İçindekiler
E-ticarette "büyük bir karar" ile "küçük bir test" arasındaki fark genellikle gelirin yüzde 10-30'udur. Hangi reklam görseli daha çok tıklanır? Hangi başlık daha çok satar? CTA "Hemen Al" mı yoksa "Sepete Ekle" mi daha güçlü? Sezgisel cevaplar genellikle yanılır; A/B test bu sorulara veri tabanlı, istatistiksel olarak doğrulanmış cevaplar verir.
Bu rehberde A/B testin temel kavramlarından hipotez oluşturmaya, reklam ve landing page testlerinden istatistiksel anlamlılığa kadar her adımı ele alıyoruz. Dönüşüm oranı artırma rehberimizi ve Google Ads bütçe planlama rehberimizi okuduysanız bu yazı test metodolojisi boyutunu tamamlıyor.
A/B Test: Temel Veriler
Yüzde 77 oranında A/B test kullanımı: Yüksek dönüşüm oranına sahip e-ticaret sitelerinin yüzde 77'si düzenli A/B test uyguluyor (CXL Institute, 2024).
1:7 ROI: Düzenli A/B test yapan e-ticaret markaları test maliyetinin 7 katı geri dönüş elde ediyor (Invesp, 2023).
Yüzde 80 başarısızlık: A/B testlerinin yüzde 80'i istatistiksel anlamlı sonuç vermiyor; bu bir başarısızlık değil, hipotezi reddetmenin geçerli sonucu.
Yüzde 5 etki büyüklüğü: Tipik bir A/B testte tespit edilebilen minimum etki yüzde 5. Daha küçük etkiler için çok daha büyük örneklem gerekir.
Neden A/B Test? Sezgi mi, Veri mi?
A/B test, dijital pazarlamanın deney yöntemidir. Pazarlama kararlarının "bence böyle daha iyi olur" sezgisinden, "veriler bu kararı destekliyor" çerçevesine geçişini sağlar. Özellikle yüksek bütçeli reklam kampanyalarında ve büyük trafikli landing page'lerde test edilmeyen her değişiklik kayıp riski taşır.
Sezgisel Karar
- ✓"Bu görsel daha çekici" varsayımı
- ✓Tasarımcı veya yöneticinin tercihi
- ✓Trend takibi (rakip yaptı, biz de yaparız)
- ✓Geçen seferki kampanya formülü
- ✓Test edilmemiş best practice'ler
Veri Tabanlı Karar
- ✓Aynı koşullarda iki versiyonun karşılaştırması
- ✓İstatistiksel anlamlılık doğrulaması
- ✓Segmentlere göre kırılan sonuçlar
- ✓Yanlışlık payı (margin of error) bilinen
- ✓Tekrarlanabilir ve doğrulanabilir bulgular
A/B Test Avantajları
- ✓Düşük risk: küçük trafikle değişiklik doğrulama
- ✓ROI artışı: kazanan varyant uygulanır
- ✓Öğrenme: ekibin kullanıcı anlayışını derinleştirir
- ✓Önyargı kırma: sezgisel hatalar tespit edilir
- ✓Dönüşüm optimizasyonu (CRO) temeli
A/B Test Sınırlamaları
- ✓Yeterli trafik ve dönüşüm gereksinimi
- ✓Yenilikçi/radikal değişiklik için zayıf araç
- ✓Yalnızca test edilen değişken için cevap verir
- ✓Etkileşim etkileri (multivariate) görülmez
- ✓Kısa vadeli sonuçlar; uzun vadeli etki sınırlı
A/B Test: Temel Kavramlar
A/B testi anlamak için birkaç temel kavramı bilmek gerekir. Bu kavramlar test kurulumundan sonuç yorumlamaya kadar her aşamada karşımıza çıkar.
| Kavram | Tanım |
|---|---|
| Kontrol (A) | Mevcut versiyon; karşılaştırma temeli |
| Varyant (B) | Test edilen yeni versiyon |
| Hipotez | Test edilecek varsayım: 'X değişikliği Y metriği iyileştirir' |
| Örneklem büyüklüğü | Test edilen kullanıcı sayısı (sample size) |
| Dönüşüm oranı | Hedef olayı tamamlayan kullanıcı yüzdesi |
| İstatistiksel anlamlılık | Sonucun tesadüf olmama olasılığı (yüzde 95+ standart) |
| P-değeri | Null hipotezin (etki yok) doğru olma olasılığı; 0,05 altı anlamlı |
| Güven aralığı | Gerçek etki değerinin bulunduğu aralık (yüzde 95 standart) |
| Test gücü (Power) | Gerçek etkiyi tespit etme olasılığı (genellikle yüzde 80) |
| MDE (Minimum Detectable Effect) | Testin tespit edebileceği en küçük etki büyüklüğü |
A/B Test, Multivariate Test (MVT) ve Split URL Testi Farkı
A/B Test: Tek bir öğenin iki versiyonunu karşılaştırır (örn: yalnızca CTA butonu metni).
