提出假设后,您需要开始测试它。简而言之,您需要尝试执行它所说的内容。
然而,为了同时实现同一目标而测试多个假设是不值得的。换句话说,如果你有两个关于提高阅读速度的假设,请依次测试它们。否则,评估结果可能会出现困难,因为一种假设的效果将与另一种假设的结果相结合。
同时,还需要监测可能影响研究对象的其他外部原因。例如,当销量增加时,与其说是你的创新,不如说是博主的意外评论。
因此,您应该监视外部变化,并尝试在 ig数据库 没有任何外部影响的情况下检验假设。如果您仍然遗漏了某些内容,则应该重新检查假设。
如何实现网站流量和销量的成倍增长?
阿列克谢·博亚金
德米特里·斯维斯图诺夫
SEO 及开发部主管
在我的个人博客上阅读更多帖子:
我一直关心迈向一个全新水平的问题。这样指标的提升不是2、3倍,而是一般几个数量级。例如,如果我们谈论一个网站,从一千次访问到一万次或从一万次到十万次。
我知道,这样的飞跃始终是五个方面艰苦努力的结果:
站点的技术状况。
搜索引擎优化。
站点语义的集合。
创建有用的内容。
致力于转换。
与此同时,每位经理都需要增加销售额和网站的申请数量。
为了实现这种增长,请从网站下载我们用于增加销售额的分步模板:
下载模板
已下载
152991
数据
一旦形成假设并采取必要的行动,您就需要开始提取有价值的信息。为此,您应该决定指标。如果在营销领域内创建一个假设,那么我们谈论的是广告点击次数、销售数量等等。为此,您只需打开统计数据并了解是否有阳性结果。
在自我发展方面,你应该关注明确的成功标准——阅读速度、各种智力测试等。决定如何评估你的假设的真实性或虚假性。
有时最好尝试再次识别数据并继续尝试,直到指标尽可能准确。是的,这需要时间和大量的工作,但结果是值得的。当需要测试很多依赖的大规模假设时,这尤其有意义。
结论
数据提取完成后,您就可以开始分析它。在两种情况下你需要对假设进行调整:如果事实证明它是正确的,或者如果在这个阶段仍然没有令人满意的效果,但你确信如果你改变它,就会得到期望的结果。
但是,如果一个选项或另一个选项都不符合您的情况描述,那么您需要保留所有内容,然后继续检查下一个假设。
一旦您注意到适用于您所在领域的原则,请测试几种实施该原则的方法。例如,您可以尝试几种构建记笔记信息的技巧,以便更轻松地重复所学内容。换句话说,如果您确定对材料进行分类是有益的,那么立即尝试多种方法来实施它。
检验假设时的数据分析
在这种情况下,建议准确查明假设是否实际上是错误的,或者是否由于某些可以改变的因素而无效。
找到一种方法来完善旧的假设后,您可以尝试再次测试它。很可能这一次你会成功。
除了上述所有内容之外,值得注意的是,您不应该过多关注验证假设。寻找一种增加收入的新方法是一个非常宝贵的机会,但最重要的是假设的可行性。
仅仅确定假设是否正确是不够的。需要从中提取尽可能多的有用数据,并将其转化为令人满意的结果。就其本身而言,有关假设的知识没有任何意义,因为最终目标是使其成为实现目标的有效手段。
也读一下!
《营销部KPI:11项指标及计算示例》
更多详情
A/B 测试来检验假设
A/B 测试或拆分测试(拆分测试从英语翻译为“单独测试”)是一种将对照变体与测试变体进行比较的研究方法。
通过一个具体的例子最容易解释这个方法的含义。假设您的网站有一个用于选择最后一刻旅行的表格 - 它将是选项 A。同时,您认为:如果以明亮的颜色突出显示(版本 B),将会有更多的销售额。要了解这些想法中哪一个更可行,您可以尝试实现每个想法,然后比较在具有统计权重的流量上获得的结果。这正是A/B测试的原理。
通常,会检查两个选项,但还可以进行更多此类测试。例如,如果您要尝试不同颜色的不同形状的机票。在这种情况下,测试实际上与标准测试没有什么不同:您需要比较两个选项,确定最有效的一个,将其与下一个进行比较,等等。
请记住,营销中没有标准,因此即使其他品牌成功地使用了特定方法,它也可能不适合您的目标受众。因此,你不应该关注理论计算和有关有效技术的谣言,而应该进行自己的研究。
A/B 测试来检验假设
A/B 测试的阶段
提出假设
“让我们尝试让页面更畅销”这句话太弱,不足以成为 A/B 测试的充分基础。应该更准确地定义特定决策的目的和原因:“目前,由于页面元素放置在错误的位置,我们看到转化率较低,但如果我们将其放置在不同的区域,那么转化率可能会增加。 ”
确定变换的边界
A/B 测试仅针对一个元素进行一次,而不是针对多个元素进行一次。如果我们讨论的是整个页面,那么就不可能进行此检查。任何变化都意味着进一步的后果,可以用定性指标(更好/更差)或绝对值(2、10、20、100等)来表达。
通过转换 2 个或更多元素,您将得到一个不够具体的结果。您只能识别有关结果的一般信息。这仅在从头开始创建网站时才有意义(选择整个概念,您可以进一步细化它,而不是为了设计一个元素)。
确定 A/B 测试的持续时间
测试的持续时间取决于站点流量。最合适的期限是14天或更长。