วิธีทดสอบ A/B บน Landing Page ด้วยทราฟฟิกแบบเสียเงิน

A/B testing ช่วยให้คุณปรับปรุงการตลาดได้ทีละองค์ประกอบ แม้จะใช้ทดสอบได้ตั้งแต่ภาพในโฆษณา Display ไปจนถึงข้อความในบล็อก แต่วันนี้เราจะมาดูวิธีนำผลการทดสอบ A/B ของ Landing Page มาปรับปรุงหน้าเว็บ และทำให้ทราฟฟิกที่เข้ามาเกิด Conversion

การทดสอบ A/B คืออะไร?

การทดสอบ A/B หรือที่เรียกว่า “split testing” คือการสร้างชิ้นงานสองเวอร์ชันที่แตกต่างกันเพียงจุดเดียว คุณใช้ทั้งสองเวอร์ชันพร้อมกัน แล้วเปรียบเทียบผลเมื่อสิ้นสุดระยะเวลาทดสอบ เพื่อดูว่าเวอร์ชันใดมีประสิทธิภาพมากกว่า

เมื่อทดสอบเสร็จ คุณสามารถเลิกใช้เวอร์ชันที่มีประสิทธิภาพน้อยกว่าได้ และหากพอใจกับผลลัพธ์ ก็หยุดไว้เพียงเท่านั้น หากต้องการทดสอบเวอร์ชันอื่น คุณสามารถทดสอบซ้ำจนได้ระดับ Conversion ที่ต้องการ

ใช้ A/B testing ทดสอบตัวชี้วัดอะไรได้บ้าง?

Split testing ช่วยให้คุณเปรียบเทียบผลกระทบจากการเปลี่ยนแปลงต่าง ๆ บน Landing Page ได้ เป็นวิธีที่สะดวกในการตรวจสอบผลของการเปลี่ยนแปลงแทบทุกอย่าง และใช้ทดสอบตัวชี้วัดที่เกี่ยวข้องได้เกือบทุกประเภท ทั้ง Conversion ยอดขาย และการสมัครผ่านแบบฟอร์ม

สิ่งสำคัญคือเลือกตัวชี้วัดหลักหนึ่งตัวสำหรับการทดสอบแต่ละครั้ง ตัวชี้วัดหลักใช้ตัดสินว่าเวอร์ชันใดชนะ เพื่อป้องกันการเลือกเฉพาะตัวเลขที่ดูดีที่สุดหลังทดสอบเสร็จ หาก Landing Page ของคุณมีไว้เพื่อให้คนสมัครรับอีเมล จำนวนการสมัครก็คือตัวชี้วัดหลัก

คุณยังต้องติดตามตัวเลขอีกสองหรือสามตัวที่เรียกว่า guardrail metrics หรือ ตัวชี้วัดเฝ้าระวัง ซึ่งเป็นตัวเลขที่ต้องไม่แย่ลงในขณะที่ตัวชี้วัดหลักดีขึ้น เช่น การละทิ้งแบบฟอร์มหรือคำขอคืนเงิน หัวข้อใหม่ที่เพิ่มการสมัครได้ 10% แต่ทำให้การยกเลิกรับอีเมลในสัปดาห์แรกเพิ่มเป็นสองเท่า ไม่ถือเป็นชัยชนะที่แท้จริง ตัวชี้วัดเฝ้าระวังช่วยตรวจจับปัญหานี้ก่อนนำการเปลี่ยนแปลงไปใช้จริง

ตัวชี้วัดสำคัญที่ทดสอบด้วยวิธีนี้ได้ง่ายที่สุด ได้แก่:

• อัตราการคลิกผ่าน (CTR): เปอร์เซ็นต์ของผู้เข้าชมที่คลิก Call to Action ของคุณ สำหรับโฆษณา อัตราการคลิกผ่านหมายถึงจำนวนคลิกหารด้วยจำนวนการแสดงผล จึงควรระบุให้ชัดว่าคุณกำลังทดสอบแบบใด
• อัตราตีกลับ (Bounce rate): เปอร์เซ็นต์ของเซสชันที่สิ้นสุดโดยไม่มีการมีส่วนร่วม ระบบวิเคราะห์แบบเดิมนับการเข้าชมหน้าเดียวทุกครั้งเป็น การตีกลับ ส่วน Google Analytics 4 นับเซสชันเป็นการตีกลับเมื่อมีระยะเวลาไม่เกิน 10 วินาที ไม่มี Key Event และมีการดูหน้าเว็บเพียงครั้งเดียว คู่มือเรื่องเซสชัน ผู้ใช้ และการดูหน้าเว็บของเราอธิบายวิธีที่ GA4 นับแต่ละหน่วยเหล่านี้
• อัตรา Conversion: เปอร์เซ็นต์ของผู้เข้าชมที่ทำสิ่งที่คุณต้องการ
• ความลึกในการเลื่อนหน้า (Scroll depth): ผู้คนเลื่อนลงไปไกลแค่ไหนขณะอ่านเนื้อหาของคุณ
• อัตราการละทิ้ง: เปอร์เซ็นต์ของผู้ที่เริ่มทำสิ่งที่คุณต้องการ เช่น กรอกแบบฟอร์ม แต่ทำไม่เสร็จ
• มูลค่าคำสั่งซื้อเฉลี่ย (AOV): รายได้รวมหารด้วยจำนวนคำสั่งซื้อ
• รายได้ต่อผู้เข้าชม: รายได้รวมหารด้วยจำนวนผู้เข้าชม รวมถึงผู้ที่ไม่ได้ซื้ออะไรเลย

AOV และรายได้ต่อผู้เข้าชมอาจเปลี่ยนไปในทิศทางตรงกันข้าม หน้าเว็บที่ตัดส่วนลดออกอาจทำให้ AOV สูงขึ้น แต่มีคนซื้อน้อยลง ดังนั้นเมื่อเป้าหมายคือยอดขาย รายได้ต่อผู้เข้าชมจึงเป็นตัวเลขที่ปลอดภัยกว่าในการใช้ตัดสินใจ

ใช้ A/B testing ปรับปรุงตัวแปรอะไรได้บ้าง?

