A/B-тестирование: как его проводить и практические примеры

Освойте A/B-тестирование, анализ конверсий и приоритизацию идей — от интерпретации результатов тестирования до управления архивами — вместе с экспертами Google, HubSpot и Shopify.

Независимо от того, являетесь ли вы опытным предпринимателем или только начинаете, вы, скорее всего, уже сталкивались с множеством статей и ресурсов об A/B-тестировании. Возможно, вы даже проводите тесты тем писем или публикаций в социальных сетях.

Однако, несмотря на обилие материалов по A/B-тестированию в маркетинге, многие предприниматели на практике совершают ошибки. В результате важные бизнес-решения принимаются на основе неточных данных, полученных в ходе неправильно проведённых тестов.

A/B-тестирование часто подают в упрощённом виде — особенно в материалах для владельцев интернет-магазинов. Ниже вы найдёте всё необходимое, чтобы начать работать с различными типами A/B-тестирования в электронной коммерции: просто и с практической пользой. A/B-тестирование может существенно изменить подход к выбору позиционирования товара, повышению конверсии на целевой странице и многим другим аспектам.

Что такое A/B-тестирование?

A/B-тестирование, также известное как сплит-тестирование, — это процесс сравнения двух версий одной веб-страницы, письма или другого цифрового актива, чтобы определить, какая из них работает лучше на основе поведения пользователей. 

Это полезный инструмент для повышения эффективности маркетинговых кампаний и более глубокого понимания того, что именно конвертирует вашу целевую аудиторию. A/B-тестирование помогает находить ответы на важные бизнес-вопросы, увеличивать доход от уже существующего трафика и закладывает основу для маркетинговой стратегии, основанной на данных.

Как работает A/B-тестирование

• Определите цель. Установите цели A/B-теста — например, увеличение конверсии, кликабельности или общего объёма продаж.
• Выберите элемент для тестирования. Это могут быть заголовки, изображения, темы писем, призывы к действию, цены, макеты и другие элементы.
• Создайте варианты. Разработайте две версии элемента: версию A — исходную версию вашего актива, или «контроль», и версию B — обновлённую версию с изменениями, которые вы хотите протестировать (её называют «вариантом»). Обычно 50% посетителей видят версию A, а 50% — версию B.
• Запустите тест. Показывайте обе версии разным группам пользователей в течение заранее определённого периода. Например, при тестировании кнопки призыва к действию на главной странице интернет-магазина тест можно проводить в течение двух недель, чтобы получить статистически значимые результаты.
• Соберите данные. Отслеживайте и измеряйте конверсии, клики, уровень вовлечённости и продажи по обеим версиям.
• Проанализируйте результаты. Сравните эффективность версии A и версии B, чтобы определить, какая лучше достигает поставленной цели. Побеждает версия с более высоким коэффициентом конверсии.
• Объявите победителя. Если версия B показывает более высокий коэффициент конверсии, объявите её победителем и направьте на неё 100% посетителей. Она становится новым стандартом.

💡Важно учесть: Коэффициент конверсии A/B-теста часто может быть несовершенной мерой успеха.

Например, если на одной странице товар стоит 3 000 рублей, а на другой он предлагается совершенно бесплатно, это не даст ценной информации. Как и в случае с любым бизнес-инструментом или стратегией, подход к тестированию должен быть продуманным. 

Поэтому важно отслеживать ценность конверсии вплоть до финальной продажии.

Когда следует проводить A/B-тестирование

Если у вас сайт с низким трафиком или веб- или мобильное приложение, A/B-тестирование, вероятно, не станет для вас наиболее эффективным способом оптимизации. Скорее всего, более высокую окупаемость инвестиций принесут пользовательское тестирование или прямое общение с клиентами. Вопреки распространённому мнению, оптимизация коэффициента конверсии не начинается и не заканчивается тестированием.

Почему две-четыре недели? Помните: тесты необходимо проводить как минимум в течение двух полных бизнес-циклов. Обычно это занимает от двух до четырёх недель. Возможно, вы подумаете: «Без проблем — я просто проведу тест дольше, чтобы достичь нужного размера выборки». Но и это не сработает.

Чем дольше длится тест, тем выше его подверженность внешним угрозам валидности и загрязнению выборки. Например, посетители могут удалить cookie-файлы и повторно попасть в A/B-тест уже как новые пользователи. Или переключиться с мобильного устройства на компьютер и увидеть другой вариант. По сути, слишком длительное проведение теста может исказить результаты так же сильно, как и его преждевременное завершение. 

