Il modo per chiudere il dibattito "facciamo questa modifica o no" con i dati e non con le opinioni è l'A/B test. Ma la maggior parte dei team testa la cosa sbagliata oppure interpreta male quella giusta. In questo articolo spieghiamo le basi dell'ottimizzazione basata su esperimenti, dalla costruzione dell'ipotesi alla dimensione del campione fino alla corretta lettura dei risultati.
Che cos'è esattamente un A/B test?
L'A/B test è un metodo per confrontare due (o più) versioni diverse della stessa pagina o dello stesso flusso, mostrando contemporaneamente una versione a una parte dei visitatori e l'altra al resto. L'obiettivo è stabilire, in modo statisticamente affidabile, quale versione ottiene risultati migliori sulla metrica scelta (tasso di conversione, aggiunte al carrello, clic).
La parola chiave qui è "statisticamente affidabile". Pubblicare due versioni in settimane diverse, una dopo l'altra, e confrontarne i risultati non è un A/B test: la differenza tra quelle due settimane può derivare dalla stagionalità, da una campagna o dal caso. In un vero A/B test i visitatori vengono suddivisi casualmente in due gruppi nello stesso intervallo di tempo, così che i fattori esterni si distribuiscano equamente su entrambi i gruppi.
Prima l'ipotesi, poi il test
Un buon A/B test non nasce da una curiosità casuale tipo "chissà cosa succede se cambiamo il colore del pulsante", ma da un'ipotesi chiara. Un'ipotesi solida contiene tre elementi: il problema che osservate nella situazione attuale, la modifica che proponete e il motivo per cui questa modifica dovrebbe funzionare.
Esempio: "Secondo i dati analitici, il 40% degli utenti abbandona il carrello quando vede le spese di spedizione nella pagina di pagamento (problema). Se mostriamo le spese di spedizione prima, nella pagina del carrello (modifica), la sensazione di costo a sorpresa diminuirà e il tasso di completamento del checkout aumenterà (motivazione)." Un'ipotesi costruita così vi insegna qualcosa indipendentemente dall'esito del test; gli esperimenti casuali, anche quando il risultato è positivo, non spiegano "perché ha funzionato". Anche prendere i dati che alimentano l'ipotesi dalla fonte giusta è importante: abbiamo spiegato come individuare esattamente in quale punto del funnel state perdendo utenti nel nostro articolo su come impostare e leggere correttamente GA4.
Cosa testare e cosa no?
Cercare di testare tutto spreca le vostre risorse. Concentratevi sulle aree ad alto impatto:
- Pagine ad alto traffico: homepage, pagine prodotto più vendute e flusso di checkout; ottenere un risultato significativo su una pagina con poco traffico può richiedere mesi,
- Punti decisionali: testo e colore della call to action, visualizzazione del prezzo, trasparenza sulle spese di spedizione, ordine delle immagini prodotto,
- Elementi di fiducia: posizione di recensioni e valutazioni, badge di pagamento sicuro, evidenza della politica di reso.
Al contrario, dettagli a basso impatto come spostare il logo del brand di qualche pixel generalmente non vale la pena testarli; questo tipo di modifiche può essere lasciato alla preferenza di design. Riservate le vostre risorse alle modifiche con maggiore probabilità di fare davvero la differenza. Per aree sensibili come la visualizzazione del prezzo, leggere il nostro articolo sulla psicologia del pricing prima di impostare un test rende più facile capire quali varianti valga la pena provare.
La tabella seguente riassume esempi di variazioni e metriche da misurare per quattro aree comunemente testate:
| Tipo di test | Esempio di variazione | Metrica da misurare |
|---|---|---|
| Test del titolo | Titolo incentrato sulle caratteristiche vs. titolo incentrato sul risultato | Tasso di scroll, avvio form |
| Test dell'immagine | Scatto in studio vs. immagine d'uso reale | Tasso di conversione della pagina prodotto |
| Test della CTA | "Aggiungi al carrello" vs. "Acquistalo ora" | Tasso di clic, aggiunte al carrello |
| Test del prezzo | Prezzo intero vs. visualizzazione con enfasi sulla rata | Tasso di completamento del checkout |
Una sola variabile alla volta
L'errore più comune è cambiare più di una cosa nello stesso test: modificare contemporaneamente titolo, immagine e testo del pulsante, per poi ridurre il risultato a una singola affermazione tipo "la versione B è migliore". Anche se il risultato è positivo, non saprete mai quale modifica ha causato la differenza, e la lezione appresa non potrà essere applicata alla pagina successiva.
