Cloud Intelligence ທີ່ດີທີ່ສຸດ: ວິທີການໃຊ້ສະຖິຕິເຄື່ອງຈັກເພື່ອການທົດສອບ A/B ທີ່ສະຫຼາດກວ່າ, ແລະໄວກວ່າ

ກົນຈັກສະຖິຕິທີ່ດີທີ່ສຸດແລະຍຸດທະສາດການທົດສອບ A/B

ຖ້າເຈົ້າກໍາລັງຊອກຫາດໍາເນີນໂຄງການທົດລອງເພື່ອຊ່ວຍທົດສອບທຸລະກິດຂອງເຈົ້າແລະຮຽນຮູ້, ເຈົ້າກໍາລັງໃຊ້ໂອກາດຢູ່ Cloud Intelligence ທີ່ດີທີ່ສຸດ - ຫຼືຢ່າງ ໜ້ອຍ ເຈົ້າໄດ້ເບິ່ງມັນແລ້ວ. Optimizely ເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບທີ່ສຸດໃນເກມ, ແຕ່ຄືກັບເຄື່ອງມືອັນໃດອັນ ໜຶ່ງ, ເຈົ້າອາດຈະໃຊ້ມັນຜິດຖ້າເຈົ້າບໍ່ເຂົ້າໃຈວ່າມັນເຮັດວຽກແນວໃດ. 

ແມ່ນຫຍັງເຮັດໃຫ້ Optimizely ມີພະລັງຫຼາຍ? ຫຼັກຂອງຊຸດຄຸນສົມບັດຂອງມັນແມ່ນເຄື່ອງຈັກສະຖິຕິທີ່ມີຂໍ້ມູນແລະເຂົ້າໃຈໄດ້ຫຼາຍທີ່ສຸດຢູ່ໃນເຄື່ອງມືຂອງພາກສ່ວນທີສາມ, ຊ່ວຍໃຫ້ເຈົ້າສາມາດສຸມໃສ່ການດໍາເນີນການທົດສອບທີ່ສໍາຄັນໄດ້ຫຼາຍຂຶ້ນ-ໂດຍບໍ່ຈໍາເປັນຕ້ອງກັງວົນວ່າເຈົ້າກໍາລັງຕີຄວາມຜິດຂອງຜົນການຊອກຫາຂອງເຈົ້າ. 

ຄືກັນກັບການສຶກສາຕາບອດແບບດັ້ງເດີມຢູ່ໃນການແພດ, A ການທົດສອບ / B ຈະສະແດງໃຫ້ເຫັນແຕກຕ່າງກັນ ການປິ່ນປົວ ຈາກເວັບໄຊຂອງເຈົ້າກັບຜູ້ໃຊ້ທີ່ແຕກຕ່າງກັນເພື່ອປຽບທຽບປະສິດທິພາບຂອງການປິ່ນປົວແຕ່ລະອັນ. 

ສະຖິຕິຈາກນັ້ນຊ່ວຍໃຫ້ພວກເຮົາເຮັດຂໍ້ສະຫຼຸບກ່ຽວກັບວ່າການປິ່ນປົວນັ້ນມີປະສິດທິພາບແນວໃດໃນໄລຍະຍາວ. 

ເຄື່ອງມືທົດສອບ A/B ສ່ວນໃຫຍ່ອາໄສ ໜຶ່ງ ໃນສອງປະເພດຂອງຂໍ້ມູນສະຖິຕິ: ສະຖິຕິເລື້ອຍentຫຼື Bayesian. ແຕ່ລະໂຮງຮຽນມີຂໍ້ດີແລະຂໍ້ເສຍຕ່າງ various - ສະຖິຕິເລື້ອຍentຮຽກຮ້ອງໃຫ້ມີການແກ້ໄຂຂະ ໜາດ ຕົວຢ່າງລ່ວງ ໜ້າ ຂອງການທົດລອງ, ແລະສະຖິຕິຂອງ Bayesian ສ່ວນໃຫຍ່ແມ່ນເອົາໃຈໃສ່ໃນການຕັດສິນໃຈໄປໃນທິດທາງທີ່ດີຫຼາຍກວ່າການລະບຸຕົວເລກອັນດຽວເພື່ອຜົນກະທົບ, ເພື່ອຕັ້ງຊື່ສອງຕົວຢ່າງ. ປະເທດມະຫາ ອຳ ນາດຂອງ Optimizely ແມ່ນມັນເປັນເຄື່ອງມືດຽວທີ່ມີຢູ່ໃນຕະຫຼາດໃນທຸກມື້ນີ້ ທີ່ດີທີ່ສຸດຂອງທັງສອງໂລກ ວິທີການ.