Multivariate Test (MVT): Birden fazla öğenin birden fazla varyantını aynı anda test eder (örn: 2 başlık × 2 görsel = 4 kombinasyon). Çok daha büyük örneklem gerektirir.
Split URL Testi: İki farklı URL'deki tamamen farklı sayfaları karşılaştırır. Radikal yeniden tasarım için kullanılır.
Hipotez Oluşturma: A/B Testin Kalbi
Test sonuçlarının kalitesi, hipotez kalitesine bağlıdır. "Şu rengi değiştirip görelim" gibi sezgisel testler düşük öğrenme değerine sahip. İyi hipotez veri tabanlı, ölçülebilir ve test sonrası tekrar uygulanabilir.
Güçlü Hipotez Formülü
Formül: "[X değişikliği] yaparsam [Y metriği] [Z miktarda] artacak çünkü [veri/araştırma kaynağı]."
Örnek: "Ürün sayfasındaki CTA butonu metnini 'Sepete Ekle'den 'Hemen Satın Al'a değiştirirsem dönüşüm oranı yüzde 8 artacak çünkü Hotjar kayıtlarında kullanıcıların ekle butonuna tıklayıp sonra sayfada kaybolduğunu görüyoruz; doğrudan satın alma niyeti gösteren bir CTA bu kararı netleştirecek."
Hipotez Kaynakları (Veri Nereden Gelir?)
Google Analytics 4
Yüksek hemen çıkma oranı, kısa oturum süresi, düşük dönüşüm rotaları
Microsoft Clarity / Hotjar
Heatmap, scroll map, kullanıcı session kayıtları
Müşteri görüşmeleri ve anketler
Satın almama nedenleri, kafa karışıklığı yaratan unsurlar
Müşteri destek ticketları
Sıkça sorulan sorular, yaygın itirazlar
Önceki A/B test sonuçları
Hangi tür değişiklik etkili oldu, hangi hipotezler doğrulandı
Rakip ve sektör araştırması
Sektör best practice'leri, rakip dönüşüm akışları
A/B Test Araçları
A/B test araçları iki ana kategoride: reklam platformları içindeki dahili araçlar ve landing page testleri için harici araçlar. Doğru aracı seçmek test kalitesini ve uygulanabilirliği belirler.
| Araç | Tür | Maliyet | Güçlü Yönü |
|---|---|---|---|
| Google Ads Deneyler | Reklam testi | Ücretsiz (Ads dahili) | Kampanya seviyesi kıyaslama |
| Meta Ads A/B Test | Reklam testi | Ücretsiz (Ads dahili) | Hedefleme/creative testi |
| TikTok Ads Split Test | Reklam testi | Ücretsiz (Ads dahili) | Hedefleme/creative testi |
| VWO | Site testi | Aylık 200 USD+ | Görsel editör, heatmap |
| Optimizely | Site testi | Kurumsal fiyat | Enterprise, MVT desteği |
| AB Tasty | Site testi | Aylık 200 USD+ | Avrupa odaklı, kişiselleştirme |
| Convert | Site testi | Aylık 100 USD+ | Bütçe dostu, GDPR uyumlu |
| Shopify Audiences / OptiMonk | Shopify mağaza | Eklenti bazlı | Shopify mağazaları için hazır |
| GA4 + manuel | Site testi | Ücretsiz | Düşük bütçe seçeneği |
Önerilen kombinasyon: Reklam testleri için Google Ads ve Meta'nın dahili A/B test araçlarını kullanın (zaten ödediğiniz reklam platformu içinde). Landing page için orta ölçekli e-ticarette VWO veya AB Tasty, kurumsalda Optimizely tercih edilir. Bütçesi sınırlı KOBİ'ler için GA4 + manuel trafik bölme yöntemi geçerlidir.
Reklam A/B Testleri: Ne Test Edilmeli?
Reklam testleri, harcamaları doğrudan optimize ettiği için en yüksek ROI sağlayan test türü. Google Ads ve Meta Ads'in dahili A/B test araçları doğru kurulumla istatistiksel anlamlı sonuç sağlar.
Görsel / Creative Testi
CTR, Cost Per Click, ROASİki farklı görsel formatı (ürün foto vs lifestyle, statik vs video), aynı başlık ve açıklama ile karşılaştırılır. E-ticarette en yüksek etki bu testtedir. Görsel testleri 7-14 günde anlamlı sonuç verebilir.
