En praktisk guide till A/B-testning för PPC (+5 idéer att testa)

Introduktion

PPC A/B-testning är ett kraftfullt sätt att förbättra dina annonskampanjers effektivitet.

I denna praktiska guide får du reda på vad A/B-testning för PPC är och lära dig om de olika typerna av tester och teststatistik som krävs för datadrivna beslut. Du får också lära dig hur du sätter upp ditt första A/B-test och får praktiska idéer med stor genomslagskraft som du kan testa själv.

Vad är A/B-testning för PPC?

A/B-testning för PPC är en metod för att testa 2 eller fler varianter av dina annonskampanjelement, såsom annonstexter, målsidor eller inriktning, med målet att tillhandahålla statistiskt bevis för olika hypoteser, som kan utnyttjas för att förfina dina kampanjer och förbättra resultaten.

PPC A/B-testning skiljer sig inte helt från A/B-testning av målsidor eller e-post, men kräver en särskild strategi på grund av annonsplattformarnas begränsningar, variationen i urvalsstorlek och risken för att påverka den övergripande prestandan för dina kampanjer.

Typer av PPC-tester

Det finns fyra huvudtyper av A/B-tester i PPC:

A/B-test
Ett A/B-test är ett experiment med en hypotes som leder till att du ändrar ett enda element i din annonskampanj och testar det mot den ursprungliga kontrollvarianten. Detta är den vanligaste testtypen som hjälper dig att begränsa dig till specifika element och förfina dina kampanjer.
Exempel på A/B-testning: testa 2 textannonser med fri frakt vs. 15% rabatt som huvuderbjudande.
Multivariata tester
Möt Ranktracker
Allt-i-ett-plattformen för effektiv SEO
Bakom varje framgångsrikt företag finns en stark SEO-kampanj. Men med otaliga optimeringsverktyg och tekniker att välja mellan kan det vara svårt att veta var man ska börja. Nåväl, frukta inte längre, för jag har precis det som kan hjälpa dig. Jag presenterar Ranktracker, en allt-i-ett-plattform för effektiv SEO.
Vi har äntligen öppnat registreringen av Ranktracker helt gratis!
Skapa ett kostnadsfritt konto
Eller logga in med dina autentiseringsuppgifter
Ett multivariat test är ett experiment med flera hypoteser och flera förändringar. Med den här metoden testar du olika kombinationer av små ändringar som görs i din kontrollvariant. Jag använder sällan den här typen eftersom den kräver den största urvalsstorleken (ofta omöjligt för PPC) av alla fyra testtyperna och genererar den minsta förhöjningen av resultaten, vilket minskar konfidensnivån (se mina definitioner av urvalsstorlek, förhöjning och konfidensnivå i nästa avsnitt)
Exempel på multivariat testning: testa 4 annonser med olika kombinationer av rubriker och bilder.
A/B/n-test
Ett A/B/n-test är också ett experiment med flera hypoteser och flera förändringar. Men till skillnad från multivariata tester kan varianterna vara helt olika varandra. Det är en av de testtyper som jag ofta använder för nya konton eller nya kampanjer där historiska data inte finns tillgängliga och jag vill testa helt olika inställningar eller kombinationer av element snarare än att begränsa mitt urval med A/B- eller multivariat-testning.
Exempel på A/B/n-testning: testa 2+ uppsättningar av annonser med helt olika layouter och/eller landningssidor.
Sekventiella tester
Ett sekventiellt test är en typ av A/B-test som testar varianter av kampanjelement i faser eller sekvenser. En sekvens kan vara 2 veckor, 1 månad eller längre (jag rekommenderar inte att köra ett test i mindre än 2 veckor). Detta är den minst föredragna testtypen, eftersom att köra ett test under olika tidsperioder introducerar externa faktorer som du inte kan kontrollera, såsom säsongsvariationer, variationer i urvalsstorlek och målavvikelser. Men det är också en vanlig typ, eftersom inte alla PPC-plattformar erbjuder fullständiga (eller några) A/B-testfunktioner.
Exempel: testa Maximera konverteringar budgivning vs. Maximera konverteringsvärde i Google Ads

I ett idealiskt scenario skulle du använda alla tester i följande ordning:

