Taitava A/B-testaus tuottaa nopeita tuloksia - ja euroja

A/B-testauksella voidaan nostaa verkkosivuston tai verkkokaupan konversioastetta nopeasti ja tehokkaasti. A/B-testaus perustuu datan tehokkaaseen hyödyntämiseen ja sen avulla nähdään, mikä toimii ja mikä ei ja miten sivusto saadaan tuottamaan paremmin. A/B-testausta voi aluksi tehdä kokeiluluontoisesti muutamalla testillä, mutta parhaisiin tuloksiin päästään jatkuvalla testauksella. Tämä blogi keskittyy A/B-testaukseen erityisesti Google Optimize -työkalua hyödyntäen.

Taitava A/B-testaus tuottaa nopeita tuloksia - ja euroja

Asiakaskokemus ratkaisee ja kilpailuedun saavuttaminen ja säilyttäminen verkossa tarkoittaa oman palvelun jatkuvaa kehittämistä - asiakkaiden nykyisten, uusien ja muuttuvien tarpeiden tunnistamista ja oman palvelun räätälöimistä niihin. A/B-testaus toimii parhaimmillaan juuri asiakkaiden käyttötarpeiden tutkana ja nopeiden muutosten generaattorina. A/B-testauksella tunnistetaan siis verkkopalvelusta ne kohdat, joissa kävijät voidaan tehokkaammin muuttaa asiakkaiksi ja muutetaan sivustoa ketterästi. Kun näitä muutoksia tehdään useita, konversioaste ja esimerkiksi verkkokaupan tuotto saadaan nousuun. A/B-testaus onkin kaikkien verkkoliiketoiminnan ja digitaalisen markkinoinnin ammattilaisten työkalupakin vakiovaruste.

Minimivaatimukset A/B-testaukselle

A/B-testit vaativat tarpeeksi dataa. Jos verkkokaupassa tai -sivustolla on alle 100 kävijää päivässä, A/B-testaus ei välttämättä kannata. Vähäinen kävijämäärä ei kuitenkaan aina ole este testaukselle vaan testin aikaa voi myös pidentää, jotta testi ehtii kerryttää kävijä- ja konversiodataa yli ajan.

A/B-testaus vaatii myös aikaa. Jos sivuston käyttötarkoitus on vain lyhytaikainen, kuten esimerkiksi kampanjasivuilla, A/B-testauksen hyödyntäminen ei välttämättä kannata. Keskimäärin A/B-testeille on hyvä varata vähintään kaksi viikkoa aikaa, monesti pidempäänkin. Yleisesti hyväksi todettu aikaväli A/B-testeille vaihtelee kahden viikon ja kolmen kuukauden välillä, riippuen kertyvästä datasta ja miten nopeasti testin tulokset valmistuvat. Google Optimizessa on tilastollisen merkitsevyyden mittari eli se kertoo, kun dataa on tarpeeksi ja A/B-testin tulokseen voi luottaa.

Kampanjasivu ei välttämättä siis hyödy A/B-testauksesta, mutta silti sen mittaaminen kannattaa – analytiikka tarjoaa joka tapauksessa arvokkaita oppeja ja se, että voi vertailla eri kampanjasivuja keskenään on sekin eräänlaista testausta.

Vaikka Google Optimize on oma työkalunsa, se pohjaa Google Analyticsiin. Siksi ennen A/B-testausta on tärkeä varmistaa, että analytiikka on kunnossa ja linkitykset Googlen työkalujen välillä kunnossa.

Hypoteesit eivät ole arvauspeliä vaan testattavia päätelmiä

Hypoteesi on väittämä, jonka A/B-testi joko validoi tai hylkää. Hyvän hypoteesin tunnusmerkkejä ovat mitattavuus ja saatujen tulosten selkeä tulkittavuus. Usein hypoteesit ovat suhteellisen yksinkertaisia käyttötapauksia, joilla haetaan korkeampaan konversiota. Alla olevissa esimerkeissä hypoteesit on kirjoitettu kysymysmuotoon.

