该楼层疑似违规已被系统折叠 隐藏此楼查看此楼
• 收集数据:对产品进行数据分析可以让我们发现问题从而找到需要优化的方向。首先我们需要收集数据,可以从站点或APP高流量的区域开始,这有助于我们快速发现问题的关键所在。同时我们需要寻找能够改进的低转化率和高流失率的页面。
• 确定目标:我们的转换目标是用来衡量更新版是否比原始版用户体验更好,更成功的标准。目标可以是任何东西,如点击一个按钮、链接到产品购买或者完成注册等。
• 生成假设:一旦明确了目标,我们就可以生成A/B测试的假设,这个假设用来解释为什么我们觉得更新版比原始版更好。在有了这个假设清单之后,我们可以按照预期的结果和实施难度来按顺序进行测试。
• 创建变化:有了前面几步之后,我们就可以对我们的网站或APP做出期望的改变,设计出迭代方案,这些改变可以是按钮的颜色、页面元素的顺序交换、隐藏导航或者完全重新布局的东西。我们创建的这些变化要确保它们符合我们的预期目标。
• 运行实验:启动我们的实验,等待用户参与。在这一步,我们网站或APP的用户会被随机分配到控制组和测试组,用户每一步的操作都会被纪录采集,计算和比较,以确定控制组和测试组在每一项改变上的表现。
• 分析结果:实验完成之后就是结果分析。A/B测试会显示实验数据,并告诉我们两个版本的用户行为是否存在显著差异。
• 发布最佳版本:如果测试组的行为达到了我们的预期目标,那么我们就可以继续根据A/B测试结果进一步改进产品。反之,也不必气馁,我们可以把此次测试作为经验并且生成新的假设然后继续测试。
目前市面上的大部分A/B测试工具均不支持对流量进行计划分配即流量分配策略(一般为随机分配)。这样得到的测试结果,不仅不能真实的反映出目标核心用户的喜好还有可能给产品经理造成误导,对产品改进方向做出误判。在这推荐用户行为分析工具Cobub Razor,它可以帮我们准确的识别用户属性,从而为A/B测试提供流量分配策略,保证流量分配的科学性,试验结果的可信性。此外Cobub还提供了实验目标指标的实时监控及数据分析,我们可以根据分析结果实时优化调整流量策略,助力形成产品优化的闭环。