A/B/n-testning för att hitta det upplägg som fungerar bäst
A/B-testning för att begränsa och förfina din inställning
Multivariata tester för att begränsa din inställning ytterligare
Sekventiell testning för att testa element i sekventiell ordning när det inte finns någon korrekt A/B-testfunktionalitet

Statistik över A/B-testning

För att A/B-testning ska ge statistiskt signifikanta data, informera dina beslut och leda till förbättringar i PPC, finns det 4 viktiga statistiska faktorer som du måste ta hänsyn till:

Storlek på urval
Möt Ranktracker
Allt-i-ett-plattformen för effektiv SEO
Bakom varje framgångsrikt företag finns en stark SEO-kampanj. Men med otaliga optimeringsverktyg och tekniker att välja mellan kan det vara svårt att veta var man ska börja. Nåväl, frukta inte längre, för jag har precis det som kan hjälpa dig. Jag presenterar Ranktracker, en allt-i-ett-plattform för effektiv SEO.
Vi har äntligen öppnat registreringen av Ranktracker helt gratis!
Skapa ett kostnadsfritt konto
Eller logga in med dina autentiseringsuppgifter
I PPC är urvalsstorleken den mängd trafik du behöver generera för att testresultaten ska vara representativa för din målgrupp. För mätvärden på annonsnivå (t.ex. CTR eller View Rate) kommer impressions att vara källan till dina urval, men för konverteringsspecifika mätvärden (t.ex. konverteringsfrekvens, kostnad/konv. eller ROAS) bör du välja klick. Generellt gäller att ju större urvalet är, desto mer exakt blir testet.
Förväntad ökning
En förutsägelse om hur en testad förändring kommer att påverka det slutliga måttet, uttryckt i procent och från 0 till 100%. Baserat på historiska data och konverteringsforskning kan du till exempel förutsäga att en ändring av huvuderbjudandet från 10 % rabatt till fri frakt kommer att öka konverteringsgraden med 30 %.
P-värde
Vi befinner oss i den avancerade statistikens territorium. Enkelt uttryckt hjälper p-värdet till att avgöra om resultaten avviker signifikant från vad som skulle förväntas, eller hur statistiskt signifikanta resultaten är. Det varierar från 0 till 1, och ju mindre värdet är, desto mer statistiskt signifikanta är resultaten.
Förtroendenivåer
Konfidensnivåer eller konfidensintervall är ett mått på säkerheten i testresultat. En konfidensnivå på 95 % innebär t.ex. att om vi upprepar samma test flera gånger kommer 95 % av testerna att ge liknande resultat.

Varför är PPC A/B-testning viktigt?

A/B-testning påverkar 3 viktiga områden i dina PPC-kampanjer:

Resultat
När du arbetar med PPC-kampanjer ställs du ständigt inför frågan "Kommer sak A att göra bättre ifrån sig än sak B?" (ersätt "sak" med kampanj/annons/copy/publik/vinkel/etc.). A/B-testning ger dig ett sätt att svara på sådana frågor, testa olika hypoteser och i slutändan förbättra dina resultat.
Struktur
Om du, som jag, har känt att vissa av dina optimeringar har varit för ad hoc, reaktiva i förhållande till tillgängliga data eller till och med kosmetiska, är A/B-testning den metod som kommer att hjälpa dig att lägga till mer struktur. Det kan hjälpa till att skapa "fotfästen" för prestanda (beprövade hypoteser) och fokusera på att hitta de mest effektiva optimeringsmöjligheterna istället för kosmetiska förändringar.
Kommunikation och engagemang
Om du är en byrå eller en in-house-specialist har du sannolikt upplevt problem med kommunikation och engagemang hos kunder eller chefer. A/B-testning kan hjälpa till att lösa några av dessa problem, eftersom det ger ytterligare ett lager av transparens, medvetenhet och engagemang. Om inte annat kan du ge ett snabbt svar om någon frågar "Har du testat en grön knapp istället?" :)

Vad kan du A/B-testa?

Att bestämma vad du ska A/B-testa i dina PPC-kampanjer är avgörande. Jag rekommenderar att du börjar med de element som, om de förbättras, kan ha störst inverkan på dina resultat.