ข้อดีของการทดสอบ A/B คือใช้ทดสอบองค์ประกอบบน Landing Page ได้แทบทุกอย่าง คุณอาจเน้นผลของปัจจัยทางเทคนิคอย่างเวลาโหลดหน้าเว็บ หรือจุดเล็ก ๆ อย่างความเด่นชัดของปุ่ม Call to Action ตัวสีเองสำคัญน้อยกว่าความตัดกันของสี ปุ่มที่กลืนไปกับหน้าเว็บย่อมถูกมองข้ามได้ง่ายไม่ว่าจะเป็นสีอะไร ดังนั้นการทดสอบความตัดกันของสีหรือขนาดจึงมักให้ข้อมูลมากกว่าการทดสอบสีส้มเทียบกับสีน้ำเงิน

สิ่งสำคัญคือทดสอบตัวแปรเพียงตัวเดียว ในแต่ละเวอร์ชันของเว็บไซต์ วิธีนี้ช่วยให้คุณสรุปผลกระทบได้อย่างชัดเจน โดยไม่ต้องสับสนว่าการเปลี่ยนแปลงใด ทำให้เกิดผลลัพธ์ใด

ทำไมจึงควรใช้ทราฟฟิกแบบเสียเงินทดสอบ Landing Page?

แม้คุณจะทดสอบ A/B บน Landing Page หลายครั้งได้สำเร็จด้วยทราฟฟิกออร์แกนิกที่เข้ามาตามธรรมชาติ แต่การใช้แหล่งทราฟฟิกแบบเสียเงิน เช่น โฆษณา ก็มีข้อได้เปรียบที่ชัดเจนหลายอย่าง:

• เวลา: การเพิ่มทราฟฟิกออร์แกนิกมักเป็นกระบวนการที่ค่อยเป็นค่อยไป ทราฟฟิกแบบเสียเงินช่วยให้เริ่มเก็บข้อมูลได้แทบจะทันที จึงหาคำตอบให้สมมติฐานของคุณได้เร็วกว่ามาก
• การควบคุม: แคมเปญแบบเสียเงินช่วยให้คุณกำหนดจำนวนผู้เข้าชมต่อวัน เวลาเริ่มและหยุดทดสอบ รวมถึงค่าใช้จ่ายได้ คุณยังรักษาการกำหนดกลุ่มเป้าหมายให้เหมือนกันตลอดการทดสอบได้ เพื่อให้สิ่งเดียวที่ต่างกันระหว่างเวอร์ชัน A กับ B คือตัวหน้าเว็บ การแบ่งผู้เข้าชมระหว่างเวอร์ชันในสัดส่วน 50/50 ต้องตั้งค่าบนเว็บไซต์ของคุณเองตามที่อธิบายในขั้นตอนที่ 5 เพราะแพลตฟอร์มโฆษณาเพียงอย่างเดียวไม่สามารถรับประกันสัดส่วนนี้ได้
• การแบ่งกลุ่ม: โฆษณาแบบเสียเงินช่วยให้คุณเลือกผู้ที่จะเห็นโฆษณาตามพื้นที่ อุปกรณ์ และความสนใจได้ ผู้เข้าชมในการทดสอบจึงมีลักษณะใกล้เคียงกับตลาดที่คุณต้องการเข้าถึง ทำให้ผลลัพธ์เกี่ยวข้องกับลูกค้าที่คุณให้ความสำคัญมากขึ้น แต่ผลนั้นใช้ได้กับกลุ่มเป้าหมายดังกล่าวเท่านั้น หน้าเว็บที่ชนะในกลุ่มผู้เข้าชมผ่านมือถือในประเทศหนึ่ง อาจไม่ชนะในกลุ่มผู้ค้นหาผ่านเดสก์ท็อปในอีกพื้นที่หนึ่ง

หากคำถามของคุณคือข้อเสนอจะเหมาะกับผู้ซื้อในเมืองหรือประเทศใหม่หรือไม่ คุณควรทดสอบตลาดใหม่ก่อนเปิดตัวด้วยการทดลองในพื้นที่เป้าหมายแยกต่างหาก การเปรียบเทียบคนละประเทศไม่ได้แยกผลของข้อความบนหน้าเว็บ เพราะภาษา การแข่งขัน และต้นทุนจัดส่งอาจต่างกัน ส่วนการทดสอบ A/B ควรสุ่มแบ่งผู้เข้าชมที่เทียบเคียงกันภายใต้เงื่อนไขเดียวกัน

SparkTraffic เป็นแพลตฟอร์มโฆษณาที่แสดงโฆษณาของคุณบนเว็บไซต์ของผู้เผยแพร่ที่เป็นพาร์ทเนอร์ และออกแบบมาเพื่อการควบคุมในลักษณะนี้ คุณเลือกประเทศ เมือง และอุปกรณ์สำหรับแคมเปญ พร้อมกำหนดงบประมาณรายวันหรือรายเดือนได้ เพื่อให้สัดส่วนกลุ่มเป้าหมายและปริมาณผู้เข้าชมคงที่ตลอดการทดสอบ เมื่อส่งทราฟฟิกเว็บไซต์ที่กำหนดเป้าหมายตามพื้นที่นี้ไปยัง URL ของแคมเปญเพียง URL เดียว แล้วแบ่งผู้เข้าชมบนเว็บไซต์ของคุณเอง หน้าเว็บทั้งสองเวอร์ชันจะได้รับผู้เข้าชมประเภทเดียวกัน ซึ่งเป็นเงื่อนไขสำคัญของการทดสอบ A/B ที่เป็นธรรม

สรุปคือ การใช้โฆษณาแบบเสียเงินเพื่อสร้างทราฟฟิกสำหรับ Split Test ช่วยให้คุณได้ผลลัพธ์ที่ตรงกับกลุ่มเป้าหมายมากขึ้นและรวดเร็วขึ้น

วิธีทดสอบ A/B บน Landing Page ด้วยทราฟฟิกแบบเสียเงิน

Landing Page มีหน้าที่นำผู้คนไปสู่การกระทำที่กำหนดหลังจากคลิกลิงก์ พวกเขาอาจพบหน้านี้ได้หลายวิธี เช่น เลื่อนดูโซเชียลมีเดีย ค้นหาข้อมูล ได้รับคำแนะนำจาก AI หรือในกรณีที่เราพูดถึงวันนี้ คือการคลิกโฆษณาสักรูปแบบหนึ่ง

