前言
自 Google 出現並改寫規則以來,用戶對網頁的注意力時間一直在下降。對於任何一個熱門話題,都有千千萬萬條結果可供選擇,抓住訪客注意力的機會明顯變得稀缺(2002 年 BBC 的報告指出,大約只有 9 秒)。不妨想想自己瀏覽網頁的狀態:你會逐字逐句讀完全部文字和圖片,試圖徹底搞懂整頁內容嗎?最可能的答案是:「不會。」在信息的轟炸之下,我們像被寵壞的孩子,很少願意投入足夠的注意力去弄明白一個網頁到底想告訴我們什麼。
我們往往在幾毫秒內就決定要不要繼續看下去。給出良好的第一印象,是設計師與網站所有者的責任。說服訪客的機會非常小,而大多數設計(很可能也包括你)都把它當成次要工作,因為大家覺得設計只關乎美學。然而,大多數網站並非為了打動訪客而存在,而是為了銷售——無論是讓人訂閱博客還是下載試用軟件,每個網站最終都是為了「賣」點什麼。
本文將談談如何用科學的方法,透過 A/B 測試與多變量測試,為網站創造更多銷售、下載、註冊(或達成任何商業目標)。與一切科學方法一樣,本文會一步步地探索並複現那些能提高轉化率(客戶與訪客之比)的做法。你可能也會對早前發表的《終極 A/B 測試指南》感興趣。
1. 定義挑戰
怎樣讓用戶注意到你提供的東西,進而採取行動?我想在個人博客上解決那個軟件下載黃金頁面的問題。這個頁面具備所有正確元素:產品名稱、說明、認證、獎項、評分,還有一個醒目的下載鏈接。然而,只有 40% 的訪客下載了這款免費軟件。值得注意的是,這個頁面幾乎所有流量都是有針對性的——要麼來自 Google 搜索,要麼來自相關的推薦網站。那麼,剩下的 60% 為什麼不下載呢?修補這個漏洞,就是我的挑戰。

關鍵詞:清晰定義你網站(或單個網頁)的目標。
就我而言,需要的操作是讓訪客下載軟件,挑戰是把下載率從 40% 盡可能拉高。一些最常見、適合用 A/B 測試的挑戰包括:
提高註冊率、降低跳出率、增加電子報訂閱量。
提升登陸頁收集的線索數量、提高白皮書或試用版的下載量。
優化購買與促銷流程,大幅提升從訪客到客戶的轉化率。
你的網站完全可能需要同時滿足多種目的。比如一個博客,挑戰可能是既增加訂閱量、又提高訪客參與度(依評論數衡量)。這種情況下,最好的策略是一次只解決一個(清晰定義的)挑戰。

2. 提出假設
下一步,是列出一份「低轉化率原因」的假設清單。低轉化率本就難以得出準確結論(這也是它們被稱為假設的原因),但仍有三個不錯的資源可以借力:
(1)你自己:是的,就是你!雖然很難不愛自己的網站,但現在該自我批判了。試著跟著訪客的視角走一遍,看看頁面提供的東西是否足以吸引一個毫無相關背景的訪客。請記住,訪客不會一早醒來就喊:「哇,這東西太棒了!」學會批判自己的網站,是很好的改進方式。
(2)網站分析數據:另一個靈感來源是你的分析工具。具體來說,提交資料和搜索關鍵字提供了寶貴線索。比如,很多訪客是帶著你可能忽略的關鍵字來的;在這種情況下,訪客可能誤以為你提供的並非他們要找的東西而離開。針對這類情況著手改進,就能提高轉化率。
(3)可用性測試:從可用性測試中得到的反饋總會讓你驚喜。也許你會發現,訪客甚至不知道頁面提供了什麼。這種情況下,測試「激發行動」的按鈕顏色與尺寸是個不錯的辦法。如果預算有限,可以嘗試負擔得起的服務,如可用性測試或批量反饋。
關鍵點:找出哪些因素在影響轉化率。
別人的反饋未必能準確評估你的網站,你可以把自己想到的可能影響轉化的因素記錄下來。對於那個軟件下載頁,我假設下載率偏低主要有兩個原因:1、大多數訪客沒注意到下載鏈接;2、很多訪客不知道這軟件是免費的。
我推測的典型場景是:訪客進站,看到一堆文字,四處找下載鏈接,卻因某種原因沒找到(可能是標題顏色不夠突出),最後離開。而那些注意到鏈接的人,也可能懶得讀文字——哪裡有「免費」的提示呢?他們也許以為這是試用版或演示版。
你可能也會有這樣的假設:
註冊表單太長,簡化後能否提高註冊量?
「免費試用」按鈕不夠醒目,放大尺寸能否提高下載量?
標題是不是堆砌了太多行業縮寫,或者過於平淡?
著陸頁有沒有明確的下一步引導,導致大量流失?
3. A/B 測試還是多變量測試?
列完低轉化率的原因清單後,就要換個角度,為這些因素想出不同版本。以「註冊」為例,不同版本可以是:
表單差異:只有兩欄的簡化表單、不需郵箱的表單、多步驟表單、長表單。
提交按鈕差異:「提交」或「免費註冊」或「立即註冊」又或者「現在就註冊!」
如果你懷疑這些小改動無法顯著影響轉化率,不妨去讀讀 37signals 那篇「只改標題就提升註冊 30%」的文章。同樣,你也該看看 Dustin Curtis 僅把鏈接文字改為「你應該在 Twitter 上關注我」,就讓跟隨者增加了 173% 的案例。
A/B 測試
在 A/B 測試中(又稱分離測試),你一次只對比頁面上的一個因素,這個因素可能是影響轉化率的關鍵(如按鈕顏色、尺寸、廣告標題)。相比之下,多變量測試是同時測試多個因素。不過,A/B 測試比多變量測試更簡單、更容易完成。
多變量測試
在多變量測試中,你要識別頁面上影響轉化率的不同區塊/因素。這些因素各自的變化相互組合,共同造就網站的不同版本。多變量測試得出結果的時間比 A/B 測試長,但更有可能得到較好的結論。
關鍵詞:產生變化。
推導性測試
回到那個「提升軟件頁下載量」的難題。我用自己開發的工具「可視化網站優化者」,它為產生的變化提供了可視化界面,你也可以用其他軟件。一個顯而易見的做法,是讓訪客更容易注意到下載鏈接——把下載區域變成頁面中最醒目的部分。在原本的設計裡,「下載」標題的尺寸和顏色與頁面其他部分融為一體,導致人們忽略了它。
在多變量測試中,我選了頁面上兩個因素來製造變化:側邊欄的「下載」標題,以及它下面的「PDF 生產商」下載鏈接。測試聚焦於「免費」這個詞的效果,以及高亮下載區域的效果。以下是各因素的變化:
對於「下載」標題
「下載」用紅色
「免費下載」用紅色
「下載」用默認顏色,但更大的字體
對於「PDF 生產商」鏈接
「PDF 生產商」用默認顏色,但更大的字體
「PDF 生產商」用紅色
在多變量測試中,不同的變化相互組合,造就不同的網頁版本。本例裡,把上述變化組合起來,就自動生成了共 12(4×3)個版本,每個版本都有一個「下載」標題與一個「PDF 生產商」鏈接(變化 1 為受控的默認版本)。