ຜົນສຸດທ້າຍ? Optimizely ເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດດໍາເນີນການທົດລອງໄດ້ໄວຂຶ້ນ, ເຊື່ອຖືໄດ້ຫຼາຍຂຶ້ນ, ແລະມີຄວາມຕັ້ງໃຈຫຼາຍຂຶ້ນ.

ເຖິງຢ່າງໃດກໍ່ຕາມ, ເພື່ອໃຊ້ປະໂຫຍດຢ່າງເຕັມທີ່ຈາກສິ່ງນັ້ນ, ມັນສໍາຄັນທີ່ຈະເຂົ້າໃຈສິ່ງທີ່ເກີດຂຶ້ນຢູ່ເບື້ອງຫຼັງສາກ. ນີ້ແມ່ນຄວາມເຂົ້າໃຈແລະຍຸດທະສາດ 5 ອັນທີ່ຈະເຮັດໃຫ້ເຈົ້າໃຊ້ຄວາມສາມາດຂອງ Optimizely ຄືກັບມືອາຊີບ.

ຍຸດທະສາດ #1: ເຂົ້າໃຈວ່າບໍ່ແມ່ນການວັດແທກທັງAreົດຖືກສ້າງຂື້ນເທົ່າກັນ

ໃນເຄື່ອງມືທົດສອບເກືອບທັງ,ົດ, ບັນຫາທີ່ຖືກເບິ່ງຂ້າມໂດຍທົ່ວໄປແມ່ນການເພີ່ມການຕິດຕາມແລະການຕິດຕາມເປັນສ່ວນ ໜຶ່ງ ຂອງການທົດສອບຂອງເຈົ້າ, ມີໂອກາດຫຼາຍທີ່ເຈົ້າຈະເຫັນການສະຫຼຸບທີ່ບໍ່ຖືກຕ້ອງອັນເນື່ອງມາຈາກໂອກາດສຸ່ມ (ໃນສະຖິຕິ, ອັນນີ້ເອີ້ນວ່າ“ ບັນຫາການທົດສອບຫຼາຍອັນ” ”). ເພື່ອຮັກສາຜົນໄດ້ຮັບທີ່ເຊື່ອຖືໄດ້, Optimizely ໃຊ້ຊຸດຂອງການຄວບຄຸມແລະການແກ້ໄຂເພື່ອຮັກສາໂອກາດຂອງເຫດການທີ່ຈະເກີດຂຶ້ນຕໍ່າທີ່ສຸດເທົ່າທີ່ຈະເປັນໄປໄດ້. 

ການຄວບຄຸມແລະການແກ້ໄຂເຫຼົ່ານັ້ນມີຜົນສະທ້ອນສອງຢ່າງເມື່ອເຈົ້າໄປຕັ້ງການທົດສອບໃນ Optimizely. ທຳ ອິດ, ເຄື່ອງວັດທີ່ເຈົ້າຕັ້ງໃຫ້ເປັນຂອງເຈົ້າ ການວັດແທກປະຖົມ ຈະບັນລຸຄວາມ ສຳ ຄັນທາງສະຖິຕິໄວທີ່ສຸດ, ສິ່ງອື່ນ other ທັງconstantົດຄົງທີ່. ອັນທີສອງ, ເຈົ້າຈະເພີ່ມການວັດແທກເຂົ້າໄປໃນການທົດລອງໃດ ໜຶ່ງ, ການວັດແທກໃນພາຍຫຼັງຂອງເຈົ້າຈະໃຊ້ເວລາດົນຂຶ້ນເພື່ອບັນລຸຄວາມສໍາຄັນທາງສະຖິຕິ.