  • Kumpi bannerikuva etusivulla konvertoi paremmin, tuotekuvallinen vai brändikuvallinen?
  • Jos yhteydenottolomakkeen painikkeesta tehdään koko sivun levyinen, nostaako se yhteydenottojen määrää?
  • Jos yhteydenottolomakkeen painikkeen väriä muutetaan, nostaako se yhteydenottojen määrää?
  • Voidaanko mobiilisovelluksen latausmäärää kasvattaa nostamalla sen mainos ylemmäs etusivulla?
  • Nostaako hinnan lisääminen tuotesivulle konversiota vai riittääkö, että hinta löytyy erillisestä hinnastosta?
  • Nostaako toimitustapojen esittely tuotesivulla ostojen määrää?
  • Nostaako vaatteiden kokotaulukko tuotesivulla ostojen määrää?
  • Nostaako 50% isompi tuotekuva tuotesivulla ostojen määrää?
  • Nostaako yksi tuotesuosittelu vai useampi tuotesuosittelu lisämyyntiä enemmän ostokorinäkymässä?
  • Nostaako copy-teksti ”Muut käyttäjät ostivat näitä tuotteita” suositelluissa lisämyyntituotteissa konversiota enemmän kuin ”Katso myös nämä tuotteet” -teksti?


Kun hypoteesi tai kysymys on valmis, testille tehdään suunnitelma ja ideoidaan muuttujat ja niiden variaatiot sekä luodaan dokumentaatio. Lisäksi asetetaan ja testataan analytiikka ja konversiopisteet sivustolla testiä varten.

Mitä kannattaa ottaa huomioon A/B-testauksen aloituksessa?

Teitpä A/B-testausta itse tai kumppanin kanssa, tämän listan opeilla pääset jo pitkälle.

