ਲਾਭ:
- A/B ਟੈਸਟਿੰਗ, ਨਿਯੰਤਰਣ/ਵੇਰੀਏਂਟ, ਪਰਿਵਰਤਨ ਦਰ ਅਤੇ ਅੰਕੜਾ ਮਹੱਤਵ ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਪਰਿਕਲਪਨਾ ਅਤੇ ਟੈਸਟ ਡਿਜ਼ਾਈਨ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
- ਟੈਸਟ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਸਹਾਇਤਾ ਨਾਲ ਵੇਰੀਐਂਟ ਟੈਕਸਟ/ਚਿੱਤਰ ਅਤੇ ਮਾਪ ਯੋਜਨਾ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਅਤੇ ਮਹੱਤਤਾ ਅਤੇ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ/ਗਲਤ ਨਤੀਜਿਆਂ ਨੂੰ ਪੜ੍ਹਨ ਦੇ ਜੋਖਮ ਦੁਆਰਾ ਸੀਮਿਤ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਟੈਸਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਯੋਗਤਾ
ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਵਿਚ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਵਾਕ ਹੈ "ਮੈਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਇਹ ਬਿਹਤਰ ਹੈ." ਡੇਟਾ, ਰਾਏ ਨਹੀਂ, ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਸਿਰਲੇਖ, ਇੱਕ ਚਿੱਤਰ, ਜਾਂ ਇੱਕ ਬਟਨ ਅਸਲ ਵਿੱਚ ਬਿਹਤਰ ਹੈ। ਇਸ ਨੂੰ ਮਾਪਣ ਦਾ ਸਭ ਤੋਂ ਆਮ ਤਰੀਕਾ ਹੈ A/B ਟੈਸਟਿੰਗ: ਅਸਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇੱਕੋ ਵਿਗਿਆਪਨ ਦੇ ਦੋ (ਜਾਂ ਵੱਧ) ਸੰਸਕਰਣ ਦਿਖਾਉਣਾ ਅਤੇ ਤੁਲਨਾ ਕਰਨਾ ਕਿ ਕਿਹੜਾ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। "ਏ" ਆਮ ਤੌਰ 'ਤੇ ਮੌਜੂਦਾ ਸੰਸਕਰਣ (ਨਿਯੰਤਰਣ) ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਕਿ "ਬੀ" ਨਵਾਂ ਸੰਸਕਰਣ ਅਜ਼ਮਾਇਆ ਜਾ ਰਿਹਾ ਹੈ (ਵੇਰੀਏਂਟ)। ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਸਿਰਫ਼ ਉਸੇ ਵਿਗਿਆਪਨ ਵਿੱਚ ਸਿਰਲੇਖ ਬਦਲ ਸਕਦੇ ਹੋ ਅਤੇ ਮਾਪ ਸਕਦੇ ਹੋ ਕਿ ਕਿਹੜਾ ਸਿਰਲੇਖ ਜ਼ਿਆਦਾ ਕਲਿੱਕ ਕੀਤਾ ਗਿਆ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਰੂਪਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ; ਪਰ ਟੈਸਟ ਦੀ ਵਿਗਿਆਨਕ ਵੈਧਤਾ ਡਿਜ਼ਾਈਨ ਨਿਯਮਾਂ ਅਤੇ ਧੀਰਜ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