การทดสอบ A/B มีเป้าหมายเพื่อปรับปรุง Landing Page โดยสร้างสองเวอร์ชันที่ต่างกันเล็กน้อย และเก็บข้อมูลให้มากพอที่จะบอกได้ว่าความแตกต่างนั้นมีนัยสำคัญทางสถิติหรือไม่ นั่นหมายความว่าคุณต้องรอจนมีหลักฐานเพียงพอว่าเวอร์ชันที่ทำได้ดีกว่านั้นได้ผลจากการเปลี่ยนแปลงเหล่านั้นจริง

เมื่อแบ่งเป็นขั้นตอน กระบวนการจะเป็นดังนี้:

ขั้นตอนที่ 1: เลือกตัวชี้วัดหลัก

A/B testing ได้ผลดีกว่าเมื่อคุณกำหนดเป้าหมายชัดเจนตั้งแต่ต้น แทนที่จะตั้งเป้ากว้าง ๆ ว่า “ได้ผลลัพธ์ดีขึ้น” จึงควรเลือกตัวชี้วัดเดียวที่เกี่ยวข้องกับธุรกิจ เช่น ผลต่ออัตราการคลิกผ่าน การสมัคร หรือยอดขาย

ตัวชี้วัดนี้จะเป็น “ตัวชี้วัดหลัก” ซึ่งใช้เป็นจุดเปรียบเทียบสำคัญของผลลัพธ์ แม้จะไม่ใช่ข้อค้นพบที่สำคัญเพียงอย่างเดียว แต่จะเป็นข้อค้นพบที่สำคัญที่สุด

ขั้นตอนที่ 2: ตั้งสมมติฐาน

เนื่องจาก A/B testing เป็นวิธีประเมิน Landing Page ที่ค่อนข้างเป็นวิทยาศาสตร์ เราจึงต้องมีสมมติฐานที่จะทดสอบ สมมติฐานควรเกี่ยวข้องโดยตรงกับตัวชี้วัดที่คุณต้องการปรับปรุง เช่น “การลดจำนวนช่องในแบบฟอร์มสมัครจะเพิ่มการสมัครรับอีเมล” หรือ “การเปลี่ยน H1 จากข้อความทั่วไปเป็นข้อความที่เน้นประโยชน์จะเพิ่มยอดขาย”

ขั้นตอนที่ 3: แยกตัวแปรที่ต้องการทดสอบ

ตัวแปรคือสิ่งที่เราเปลี่ยนเพื่อทดสอบ เพื่อให้ข้อมูลที่เก็บชัดเจนและใช้ได้อย่างถูกต้อง คุณควรเปลี่ยนเพียงองค์ประกอบเดียวในการทดสอบแต่ละครั้ง (คุณสามารถทดสอบครั้งใหม่ภายหลังเพื่อตรวจสอบแนวคิดอื่นได้เสมอ)

ตัวแปรอาจเป็นองค์ประกอบใดก็ได้บน Landing Page แต่สิ่งที่นิยมทดสอบ ได้แก่:

• ภาพ Hero: แบนเนอร์ด้านบนของหน้าเว็บ ซึ่งเป็นสิ่งแรกที่ผู้คนเห็นเมื่อเข้าชม
• H1: ข้อความแรกที่ผู้เข้าชมอ่าน
• เลย์เอาต์: รูปแบบการจัดวางหน้าเว็บ
• ตำแหน่ง CTA: จุดที่วาง Call to Action บนหน้าเว็บ
• ข้อความ CTA: วิธีสื่อสาร CTA กับผู้เข้าชม
• ขนาดแบบฟอร์ม: จำนวนช่องที่ผู้เข้าชมต้องกรอก
• ข้อความ: เนื้อหาข้อความบนหน้าเว็บ
• เวลาโหลด: การโหลดเร็วขึ้นทำให้เกิด Conversion มากขึ้นหรือไม่

แน่นอนว่าคุณทดสอบ A/B กับองค์ประกอบใดบนหน้าเว็บก็ได้ แต่รายการข้างต้นมีแนวโน้มจะส่งผลมากที่สุด และสรุปผลได้ชัดเจนที่สุด

ขั้นตอนที่ 4: เตรียมหน้าเว็บ

ขั้นตอนสุดท้ายก่อนเริ่มสร้างทราฟฟิกและทดสอบคือการเตรียมหน้าเว็บ สำหรับการทดสอบ Landing Page ส่วนใหญ่ การใช้สองเวอร์ชันเหมาะที่สุด ทุกเวอร์ชันที่เพิ่มขึ้นจะทำให้ทราฟฟิกถูกแบ่งย่อยลงอีก ดังนั้นการทดสอบสามเวอร์ชันจึงต้องมีผู้เข้าชมรวมมากกว่าการทดสอบสองเวอร์ชันอย่างน้อย 50% การเปรียบเทียบหลายเวอร์ชันพร้อมกันยังเพิ่มโอกาสที่จะได้ผู้ชนะที่คลาดเคลื่อนด้วย

คุณยังสามารถทดสอบ A/B/n ด้วยสามหรือสี่เวอร์ชันได้ หากมีทราฟฟิกเพียงพอ ไม่ว่าจะใช้กี่เวอร์ชัน แต่ละเวอร์ชันควรต่างจากเวอร์ชันควบคุมเพียงองค์ประกอบเดียว หากต้องการทดสอบหลายองค์ประกอบร่วมกัน นั่นคืออีกวิธีหนึ่งที่เรียกว่า การทดสอบหลายตัวแปร (multivariate testing)

หน้าเว็บที่คุณใช้อยู่คือเวอร์ชัน “A” และทำหน้าที่เป็นเวอร์ชันควบคุมเพื่อกำหนดค่าฐาน ส่วนเวอร์ชันที่เปลี่ยนเพียงจุดเดียวคือ “B” ซึ่งใช้ทดสอบสมมติฐานของคุณ