Тестирование оправдывает вложения для магазинов, которые могут достичь необходимого размера выборки за две-четыре недели. Тем, кто не может, стоит рассмотреть другие методы оптимизации, пока их трафик не увеличится.

Настройка процесса A/B-тестирования

Приоритизация идей для A/B-тестирования

Огромный список примеров A/B-тестирования может вдохновлять, но не всегда помогает понять, что именно стоит тестировать. С чего начать? Здесь на помощь приходит приоритизация.

Существует несколько распространенных фреймворков приоритизации A/B-тестирования:

• ICE. ICE  — это влияние, уверенность и простота. Каждый из этих факторов оценивается по шкале от 1 до 10. Например, если вы можете легко провести тест самостоятельно, без помощи разработчика или дизайнера, можно поставить простоте 8. Здесь вы опираетесь на собственную оценку, и если тестированием занимается несколько человек, оценки могут оказаться слишком субъективными. Поэтому полезно иметь набор руководящих принципов для большей объективности.
• PIE. — это потенциал, важность и простота. Как и в предыдущем случае, каждый фактор оценивается по шкале от 1 до 10. Например, если тест охватит 90% вашего трафика, можно поставить важности 8. PIE так же субъективен, как и ICE, поэтому наличие руководящих принципов будет полезно и для этого фреймворка.
• PXL. PXL — это фреймворк приоритизации от образовательной платформы CXL. Он немного отличается и является более настраиваемым, помогая принимать более объективные решения. Вместо трёх факторов здесь используются вопросы с ответами «да/нет» и вопрос о простоте реализации. Например, фреймворк может спросить: «Направлен ли тест на повышение мотивации?» Если да, он получает 1 балл. Если нет — 0. Подробнее об этом фреймворке можно узнать, скачвав таблицу.

Получив представление о том, с чего начать, полезно также категоризировать идеи. Например, при исследовании конверсий можно использовать три категории: внедрить, исследовать и тестировать.

• Внедрить. Просто сделайте это — проблема очевидна или что-то работает некорректно.
• Исследовать. Требует дополнительного анализа для определения проблемы или сужения решения.
• Тестировать. Идея обоснована и подкреплена данными — тестируйте!

Благодаря такой категоризации и приоритизации вы будете готовы начать A/B-тестирование.

Разработка гипотезы

Прежде чем что-либо тестировать, необходимо сформулировать гипотезу. Например: «Если я снижу стоимость доставки, коэффициент конверсии увеличится».

Не волнуйтесь — в данном случае формулирование гипотезы не так сложно, как может показаться. Важно тестировать именно гипотезу, а не идею. Гипотеза поддаётся измерению, направлена на решение конкретной проблемы конверсии и фокусируется на инсайтах, а не на победах.

При написании гипотезы полезно использовать формулу, заимствованную из Hypothesis Kit Крейга Салливана:

• Поскольку вы наблюдаете [вставьте данные или отзывы из исследования],
• вы ожидаете, что [изменение, которое вы тестируете] приведёт к [предполагаемому эффекту],
• и измерите это с помощью [выбранной метрики].

Легко, правда? Все, что нужно сделать, — заполнить пробелы, и ваша идея A/B-теста превратится в гипотезу.

Выбор инструмента для A/B-тестирования

Теперь можно перейти к выбору инструмента для A/B-тестирования или сервиса сплит-тестирования. Чаще всего в первую очередь рассматривают Google Optimize, Optimizely и VWO. Все это хорошие и надёжные варианты.

Вот больше информации об этих популярных инструментах A/B-тестирования:

• Google Optimize. Бесплатный сервис, за исключением некоторых ограничений многовариантного тестирования, что не должно повлиять на вас, если вы только начинаете. Хорошо работает при проведении A/B-тестирования Google Analytics, что является плюсом.
• Optimizely. Легко запускать небольшие тесты даже без технических навыков. Stats Engine упрощает анализ результатов тестов. Обычно Optimizely — самый дорогой вариант из трех.
• VWO. VWO имеет SmartStats для упрощения анализа. Плюс отличный WYSIWYG-редактор для начинающих. Каждый план VWO включает тепловые карты, опросы на сайте, аналитику форм и т.д.