ເມື່ອວາງແຜນການທົດລອງ, ໃຫ້ແນ່ໃຈວ່າເຈົ້າຮູ້ວ່າເຄື່ອງວັດແທກອັນໃດຈະເປັນຄວາມຈິງ ເໜືອ ຂອງເຈົ້າໃນຂະບວນການຕັດສິນໃຈຂອງເຈົ້າ, ຈົ່ງເຮັດໃຫ້ໄດ້ມາດຕະຖານຫຼັກຂອງເຈົ້າ. ຈາກນັ້ນ, ຮັກສາລາຍຊື່ການວັດແທກສ່ວນທີ່ເຫຼືອຂອງເຈົ້າໃຫ້ຮຽບຮ້ອຍໂດຍການລຶບອັນໃດອັນ ໜຶ່ງ ທີ່ບໍ່ເປັນປະໂຫຍດຫຼືມີຄວາມ.າຍເກີນໄປ.

ຍຸດທະສາດ #2: ສ້າງຄຸນລັກສະນະແບບລູກຄ້າຂອງເຈົ້າເອງ

Optimizely ເປັນສິ່ງທີ່ດີຫຼາຍໃນການໃຫ້ວິທີທີ່ ໜ້າ ສົນໃຈແລະເປັນປະໂຫຍດແກ່ເຈົ້າໃນການແບ່ງສ່ວນຜົນການທົດລອງຂອງເຈົ້າ. ຕົວຢ່າງ, ເຈົ້າສາມາດກວດເບິ່ງວ່າການປິ່ນປົວສະເພາະໃດ ໜຶ່ງ ເຮັດໄດ້ດີກວ່າຢູ່ໃນຄອມພິວເຕີກັບມືຖື, ຫຼືສັງເກດເຫັນຄວາມແຕກຕ່າງລະຫວ່າງແຫຼ່ງທີ່ມາຂອງການສັນຈອນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ໂຄງການທົດລອງຂອງເຈົ້າຈະເລີນຂຶ້ນ, ເຈົ້າຈະປາຖະ ໜາ ຢ່າງໄວສໍາລັບພາກສ່ວນໃ--່-ເຫຼົ່ານີ້ອາດຈະເຈາະຈົງໃສ່ກໍລະນີການນໍາໃຊ້ຂອງເຈົ້າ, ເຊັ່ນ: ພາກສ່ວນສໍາລັບການຊື້ຄັ້ງດຽວທຽບກັບການຊື້ການສະັກໃຊ້, ຫຼືໂດຍທົ່ວໄປເປັນ“ ນັກທ່ອງທ່ຽວໃvs.່ກັບຄືນມາ” (ເຊິ່ງ, ກົງໄປກົງມາ, ພວກເຮົາຍັງບໍ່ສາມາດຫາເຫດຜົນໄດ້ວ່າເປັນຫຍັງຈິ່ງບໍ່ໄດ້ສະ ໜອງ ອອກຈາກກ່ອງ).

ຂ່າວດີແມ່ນວ່າຜ່ານພາກສະ ໜາມ Project Javascript ຂອງ Optimizely, ວິສະວະກອນທີ່ຄຸ້ນເຄີຍກັບ Optimizely ສາມາດສ້າງຈໍານວນຂອງຄຸນລັກສະນະທີ່ກໍານົດເອງທີ່ ໜ້າ ສົນໃຈທີ່ຜູ້ເຂົ້າຊົມສາມາດຖືກມອບtoາຍໃຫ້ແລະແບ່ງຕາມ. ຢູ່ທີ່ Cro Metrics, ພວກເຮົາໄດ້ສ້າງໂມດູນຫຼັກຊັບຈໍານວນ ໜຶ່ງ (ເຊັ່ນ:“ ນັກທ່ອງທ່ຽວໃvs.່ກັບຄືນມາ”) ທີ່ພວກເຮົາຕິດຕັ້ງໃຫ້ກັບລູກຄ້າຂອງພວກເຮົາທັງviaົດຜ່ານ Project Javascript ຂອງເຂົາເຈົ້າ. ການນໍາໃຊ້ຄວາມສາມາດນີ້ແມ່ນຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງທີມງານຜູ້ໃຫຍ່ທີ່ມີຊັບພະຍາກອນເຕັກນິກທີ່ເtoາະສົມເພື່ອຊ່ວຍເຂົາເຈົ້າປະຕິບັດ, ແລະທີມທີ່ຕໍ່ສູ້ເພື່ອບັນລຸຄວາມສາມາດເຕັມທີ່ຂອງການທົດລອງ.

