许多公司在开始实验时常犯的错误

[nurnobi40]

基于数据做出决策是基础，但并非每家公司都真正将其融入日常工作中。要做出真正基于指标和科学证据的选择，您需要依靠实验或 A/B 测试。

尽管我们的直觉和经验可以用来创建假设，但只有当我们测试它们时才能证明它们。现在，你正确地使用实验了吗？这非常重要，因为如果测试不可靠，您的结果也不可靠。

因此，请看下面公司在开始排练进入实验世界时通常会犯的一些错误。

尽早完成 A/B 测试
这是一个典型的错误，是由于担心立即知 奥地利手机号码列表 道测试结果而引起的。场景几乎总是如下：

公司推出变量
不久之后，您意识到该变量带来了转化率的提高
无需进一步分析，就宣布该变量为获胜者......
……存在着巨大的风险，即这种增长纯粹是运气。
为了避免这种风险，我们需要计算所谓的统计显着性。此计算有助于发现结果实际上证明该变量会提高转化率的机会有多大。

如果没有 95% 的最低统计显着性，实施变革可能会非常危险。

在没有足够流量的情况下执行 A/B 测试
另一个非常常见的错误是在没有足够流量的情况下运行测试，这与统计显着性密切相关。在开始投资实验之前，请评估您的接口是否具有可用于 A/B 测试的流量 - 使用显着性计算器确认这一点。

如果您发现您的界面尚未准备好进行实验，那么最好首先投资于吸引力。一些可以帮助解决此问题的内容：

PPC 和 CRO 集成指南
7 个搜索引擎优化工具
A/B 测试不基于有充分根据的假设
如果您正在测试“最佳颜色”是什么，请立即停止。像这样测试可能永远不会达到统计显着性的假设是浪费时间。假设必须有充分的依据，最好是通过对界面和用户的深入研究。当尝试了解您的受众以及他们与您公司的网站或应用程序交互的方式时，您可能会发现很有可能赢得测试的假设。

这里我们有一个清单，其中包含您可以用来发现假设的所有类型的诊断。下载：

第一次测试失败后放弃
我什至有点不确定是否应该使用“失败”这个词。如果 A/B 测试表明该变量没有带来更好的结果，您仍然可以从中学习。您将了解什么对您的用户体验不起作用，并知道如何将所学到的知识应用到未来的场景中。

然而，重要的是要有一个系统来保存这些知识。拥有某种形式的积压工作至关重要，这样其他团队成员每次创建新的实验想法时都可以查阅它。

请参阅我们在 Lokamig 网站上所做的示例。总共有 5 项测试，其中一项是我们创建的两个变量之间的竞争。到这里就一步步了解了。

没有将实验作为常规
实验是例行公事。有必要经常、定期地思考数据和假设。只有这样，公司才有基础产生真正的、持续的成果。