Publicação: 13/03/2019
Área:Marketing Digital
Marketing Digital: O Teste A/B
O teste A/B é muito mais antigo que o marketing digital, mas certamente seu uso se popularizou junto com a aplicação de estratégias de marketing no meio digital.
Sua importância é tal que testes A/B bem aplicados podem potencializar enormemente uma estratégia de marketing na Internet.
O que é o teste A/B
Um teste A/B nada mais é que um experimento em que duas variáveis são comparadas. Em marketing digital, isso pode ser feito colocando dois anúncios de forma aleatória e comparando o retorno de cada um, ou enviando dois e-mails com assuntos diferentes para ver qual é mais aberto.
O teste A/B é hoje tão usado no marketing digital que quase todas as ferramentas mais avançadas na área já incluem recursos para automatizar este tipo de teste. Google Ads, Facebook Ads, Mailchimp e inúmeras outras plataformas permitem que você defina duas ou três opções, que a própria ferramenta já testa e define qual a mais efetiva.
Testar uma ou testar múltiplas variáveis no teste A/B?
Se estamos utilizando um teste A/B de forma pontual, pode ser interessante fazer um teste com inúmeras variáveis entre as duas ou mais opções.
Imagine, por exemplo, uma campanha de e-mail. Ferramentas como o MailChimp permitem que você crie diferentes versões para um teste A/B, e automaticamente escolhem a mais efetiva. Nestes casos, é comum a campanha ser executada em parte no período de teste, digamos 20% dos e-mails sendo enviados alternando entre as duas opções, e o restante na opção vencedora. Neste caso, 80% dos e-mails seguintes seriam enviados conforme a opção vencedora no envio dos primeiros 20%.
Nesta situação, seu objetivo é apenas maximizar o resultado de uma ação pontual. Pode fazer sentido tornar os concorrentes o mais diferente entre si, de forma a aumentar as chances de um ser significativamente melhor que o outro.
A desvantagem desta opção de testar múltiplas variáveis em um teste A/B é que, embora saibamos qual das opções de teste foi vitoriosa, ou seja, se mostrou mais efetiva dado um critério qualquer, ficamos sem saber exatamente porque esta opção é melhor que a outra. Talvez a opção A tenha o melhor título, mas a opção B tenha o melhor texto da mensagem.
A alternativa de testar uma única variável nos dá uma percepção muito mais clara de uma variável específica. Se fizermos um teste A/B com um produto sendo anunciado com apenas um detalhe diferente - por exemplo o título de um e-mail - saberemos, se houver um claro vencedor, que foi exatamente este detalhe diferente que se mostrou superior em uma das alternativas.
Testando variável a variável, podemos nos aproximar da alternativa ideal
Como vimos, para enviar uma campanha pontual por e-mail, uma única ação de e-mail marketing pode se beneficiar de um teste A/B geral, seguindo a lógica que a alternativa que for mais bem sucedida durante o teste será a utilizada pelo restante da base.
Para outras situações, porém, talvez seja mais interessante a realização de um conjunto de testes A/B visando otimizar todas as variáveis envolvidas.
Vamos explicar com um exemplo de um anúncio no GOogle Ads. Você pode testar o texto do anúncio, a segmentação de público, diferentes versões de landing pages. Só que você pode também testar todas as variáveis em busca do anúncio ideal através de um conjunto de testes A/B (ou mesmo de um único teste A/B com todas as combinações de variáveis).
Neste cenário, imagine que primeiro você teste entre duas ou mais opções de texto de anúncio, visando determinar a melhor alternativa. Após, você faça um teste com a melhor opção de texto, mas testando diferentes alternativas de segmentação de público. Por fim, com o melhor texto e a melhor segmentação de público, você teste diferentes landing pages.
Este exemplo mostra a principal vantagem de testar cada variável individualmente em um teste A/B. Ao longo dos testes você pode ir refinando suas estratégias, pois está aprendendo qual a melhor opção para cada elemento de uma determinada ação.
Nem sempre seu teste A/B está revelando o que você imagina: o exemplo do e-mail marketing
O teste A/B, se feito corretamente, irá efetivamente gerar um resultado melhor para determinado parâmetro definido. Se você quer a melhor taxa de abertura de e-mails, e faz um teste A/B entre duas opções para uma base menor e depois envia para a base restante com a alternativa de melhor resultado, você obterá uma taxa melhor.
Já a interpretação dos resultados de um teste A/B não é tão simples, e exige um entendimento mais aprofundado do que você está efetivamente testando e que elementos podem estar influenciando no resultado. O melhor exemplo para isso é no e-mail marketing.
Imagine um seguinte cenário. O teste "A" é um e-mail com o título "compre agora. promoção especial com 50% de desconto", enquanto o título do teste "B" é "conheça nossos produtos visitando nosso site".
Você executa a campanha, e o teste "B" resultou em 20% de aberturas e 2% de compras, enquanto o teste "A" resultou em 2% de aberturas e 0,1% de compras.
Obviamente o teste "B" é vitorioso. Mas qual o aprendizado a ser obtido com este resultado? Que as pessoas preferem abrir e-mails que não contem anúncios de promoções?
É possível, mas é mais provável que os e-mails do teste "A" tenham sido mais bloqueados pelos mecanismos de anti-spam que os e-mails do teste "B". Talvez inclusive, numa análise mais aprofundada, você descubra que nos e-mails do gmail o teste "B" foi vitorioso, mas nos e-mails do yahoo o vitorioso foi o teste "A".
Nestes casos o teste A/B continua sendo efetivo, mas a variável que está determinando o resultado não é a percepção dos usuários, mas sim o tratamento dado pelos sistemas de e-mail.
E faz diferença o porque de determinado resultado de teste A/B? Claro que sim, pode inclusive levar a você segmentar os testes A/B por domínio de e-mail, por exemplo.
Em Taxa de entrega no e-mail marketing: monitorando os sinais falamos mais sobre a importância de monitorar de forma independente os sinais em diferentes servidores de e-mail.
O teste A/B é uma otimização, não uma fórmula mágica
O teste A/B está otimizando o que você já está fazendo. Se bem usado ele permite que você se aproxime do máximo de efetividade com o que você tem em mãos, mas ele não vai sozinho resolver por completo sua questão de marketing.
Se seu produto não for bom, independente do volume de testes empregados, em algum momento sua qualidade vai se refletir nos resultados de sua ação de marketing. Se você não fala a linguagem de seu público, ou não está oferecendo o produto que ele busca, seu teste A/B por si só não vai lhe indicar o caminho certo.
O teste A/B é tão bom quanto as alternativas que você testar. Ele vai lhe ajudar a obter respostas para perguntas específicas, mas cabe a você descobrir as perguntas certas a fazer.
Dito isso, o teste A/B é um instrumento essencial para uma ação de sucesso no marketing digital.
(51) 3024-0730 - info@alfamidia.com.br - Porto Alegre/RS