  • Laita Google Analytics kuntoon. Google Optimize kytketään Google Analyticsiin ja luodaan tai valitaan konversiot, joita halutaan mitata. Jos Google Analyticsin datan kerääminen tai mittaaminen on asetettu väärin, ei A/B-testinkään tuloksiin voi luottaa.
  • Käytä Google Tag Manageria. Google Tag Managerin kautta hallitaan kaikkia sivustolle laitettavia työkalu- ja analytiikkakoodeja keskitetysti. Nykyään on testattu paras käytäntö asentaa aina Tag Manager sivustolle ja sen kautta lisätä mm. Google Optimizen että Google Analyticsin koodit – ei siis lisätä eri koodeja suoraan sivustolle yksittäin.
  • Asenna Google Optimize oikein. Google Optimizen asentaminen oikeaan kohtaan sivua on tärkeää, ja voi väärin asennettuna aiheuttaa kävijälle virheellisiä animaatioita tai vaihtuvaa ja vilkkuvaa sisältöä alkuperäiseltä sivustolta, vaikka sen tarkoitus on näyttää vain testisivun sisältöä. Oikeaoppisessa asennuksessa katsotaan sivun latausjärjestys tarkasti ja testataan näkymät huolella.
  • Luo mitattavat hypoteesit. Vahvan hypoteesin ja helposti mitattavien konversioiden A/B-testaus on helppoa. Sen sijaan jonkin laajemman määreen kuten vaikkapa asiakaskokemuksen mittaaminen on vaikeaa A/B-testauksella – sen perusteella on vaikea vastata, tuleeko asiakkaalle tehdyistä muutoksista parempi tai sujuvampi ostokokemus. ”Mustavalkoisuus” ja mitattavuus ovat ratkaisevia A/B-testeissä.
  • Aseta tavoitteet huolella Google Optimizeen. Testin tulosten tulkinta on riippuvaista työkaluun asetetuista tavoitteista, joten tähän vaiheeseen kannattaa panostaa. Huonosti määritelty konversioseuranta voi antaa jopa väärää tietoa A/B-testin tuloksista.
  • Älä unohda mobiilia. A/B-testiä voi muokata ja esikatsella myös mobiilisti. Jos A/B-testi kohdennetaan myös mobiilikäyttäjille, kaikki sisällöt pitää erikseen testata mobiilissa, jossa varsinkin erilaiset responsiiviset sisällöt kuten erikokoiset kuvat käyttäytyvät eri tavoin kuin tietokoneella.
  • Varaa A/B-testeille tarpeeksi aikaa. A/B-testaus on suhteellisen nopeaa, mutta vie silti vähintään viikkoja ennen ensimmäisiä tuloksia. Tyypillisesti ensimmäisellä viikolla teet suunnitelman, ideoit muuttujat ja variaatiot ja teet dokumentaation. Sitten käynnistät testin ja annat sen pyöriä kaksi viikkoa. Kuun viimeisellä viikolla tutkit dataa, hyväksyt tai hylkäät hypoteesin ja teet jatkotestaussuunnitelman. Lisäksi ota huomioon, että monet testatut ja hyviksi todetut muutokset vaativat devaustyötä, jotta ne voidaan implementoida pysyvästi sivustolle, tämäkin vaatii aikaa.
  • Tee yksi testi per käyttäjäpolku kerrallaan. Liian monen testin ajaminen yhtä aikaa voi hämärtää tulosten tulkintaa, koska testit voivat vaikuttaa toistensa tuloksiin. Erityisesti samalla käyttäjäpolulla lähellä toisiaan olevat kaksi testiä, vaikkapa verkkokaupan ostoskorissa tuotteen valintaan ja toimitustavan valintaan liittyvät testit, vaikeuttavat tulosten tulkintaa. Tällöin mahdollista konversion nousua on vaikea, jopa mahdoton jäljittää jompaankumpaan testiin tai niiden yhteisvaikutukseen. Jos samaan käyttäjäpolkuun kohdistuu monta hypoteesiä, rytmitä testit peräjälkeen, ei yhtä aikaa.
  • Opi negatiivisista testeistä. Välillä hypoteesi todetaan toimimattomaksi ja päätetään pitäytyä alkuperäisessä ratkaisussa sivustolla, koska se konvertoi testiä paremmin. Negatiivisetkin testit tuottavat kuitenkin arvokasta tietoa esimerkiksi konversiota laskevista UI-elementeistä ja tätä tietoa voidaan hyödyntää designissa. Lisäksi hypoteesista on usein mahdollista tehdä uusi versio ja testata sitä karttuneella tiedolla. Usein negatiivisista testeistä päästään lopulta positiivisiin testeihin, kunhan hypoteesia jatkojalostetaan.
  • Ota designer mukaan A/B-testaukseen. Sivuston ulkoasun vähänkään merkittävämmissä testeissä ja erityisesti kokonaisten sivujen vertailussa on tärkeä ottaa huomioon esimerkiksi brändiohjeistukset ja tässä kannattaa luottaa designerin silmään. Lisäksi UI/UX-designerit voivat käyttäjäkokemuksen asiantuntijoina auttaa A/B-testien ideoinnissa.


Jos verkkopalvelun konversion nostaminen on asetettu tavoitteeksi, A/B-testaus on lähes aina yksi keinoista. A/B-testauksen aloitusta nopeuttaa se, jos toteuttajalla on entuudestaan kokemusta mikä testeissä toimii, valmiita ideoita ja benchmarkeja toimialalta tai vastaavista palveluista sekä analytiikkaosaamista. Myös ymmärrys ja kokemus UI/UX:sta auttaa paljon.

Usein A/B-testit voi aloittaa yhdellä tai kahdella testillä ja sitten tarvittaessa laajentaa testauskokonaisuutta. Tässä kannattaa ottaa huomioon Google Optimizen kohdalla ilmaisen ja maksullisen version erot: ilmaisversiossa on mahdollista tehdä vain 5 yhtäaikaista testiä ja lisäksi käyttäjien segmentointi on rajoitettu eikä esimerkiksi iän mukaan segmentointi tai kohdentaminen onnistu.

Negatiiviset A/B-testit eivät ole epäonnistumisia vaan askel kohti tuottavia konversio-optimointi-ideoita.