Testare una sola variabile può sembrare una strada più lenta verso i risultati, ma nel lungo periodo accumula un apprendimento molto più ricco e applicabile. Se volete provare più modifiche contemporaneamente, usate un metodo pensato per questo, come il test multivariato; richiede molto più traffico e in genere non è pratico per negozi piccoli o medi.
"Un A/B test non vi dà la risposta giusta; vi mostra quanto bene avete posto la domanda giusta."
Dimensione del campione e durata: non fermatevi troppo presto
Interrompere un test dopo pochi giorni perché "la versione B sembra al momento in vantaggio" è il secondo errore più comune. Le naturali oscillazioni del traffico possono creare un vantaggio iniziale fuorviante nei primi giorni del test; con il tempo questo divario può ridursi o addirittura invertirsi.
Prima di avviare un test, stimate approssimativamente quanto durerà: il tasso di conversione attuale, il miglioramento atteso e il traffico giornaliero determinano la dimensione del campione necessaria. I calcolatori online della dimensione del campione forniscono questa stima in pochi minuti. Come regola generale, non traete conclusioni prima di aver eseguito il test per almeno uno o due cicli settimanali completi (per catturare la differenza di comportamento tra feriali e weekend) e non fermatevi prima di raggiungere la soglia di significatività statistica (di solito un livello di confidenza del 95%).
Se ottenere un risultato significativo su pagine a basso traffico è difficile, testate un passaggio precedente del funnel invece dell'acquisto diretto — micro-conversioni come l'aggiunta al carrello o l'avvio di un form; su questi passaggi il campione si accumula più velocemente e potete arrivare prima a una decisione.
Riassumendo, un A/B test sano procede in questo ordine:
- Scrivete un'ipotesi chiara e basata sui dati (problema, modifica, motivazione),
- Individuate una sola variabile e scegliete la metrica da misurare,
- Calcolate la dimensione del campione necessaria e la durata stimata,
- Eseguite il test senza interruzioni per almeno uno o due cicli settimanali completi,
- Leggete il risultato per segmento, non solo sulla media generale.
Cosa considerare nell'interpretazione dei risultati
Il test è finito e la versione B ha vinto; e adesso? Prima di tutto, verificate se il risultato è coerente tra i segmenti: la versione che vince su mobile potrebbe perdere su desktop. Controllare il risultato per dispositivo, fonte di traffico e visitatori nuovi o di ritorno fa emergere contraddizioni che la media generale nasconde.
Inoltre, "statisticamente significativo" e "rilevante in pratica" sono due cose diverse. Un miglioramento dello 0,2% può risultare statisticamente significativo senza fare una differenza pratica per la vostra attività. Prima di implementare la versione vincente, calcolate a quanto corrisponde davvero quella differenza in termini di fatturato o di impatto operativo; potete trovare altri modi per aumentare il tasso di conversione oltre all'A/B test nel nostro articolo sui 7 metodi collaudati per aumentare il tasso di conversione.
Checklist prima del test
- Avete scritto un'ipotesi chiara (problema, modifica, motivazione)?
- State testando una sola variabile?
- Avete calcolato la dimensione del campione necessaria e la durata stimata del test?
- State pianificando di eseguire il test per almeno un ciclo settimanale completo?
- Controllerete il risultato per segmento (dispositivo, canale)?
- Valuterete anche l'impatto pratico/commerciale, oltre alla significatività statistica?
L'A/B test è uno degli strumenti più pratici per conciliare intuito e dati; se impostato correttamente, sposta i dibattiti dalla sala riunioni al comportamento reale degli utenti. Poiché i componenti di pagina prodotto, carrello e flusso di checkout nei negozi basati sull'infrastruttura Şimşek Software sono configurabili in modo flessibile, testare una versione contro l'altra significa modificare alcune impostazioni dal pannello, non scrivere codice.