A/B ਟੈਸਟਿੰਗ ਦਾ ਸੁਨਹਿਰੀ ਨਿਯਮ: ਇੱਕ ਵੇਰੀਏਬਲ
A/B ਟੈਸਟਿੰਗ ਦਾ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਨਿਯਮ ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕਰਨਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕੋ ਸਮੇਂ ਸਿਰਲੇਖ, ਚਿੱਤਰ ਅਤੇ ਬਟਨ ਨੂੰ ਬਦਲਦੇ ਹੋ ਅਤੇ ਸੰਸਕਰਣ B ਜਿੱਤਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਕਦੇ ਨਹੀਂ ਪਤਾ ਹੋਵੇਗਾ ਕਿ ਕੀ ਜਿੱਤਿਆ। ਇਸ ਲਈ ਇੱਕ ਟੈਸਟ ਵਿੱਚ ਸਿਰਫ ਇੱਕ ਤੱਤ ਨੂੰ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ, ਬਾਕੀ ਸਥਿਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕੋ ਸਮੇਂ ਅਤੇ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਇੱਕ ਤੋਂ ਵੱਧ ਆਈਟਮਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਸ ਨੂੰ ਮਲਟੀਵੈਰੀਏਟ ਟੈਸਟਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ ਲਈ ਬਹੁਤ ਵੱਡੇ ਨਮੂਨੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਯੂਨੀਵੇਰਿਏਟ ਏ/ਬੀ ਟੈਸਟਿੰਗ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਤਰੀਕਾ ਹੈ।
ਦੂਜਾ ਮੂਲ ਸੰਕਲਪ ਅੰਕੜਾ ਮਹੱਤਵ ਹੈ। ਦੱਸ ਦੇਈਏ ਕਿ ਵਰਜਨ ਏ ਨੂੰ 3 ਫੀਸਦੀ ਕਲਿਕਸ ਮਿਲੇ ਹਨ ਅਤੇ ਵਰਜਨ ਬੀ ਨੂੰ 3.3 ਫੀਸਦੀ ਕਲਿਕਸ ਮਿਲੇ ਹਨ। ਕੀ ਇਹ ਅੰਤਰ ਅਸਲ ਫਾਇਦਾ ਹੈ ਜਾਂ ਫਲੂਕ? ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ 100 ਲੋਕਾਂ ਨੂੰ ਟੈਸਟ ਦਿਖਾਇਆ ਹੈ, ਤਾਂ ਇਹ ਅੰਤਰ ਇਤਫ਼ਾਕ ਹੋ ਸਕਦਾ ਹੈ। ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਦੇਖਿਆ ਗਿਆ ਅੰਤਰ ਮੌਕਾ ਦੇ ਕਾਰਨ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ (ਅਰਥਾਤ, ਅੰਤਰ ਸ਼ਾਇਦ ਅਸਲ ਹੈ)। ਇਸ ਲਈ ਲੋੜੀਂਦੇ ਨਮੂਨੇ ਦਾ ਆਕਾਰ (ਟੈਸਟ ਦੇਖਣ ਵਾਲੇ ਲੋਕਾਂ ਦੀ ਗਿਣਤੀ) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਥੋੜ੍ਹੇ ਜਿਹੇ ਡੇਟਾ ਦੇ ਨਾਲ "ਜੇਤੂ" ਘੋਸ਼ਿਤ ਕਰਨਾ ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਮਹਿੰਗੀ ਗਲਤੀ ਹੈ।