Başlık (Headline) Testi
CTR, Quality ScoreAynı görsel ve açıklama ile farklı başlık varyasyonları test edilir. 'Yüzde 30 İndirim' vs 'Tüm Ürünlerde Kampanya' gibi yaklaşım farkları belirgin etki yaratır. Google Ads'de Responsive Search Ads otomatik test sağlar.
Hedefleme Testi
CTR, CPA, ROASAynı reklamı iki farklı hedef kitleye (yeniden hedefleme vs benzer kitle, yaş aralığı varyasyonları, ilgi alanı kombinasyonları) göstererek hangi kitle en verimli sonucu üretir test edilir.
Teklif Stratejisi Testi
ROAS, Dönüşüm hacmiManual CPC vs Target CPA, Maximize Conversions vs Target ROAS gibi teklif stratejilerinin etkisi karşılaştırılır. Google Ads Deneyler aracı bu test için optimize edilmiş.
Landing Page Testi (Reklamdan)
Dönüşüm oranı, kalite skoruAynı reklam iki farklı landing page'e yönlendirilir: ürün detay sayfası vs kategori sayfası, uzun açılış sayfası vs kısa form. Reklam-sayfa uyumu kalite skorunu doğrudan etkiler.
CTA Testi
CTR, DönüşümReklamdaki çağrı butonu ('Hemen Al' vs 'Daha Fazla Bilgi' vs 'Şimdi Keşfet') farklı kullanıcı niyetlerini hedefler. Üst funnel kampanyalar için yumuşak CTA, alt funnel için sert CTA daha etkili.
Reklam testlerinizi profesyonelce kuralım
Test stratejisi, hipotez oluşturma, kampanya optimizasyonu ve sonuç analizi. Foxs Digital Google Ads ekibi.
Google Reklam YönetimiLanding Page A/B Testleri: Yüksek Etki Alanları
Landing page testleri reklam testlerinden farklı bir analizi gerektirir; çünkü dönüşüm hunisinin sonraki aşamasını etkiler. Trafiği zaten ödediğiniz bir kullanıcıyı satın alıma dönüştürmek bu testlerin amacı.
Yüksek Etkili Test Alanları
Hero Başlık (Headline)
YüksekSayfada görünen ilk metin. Değer önerisini netleştirmek vs özelliği vurgulamak farklı sonuçlar verir. Örnek: 'Yüzde 30 İndirim' vs 'Premium Kalite' karşılaştırması.
CTA Butonu (Metin + Renk)
YüksekButon metni doğrudan tıklama oranını etkiler. Renk değişikliği daha az etki yapar ancak yine de test edilebilir. 'Hemen Satın Al' vs 'Sepete Ekle' karşılaştırması klasik.
Hero Görsel / Video
YüksekÜrün foto vs lifestyle, statik görsel vs video, model görseli vs ürün izole. Görsel hero alanın yüzde 60-70'ini kaplar, etki büyüktür.
Sosyal Kanıt (Reviews, Rozet)
YüksekYorum sayısı görünür mü, ortalama puan vurgulu mu, güven rozetleri (SSL, ödeme yöntemleri) nerede konumlanıyor. Sosyal kanıt dönüşümü yüzde 12-15 artırabilir.
Fiyat Sunumu
Orta-Yüksekİndirim öncesi fiyat üstü çizili mi, taksit seçeneği görünür mü, 'ücretsiz kargo' etiketinin yeri. Fiyat algısı dönüşümü doğrudan etkiler.
Form Alanları (Sayı ve Sıralama)
Yüksek (checkout)Üyelik veya checkout formundaki alan sayısı. Her ekstra alan dönüşümü ortalama yüzde 7 düşürür. Zorunlu olmayan alanları kaldırma testi en hızlı kazanım.
Aciliyet Unsurları (Stok, Zaman)
Orta'Stokta son 3 ürün' veya 'Kampanya 2 saat sonra bitiyor' uyarıları. Doğru kullanıldığında dönüşümü yüzde 9 artırabilir; abartıldığında ters teper.
Ödeme Yöntemi Görünürlüğü
OrtaSepet sayfasında kabul edilen ödeme yöntemlerinin (Visa, Mastercard, Troy, kapıda ödeme) görünür olması güveni artırır.
Ürün sayfası optimizasyonunun detaylı unsurları için ürün sayfası optimizasyonu rehberimize ve sepet terk oranını düşürme yöntemleri için sepet terk oranı düşürme yazımıza bakabilirsiniz.
İstatistiksel Anlamlılık ve Örneklem Büyüklüğü
A/B testte en sık yapılan hata: sonuçlara istatistiksel anlamlılık kontrolü yapmadan karar vermek. "Varyant B yüzde 12 daha iyi performans gösterdi" cümlesi anlamsızdır; istatistiksel anlamlılık olmadan bu fark tesadüf olabilir.