Kreativa
Exempel: layout, färgschema, modell vs. ingen modell, kortformad video vs. långformad, UGC vs. egna tillgångar.
Erbjudande
Exempel: fri frakt vs. rabatt, gratis bonus vs. scarcity, gratis provperiod vs. freemium, garanti vs. ingen garanti, webinar vs. e-bok.
Placering av annonser
Exempel: Facebook vs. Instagram, mobil vs. desktop, sök vs. sökpartners.
Annons
Exempel: Lång text vs. kort text, punktlista vs. stycke, inkludera ordet "gratis" vs. inte, fördelar vs. auktoritet.
Inriktning
Exempel: nya sökord, smal inriktning vs. bred, lookalike vs. cold, äldre remarketingmålgrupper vs. yngre, frasmatchande sökord vs. bred, smal platsinriktning vs. bred.
Typer av kampanjer/annonser
Exempel: DSA vs. vanliga sökkampanjer, dynamiska remarketingkampanjer vs. vanlig remarketing, lead ads vs. messenger ads.
Tilldelning av budgetmedel
Exempel: mer budget för kampanj 1 vs kampanj 2, mer budget för remarketing vs förvärv, mer budget för Performance Max vs Shopping.
Landningssidor
Exempel: layout, bilder vs. videor, dynamisk inmatning av sökord, rubriker, formulär, sociala bevis, matchning av budskap mellan annons och landningssida.
Strategier för budgivning
Exempel: Maximera konverteringar vs. maximera konverteringsvärde, mål för CPA-gränser, mål för ROAS, högsta volym vs. högsta värde.
Kampanjens struktur
Exempel: Bred (eller Hagakure) struktur vs. detaljerad, mer dynamiska/automatiserade kampanjer vs. färre, bäst presterande vs. lågpresterande, SKAGs.

Hur man A/B-testar sina PPC-kampanjer

Konfigurera ditt A/B-test

När du har kommit fram till en lista med idéer för A/B-test är det dags att formulera hypoteser och besluta om tillvägagångssätt och verktyg.

Hypotes

Din hypotes är det antagande som du försöker testa med experimentet. Den uttrycker den effekt du förväntar dig att se av att göra en förändring, som att revidera annonstexten, ändra din annonsering eller utöka din målgrupp. För att strukturera mina hypoteser använder jag mig av Hypothesis Kit V4 av Craig Sullivan:

Baserat på (data/forskning/observation)
vi tror att (förändring)
för (befolkning)
kommer att orsaka (påverkan).
Vi kommer att veta detta när vi ser (metrisk).
Detta kommer att vara bra för kunder, partners eller vår verksamhet (eftersom).

Tillvägagångssätt

Det är här du bestämmer hur du ska gå tillväga med ditt test. Kommer detta att vara ett A/B-test? A/B/n? Sekventiellt? Det är viktigt att identifiera detta från början eftersom det kommer att påverka dina A/B-testverktyg, budgetar och resultat. Som nämnts ovan rekommenderar jag att du börjar med A/B/n-tester om du inte har några historiska data och din hypotes är baserad på observationer. Med vissa tester och annonsplattformar är du dock begränsad till sekventiella testmetoder (t.ex. budgivningsstrategier på Google Ads).

Verktyg

När det gäller PPC A/B-testning är en dashboard med kalkylblad din bästa vän. Om du inte är säker på var du ska börja med det kan du hitta min senaste instrumentpanel här. Om du bara kör några få tester per kvartal rekommenderar jag att du fyller i den manuellt. Om det är fler än några få kan du automatisera det med hjälp av verktyg som Supermetrics för att hämta PPC-data.

excel

Lansering av ditt A/B-test

Dina lanseringsinstruktioner beror på det testade elementet och den annonsplattform du valt. En sak kommer dock att förbli densamma - ditt experiment måste producera lika eller nästan lika stora urval för både kontroll- och testvarianter, vilket innebär att riktiga A/B-tester aldrig bör lanseras i samma kampanj eller annonsgrupp om du inte kan kontrollera budgeten och trafikspridningen (dvs. kampanjer för budgetoptimering av annonsuppsättning, eller ABO, i Facebook Ads).