ขั้นตอนที่ 5: ตั้งค่าทราฟฟิกแบบเสียเงิน

แพลตฟอร์มโฆษณาแบบเสียเงินส่วนใหญ่มีฟีเจอร์ทดลองในตัว แต่ฟีเจอร์เหล่านี้ออกแบบมาเพื่อเปรียบเทียบโฆษณาและแคมเปญ ไม่ใช่ Landing Page ตัวอย่างเช่น การทดลองแคมเปญใน Google Ads จะแบ่งงบประมาณระหว่างแคมเปญเดิมกับแคมเปญทดลอง วิธีนี้มีประโยชน์ในการทดสอบราคาเสนอหรือข้อความโฆษณา แต่ไม่รับประกันว่า Landing Page ทั้งสองจะได้รับผู้เข้าชมในจำนวนเท่ากันหรือมีลักษณะเทียบเคียงกัน

เหตุผลคือแพลตฟอร์มโฆษณาจะปรับการแสดงโฆษณาให้เหมาะสม เมื่อโฆษณาสองชิ้นพาไปยังหน้าเว็บคนละหน้า อัลกอริทึมของแพลตฟอร์มจะเลือกว่าผู้ใดเห็นโฆษณาแต่ละชิ้น และแสดงให้คนที่ระบบคาดว่าจะตอบสนอง นักวิจัยเรียกสิ่งนี้ว่า divergent delivery หรือการกระจายโฆษณาที่แตกต่างกัน งานวิจัยปี 2568 ของ Braun และ Schwartz ใน Journal of Marketing พบว่าสิ่งนี้อาจบิดเบือนขนาดของผลการทดสอบโฆษณา และถึงขั้นทำให้ทิศทางของผลกลับกันได้

วิธีตั้งค่าที่ปลอดภัยกว่าคือส่งผู้เข้าชมจากโฆษณาทั้งหมดไปยัง URL ของแคมเปญเพียง URL เดียว แล้วแบ่งผู้เข้าชมบนเว็บไซต์ของคุณเอง สคริปต์ทดสอบหรือกฎฝั่งเซิร์ฟเวอร์จะสุ่มจัดผู้เข้าชมแต่ละคนให้เห็นเวอร์ชัน A หรือ B ในสัดส่วน 50/50 กฎเดียวกันนี้จะบันทึกเวอร์ชันที่ได้รับไว้ใน First-party Cookie เพื่อให้ผู้เข้าชมที่กลับมาเห็นเวอร์ชันเดิมเสมอ หากไม่มีการตั้งค่านี้ คนหนึ่งคนอาจเห็นทั้งสองเวอร์ชัน ทำให้พฤติกรรมของเขาถูกนับในทั้งสองกลุ่มและทำให้ความแตกต่างที่คุณต้องการวัดไม่ชัดเจน
หากการตั้งค่าของคุณจำเป็นต้องใช้สองแคมเปญแยกกัน ให้กำหนดกลุ่มเป้าหมาย เวลาเริ่ม และเพดานรายวันให้เหมือนกัน ก่อนอ่านผลใด ๆ ให้เปรียบเทียบสัดส่วนอุปกรณ์และพื้นที่ของทั้งสองกลุ่ม หากกลุ่มหนึ่งมีผู้เข้าชมผ่านมือถือมากกว่าอีกกลุ่มมาก การเปรียบเทียบนั้นก็ไม่เป็นธรรม

ควรซื้อทราฟฟิกเท่าไร?

ไม่มีจำนวนการเข้าชมตายตัวที่ทำให้การทดสอบแม่นยำ เพราะจำนวนนี้ขึ้นอยู่กับปัจจัยสี่อย่าง อย่างแรกคืออัตรา Conversion ฐาน หรืออัตราที่หน้าเว็บควบคุมสร้าง Conversion ได้ในปัจจุบัน อย่างที่สองคือการเพิ่มขึ้นขั้นต่ำที่คุณต้องการตรวจจับ อย่างที่สามและสี่คือระดับนัยสำคัญและกำลังการทดสอบทางสถิติ ซึ่งทีมส่วนใหญ่ตั้งไว้ที่ระดับความเชื่อมั่น 95% และกำลังการทดสอบ 80%

ตัวเลขสำหรับหน้าเว็บที่มีอัตรา Conversion 4% เป็นดังนี้ หากต้องการตรวจจับการเพิ่มขึ้น 20% (จาก 4.0% เป็น 4.8%) คุณต้องมีผู้เข้าชมประมาณ 10,300 คนต่อเวอร์ชัน หากต้องการตรวจจับการเพิ่มขึ้น 10% (จาก 4.0% เป็น 4.4%) คุณต้องมีประมาณ 39,500 คนต่อเวอร์ชัน ซึ่งเกือบ 4 เท่า หน้าเว็บที่มีอัตรา Conversion 2% ต้องมีผู้เข้าชมประมาณ 80,700 คนต่อเวอร์ชันเพื่อตรวจจับการเพิ่มขึ้น 10% ส่วนหน้าเว็บที่มีอัตรา 10% ต้องมีประมาณ 14,800 คน

ระยะเวลาไม่ได้เปลี่ยนตัวเลขเหล่านี้ การทดสอบที่มีผู้เข้าชมครบ 10,300 คนต่อเวอร์ชันภายใน 14 วัน เชื่อถือได้เท่ากับการทดสอบที่ใช้เวลา 30 วันเพื่อให้ได้จำนวนเดียวกัน ตราบใดที่ทั้งสองการทดสอบครอบคลุมสัปดาห์เต็ม คุณสามารถแปลงขนาดตัวอย่างเป็นงบประมาณก่อนเริ่มได้ด้วยสูตร: จำนวนผู้เข้าชมต่อเวอร์ชัน × 2 × ค่าใช้จ่ายต่อการเข้าชม หากใช้ค่าใช้จ่ายตัวอย่างที่ $0.50 ต่อการเข้าชม การทดสอบเพื่อตรวจจับการเพิ่มขึ้น 20% ข้างต้นจะมีค่าใช้จ่ายประมาณ $10,300