ຍຸດທະສາດ #3: ສຳ ຫຼວດຕົວເລັ່ງສະຖິຕິຂອງ Optimizely

ຄຸນະລັກສະນະເຄື່ອງມືການທົດສອບທີ່ມີຫຼາຍເກີນໄປເລື້ອຍ is ແມ່ນຄວາມສາມາດໃນການໃຊ້“ ກຸ່ມໂຈນທີ່ປະກອບອາວຸດຫຼາຍຊະນິດ”, ປະເພດຂອງຂັ້ນຕອນວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີການປ່ຽນແປງແບບເຄື່ອນໄຫວບ່ອນທີ່ການສັນຈອນຂອງເຈົ້າຖືກຈັດສັນໃນລະຫວ່າງການທົດລອງ, ເພື່ອສົ່ງຜູ້ເຂົ້າຊົມຫຼາຍຄົນໄປທີ່“ ຊະນະ” ການປ່ຽນແປງທີ່ເປັນໄປໄດ້. ບັນຫາຂອງກຸ່ມໂຈນທີ່ປະກອບອາວຸດຫຼາຍຄົນແມ່ນຜົນຂອງພວກມັນບໍ່ແມ່ນຕົວຊີ້ວັດທີ່ ໜ້າ ເຊື່ອຖືຂອງການປະຕິບັດໃນໄລຍະຍາວ, ສະນັ້ນກໍລະນີການນໍາໃຊ້ສໍາລັບການທົດລອງປະເພດເຫຼົ່ານີ້ແມ່ນຖືກຈໍາກັດຕໍ່ກັບກໍລະນີທີ່ມີຄວາມອ່ອນໄຫວຕໍ່ກັບເວລາເຊັ່ນ: ການສົ່ງເສີມການຂາຍ.

ແນວໃດກໍ່ຕາມ, ໃນທາງທີ່ດີທີ່ສຸດ, ມີປະເພດທີ່ແຕກຕ່າງກັນຂອງວິທີການໂຈນສະລັດທີ່ມີໃຫ້ກັບຜູ້ໃຊ້ໃນແຜນການທີ່ສູງກວ່າ - ຕົວເລັ່ງສະຖິຕິ (ປະຈຸບັນເອີ້ນວ່າຕົວເລືອກ“ ເລັ່ງການຮຽນຮູ້” ພາຍໃນ Bandits). ໃນການຕັ້ງຄ່ານີ້, ແທນທີ່ຈະພະຍາຍາມຈັດສັນການຈະລາຈອນໃຫ້ມີການປ່ຽນແປງທີ່ມີປະສິດທິພາບສູງສຸດ, ການຈັດສັນການຈະລາຈອນໃຫ້ມີປະສິດທິພາບໃນການປ່ຽນແປງທີ່ມີແນວໂນ້ມທີ່ຈະເຂົ້າເຖິງຄວາມສໍາຄັນທາງສະຖິຕິໄດ້ໄວທີ່ສຸດ. ວິທີນີ້, ເຈົ້າສາມາດຮຽນຮູ້ໄວຂຶ້ນ, ແລະເກັບຮັກສາຜົນການທົດສອບ A/B ແບບດັ້ງເດີມໄດ້.