ਨੁਕਤਾ: ਟੈਸਟ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, "ਮੈਂ ਜੇਤੂ ਦਾ ਐਲਾਨ ਕਦੋਂ ਕਰਾਂਗਾ" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ: ਕਿੰਨੇ ਲੋਕ/ਪਰਿਵਰਤਨ ਤੋਂ ਬਾਅਦ, ਕਿਸ ਮਹੱਤਵ ਦੇ ਪੱਧਰ 'ਤੇ। ਇਹ ਫੈਸਲਾ ਪਹਿਲਾਂ ਹੀ ਕਰਨਾ ਤੁਹਾਨੂੰ ਪਹਿਲੇ ਘੰਟਿਆਂ ਵਿੱਚ ਰੌਲੇ-ਰੱਪੇ ਵਿੱਚ ਫਸਣ ਅਤੇ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਫੈਸਲਾ ਲੈਣ ਤੋਂ ਰੋਕਦਾ ਹੈ।
ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਚੰਗੇ ਅਤੇ ਮਾੜੇ A/B ਟੈਸਟ ਡਿਜ਼ਾਈਨ ਦੀ ਤੁਲਨਾ ਕਰਦੀ ਹੈ:
ਆਈਟਮ
ਖਰਾਬ ਡਿਜ਼ਾਈਨ
ਵਧੀਆ ਡਿਜ਼ਾਈਨ
ਵੇਰੀਏਬਲ ਦੀ ਸੰਖਿਆ
ਸਿਰਲੇਖ + ਚਿੱਤਰ + ਬਟਨ ਇਕੱਠੇ
ਸਿਰਫ਼ ਸਿਰਲੇਖ
ਪਰਿਕਲਪਨਾ
(ਕੋਈ ਨਹੀਂ) "ਆਓ ਦੇਖੀਏ ਕੀ ਹੁੰਦਾ ਹੈ"
"ਸਵਾਲਾਂ ਵਾਲੇ ਸਿਰਲੇਖ ਕਲਿੱਕਾਂ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ"
ਨਮੂਨਾ
80 ਲੋਕ
ਪੂਰਵ-ਗਣਨਾ ਕੀਤਾ ਕੋਰਮ
ਫੈਸਲੇ ਦਾ ਸਮਾਂ
2 ਘੰਟੇ ਬਾਅਦ
ਜਦੋਂ ਤੁਸੀਂ ਮਹੱਤਵ 'ਤੇ ਪਹੁੰਚ ਜਾਂਦੇ ਹੋ
ਜੇਤੂ ਚੋਣ
"ਮੈਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਬੀ ਵਧੀਆ ਹੈ"
ਡਾਟਾ ਅਤੇ ਮਹੱਤਤਾ ਦੇ ਆਧਾਰ 'ਤੇ
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ A/B ਟੈਸਟ ਸਥਾਪਤ ਕਰਨਾ
ਕਦਮ 1 - ਇੱਕ ਅਨੁਮਾਨ ਲਿਖੋ। ਤੁਸੀਂ ਕੀ ਟੈਸਟ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਕਿਉਂ? ਇੱਕ ਸਪਸ਼ਟ ਪਰਿਕਲਪਨਾ ਜਿਵੇਂ "ਫਾਇਦਿਆਂ ਵਾਲੀ ਇੱਕ ਸਿਰਲੇਖ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੀ ਇੱਕ ਸਿਰਲੇਖ ਨਾਲੋਂ ਵਧੇਰੇ ਕਲਿੱਕ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ।"
ਕਦਮ 2 - ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਚੁਣੋ। ਸਿਰਫ਼ ਸਿਰਲੇਖ, ਜਾਂ ਸਿਰਫ਼ ਚਿੱਤਰ, ਜਾਂ ਸਿਰਫ਼ CTA।
ਕਦਮ 3 — ਵੇਰੀਐਂਟ ਤਿਆਰ ਕਰੋ। AI ਨਾਲ ਇੱਕੋ ਆਈਟਮ ਦੇ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣ ਬਣਾਓ; ਬਾਕੀ ਨੂੰ ਸਥਿਰ ਰੱਖੋ।
ਕਦਮ 4 - ਇੱਕ ਮਾਪ ਯੋਜਨਾ ਸੈਟ ਅਪ ਕਰੋ। ਕਿਹੜਾ ਮੈਟ੍ਰਿਕ ਵਿਜੇਤਾ (ਕਲਿਕ-ਥਰੂ ਦਰ, ਪਰਿਵਰਤਨ) ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੇਗਾ, ਕਿੰਨੇ ਨਮੂਨੇ ਦੀ ਲੋੜ ਹੈ, ਕਿੰਨੀ ਦੇਰ ਤੱਕ ਚੱਲਣਾ ਹੈ.