หากงบประมาณนี้สูงเกินไป คุณมีทางเลือกที่ตรงไปตรงมา 2 ทาง คุณอาจทดสอบการเปลี่ยนแปลงที่ชัดเจนกว่าเดิม เพราะการเพิ่มขึ้นที่มากกว่าต้องใช้ผู้เข้าชมน้อยกว่ามาก หรือเลือกตัวชี้วัดหลักที่มีอัตราพื้นฐานสูงกว่า เช่น อัตราการมีส่วนร่วม หากอัตรานี้อยู่ที่ประมาณ 50% ผู้เข้าชม 1,000 คนต่อเวอร์ชันก็สามารถตรวจจับความแตกต่างประมาณ 6 จุดเปอร์เซ็นต์ได้ วิธีที่ใช้คำนวณตัวเลขเหล่านี้เรียกว่า การกำหนดขนาดตัวอย่าง และมีเครื่องคำนวณออนไลน์ฟรีที่ช่วยคำนวณให้คุณได้

ขั้นตอนที่ 6: เริ่มการทดสอบ

ก่อนที่ผู้เข้าชมคนแรกจะเข้ามา ให้กำหนดขนาดตัวอย่างจากขั้นตอนก่อนหน้าและระยะเวลาที่ต้องใช้เพื่อให้ได้จำนวนดังกล่าวไว้แน่นอน เราแนะนำให้ใช้จำนวนสัปดาห์เต็ม (7, 14, 21 หรือ 28 วัน) เพื่อให้แต่ละวันในสัปดาห์ปรากฏเท่ากันในทั้งสองเวอร์ชัน จากนั้นรอให้การทดสอบจบก่อนตัดสินใจใด ๆ

เหตุผลคือความผันผวนแบบสุ่มจะสูงที่สุดในช่วงต้นของการทดสอบ หากคุณตรวจผลทุกวันและหยุดทันทีที่เวอร์ชันหนึ่งดูเหมือนมีนัยสำคัญ อัตราผลบวกลวงที่แท้จริงจะสูงกว่า 5% ที่คุณวางแผนไว้มาก นักสถิติเรียกพฤติกรรมนี้ว่า การหยุดทดสอบตามผลที่เห็น (optional stopping) ส่วนนักการตลาดมักเรียกว่า peeking

แผนที่กำหนดไว้แน่นอนไม่สามารถกำจัดความบังเอิญได้ แต่ช่วยควบคุมความเสี่ยงที่จะเลือกผู้ชนะผิดให้อยู่ในระดับที่คุณเลือกไว้ อีกทั้งยังปกป้องข้อมูลจากความบิดเบือนระยะสั้น เช่น:

• รูปแบบพฤติกรรมตามช่วงเวลาในวันและวันในสัปดาห์
• ผู้ใช้งานจำนวนไม่กี่คนที่เข้าชมซ้ำหลายครั้ง
• เหตุการณ์ที่เกิดขึ้นเฉพาะครั้ง เช่น การลดราคาของคู่แข่งหรือข่าวบางเรื่อง

การเลือก “ผู้ชนะ” ก่อนการทดสอบครบกำหนด เพียงเพราะดูเหมือนทำได้ดีกว่าในช่วงแรก เสี่ยงต่อการนำผลบวกลวงไปใช้และทำให้ผลลัพธ์ระยะยาวเสียหาย

การทดสอบที่ “ยุติธรรม” อาจแตกต่างกันไปในแต่ละกรณี แต่หลักทั่วไปคือคุณต้องทดสอบนานพอและมีผู้เข้าชมมากพอให้ผลลัพธ์มีนัยสำคัญทางสถิติ ขนาดตัวอย่างที่คำนวณไว้ก่อนเริ่มจะบอกว่า “นานพอ” และ “ผู้เข้าชมมากพอ” หมายถึงเท่าใดสำหรับการทดสอบของคุณ

ขั้นตอนที่ 7: ประเมินผลและใช้เวอร์ชันที่ชนะ

เมื่อการทดสอบครบตามระยะเวลาที่กำหนด คุณจึงประเมินผลได้ โดยต้องทำ 2 อย่าง อย่างแรกคือดูว่าสมมติฐานของคุณถูกต้องหรือไม่ และการเปลี่ยนตัวแปรที่เลือกทำให้ตัวชี้วัดหลักดีขึ้นหรือไม่ อย่างที่สองคือดูตัวชี้วัดอื่น ๆ เพื่อตรวจสอบผลกระทบที่ไม่ได้ตั้งใจ

หากตัวชี้วัดหลักดีขึ้นอย่างมีนัยสำคัญทางสถิติ และตัวชี้วัดเฝ้าระวังผลกระทบไม่ได้แย่ลง ถือว่าการทดสอบสำเร็จ และคุณสามารถแทนที่หน้าเดิมด้วยเวอร์ชันใหม่ได้ หากผลกระทบเป็นลบ ให้ใช้เวอร์ชันควบคุมต่อไปและยกเลิกเวอร์ชันใหม่ หากความแตกต่างไม่มีนัยสำคัญไม่ว่าจะในทางใด การทดสอบนั้นยังสรุปผลไม่ได้ การเปลี่ยนแปลงไม่ได้สร้างความแตกต่างที่วัดได้ด้วยขนาดตัวอย่างนี้ และการใช้เวอร์ชันควบคุมต่อไปมักเป็นทางเลือกที่ประหยัดกว่า

หากพบว่าตัวชี้วัดหลักดีขึ้น แต่ตัวชี้วัดสำคัญอื่น ๆ ก็ได้รับผลกระทบด้วย คุณจะต้องใช้วิจารณญาณตัดสินว่า Landing Page เวอร์ชันใดเหมาะกับการใช้งานที่สุด ชั่งน้ำหนักผลกระทบอย่างรอบคอบ และพิจารณาทดสอบเพิ่มเติมเพื่อปรับปรุงหน้าเว็บให้ดียิ่งขึ้น

การประเมินผลการทดสอบ

แม้คุณอาจอยากประกาศว่าหน้าเว็บเวอร์ชันใดเวอร์ชันหนึ่งเป็น “ผู้ชนะ” เพียงเพราะตัวชี้วัดหลักที่เลือกเพิ่มขึ้น แต่สิ่งสำคัญคือต้องจำไว้ว่าไม่มี Landing Page ที่ “สมบูรณ์แบบ” และการตลาดดิจิทัลทุกรูปแบบต้องพิจารณาในเชิงสถิติ สิ่งที่เราดูจริง ๆ คือเปอร์เซ็นต์ของคนที่เห็นสื่อของเราแล้วทำสิ่งที่เราต้องการ

เมื่อทำการทดสอบ A/B เราต้องการข้อมูลเชิงลึกเพื่อนำไปตัดสินใจอย่างมีข้อมูลรองรับ ดังนั้นยิ่งรายงานของคุณละเอียดเท่าไร ก็ยิ่งดีเท่านั้น

นั่นหมายความว่า หากต้องการเข้าใจผลลัพธ์ให้ละเอียดขึ้น เราต้องอาศัยคณิตศาสตร์บ้าง (ไม่ต้องกังวล มีเครื่องมือช่วยได้!)