В магазине приложений Shopify также есть инструменты A/B-тестирования, которые могут оказаться полезными.

После выбора инструмента A/B-тестирования или программного обеспечения для сплит-тестирования заполните форму регистрации и следуйте предоставленным инструкциям. Процесс варьируется от инструмента к инструменту. Обычно вас попросят установить фрагмент кода на сайт и установить цели.

Решение о том, как анализировать результаты

Если вы правильно сформулируете гипотезу, даже проигравший тест можно считать победой, поскольку вы получите инсайты, которые сможете использовать в будущих тестах и в других областях бизнеса. Поэтому при анализе результатов важно фокусироваться на инсайтах, а не на том, выиграл тест или проиграл. Всегда есть чему поучиться и что проанализировать — не отбрасывайте проигравшие тесты!

Самое важное здесь — необходимость сегментации. Тест может проиграть в целом, но есть вероятность, что он хорошо сработал хотя бы с одним сегментом аудитории.

Вот несколько примеров сегментов аудитории:

• новые посетители;
• возвращающиеся посетители;
• посетители с iOS;
• посетители с Android;
• посетители Chrome;
• посетители Safari;
• посетители с компьютеров;
• посетители с планшетов;
• посетители из органического поиска;
• платные посетители;
• посетители из социальных сетей;
• авторизованные покупатели.

Понимаете идею?

Вероятно, гипотеза оказалась верной среди определенных сегментов. Это тоже о чем-то говорит.

Анализ — это гораздо больше, чем просто определение победившего или проигравшего теста. Сегментируйте данные, чтобы найти скрытые инсайты под поверхностью.

Программное обеспечение для A/B-тестирования не проведет этот анализ за вас, поэтому это важный навык для развития.

Архивирование результатов тестов

Допустим, вы запускаете первый тест завтра. Через два года вспомните ли вы детали этого теста? Вряд ли.

Поэтому архивирование результатов A/B-тестирования важно. Без хорошо поддерживаемого архива все полученные инсайты будут потеряны. Плюс очень легко протестировать одно и то же дважды, если не архивировать.

Нет «правильного» способа сделать это. Можно использовать инструмент вроде Effective Experiments или простую таблицу. Выбор зависит от вас, особенно когда вы только начинаете.

Какой бы инструмент вы ни использовали, убедитесь, что отслеживаете:

• протестированную гипотезу;
• скриншоты контроля и варианта;
• выиграл тест или проиграл;
• инсайты, полученные через анализ.

По мере роста вы поблагодарите себя за ведение этого архива. Он поможет не только вам, но и новым сотрудникам и консультантам/заинтересованным сторонам.

Примеры A/B-тестирования

Технический анализ

Загружается ли ваш магазин корректно и быстро в каждом браузере? На каждом устройстве? У вас может быть новейший смартфон, но кто-то по-прежнему пользуется устройством 2005 года. Если ваш сайт работает медленно или с ошибками, он определённо не будет конвертировать так эффективно, как мог бы.

Опросы на сайте

Они появляются, когда посетители вашего магазина просматривают сайт. Например, опрос может отображаться для пользователей, которые долго находятся на одной странице, и спрашивать, есть ли что-то, что удерживает их от покупки сегодня. Если да, то что именно? Эти качественные данные можно использовать для улучшения текстов и повышения коэффициента конверсии.

Интервью с клиентами

Ничто не может заменить телефонный разговор с клиентами. Почему они выбрали ваш магазин среди конкурентов? Какую проблему они пытались решить, попав на ваш сайт? Есть миллион вопросов, которые можно задать, чтобы понять суть того, кто ваши клиенты и почему они действительно покупают у вас.

Опросы клиентов

Опросы клиентов — это полноценные опросы, которые отправляются людям, уже совершившим покупку (в отличие от посетителей). При создании опроса клиентов нужно сосредоточиться на: определении клиентов, определении их проблем, определении сомнений, которые у них были до покупки, и выявлении слов и фраз, которые они используют для описания вашего магазина.

Анализ аналитики

Правильно ли ваши инструменты аналитики отслеживают и сообщают данные? Это может звучать глупо, но вы удивитесь, сколько инструментов аналитики настроено неправильно. Анализ аналитики — это понимание поведения посетителей. Например, можно сосредоточиться на воронке: где ваши самые большие утечки в воронке конверсии? Другими словами, где большинство людей выходят из вашей воронки? Это хорошее место для начала тестирования.