ਕਦਮ 5 - ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ। ਕੀ ਕਾਫ਼ੀ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ, ਕੀ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ? ਜੇ ਇਹ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ, ਤਾਂ "ਕੋਈ ਫਰਕ ਨਹੀਂ" ਵੀ ਇੱਕ ਜਾਇਜ਼ ਨਤੀਜਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਦੀ ਸਪਸ਼ਟਤਾ। ਇੱਕ ਈ-ਕਾਮਰਸ ਬ੍ਰਾਂਡ ਨੇ ਆਪਣੇ ਉਤਪਾਦ ਵਿਗਿਆਪਨ ਵਿੱਚ ਸਿਰਫ਼ CTA ਦੀ ਜਾਂਚ ਕੀਤੀ: "ਖਰੀਦੋ" ਅਤੇ "ਕਾਰਟ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ।" ਬਾਕੀ ਸਭ ਕੁਝ ਉਹੀ ਸੀ। ਕਾਫ਼ੀ ਨਮੂਨੇ ਲੈਣ ਤੋਂ ਬਾਅਦ, "ਕਾਰਟ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ" ਨੇ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਉੱਚ ਰੂਪਾਂਤਰਨ ਲਿਆਏ। ਅੰਤਰ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕੀਤਾ ਗਿਆ ਸੀ। AI ਨੇ ਦੋ CTAs ਤਿਆਰ ਕੀਤੇ, ਡੇਟਾ ਨੇ ਜੇਤੂ ਚੁਣਿਆ।
ਕੇਸ 2 - ਛੇਤੀ ਫੈਸਲੇ ਦਾ ਜਾਲ। ਇੱਕ ਬ੍ਰਾਂਡ ਨੇ ਟੈਸਟ ਬੰਦ ਕਰ ਦਿੱਤਾ ਕਿਉਂਕਿ ਸੰਸਕਰਣ B A/B ਟੈਸਟ ਦੇ ਪਹਿਲੇ 3 ਘੰਟਿਆਂ ਵਿੱਚ ਅੱਗੇ ਸੀ ਅਤੇ B ਨੂੰ ਪੂਰੇ ਬਜਟ ਵਿੱਚ ਖੋਲ੍ਹਿਆ ਗਿਆ ਸੀ। ਅਗਲੇ ਦਿਨ ਕੁੱਲ ਡੇਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, A ਅਸਲ ਵਿੱਚ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਸੀ; ਪਹਿਲੇ ਘੰਟਿਆਂ ਵਿੱਚ ਅੰਤਰ ਇਤਫ਼ਾਕ ਸੀ। ਬਜਟ ਬਰਬਾਦ ਹੋ ਗਿਆ। ਗਲਤੀ: ਨਾਕਾਫ਼ੀ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੇ ਨਾਲ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਫੈਸਲਾ ਲੈਣਾ।
ਕੇਸ 3 - "ਕੋਈ ਫਰਕ ਨਹੀਂ" ਵੀ ਸਿੱਟਾ ਹੈ। ਇੱਕ ਬ੍ਰਾਂਡ ਨੇ ਦੋ ਵੱਖੋ-ਵੱਖਰੇ ਚਿੱਤਰਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਅਤੇ ਕਾਫ਼ੀ ਨਮੂਨੇ ਲੈਣ ਤੋਂ ਬਾਅਦ, ਉਹਨਾਂ ਦੋਵਾਂ ਨੇ ਲਗਭਗ ਇੱਕੋ ਨਤੀਜਾ ਲਿਆ. ਜਦੋਂ ਟੀਮ "ਟੈਸਟ ਫੇਲ੍ਹ" ਹੋਣ 'ਤੇ ਅਫ਼ਸੋਸ ਕਰਨ ਵਾਲੀ ਸੀ, ਤਾਂ ਸਹੀ ਰੀਡਿੰਗ ਇਹ ਸੀ ਕਿ ਚਿੱਤਰ ਇਸ ਮੁਹਿੰਮ ਵਿੱਚ ਨਿਰਣਾਇਕ ਕਾਰਕ ਨਹੀਂ ਹੈ, ਇਸ ਲਈ ਕੋਸ਼ਿਸ਼ ਨੂੰ ਸਿਰਲੇਖ ਅਤੇ ਪੇਸ਼ਕਸ਼ ਵੱਲ ਸੇਧਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਤੱਥ ਕਿ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ ਮਿਲਿਆ ਇਹ ਵੀ ਕੀਮਤੀ ਜਾਣਕਾਰੀ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਕਲਪਨਾ ਅਤੇ ਟੈਸਟ ਡਿਜ਼ਾਈਨ:
ਮੈਂ ਕੀ ਟੈਸਟ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ: [ਜਿਵੇਂ. ad ਦਾ ਸਿਰਲੇਖ]।ਟਾਸਕ: (1) ਇੱਕ ਟੈਸਟ ਕਰਨ ਯੋਗ ਪਰਿਕਲਪਨਾ ਲਿਖੋ ("... ਵਧਦਾ ਹੈ ... ਵਧਦਾ ਹੈ" ਦੇ ਰੂਪ ਵਿੱਚ)। (2) ਅਲੱਗ ਕਰਨ ਲਈ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ ਸਥਿਰ ਰੱਖਣ ਵਾਲੇ। (3) ਮੈਟ੍ਰਿਕ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਵਿਜੇਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੇਗਾ (ਕਲਿਕ-ਥਰੂ ਦਰ/ਪਰਿਵਰਤਨ)। (4) ਲਿਖੋ ਕਿ ਮੈਨੂੰ ਕੀ ਚਾਹੀਦਾ ਹੈ, ਜੋਖਿਮ ਦੀ ਜਾਂਚ ਵੱਲ ਧਿਆਨ ਦੇਣ ਲਈ, ਫੈਸਲਾ ਲੈਣ ਲਈ ਛੇਤੀ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ।
2) ਵੇਰੀਐਂਟ ਜਨਰੇਟਰ (ਸਿੰਗਲ ਵੇਰੀਐਂਟ):
ਸਟਿੱਕੀ ਵਿਗਿਆਪਨ: ਚਿੱਤਰ [ਇੱਕੋ], CTA [ਉਹੀ], ਨਿਸ਼ਾਨਾ [ਉਹੀ]। ਵੇਰੀਏਬਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ: HEADLINE। ਮੁੱਖ ਸੁਨੇਹਾ: "[ਸੰਦੇਸ਼]"। ਟਾਸਕ: ਇੱਕੋ ਸੁਨੇਹੇ ਨਾਲ 4 ਵੱਖ-ਵੱਖ ਸਿਰਲੇਖ ਰੂਪ ਤਿਆਰ ਕਰੋ। ਹਰ ਇੱਕ ਵੱਖਰੀ ਪਹੁੰਚ (ਪ੍ਰਸ਼ਨ, ਲਾਭ, ਨੰਬਰ, ਜ਼ਰੂਰੀ) ਵਰਤਦਾ ਹੈ। ਸਿਰਫ਼ ਸਿਰਲੇਖ ਬਦਲਦਾ ਹੈ; ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਦਾਅਵਾ ਸ਼ਾਮਲ ਕਰਨਾ।
3) ਮਾਪ ਯੋਜਨਾ:
ਟੈਸਟ: [ਏ ਅਤੇ ਬੀ ਦੀ ਪਰਿਭਾਸ਼ਾ]। ਮੈਟ੍ਰਿਕ: [ਕਲਿੱਕ/ਪਰਿਵਰਤਨ]।ਟਾਸਕ: ਇੱਕ ਮਾਪ ਯੋਜਨਾ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ: (1) ਕਿਹੜਾ ਮੈਟ੍ਰਿਕ ਪ੍ਰਾਇਮਰੀ ਹੈ, ਜੋ ਸੈਕੰਡਰੀ ਹੈ, (2) ਜੇਤੂ ਘੋਸ਼ਿਤ ਕਰਨ ਲਈ ਕਿੰਨਾ ਡੇਟਾ/ਸਮਾਂ ਚਾਹੀਦਾ ਹੈ (ਤਰਕ ਸਮਝਾਓ), (3) A ਅਤੇ B ਵਿਚਕਾਰ ਆਵਾਜਾਈ ਨੂੰ ਬਰਾਬਰ ਅਤੇ ਨਿਰਪੱਖ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਵੰਡਣਾ ਹੈ, (4) ਕਿਹੜੇ ਬਾਹਰੀ ਕਾਰਕ ਇੱਕ ਦਿਨ ਦੇ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਇੱਕ ਦਿਨ ਦੇ ਟੂਲ ਨੂੰ ਵਿਗਾੜ ਸਕਦੇ ਹਨ। ਸਹੀ ਅੰਕੜਿਆਂ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ।
4) ਨਤੀਜਾ ਦੁਭਾਸ਼ੀਏ (ਸਾਵਧਾਨ):
ਮੇਰੇ A/B ਟੈਸਟ ਦੇ ਨਤੀਜੇ (ਅਸਲ ਡਾਟਾ): [A: ਪ੍ਰਭਾਵ/ਕਲਿਕ/ਪਰਿਵਰਤਨ],[B: ਛਾਪੇ/ਕਲਿਕ/ਪਰਿਵਰਤਨ]।