A/B tesztelés alapok és eszközök

Az A/B tesztelés a konverzió optimalizálás legmegbízhatóbb módszere. Ahelyett, hogy megérzés alapján változtatnál a weboldaladon, kontrollált kísérlettel méred, melyik verzió teljesít jobban. Ez az útmutató bemutatja a helyes A/B tesztelési módszertant, a leggyakoribb hibákat és a legjobb eszközöket.

Mi az A/B tesztelés és miért nélkülözhetetlen?#

Az A/B tesztelés (split testing) egy kísérlet, amelyben a weboldal forgalmát véletlenszerűen két csoportra osztod: az A csoport az eredeti verziót (kontroll), a B csoport a módosított verziót (variáns) látja. Összehasonlítod a két csoport konverziós arányát, és statisztikai módszerekkel eldöntöd, melyik teljesít jobban.

Az A/B tesztelés azért nélkülözhetetlen, mert az emberi intuíció megbízhatatlan: a CRO szakemberek hipotézisei is csak az esetek 30-40%-ában bizonyulnak helyesnek. Teszt nélkül a változtatásaid ugyanolyan valószínűséggel rontanak, mint javítanak.

Info

Az A/B tesztelés a CRO alapok cikkben bemutatott folyamat 3. lépése. Csak akkor tesztelj, ha előtte adatgyűjtéssel és hipotézissel megalapozod.

Hogyan tervezz meg egy A/B tesztet lépésről lépésre?#

1. Hipotézis felállítása#

Minden A/B teszt egy hipotézisből indul. A jó hipotézis struktúrája: „Ha [változtatás], akkor [metrika] [irány]-ba változik, mert [ok]."

Rossz hipotézis: „A zöld gomb jobb, mint a piros.“ Jó hipotézis: „Ha a CTA gombot pirosról zöldre cseréljük és a szöveget ‘Küldés’-ről ’Kérd az árajánlatot'-ra változtatjuk, akkor a kattintási arány nő, mert a zöld szín pozitív cselekvésre asszociál és a konkrét szöveg világosabbá teszi az értékajánlatot.”

2. Mintaméret és futási idő kiszámítása#

A teszt elindítása előtt számold ki, mekkora mintaméretre van szükséged:

Paraméter	Befolyásolja
Jelenlegi konverziós ráta	Alacsonyabb CR = több minta kell
Minimum detektálható hatás (MDE)	Kisebb hatás = több minta kell
Konfidencia szint (általában 95%)	Magasabb = több minta kell
Statisztikai erő (általában 80%)	Magasabb = több minta kell

Tip

Használj online mintaméret-kalkulátort a pontos számításhoz. Az általános szabály: minimum 1000 konverzió verziónként. Ha az oldalad napi 100 konverziót generál, a teszt minimum 20 napig fusson.

3. Teszt beállítása#

A teszt technikai beállítása az alábbi lépésekből áll: telepítsd a tesztelő eszköz scriptjét, hozd létre a variáns verziót a vizuális szerkesztővel vagy kóddal, állítsd be a forgalomelosztást (általában 50/50), határozd meg a cél konverziós eseményt, és ellenőrizd, hogy a nyomkövető kód helyesen működik.

4. Futtatás és monitoring#

A teszt futása közben ne változtass semmit az oldalon, és ne nézd naponta az eredményeket döntéshozatali céllal. A korai eredmények megtévesztők lehetnek — ez a „peeking problem". Ellenőrizd hetente a technikai működést (rendben fut-e a forgalomelosztás), de a statisztikai értékelést a teszt végén végezd.

5. Eredmények értékelése#

A teszt lezárásakor vizsgáld meg a statisztikai szignifikanciát (eléri-e a 95%-os konfidenciaszintet), a hatásméretet (mekkora a különbség a két verzió között), a szegmens-szintű eredményeket (asztali vs. mobil, új vs. visszatérő látogatók) és az üzleti hatást (mekkora bevételnövekedést jelent a javulás).

Warning

Soha ne állíts le egy tesztet idő előtt csak azért, mert az eredmény „jónak tűnik". A korai leállítás hamis pozitív eredményekhez vezet. Minimum 2 teljes heti ciklust futtass, és várd meg a szükséges mintaméret elérését.

Próbáld ki az interaktív A/B teszt szignifikancia kalkulátort#

Az alábbi kalkulátorral azonnal ellenőrizheted, hogy a teszted eredménye statisztikailag szignifikáns-e. Add meg a kontroll és variáns csoport adatait, és a kalkulátor kiszámolja a p-értéket, a konverziós ráta különbséget és az uplift mértékét.

Milyen típusú tesztek léteznek az A/B teszten kívül?#

A/B/n teszt#

Az A/B/n tesztben egy elemet több variánssal tesztelsz egyszerre (A vs. B vs. C vs. D). Hasznos, ha több hipotézised van ugyanarra az elemre. Hátránya: több forgalom kell a szignifikáns eredményhez.

Multivariate teszt (MVT)#

A multivariate teszt több elem kombinációját teszteli egyszerre. Például tesztelheted a headline és a CTA szöveg minden lehetséges kombinációját. Az MVT felfedi az elemek közötti interakciókat, de exponenciálisan több forgalmat igényel.

Split URL teszt#

A split URL tesztben a forgalmat két teljesen eltérő URL-re irányítod. Hasznos, ha a változtatás olyan nagy, hogy nem oldható meg kliens oldali módosítással (pl. teljes landing page újratervezés).

Milyen elemeket érdemes tesztelni először?#

A tesztelési prioritás az ICE keretrendszeren alapul (Impact, Confidence, Ease). Az alábbi elemek általában a legnagyobb hatást hozzák:

Prioritás	Elem	Tipikus hatás
Magas	CTA szöveg és szín	10-30% CR javulás
Magas	Headline / értékajánlat	10-40% CR javulás
Magas	Form mezők száma	15-30% CR javulás
Közepes	Hero kép / videó	5-20% CR javulás
Közepes	Social proof elhelyezés	5-15% CR javulás
Közepes	Oldal layout	5-25% CR javulás
Alacsony	Gomb méret és forma	2-10% CR javulás

A Landing page optimalizálás cikk részletesen bemutatja a landing page elemek optimalizálását.

Melyek a legjobb A/B tesztelő eszközök?#

Eszköz	Ár	Előny	Kinek ajánlott
VWO	Freemium	Vizuális szerkesztő, heatmap	Kezdő-közepes
Optimizely	Vállalati	Fejlett szegmentálás	Nagyvállalat
AB Tasty	Közepes	AI-alapú ajánlások	Közepes méret
Convert	Közepes	Adatvédelem fókusz	GDPR-érzékeny
Kameleoon	Vállalati	Full-stack teszt + AI	Nagyvállalat

Tip

A tesztelő eszköz kiválasztásánál a legfontosabb szempontok: a GA4 integráció támogatása, a vizuális szerkesztő minősége, a statisztikai motor megbízhatósága és a GDPR-kompatibilitás. A Konverzió követés beállítása cikk segít a mérési infrastruktúra kiépítésében.

Esettanulmány: A/B tesztelés a matekmegoldasok.hu-n#

A matekmegoldasok.hu oktatási portálon A/B teszttel vizsgáltuk a feladatmegoldás CTA gomb hatékonyságát. A hipotézis: „Ha a ‘Megoldás’ gomb szövegét ’Mutasd a megoldást lépésről lépésre' szövegre cseréljük, a kattintási arány nő, mert a konkrétabb szöveg egyértelművé teszi az értékajánlatot."

A teszt 3 hétig futott, 4 200 látogató/verzió mintamérettel. Az eredmény: a B verzió 28,3%-os konverziós rátát ért el az A verzió 12,1%-ával szemben — +134% uplift, p=0,0001. Az eredmény egyértelműen szignifikáns volt.

A teszt tanulsága: a CTA szöveg specifitása kulcsfontosságú az oktatási tartalmaknál. A felhasználók tudni akarják, mit kapnak a kattintás után.

Kapcsolódó cikkek#

• CRO alapok — A konverzió optimalizálás teljes keretrendszere
• Landing page optimalizálás — A tesztelendő landing page felépítése
• Heatmap elemzés — Vizuális adatok a teszt hipotézisekhez
• Konverzió követés beállítása — A mérési infrastruktúra kiépítése

Források#

• Google Analytics 4: Kísérletek beállítása
• VWO: A/B Testing Guide

Gyakran Ismételt Kérdések (FAQ)#

Mi az A/B tesztelés és hogyan működik?

Az A/B tesztelés (split testing) egy kísérlet, amelyben a weboldal forgalmát véletlenszerűen két csoportra osztod. Az A csoport az eredeti verziót (kontroll), a B csoport a módosított verziót (variáns) látja. Összehasonlítod a két csoport konverziós arányát, és statisztikai módszerekkel eldöntöd, melyik teljesít jobban.

Mennyi forgalom kell egy megbízható A/B teszthez?

A szükséges mintaméret függ a jelenlegi konverziós rátától és az elvárt javulás mértékétől. Általános irányelv: minimum 1000 konverzió tesztverziónként a 95%-os konfidenciaszinthez. Alacsony forgalmú oldalakon ez 4-8 hét futási időt jelent. Online mintaméret-kalkulátorral (pl. Evan Miller) pontosan kiszámolhatod.

Milyen eszközökkel futtathatok A/B teszteket?

A legnépszerűbb A/B tesztelő eszközök: Google Optimize (ingyenes, GA4 integráció), VWO (Visual Website Optimizer), Optimizely (vállalati szintű), AB Tasty és Convert. Kezdőknek a Google Optimize vagy a VWO ingyenes terve ajánlott, mert vizuális szerkesztővel rendelkeznek és nem igényelnek fejlesztői tudást.

Mikor álljak le egy A/B teszttel?

Soha ne állítsd le a tesztet a statisztikai szignifikancia elérése előtt, még akkor sem, ha az eredmény kedvezőnek tűnik. A minimum futási idő 2 hét (a heti ciklusok kiegyenlítésére), és a szükséges mintaméret elérése. Ha 4-6 hét után sincs szignifikáns eredmény, a tesztet inkonkluzívnak nyilvánítsd és új hipotézissel indíts.