Пользовательское тестирование

Здесь вы наблюдаете, как реальные люди в платном контролируемом эксперименте пытаются выполнять задачи на вашем сайте. Например, можно попросить их найти видеоигру в диапазоне 2500-4000 рублей и добавить в корзину. Выполняя эти задачи, они вслух комментируют свои мысли и действия.

Записи сессий

Записи сессий похожи на пользовательское тестирование, но теперь вы имеете дело с реальными людьми с реальными деньгами и реальным намерением купить. Вы наблюдаете, как ваши фактические посетители перемещаются по сайту. Что им трудно найти? Где они расстраиваются? Где кажутся растерянными?

Существуют и другие типы исследований, но начните с выбора наиболее подходящего для вас метода A/B-тестирования. Проведя некоторые из них, вы получите обширный список идей, основанных на данных и достойных тестирования.

Процессы A/B-тестирования от профессионалов

Теперь, когда вы ознакомились со стандартным руководством по A/B-тестированию, давайте рассмотрим точные процессы, которые используют профессионалы.

Криста Сейден, KS Digital

Мой пошаговый процесс A/B-тестирования для веб- и мобильных продуктов начинается с анализа — на мой взгляд, это основа любой эффективной программы тестирования. На этом этапе цель — изучить данные аналитики, опросов, UX-исследований или любые другие источники клиентских инсайтов, чтобы определить области для оптимизации.

Получив достаточное количество идей на этапе анализа, можно переходить к формулированию гипотез о том, что может работать неэффективно и как потенциально улучшить или скорректировать эти области. Далее можно приступать к созданию и запуску тестов. Обязательно проводите их в течение разумного периода времени (по умолчанию — две недели, чтобы учесть недельные колебания и аномалии), а когда данных станет достаточно, проанализируйте результаты, чтобы определить победителя.

Также важно уделить время анализу проигравших вариантов — чему можно научиться на их основе?

Наконец, к этому этапу можно переходить только после того, как вы заложили основу для надёжной программы оптимизации: время изучить персонализацию. Это не обязательно требует сложного набора инструментов и может основываться на пользовательских данных.

Персонализация маркетинга может быть как простой — например, таргетинг подходящего контента по локациям, — так и более сложной, например, таргетинг на основе индивидуальных действий пользователей. Не стоит сразу переходить к персонализации. Убедитесь, что вы уделили достаточно времени правильной настройке базовых процессов.

Алекс Биркетт, Omniscient Digital

В целом я стараюсь придерживаться следующего процесса:

• собирать данные и убеждаться, что аналитика настроена корректно;
• анализировать данные и находить инсайты;
• превращать инсайты в гипотезы;
• расставлять приоритеты на основе потенциального влияния и простоты реализации, чтобы максимально эффективно распределять ресурсы (особенно технические);
• проводить тест (по возможности следуя лучшим статистическим практикам);
• анализировать результаты и принимать решение о внедрении;
• итерировать на основе полученных выводов и повторять процесс.

Проще говоря: исследовать, тестировать, анализировать, повторять.

Хотя этот процесс может меняться в зависимости от контекста (тестирую ли я критически важную функцию продукта? Призыв к действию в блоге? Каков уровень риска и баланс между инновациями и снижением рисков?), в целом он применим к компаниям любого размера и типа.

Суть в том, что этот процесс гибкий, но также собирает достаточно данных — как качественной обратной связи клиентов, так и количественной аналитики — чтобы у вас была возможность придумывать лучшие идеи тестов и лучше их приоритизировать, что поможет привлечь трафик в интернет-магазин.

Тон Весселинг, Online Dialogue

Первый вопрос, на который мы всегда отвечаем, когда хотим оптимизировать клиентский путь: где этот продукт или услуга находится в модели ROAR, разработанной нами в Online Dialogue? Находитесь ли вы всё ещё на этапе риска, где можно проводить множество исследований, но пока невозможно валидировать выводы с помощью онлайн-экспериментов A/B-тестирования (менее 1000 конверсий в месяц), или уже на этапе оптимизации? А может, даже выше?