İstatistiksel Anlamlılık Eşikleri
| Güven Seviyesi | P-Değeri | Yorumu |
|---|---|---|
| Yüzde 90 | < 0,10 | Düşük güven; ek test önerilir |
| Yüzde 95 | < 0,05 | Standart eşik; karar verilebilir |
| Yüzde 99 | < 0,01 | Yüksek güven; kritik kararlar için |
Örneklem Büyüklüğü: Ne Kadar Trafik Gerekir?
Örneklem büyüklüğü dört faktöre bağlı: baseline dönüşüm oranı, tespit etmek istediğiniz minimum etki büyüklüğü (MDE), güven seviyesi ve test gücü (genellikle yüzde 80). Hesaplamayı manuel yapmak yerine kalkülatör kullanın.
| Baseline Dönüşüm | MDE | Varyant Başına Örneklem |
|---|---|---|
| Yüzde 2 | Yüzde 10 (göreli) | ~38.000 ziyaretçi |
| Yüzde 2 | Yüzde 20 (göreli) | ~9.500 ziyaretçi |
| Yüzde 5 | Yüzde 10 (göreli) | ~14.500 ziyaretçi |
| Yüzde 5 | Yüzde 20 (göreli) | ~3.700 ziyaretçi |
| Yüzde 10 | Yüzde 10 (göreli) | ~7.000 ziyaretçi |
| Yüzde 10 | Yüzde 20 (göreli) | ~1.700 ziyaretçi |
Yaygın İstatistiksel Hatalar
Peeking (erken bakma): Test bitmeden sonuçlara bakıp karar vermek. Her bakış yanlış pozitif oranını artırır. Karar süresi ve örneklem önceden belirlenmeli.
Erken sonlandırma: "Anlamlı oldu, durduruyorum" tuzağı. Sonuç gerçekte anlamlı olmayabilir; minimum süre tamamlanmalı.
Çoklu test hatası: Aynı veride birden fazla metrik incelendiğinde yanlış pozitif olasılığı artar. Bonferroni düzeltmesi gerekebilir.
Yanlış SRM (Sample Ratio Mismatch): Trafik bölünmesi 50/50'den belirgin sapıyorsa test bozulmuş demektir; sonuçlar geçersiz.
Sonuç Analizi: Kazanan Var mı?
Test bittiğinde sonuçları doğru yorumlamak için aşağıdaki kontrol listesini uygulayın. Acele karar vermek, yanlış pozitif sonuçlara dayalı uygulamalar yapmaya yol açar.
İstatistiksel Anlamlılık Kontrolü
P-değeri 0,05'in altında mı? Güven aralığı sıfırı içeriyor mu? Test platformunun anlamlılık göstergesi (yüzde 95+) yeşil mi?
Örneklem ve Süre Kontrolü
Önceden hesaplanan minimum örneklem büyüklüğüne ulaşıldı mı? En az 7 gün test sürdü mü? Trafik bölünmesi dengeli mi (50/50)?
Segmentasyon
Sonuçları cihaza (mobil/masaüstü), kanala (organik/ücretli/sosyal), kullanıcı tipine (yeni/geri dönen) göre kırınız. Genel sonuç pozitif olsa da bir segmentte negatif olabilir.
İkincil Metrik Kontrolü
Primer metrik (dönüşüm) arttı; ancak sepet ortalaması düştü mü? Tek metriğe odaklanma yanıltıcı olabilir. Holistik resmi inceleyin.
İş Etkisi Hesaplaması
Yüzde 5 dönüşüm artışı parasal olarak ne kadar? Uygulama maliyeti haklı çıkıyor mu? Kalıcı uygulamaya alma karar verirken iş ROI'sini hesaba katın.
Belgelendirme ve Bilgi Birikimi
Test hipotezini, sonuçları, çıkarımları belgelendirin. Negatif sonuçlar da değerli; hangi yaklaşımın işe yaramadığını bilmek gelecek testleri yönlendirir.
Sıkça Sorulan Sorular
A/B test nedir?+
E-ticaret reklamlarında A/B test nasıl yapılır?+
İstatistiksel anlamlılık nedir?+
A/B test ne kadar sürer?+
Aynı anda kaç değişken test edilebilir?+
A/B test araçları hangileridir?+
Landing page A/B testinde neler test edilmeli?+
A/B test sonuçları nasıl yorumlanır?+
İlgili Yazılar
Reklam test stratejinizi birlikte oluşturalım
Test hipotezi geliştirme, kampanya kurulumu, sonuç analizi ve sürekli optimizasyon. Foxs Digital reklam ekibi.