นัยสำคัญทางสถิติ

ก่อนประกาศผู้ชนะ คุณต้องรู้ว่าช่องว่างระหว่างหน้าเว็บทั้งสองสะท้อนความแตกต่างที่แท้จริง หรือเป็นเพียงความผันผวนแบบสุ่มจากกลุ่มคนที่บังเอิญเข้ามาชม คุณไม่มีทางมั่นใจได้อย่างสมบูรณ์ นักสถิติจึงใช้การทดสอบสมมติฐานเพื่อวัดว่าผลลัพธ์ของคุณจะผิดไปจากที่คาดมากเพียงใด หากการเปลี่ยนแปลงนั้นไม่มีผลจริง

การทดสอบเริ่มจากสมมติฐานว่าง ซึ่งตั้งอยู่บนข้อสมมติว่าเวอร์ชัน B ให้ผลเหมือนเวอร์ชัน A ทุกประการ Conversion มีการแจกแจงแบบทวินาม เพราะผู้เข้าชมแต่ละคนจะเกิด Conversion หรือไม่เกิดเท่านั้น แบบจำลองนี้บอกให้การทดสอบทราบว่าอัตรา Conversion จะผันผวนจากความบังเอิญเพียงอย่างเดียวได้มากแค่ไหน สำหรับอัตรา Conversion การทดสอบที่ใช้กันทั่วไปคือ การทดสอบ z สำหรับสัดส่วนสองกลุ่ม (two-proportion z-test) หรือการทดสอบไคสแควร์ ซึ่งเครื่องคำนวณนัยสำคัญทางสถิติจะคำนวณให้คุณได้

การทดสอบจะให้ ค่า p (p-value) ซึ่งเป็นความน่าจะเป็นที่จะพบความแตกต่างอย่างน้อยเท่ากับที่คุณพบ หากการเปลี่ยนแปลงนั้นไม่ได้สร้างความแตกต่างจริง ค่านี้ไม่ใช่ความน่าจะเป็นที่การเปลี่ยนแปลงของคุณได้ผล และไม่ได้บอกว่าผลที่ดีขึ้นมีขนาดเท่าใด ค่า p ที่ 0.03 หมายความว่า ช่องว่างอย่างน้อยขนาดนี้จะปรากฏประมาณ 3 ครั้งจากการทดสอบหน้าเว็บที่เหมือนกันทุกประการ 100 ครั้ง

ทีมส่วนใหญ่กำหนดเกณฑ์ไว้ที่ 0.05 (5%) ก่อนเริ่มทดสอบ และถือว่าผลมีนัยสำคัญทางสถิติเมื่อค่า p ต่ำกว่าเกณฑ์นี้ การกำหนดเกณฑ์ล่วงหน้ามีความสำคัญ เพราะหากเลือกเกณฑ์หลังเห็นข้อมูล คุณอาจปรับเกณฑ์ให้เข้ากับผลที่หวังไว้ได้ สำหรับการตัดสินใจครั้งใหญ่ เช่น การออกแบบเว็บไซต์ใหม่ทั้งหมด เกณฑ์ที่เข้มงวดขึ้นที่ 0.01 จะช่วยป้องกันการเลือกผู้ชนะผิดได้มากขึ้น

ขนาดตัวอย่างและระยะเวลา

แม้ควรกำหนดทั้งสองอย่างไว้ตั้งแต่เริ่มกระบวนการทดสอบ แต่ก็ควรตรวจสอบอีกครั้งเมื่อประเมินผล มีเครื่องมือที่ช่วยให้คุณกำหนดขนาดตัวอย่างและกรอบเวลาที่ควรตั้งเป้าไว้ เพื่อให้ผลลัพธ์มีนัยสำคัญทางสถิติ

โดยพื้นฐานแล้ว ยิ่งทดสอบนานและมีผู้เข้าร่วมมากเท่าไร คุณก็ยิ่งมั่นใจได้ว่าผลที่ดีขึ้นจะคงอยู่ในระยะยาว แน่นอนว่าสิ่งนี้มีข้อจำกัด ไม่มีทีมการตลาดใดมีเวลาหรืองบประมาณสำหรับซื้อทราฟฟิกเว็บไซต์อย่างไม่จำกัด จึงควรกำหนดและตรวจสอบตัวเลขที่ทำได้จริง

ขณะตรวจสอบขนาดตัวอย่าง ควรดูด้วยว่าแต่ละเวอร์ชันได้รับสัดส่วนผู้เข้าชมตามที่วางแผนไว้หรือไม่ หากตั้งค่าแบ่ง 50/50 แต่พบว่าเวอร์ชันหนึ่งมีผู้เข้าชม 5,400 คน และอีกเวอร์ชันมี 4,600 คน แสดงว่าการตั้งค่ามีปัญหา ไม่ใช่เรื่องดวง ปัญหานี้เรียกว่า สัดส่วนตัวอย่างไม่ตรงตามที่กำหนด (sample ratio mismatch) และสามารถยืนยันได้ด้วยการทดสอบไคสแควร์แบบง่าย

สัดส่วนตัวอย่างไม่ตรงตามที่กำหนดมักเกิดจากการตั้งค่า ไม่ใช่แหล่งที่มาของทราฟฟิก สาเหตุที่พบบ่อย ได้แก่ การเปลี่ยนเส้นทางที่ทำให้ผู้เข้าชมบางส่วนหลุดหาย แท็กติดตามที่ไม่ทำงานในเวอร์ชันหนึ่ง หรือการกรองบอตที่ตัดการเข้าชมออกจากกลุ่มหนึ่งมากกว่าอีกกลุ่ม หากตรวจสอบแล้วไม่ผ่าน ผลลัพธ์จะเชื่อถือไม่ได้ วิธีแก้คือหาสาเหตุและทดสอบใหม่ หากสงสัยว่าการเข้าชมอัตโนมัติทำให้สัดส่วนไม่สมดุล คู่มือวิธีตรวจจับทราฟฟิกบอตของเราจะแสดงสัญญาณที่ควรเปรียบเทียบระหว่างเวอร์ชัน