• Фаза риска: большое количество исследований, которые могут привести к самым разным изменениям — от пересмотра бизнес-модели до полного редизайна и обновления ценностного предложения.
• Фаза оптимизации: крупные эксперименты, направленные на оптимизацию ценностного предложения и бизнес-модели, а также небольшие эксперименты для валидации гипотез о поведении пользователей, накапливающие знания для более масштабных изменений дизайна.
• Автоматизация: у вас всё ещё есть достаточный объём экспериментального трафика (посетителей), что означает, что весь потенциал тестирования не требуется для валидации пользовательского пути. Оставшиеся ресурсы можно использовать для более быстрого роста здесь и сейчас (без фокуса на долгосрочном обучении). Это может быть автоматизировано с помощью бандитов или алгоритмов.
• Переосмысление: на этом этапе вы прекращаете проводить большое количество исследований, если только речь не идёт о переходе к чему-то принципиально новому.

Поэтому веб- или мобильное A/B-тестирование становится по-настоящему значимым инструментом только на этапе оптимизации ROAR и далее (вплоть до этапа переосмысления).

Наш подход к проведению экспериментов основан на модели FACT & ACT.

Исследования, которые мы проводим, опираются на нашу модель 5V.

Мы собираем все эти инсайты, чтобы сформулировать основную исследовательскую гипотезу, которая затем разбивается на подгипотезы, приоритизируемые на основе данных, полученных в ходе десктопного или мобильного A/B-тестирования. Чем выше вероятность истинности гипотезы, тем выше она ранжируется.

Поняв, верна наша гипотеза или нет, можно начать объединять полученные знания и предпринимать более масштабные шаги — перерабатывая или перестраивая крупные части клиентского пути. Однако в какой-то момент даже успешные внедрения приведут к локальному максимуму. Тогда потребуется более серьёзный шаг, чтобы приблизиться к потенциальному глобальному максимуму.

И, конечно, ключевые выводы будут распространяться по всей компании, способствуя более широкой оптимизации и инновациям на основе ваших валидированных инсайтов.

Юлия Старостенко, Pinterest

Цель эксперимента — подтвердить, что внесение изменений в существующую веб-страницу окажет положительное влияние на бизнес.

Прежде чем начинать, важно определить, действительно ли проведение эксперимента необходимо. Рассмотрим следующий сценарий: у вас есть кнопка с крайне низкой кликабельностью. Снизить её эффективность ещё больше было бы практически невозможно. Поэтому валидация эффективности предлагаемого изменения (то есть проведение эксперимента) в данном случае не требуется.

Аналогично, если предлагаемое изменение кнопки незначительное, вероятно, не стоит тратить время на настройку, проведение и завершение эксперимента. В таком случае изменения можно просто внедрить для всех пользователей, а производительность кнопки — отслеживать.

Если определено, что проведение эксперимента действительно будет полезным, следующий шаг — определить бизнес-метрики, которые необходимо улучшить (например, повысить коэффициент конверсии кнопки). Затем следует убедиться, что корректный сбор данных уже настроен.

После этого аудитория случайным образом разделяется на две группы: одна видит текущую версию кнопки, а другая — новую. Отслеживается коэффициент конверсии в каждой группе, и как только достигается статистическая значимость, можно определить результаты эксперимента.

Пип Лая, CXL

A/B-тестирование — это лишь часть более широкой картины оптимизации конверсии. На мой взгляд, этот процесс на 80% состоит из исследований и только на 20% — из тестирования. Именно исследование конверсий помогает определить, что следует тестировать в первую очередь.

Мой процесс обычно выглядит следующим образом (упрощённо):

1. Провести исследование конверсий, используя фреймворк вроде ResearchXL, чтобы выявить проблемные зоны на сайте.
2. Выбрать высокоприоритетную проблему (ту, которая затрагивает большую часть пользователей и оказывает существенное влияние), и провести мозговой штурм, чтобы найти как можно больше решений. При этом процесс генерации идей должен опираться на инсайты, полученные в ходе исследования конверсий. Также важно определить, на каком устройстве вы будете проводить тест (мобильное A/B-тестирование следует проводить отдельно от десктопного).
3. Определить, сколько вариантов вы можете протестировать (на основе объёма трафика или числа транзакций), и выбрать одну–две наиболее перспективные идеи для тестирования против контрольной версии.
4. Создать точные варианты (подготовить тексты, внести изменения в дизайн и т.д.). В зависимости от масштаба изменений может потребоваться участие дизайнера для разработки новых элементов.
5. Попросить фронтенд-разработчика реализовать варианты в инструменте тестирования. Настроить необходимые интеграции (например, с Google Analytics) и задать соответствующие цели.
6. Провести контроль качества теста (некорректно работающие тесты — один из главных факторов неудачи A/B-тестирования), чтобы убедиться, что всё корректно работает на разных устройствах и в разных браузерах.
7. Запустить тест.
8. После завершения теста провести анализ.
9. В зависимости от результата либо внедрить победивший вариант, доработать текущие решения и протестировать их повторно, либо перейти к тестированию других идей.