ਟਾਸਕ: (1) ਹਰੇਕ ਸੰਸਕਰਣ ਦੀਆਂ ਦਰਾਂ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰੋ। (2) ਅੰਤਰ ਦੀ ਤੀਬਰਤਾ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ, ਪਰ ਜੇਕਰ ਨਮੂਨਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਤਾਂ ਕਹੋ "ਨਾਕਾਫ਼ੀ ਨਤੀਜੇ ਵਾਲੇ ਡੇਟਾ" ਦਾ ਅਰਥ ਹੈ ਜੋਖਿਮ (3) ਲਈ ਦੁਬਾਰਾ। ਅਚਨਚੇਤੀ/ਗਲਤ ਪੜ੍ਹਨਾ। ਮਹੱਤਤਾ ਦਾ ਕੋਈ ਨਿਸ਼ਚਿਤ ਦਾਅਵਾ ਨਾ ਕਰੋ; ਮੈਂ ਇੱਕ ਵੱਖਰੇ ਖਾਤਾ ਟੂਲ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰਾਂਗਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੇਰੇ ਵਿਗਿਆਪਨ ਲਈ A ਅਤੇ B ਸੰਸਕਰਣ ਤਿਆਰ ਕਰੋ, ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕਿਹੜਾ ਬਿਹਤਰ ਹੈ।
ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਕੋਈ ਅਨੁਮਾਨ ਅਤੇ ਮਾਪ ਨਹੀਂ ਹੈ; AI ਇਹ ਨਹੀਂ ਜਾਣ ਸਕਦਾ ਕਿ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ ਕਿਹੜਾ "ਚੰਗਾ" ਹੈ, ਇਹ ਇਸਨੂੰ ਬਣਾਉਂਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਮੈਂ A/B ਟੈਸਟਿੰਗ ਸੈੱਟਅੱਪ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਸਥਿਰ: ਚਿੱਤਰ ਅਤੇ CTA ਇੱਕੋ ਜਿਹੇ ਰਹਿਣਗੇ। ਸਿਰਫ਼ ਵੇਰੀਏਬਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ: ਵਿਗਿਆਪਨ ਸਿਰਲੇਖ। ਕਲਪਨਾ: "ਸੰਖਿਆਵਾਂ ਵਾਲੀ ਹੈੱਡਲਾਈਨ ਨੂੰ ਆਮ ਸਿਰਲੇਖ ਨਾਲੋਂ ਵੱਧ ਕਲਿੱਕ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ।" ਮੁੱਖ ਸੁਨੇਹਾ: "3 ਦਿਨਾਂ ਵਿੱਚ ਡਿਲੀਵਰ ਕੀਤਾ ਗਿਆ।" ਕਾਰਜ: (1) ਨਿਯੰਤਰਣ ਲਈ 1 ਆਮ ਸਿਰਲੇਖ ਤਿਆਰ ਕਰੋ, ਵੇਰੀਐਂਟ ਲਈ ਨੰਬਰਾਂ ਦੇ ਨਾਲ 3 ਹੈੱਡਲਾਈਨ ਤਿਆਰ ਕਰੋ। ਮੈਨੂੰ 3 ਗਲਤੀਆਂ ਦੀ ਯਾਦ ਦਿਵਾਓ ਜੋ ਟੈਸਟ ਨੂੰ ਅਯੋਗ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਭਵਿੱਖਬਾਣੀ ਨਾ ਕਰੋ ਕਿ ਕਿਹੜਾ ਜਿੱਤੇਗਾ; ਡੇਟਾ ਇਸ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੇਗਾ।
ਦੂਜਾ ਦਾਅਵਾ ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਅਨੁਮਾਨ ਅਤੇ ਮਾਪ ਸ਼ਾਮਲ ਹੈ; ਵਿਜੇਤਾ ਨੂੰ ਡੇਟਾ 'ਤੇ ਛੱਡਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਇੱਕ ਵਾਰ ਵਿੱਚ ਕਈ ਆਈਟਮਾਂ ਨੂੰ ਬਦਲਣਾ। ਜੇਤੂ ਦਾ ਕਾਰਨ ਅਸਪਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ; ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਨਾਕਾਫ਼ੀ ਨਮੂਨਿਆਂ ਨਾਲ ਫੈਸਲੇ ਲੈਣਾ। ਪਹਿਲੇ ਘੰਟਿਆਂ ਵਿੱਚ ਅੰਤਰ ਅਕਸਰ ਇਤਫ਼ਾਕ ਨਾਲ ਹੁੰਦਾ ਹੈ।
- ਅਨੁਮਾਨਾਂ ਤੋਂ ਬਿਨਾਂ ਟੈਸਟਿੰਗ. “ਆਓ ਦੇਖੀਏ ਕੀ ਹੁੰਦਾ ਹੈ” ਟੈਸਟਿੰਗ ਸਿੱਖਣ ਪੈਦਾ ਨਹੀਂ ਕਰਦੀ; ਪਹਿਲਾਂ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਕੀ ਉਮੀਦ ਕਰਦੇ ਹੋ.
