. Og hvad så nu?

Udfyld dit dashboard, og se, om din test gav det forventede løft, om din stikprøvestørrelse var stor nok, om dine resultater er statistisk signifikante, eller om din test har brug for mere tid for at opnå højere signifikans.

Du kan bruge en lommeregner til at hjælpe med stikprøvestørrelse og konfidens-/signifikansberegninger.

Hvis du har en klar vinder, skal du formulere en konklusion og udarbejde en handlingsplan for at introducere den i dit PPC-setup.

5 ideer til PPC A/B-test, du kan prøve

1. Test af tilbud

Når det handler om at maksimere PPC-resultater, må du ikke undervurdere effekten af at teste forskellige tilbud. Det er min erfaring, at det giver de mest markante ændringer i resultaterne.

Det kan være knaphed (tænk begrænset udbud), hastesager, bonusser, garantier eller rabatter.

Når det er muligt, skal du huske at bruge den indbyggede funktion til test af annoncetekster for at sikre mere kontrol over stikprøvestørrelser og trafikopdelinger pr. variant (f.eks. eksperimenttypen 'Annoncevariation' i Google Ads).

2. Test af landingsside

"Vent, jeg troede, dette var en praktisk guide til PPC-test?". Min erfaring er, at landingssider er en af de faktorer, der bidrager mest til succes med PPC. Hvis din landingsside ikke er veloptimeret, er det ligegyldigt, hvor gode dine annoncer er - dine resultater vil stadig være begrænsede.

For at opnå de største stigninger anbefaler jeg, at man starter med at teste layout og formular, da disse kan bidrage til de største stigninger i konverteringsraten. For eksempel oplevede dette kreditkortselskab en stigning i konverteringsraten på 17% efter at have optimeret sin formular.

Dernæst kan du overveje at matche annoncer med budskaber og teste overskrifter for at forbedre dit annonce-til-konverteringsflow.

3. Kreativ afprøvning

Ifølge Nielsen bidrager reklamekreativ kvalitet til 49 % af mersalget og er den mest kritiske faktor for reklameeffektivitet. Det er derfor, jeg altid anbefaler at lave højfrekvente kreative tests på tværs af creative-first-kanaler som Facebook og TikTok. Det var også en væsentlig bidragyder til min kundes 54% stigning i bookinger på bare 6 måneder.

For at opnå de største forbedringer anbefaler jeg at teste layoutændringer, budskaber og UGC-indhold.

4. Målretning af test

Målretningstest er endnu en idé, som jeg anbefaler at prøve for at opnå det største potentiale. Som nævnt i afsnittet "Hvad kan du A/B-teste", kan det omfatte nye søgeord, smal målretning vs. bred, og lookalikes vs. gemte målgrupper.

Det kan f.eks. være en god idé at teste en separat kampagne med lange søgeord i forhold til en med korte søgeord for at se, om du kan forbedre budgetkontrollen og reducere din CPA.

Her anbefaler jeg, at du bruger et værktøj som RankTrackers Keyword Finder til at hjælpe dig med at få mere avancerede søgeordsforslag og filtrering, end du ville få med Google Keyword Planner.

5. Test af budgivning

A/B-test af budstrategier kan være en effektiv måde at optimere dine PPC-resultater på. Det kan afsløre, om dine nuværende bud er for høje eller lave, om du optimerer til de mest værdifulde kunder eller ej, og om det er bedst at gå efter det højeste antal konverteringer (kvalitet) i forhold til den højeste konverteringsværdi (kvantitet).

Du kan f.eks. teste at øge dine mål-CPA-grænser med 30-50 % for at se, om du går glip af klik, der kunne resultere i konverteringer, eller reducere din mål-ROAS med 25 % for at generere en større mængde konverteringer i en periode med høj konkurrence (f.eks. Black Friday).