ຍຸດທະສາດ #4: ເພີ່ມ Emojis ໃສ່ຊື່ Metric ຂອງເຈົ້າ

ຢູ່ glance ທໍາອິດ, ຄວາມຄິດນີ້ອາດຈະສຽງອອກຈາກສະຖານທີ່, ແມ້ແຕ່ inane. ແນວໃດກໍ່ຕາມ, ລັກສະນະຫຼັກຂອງການຮັບປະກັນວ່າເຈົ້າກໍາລັງອ່ານຜົນການທົດລອງທີ່ຖືກຕ້ອງເລີ່ມຈາກການເຮັດໃຫ້ແນ່ໃຈວ່າຜູ້ຊົມຂອງເຈົ້າສາມາດເຂົ້າໃຈຄໍາຖາມໄດ້. 

ບາງຄັ້ງເຖິງວ່າຈະມີຄວາມພະຍາຍາມທີ່ດີທີ່ສຸດຂອງພວກເຮົາ, ຊື່ການວັດແທກສາມາດກາຍເປັນຄວາມສັບສົນ (ລໍຖ້າ - ໄຟວັດແທກນັ້ນເມື່ອຄໍາສັ່ງໄດ້ຮັບການຍອມຮັບ, ຫຼືໃນເວລາທີ່ຜູ້ໃຊ້ຕີຫນ້າຂອບໃຈ?), ຫຼືການທົດລອງມີຫຼາຍຕົວຊີ້ວັດທີ່ເລື່ອນຂຶ້ນແລະລົງຜົນໄດ້ຮັບ ຫນ້ານໍາໄປສູ່ການ overload ມັນສະຫມອງທັງຫມົດ.

ການເພີ່ມ emojis ໃສ່ຊື່ການວັດແທກຂອງເຈົ້າ (ເປົ້າ,າຍ, ເຄື່ອງcheckາຍຖືກສີຂຽວ, ແມ່ນແຕ່ກະເປົmoneyາເງິນໃຫຍ່ກໍ່ສາມາດເຮັດວຽກໄດ້) ສາມາດສົ່ງຜົນໃຫ້ ໜ້າ ຕ່າງ that ສາມາດສະແກນໄດ້ຫຼາຍຂຶ້ນ. 

ເຊື່ອພວກເຮົາ - ການອ່ານຜົນອອກມາຈະຮູ້ສຶກງ່າຍຂຶ້ນຫຼາຍ.

ຍຸດທະສາດ #5: ພິຈາລະນາຄືນໃLevel່ລະດັບຄວາມ ສຳ ຄັນທາງສະຖິຕິຂອງເຈົ້າ

ຜົນໄດ້ຮັບຖືວ່າເປັນຂໍ້ສະຫຼຸບໄດ້ໃນແງ່ຂອງການທົດລອງ Optimizely ເມື່ອພວກມັນມາຮອດ ຄວາມ ສຳ ຄັນທາງສະຖິຕິ. ຄວາມ ສຳ ຄັນທາງສະຖິຕິແມ່ນເປັນ ຄຳ ສັບທາງຄະນິດສາດທີ່ຫຍຸ້ງຍາກ, ແຕ່ໂດຍພື້ນຖານແລ້ວມັນເປັນຄວາມເປັນໄປໄດ້ທີ່ການສັງເກດການຂອງເຈົ້າເປັນຜົນມາຈາກຄວາມແຕກຕ່າງທີ່ແທ້ຈິງລະຫວ່າງສອງປະຊາກອນ, ແລະບໍ່ພຽງແຕ່ມີໂອກາດແບບສຸ່ມເທົ່ານັ້ນ. 

ລະດັບຄວາມ ສຳ ຄັນທາງສະຖິຕິທີ່ລາຍງານຂອງ Optimizely ແມ່ນ“ ຖືກຕ້ອງສະເ ”ີ” ຍ້ອນແນວຄວາມຄິດທາງຄະນິດສາດເອີ້ນວ່າ ການທົດສອບຕາມລໍາດັບ - ອັນນີ້ເຮັດໃຫ້ພວກເຂົາມີຄວາມ ໜ້າ ເຊື່ອຖືຫຼາຍກ່ວາເຄື່ອງມືການທົດສອບອື່ນ other, ເຊິ່ງມັກຈະມີບັນຫາ“ ການຈອບເບິ່ງ” ທຸກປະເພດຖ້າເຈົ້າອ່ານໄວເກີນໄປ.