- ਨਤੀਜਾ "ਕੋਈ ਫਰਕ ਨਹੀਂ" ਨੂੰ ਅਸਫਲਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਗਲਤ ਕਰਨਾ. ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਦੀ ਘਾਟ ਵੀ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਹੈ।
- ਸੁਆਦ ਦੇ ਆਧਾਰ 'ਤੇ ਜੇਤੂ ਦੀ ਚੋਣ. ਟੈਸਟਿੰਗ ਨਿਜੀ ਸਵਾਦ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਬਿਲਕੁਲ ਸਹੀ ਹੈ; ਡਾਟਾ ਦੀ ਪਾਲਣਾ ਕਰੋ.
- ਬਾਹਰੀ ਕਾਰਕਾਂ ਨੂੰ ਭੁੱਲਣਾ. ਸੀਜ਼ਨ, ਮੁਹਿੰਮ ਦਾ ਦਿਨ, ਖ਼ਬਰਾਂ ਦਾ ਪ੍ਰਵਾਹ ਨਤੀਜੇ ਨੂੰ ਵਿਗਾੜ ਸਕਦਾ ਹੈ; ਟੈਸਟਿੰਗ ਹਾਲਤਾਂ ਨੂੰ ਨਿਰਪੱਖ ਰੱਖੋ।
ਧਿਆਨ ਦਿਓ: A/B ਟੈਸਟਿੰਗ ਦਾ ਉਦੇਸ਼ "ਜਿੱਤਣਾ" ਨਹੀਂ ਬਲਕਿ ਸਿੱਖਣਾ ਹੈ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਰੂਪ ਗੁਆਉਣਾ ਵੀ ਕੀਮਤੀ ਜਾਣਕਾਰੀ ਹੈ; ਅਸਲ ਨੁਕਸਾਨ ਨਾਕਾਫ਼ੀ ਡੇਟਾ ਦੇ ਨਾਲ ਗਲਤ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਅਤੇ ਬਜਟ ਨੂੰ ਇਸ ਨਾਲ ਜੋੜਨਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
A/B ਟੈਸਟਿੰਗ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਧੀ ਹੈ ਜੋ ਵਿਗਿਆਪਨ ਦੇ ਫੈਸਲਿਆਂ ਨੂੰ ਵਿਚਾਰ ਤੋਂ ਡੇਟਾ ਤੱਕ ਲੈ ਜਾਂਦੀ ਹੈ। ਸੁਨਹਿਰੀ ਨਿਯਮ ਇੱਕ ਸਿੰਗਲ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕਰਨਾ ਹੈ: ਇੱਕ ਟੈਸਟ ਵਿੱਚ ਸਿਰਫ ਇੱਕ ਤੱਤ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ, ਬਾਕੀ ਸਥਿਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਦੂਜਾ ਥੰਮ੍ਹ ਕਾਫ਼ੀ ਨਮੂਨਾ ਅਤੇ ਅੰਕੜਾ ਮਹੱਤਵ ਹੈ; ਥੋੜ੍ਹੇ ਜਿਹੇ ਡੇਟਾ ਨਾਲ ਵਿਜੇਤਾ ਘੋਸ਼ਿਤ ਕਰਨਾ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ ਹੈ। AI ਕਈ ਰੂਪਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਔਕੜਾਂ ਦੀ ਗਣਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ, ਪਰ ਡੇਟਾ ਵਿਜੇਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ, AI ਨੂੰ ਨਹੀਂ। ਇੱਥੋਂ ਤੱਕ ਕਿ "ਕੋਈ ਫਰਕ ਨਹੀਂ" ਨਤੀਜਾ ਇੱਕ ਸਿੱਖਿਆ ਹੈ. ਪਰੀਖਿਆ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਅਨੁਮਾਨ, ਮੈਟ੍ਰਿਕ ਅਤੇ ਫੈਸਲੇ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਲਿਖੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਰਚਨਾਤਮਕ (ਸਿਰਲੇਖ, ਚਿੱਤਰ ਜਾਂ CTA) ਚੁਣੋ। (1) "ਹਾਇਪੋਥੀਸਿਸ ਅਤੇ ਟੈਸਟ ਡਿਜ਼ਾਈਨ" ਦੇ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਟੈਸਟੇਬਲ ਹਾਈਪੋਥੀਸਿਸ ਅਤੇ ਆਈਸੋਲੇਟਿਡ ਵੇਰੀਏਬਲ ਲਿਖੋ। (2) "ਵੇਰੀਐਂਟ ਜਨਰੇਟਰ" ਨਾਲ 1 ਕੰਟਰੋਲ + 3 ਵੇਰੀਐਂਟ ਤਿਆਰ ਕਰੋ; ਬਸ ਉਸ ਤੱਤ ਨੂੰ ਬਦਲੋ. (3) ਯੋਜਨਾ ਬਣਾਓ ਕਿ ਤੁਸੀਂ "ਮਾਪ ਯੋਜਨਾ" ਦੇ ਨਾਲ, ਕਿੰਨੀ ਦੇਰ ਲਈ ਅਤੇ ਕਿਹੜੇ ਡੇਟਾ ਦੇ ਨਾਲ, ਤੁਸੀਂ ਕਿਸ ਮੈਟ੍ਰਿਕ ਨੂੰ ਦੇਖੋਗੇ। (4) ਵਿਜੇਤਾ ਦੀ ਘੋਸ਼ਣਾ ਕਰਨ ਲਈ ਆਪਣੀ ਥ੍ਰੈਸ਼ਹੋਲਡ (ਕਿੰਨੇ ਪਰਿਵਰਤਨ / ਕੀ ਮਹੱਤਵ) ਪਹਿਲਾਂ ਹੀ ਲਿਖੋ। (5) ਇੱਕ "ਨਤੀਜਾ ਦੁਭਾਸ਼ੀਏ" ਨਾਲ ਕਲਪਨਾਤਮਕ ਨਤੀਜਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਤੁਸੀਂ ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਫੈਸਲਾ ਕਿਉਂ ਨਹੀਂ ਕਰੋਗੇ ਜਿੱਥੇ ਡੇਟਾ ਨਾਕਾਫ਼ੀ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਟੈਸਟ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਵੇਰੀਏਬਲ ਨੂੰ ਅਲੱਗ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਟੈਸਟ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਪਸ਼ਟ ਅਨੁਮਾਨ ਲਿਖਿਆ ਸੀ।
- ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਵਿਜੇਤਾ ਲਈ ਲੋੜੀਂਦਾ ਨਮੂਨਾ ਅਤੇ ਸਮਾਂ ਨਿਰਧਾਰਤ ਕਰ ਲਿਆ ਹੈ।
- [ ] ਮੈਂ ਵਿਜੇਤਾ ਨੂੰ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਚੁਣਿਆ, ਨਾ ਕਿ ਨਿੱਜੀ ਸਵਾਦ ਦੇ ਆਧਾਰ 'ਤੇ।
- [ ] ਮੈਂ "ਕੋਈ ਫਰਕ ਨਹੀਂ" ਨਤੀਜੇ ਨੂੰ ਵੈਧ ਸਿੱਖਿਆ ਮੰਨਿਆ।
- [ ] ਮੈਂ ਬਾਹਰੀ ਕਾਰਕਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜੋ ਨਤੀਜੇ ਨੂੰ ਵਿਗਾੜ ਸਕਦੇ ਹਨ।