การมีผู้ตรวจสอบอีกคนช่วยให้การตรวจสอบนี้น่าเชื่อถือขึ้น เพื่อนร่วมงานที่มีสิทธิ์ Viewer ในพร็อพเพอร์ตี้ GA4 ของคุณสามารถยืนยันสัดส่วนและเหตุการณ์สำคัญได้อย่างเป็นอิสระ โดยไม่มีสิทธิ์เปลี่ยนการตั้งค่า คู่มือการเพิ่มผู้ใช้ใน Google Analyticsของเราอธิบายว่าบทบาทใดเหมาะกับผู้ตรวจสอบ และวิธีให้สิทธิ์อย่างปลอดภัย

การประเมินปัจจัยภายนอก

น่าเสียดายที่อินเทอร์เน็ตไม่ใช่สภาพแวดล้อมการทดสอบที่ปราศจากสิ่งรบกวน และปัจจัยภายนอกมีแนวโน้มจะเข้ามาปะปนในผลลัพธ์ แม้การใช้ทราฟฟิกแบบเสียเงินจะช่วยลดสิ่งรบกวนทางสถิติเหล่านี้ได้ แต่ก็ไม่สามารถกำจัดได้ทั้งหมด

ปัจจัยเหล่านี้อาจมีได้หลายรูปแบบ ตั้งแต่พฤติกรรมที่เปลี่ยนตามฤดูกาล (ผู้คนเปิดรับโฆษณาอีคอมเมิร์ซมากขึ้นในช่วงเทศกาล) ไปจนถึงแคมเปญการตลาดอื่น ๆ ที่คุณอาจกำลังดำเนินการอยู่ ปัญหาทางเทคนิค เช่น หน้าเว็บหนึ่งโหลดช้ากว่าอีกหน้าเล็กน้อย ก็อาจส่งผลต่อผลลัพธ์มากอย่างคาดไม่ถึง หากไม่มีใครรอนานพอที่จะเห็นตัวแปรที่คุณทดสอบ คุณก็ไม่สามารถทดสอบตัวแปรนั้นได้จริง

ปัจจัยเหล่านี้ไม่ได้ทำให้ผลลัพธ์ใช้ไม่ได้ แต่ควรพิจารณาอย่างรอบคอบก่อนนำผลลัพธ์ไปใช้

การแบ่งกลุ่มผู้ชม

นอกจากตัวเลขสรุปจากการทดสอบ A/B เช่น “ยอดสมัครเพิ่มขึ้น 5%” คุณยังดูได้ว่าผู้เข้าชมแต่ละกลุ่มตอบสนองอย่างไร สิ่งนี้มีประโยชน์เป็นพิเศษกับทราฟฟิกแบบเสียเงิน เพราะคุณเป็นผู้เลือกกลุ่มเป้าหมาย และระบบวิเคราะห์ข้อมูลบันทึกอุปกรณ์ ตำแหน่งที่ตั้ง และแหล่งที่มาของทราฟฟิกของผู้เข้าชมแต่ละคนไว้

แนวทางที่ชวนให้ทำคือแยกผลตามทุกมิติที่มี เช่น อุปกรณ์ เบราว์เซอร์ ประเทศ อายุ และเพศ ปัญหาคือทุกครั้งที่แยกกลุ่ม คุณเพิ่มโอกาสที่ความบังเอิญจะสร้างผู้ชนะผิดขึ้นมา หากทดสอบ 10 กลุ่มด้วยเกณฑ์ 5% โอกาสที่อย่างน้อยหนึ่งกลุ่มจะแสดงความแตกต่างที่ “มีนัยสำคัญ” จากความบังเอิญเพียงอย่างเดียวจะอยู่ที่ประมาณ 40% ข้อผิดพลาดนี้เรียกว่า ปัญหาการเปรียบเทียบหลายครั้ง (multiple comparisons problem) แต่ละกลุ่มยังมีตัวอย่างเพียงส่วนหนึ่งของทั้งหมด ทำให้ตัวเลขเชื่อถือได้น้อยลง

อีกแนวทางที่ช่วยได้คือสร้างกลุ่มผู้ชมจากข้อมูลวิเคราะห์ของคุณเอง แทนการใช้โปรไฟล์จากเครือข่ายโฆษณา โปรไฟล์ที่สร้างจากคุกกี้บุคคลที่สามมีข้อมูลไม่ครบถ้วน เพราะเบราว์เซอร์รายใหญ่หลายรายบล็อกคุกกี้เหล่านี้เป็นค่าเริ่มต้น และแบนเนอร์ขอความยินยอมทำให้จำนวนการเข้าชมที่คุณวัดได้ลดลง

แนวทางที่นำไปใช้ได้จริงคือกำหนดกลุ่มผู้ชม 1 หรือ 2 กลุ่มก่อนเริ่มทดสอบ โดยประเภทอุปกรณ์เป็นตัวเลือกที่มีประโยชน์ที่สุดสำหรับ Landing Page ส่วนใหญ่ ตัวอย่างเช่น หากคุณวางแผนเปรียบเทียบมือถือกับเดสก์ท็อปไว้ และพบว่าผู้เข้าชมจากเดสก์ท็อปเกิด Conversion บนเวอร์ชัน B บ่อยกว่ามาก คุณก็มีข้อค้นพบที่ชัดเจนพร้อมนำไปใช้ ส่วนรูปแบบใด ๆ ที่พบในกลุ่มที่ไม่ได้วางแผนไว้ ถือเป็นสมมติฐานสำหรับการทดสอบครั้งถัดไป ไม่ใช่ผลสรุป