ມັນຄຸ້ມຄ່າທີ່ຈະພິຈາລະນາລະດັບຄວາມ ສຳ ຄັນທາງສະຖິຕິອັນໃດທີ່ເຈົ້າຖືວ່າມີຄວາມ ສຳ ຄັນຕໍ່ກັບໂຄງການທົດສອບຂອງເຈົ້າ. ໃນຂະນະທີ່ 95% ແມ່ນສົນທິສັນຍາໃນຊຸມຊົນວິທະຍາສາດ, ພວກເຮົາກໍາລັງທົດສອບການປ່ຽນແປງເວັບໄຊທ,, ບໍ່ແມ່ນການສັກວັກຊີນ. ອີກທາງເລືອກ ໜຶ່ງ ທີ່ພົບເລື້ອຍໃນໂລກທົດລອງ: 90%. ແຕ່ເຈົ້າເຕັມໃຈຍອມຮັບຄວາມບໍ່ແນ່ນອນ ໜ້ອຍ ໜຶ່ງ ເພື່ອດໍາເນີນການທົດລອງໄດ້ໄວຂຶ້ນແລະທົດສອບແນວຄວາມຄິດຫຼາຍຂຶ້ນບໍ? ເຈົ້າສາມາດໃຊ້ 85% ຫຼືແມ້ແຕ່ 80% ຄວາມສໍາຄັນທາງສະຖິຕິ? ການມີເຈດຕະນາກ່ຽວກັບຄວາມສົມດຸນຂອງລາງວັນຄວາມສ່ຽງຂອງເຈົ້າສາມາດຈ່າຍເງິນປັນຜົນຈໍານວນຄະແນນໄດ້ຕະຫຼອດເວລາ, ສະນັ້ນຄິດເລື່ອງນີ້ຢ່າງລະມັດລະວັງ.

ອ່ານເພີ່ມເຕີມກ່ຽວກັບ Cloud Intelligence ທີ່ດີທີ່ສຸດ

ຫ້າຫຼັກການແລະຄວາມເຂົ້າໃຈທີ່ລວດໄວເຫຼົ່ານີ້ຈະເປັນປະໂຫຍດຢ່າງບໍ່ ໜ້າ ເຊື່ອທີ່ຈະຈື່ໄວ້ໃນຂະນະທີ່ໃຊ້ Optimizely. ຄືກັນກັບເຄື່ອງມືໃດ ໜຶ່ງ, ມັນຈະເຮັດໃຫ້ແນ່ໃຈວ່າເຈົ້າມີຄວາມເຂົ້າໃຈດີກ່ຽວກັບການປັບແຕ່ງເບື້ອງຫຼັງທັງscenesົດ, ດັ່ງນັ້ນເຈົ້າສາມາດຮັບປະກັນວ່າເຈົ້າກໍາລັງໃຊ້ເຄື່ອງມືຢ່າງມີປະສິດທິພາບແລະມີປະສິດທິພາບ. ດ້ວຍຄວາມເຂົ້າໃຈເຫຼົ່ານີ້, ເຈົ້າສາມາດໄດ້ຮັບຜົນໄດ້ຮັບທີ່ເຊື່ອຖືໄດ້ທີ່ເຈົ້າກໍາລັງຊອກຫາ, ເມື່ອເຈົ້າຕ້ອງການມັນ. 

ທ່ານຄິດແນວໃດ?

ເວັບໄຊທ໌ນີ້ໃຊ້ Akismet ເພື່ອຫຼຸດຜ່ອນການຂີ້ເຫຍື້ອ. ຮຽນຮູ້ວິທີທີ່ຂໍ້ມູນຂອງທ່ານຖືກປະຕິບັດ.