Распространенные ошибки в A/B-тестировании

Одновременное тестирование слишком многих переменных

Сравнивая две переменные одновременно, вы можете не суметь определить, какое изменение вызвало эффект.

Допустим, вы хотите оптимизировать целевую страницу. Вместо тестирования только заголовка вы тестируете:

• текст призыва к действию;
• цвет кнопки призыва к действию;
• изображения заголовка;
• заголовки.

Коэффициенты конверсии могут расти, но при этом невозможно точно определить, какое именно изменение повлияло на результат. Тестируя по одной переменной за раз, вы сможете изолировать влияние каждого изменения и получить более точные данные.

💡Важно учитывать: многовариантное тестирование может подойти, если вы хотите понять, как несколько переменных взаимодействуют друг с другом. Однако для его проведения требуется больше трафика и уже хорошо оптимизированная страница, на которой можно вносить инкрементальные улучшения. Кроме того, этот процесс значительно сложнее, чем проведение A/B-теста.

Недостаточный размер выборки

Надёжность результатов A/B-теста напрямую зависит от размера выборки. Малые выборки могут приводить к ложноположительным и ложноотрицательным результатам, затрудняя понимание того, вызваны ли различия внесёнными изменениями или являются случайностью.

Представьте, что вы тестируете две версии страницы товара, чтобы определить, какая из них приводит к большему числу покупок. Вы разделяете трафик, но каждая версия получает всего по 100 посетителей.

Если коэффициент конверсии версии A составляет 6%, а версии B — 5%, можно предположить, что версия A работает лучше. Однако при всего 100 посетителях на каждую версию этот результат не является статистически значимым. Вполне возможно, что при большем объёме трафика результаты оказались бы другими.

Лучший способ определить здоровый размер выборки — калькулятор размера выборки.

Короткая продолжительность тестирования

Проводите A/B-тест как минимум в течение одного, а в идеале — двух полных бизнес-циклов. Не останавливайте тест только потому, что достигнута статистическая значимость — важно также достичь заранее определённого размера выборки. Кроме того, не забывайте проводить все тесты с шагом в полные недели.

Почему два полных бизнес-цикла? Во-первых, это помогает учесть:

1. Покупателей, которым нужно время, чтобы принять решение.
2. Различные источники трафика (Facebook, email-рассылки, органический поиск и т.д.).
3. Аномалии — например, влияние вашей пятничной email-рассылки.

Двух бизнес-циклов обычно достаточно, чтобы получить ценные инсайты о поведении вашей целевой аудитории.

Если вы когда-либо использовали инструмент для A/B-тестирования целевых страниц, вы, вероятно, знакомы с маленькой зелёной иконкой «Статистически значимо».

К сожалению, для многих это универсальный сигнал: «тест завершён». Как вы узнаете ниже, достижение статистической значимости в A/B-тесте не означает, что его следует останавливать.

Игнорирование сегментации пользователей

Если не учитывать различные сегменты пользователей, вы получите обобщённые результаты, которые могут быть неприменимы ко всем. Полезно сегментировать пользователей по демографическим характеристикам, поведению или другим релевантным факторам. То, что работает для новых пользователей, может не подойти для возвращающихся. Без сегментации вы рискуете оттолкнуть ключевые группы пользователей и поставить под угрозу достоверность результатов теста.

Оптимизируйте A/B-тестирование для вашего бизнеса

У вас есть процесс — значит, у вас есть сила! Поэтому выбирайте подходящее программное обеспечение для A/B-тестирования и начинайте тестировать свой магазин. Совсем скоро полученные инсайты начнут превращаться в рост дохода.

Если хотите продолжить изучение оптимизации, рассмотрите прохождение бесплатного курса, к примере, A/B-тестирование от Google на Udacity. Там вы сможете узнать больше о веб и мобильном A/B-тестировании для повышения навыков оптимизации.