การจัดการค่าผิดปกติ

ผลลัพธ์ที่ผิดปกติเพียงไม่กี่รายการอาจทำให้ข้อมูลบิดเบือนได้ ขึ้นอยู่กับตัวชี้วัดที่คุณเลือก รายได้เป็นตัวอย่างที่พบได้ชัดเจน การซื้อครั้งใหญ่เพียงครั้งเดียวบนเวอร์ชัน B อาจทำให้ดูเหมือนเป็นผู้ชนะ แม้ผู้เข้าชมส่วนใหญ่จะไม่ได้ซื้ออะไรเลย

วิธีแก้ที่ง่ายที่สุดคือการกำหนดเพดานค่า หรือที่เรียกว่า winsorizing คุณเลือกค่าตัด เช่น เปอร์เซ็นไทล์ที่ 99 ของมูลค่าคำสั่งซื้อ แล้วแทนที่ทุกค่าที่สูงกว่านั้นด้วยค่าตัด ตัวอย่างเช่น หาก 99% ของคำสั่งซื้อมีมูลค่าต่ำกว่า $400 คำสั่งซื้อที่มีมูลค่า $5,000 จะนับเป็น $400 ผู้เข้าชมทุกคนยังอยู่ในข้อมูล รวมถึงคนที่ไม่ได้ใช้จ่าย ทำให้คุณยังเปรียบเทียบรายได้เฉลี่ยต่อผู้เข้าชมได้อย่างยุติธรรม

การกำหนดเพดานค่าได้ผลดีกว่าการตัดข้อมูล ซึ่งลบค่าที่สูงที่สุดและต่ำที่สุดออก ในข้อมูลรายได้ ค่าต่ำสุดส่วนใหญ่คือผู้เข้าชมที่ไม่ได้ใช้จ่าย การลบคนเหล่านี้จึงทำให้ค่าเฉลี่ยสูงเกินจริง และบดบังข้อมูลของคนที่ไม่ได้ซื้อ

นักวิเคราะห์บางคนใช้การทดสอบ Mann-Whitney Uแทน วิธีนี้รวมผลลัพธ์จากทั้งสองหน้า จัดอันดับ แล้วตรวจสอบว่ากลุ่มใดมีแนวโน้มให้ค่าสูงกว่า วิธีนี้ไม่จำเป็นต้องใช้กลุ่มที่มีขนาดเท่ากัน แต่ตอบคำถามที่ต่างจาก “หน้าใดสร้างรายได้ต่อผู้เข้าชมได้มากกว่า” และมีข้อจำกัดเมื่อค่าส่วนใหญ่เป็นศูนย์ สำหรับการทดสอบ Landing Page ส่วนใหญ่ การกำหนดเพดานค่าแล้วเปรียบเทียบค่าเฉลี่ยทำได้ง่ายกว่า และสอดคล้องกับการตัดสินใจทางธุรกิจที่คุณต้องทำมากกว่า

สรุป: ทำไมควรใช้ทราฟฟิกแบบเสียเงินทดสอบ A/B บน Landing Page

คำกล่าวที่ว่าเราปรับปรุงให้ดีขึ้นได้เสมอเป็นความจริงที่พูดกันมานาน และหน้า Landing Page ของคุณก็เช่นกัน แม้หน้าที่ใช้อยู่จะให้ผลลัพธ์ดีมากแล้ว คุณก็ยังทำให้ได้ผลลัพธ์ที่ดีขึ้นได้เสมอ

การทำ A/B Testing ช่วยให้คุณลองปรับเปลี่ยนและเก็บข้อมูลทางสถิติที่เป็นรูปธรรมจากผลลัพธ์จริงก่อนตัดสินใจนำการเปลี่ยนแปลงนั้นมาใช้เต็มรูปแบบ เพียงทดสอบไม่กี่ครั้ง คุณก็อาจปรับปรุงผลลัพธ์ได้อย่างมาก โดยไม่ต้องเสี่ยงกับข้อผิดพลาดที่แก้ไขย้อนกลับได้ยาก

แม้คุณจะใช้ SEO หรือวิธีอื่นในการเพิ่มทราฟฟิกได้ แต่การใช้โฆษณาแบบเสียเงินก็มีข้อได้เปรียบหลายประการ

• คุณสามารถกำหนดเป้าหมายไปยังกลุ่มคนที่เว็บไซต์ของคุณต้องการเข้าถึงตามพื้นที่ อุปกรณ์ และความสนใจได้ตั้งแต่วันแรก ทำให้การทดสอบสะท้อนกลุ่มเป้าหมายที่คุณต้องการดึงดูด
• คุณควบคุมจำนวน ช่วงเวลา และการกำหนดกลุ่มเป้าหมายของการเข้าชมทั้งหมดได้ ทำให้ทั้งสองเวอร์ชันได้รับการทดสอบกับกลุ่มเป้าหมายเดียวกันภายใต้เงื่อนไขเดียวกัน จากนั้นการสุ่มแบ่งผู้เข้าชมบนเว็บไซต์ของคุณเองจะช่วยให้การเปรียบเทียบเป็นธรรม
• คุณเริ่มการทดสอบได้แทบจะทันที เมื่อโฆษณาเริ่มแสดง ทราฟฟิกก็จะเข้ามาอย่างรวดเร็ว ทำให้ได้ขนาดกลุ่มตัวอย่างตามแผนเร็วกว่าการรอทราฟฟิกแบบออร์แกนิกมาก
• การติดแท็กแคมเปญด้วยพารามิเตอร์ UTMช่วยให้คุณวิเคราะห์เฉพาะผู้เข้าชมที่มาจากการทดสอบได้ จึงไม่ให้ผู้เข้าชมจากช่องทางออร์แกนิก ผู้เข้าชมโดยตรง และผู้เข้าชมที่กลับมาอีก ส่งผลปะปนกับผลการทดสอบ
• การควบคุมจำนวนผู้เข้าชมผ่านแพลตฟอร์มโฆษณาช่วยให้คุณหยุดการทดสอบได้ทันทีที่แต่ละหน้ามีผู้เข้าชมครบตามจำนวนที่ต้องการ

สำหรับการทดลอง A/B ที่แม่นยำและควบคุมเงื่อนไขได้ เพื่อดูว่าการเปลี่ยนแปลงใดช่วยเพิ่มคอนเวอร์ชัน ทราฟฟิกแบบเสียเงินเป็นตัวเลือกที่ยากจะหาอะไรมาเทียบ