Här är de testuppställningar som jag använder oftast:

Facebook/Instagram/Pinterest/LinkedIn: den inbyggda A/B-testfunktionen, nya annonsuppsättningar, nya kampanjer, sekventiella lanseringar.
Google/Microsoft: experimentfunktion för native-kampanjer, A/B-testfunktion för annonstexter, funktion för rotation av lika annonser, sekventiella lanseringar.

Analys av uppgifterna

Du har formulerat en hypotes, satt upp testet och låtit det ha sin gång. Vad händer nu?

Fyll i instrumentpanelen och se om testet gav den förväntade förbättringen, om urvalet var tillräckligt stort, om resultaten är statistiskt signifikanta eller om testet behöver mer tid för att nå högre signifikans.

Du kan använda en kalkylator för att få hjälp med urvalsstorlek och konfidens-/signifikansberäkningar.

Om du har en tydlig vinnare, formulera en slutsats och förbered en handlingsplan för att introducera den i din PPC-konfiguration.

5 idéer för PPC A/B-testning att prova

1. Erbjuda testning

När det gäller att maximera PPC-resultaten ska du inte underskatta effekten av att testa olika erbjudanden. Enligt min erfarenhet ger detta de mest betydande förändringarna i resultaten.

Det kan handla om knapphet (tänk begränsat utbud), brådska, bonusar, garantier eller rabatter.

Kom ihåg att använda den inbyggda testfunktionen för annonstexter för att få bättre kontroll över urvalsstorlekar och trafikuppdelningar per variant (t.ex. experimenttypen "Annonsvariation" i Google Ads).

2. Testning av målsidor

"Vänta, jag trodde att det här var en praktisk guide till PPC-testning?". Enligt min erfarenhet är landningssidor en av de mest bidragande faktorerna när det gäller framgång med PPC. Om din landningssida inte är väloptimerad spelar det ingen roll hur bra dina annonser är - dina resultat kommer fortfarande att vara begränsade.

För att få de största förbättringarna rekommenderar jag att du börjar med layout- och formulärtester eftersom dessa kan bidra till de mest betydande förbättringarna av konverteringsgraden. Till exempel såg detta kreditkortsföretag en 17% ökning av konverteringsfrekvensen efter att ha optimerat sitt formulär.

Överväg sedan att matcha annonser mot meddelanden och testa rubriker för att förbättra flödet från annons till konvertering.

3. Kreativ testning

Enligt Nielsen bidrar den kreativa kvaliteten till 49 % av merförsäljningen och är den mest avgörande faktorn för reklamens effektivitet. Det är därför jag alltid rekommenderar att man gör högfrekventa kreativa tester i kanaler som är kreativa från början, t.ex. Facebook och TikTok. Det var också en starkt bidragande orsak till att min kund ökade sina bokningar med 54 % på bara 6 månader.

För de största förbättringarna rekommenderar jag att du testar layoutändringar, meddelanden och UGC-innehåll.

4. Riktad testning

Inriktningstestning är ännu en idé som jag rekommenderar att du testar för de högsta potentiella upplyftningarna. Som nämnts i avsnittet "Vad kan du A/B-testa" kan dessa inkludera nya nyckelord, smal inriktning kontra bred och lookalikes kontra sparade målgrupper.

Du kanske till exempel vill testa en separat kampanj med långa sökord jämfört med en med korta sökord för att se om du kan förbättra budgetkontrollen och minska din CPA.

För detta rekommenderar jag att du använder ett verktyg som RankTrackers Keyword Finder för att få mer avancerade sökordsförslag och filtrering än du skulle få med Google Keyword Planner.

keyword finder

5. Testning av budgivning

A/B-testning av budstrategier kan vara ett kraftfullt sätt att optimera dina PPC-resultat. Detta kan avslöja om dina nuvarande bud är för höga eller låga, om du optimerar för de mest värdefulla kunderna eller inte, och om det är bäst att gå efter det högsta antalet konverteringar (kvalitet) kontra det högsta konverteringsvärdet (kvantitet).

Du kan t.ex. testa att öka dina mål-CPA-gränser med 30-50 % för att se om du går miste om klick som kan leda till konverteringar, eller minska din mål-ROAS med 25 % för att generera en högre volym konverteringar under en period med hög konkurrens (t.ex. Black Friday).

bidding