A / B: tester vos modifications SEO peut vous donner un avantage concurrentiel et vous permettre d'éviter les modifications négatives susceptibles de réduire votre trafic. Dans cet épisode de Whiteboard Friday, Emily Potter explique non seulement pourquoi A / B teste ses changements, mais aussi comment développer une hypothèse, ce que signifie collecter et analyser des données et trouver le moyen de tirer ses conclusions.
Cliquez sur l'image sur le tableau ci-dessus pour ouvrir une version en haute résolution dans un nouvel onglet!
Transcription vidéo
Bonjour, fans de Moz. Je suis Emily Potter et je travaille chez Destilled dans notre bureau de Londres. Aujourd'hui, je vais vous parler des tests d'hypothèses en référencement naturel et de leur signification statistique.
Chez Distilled, nous utilisons une plate-forme appelée ODN, appelée Distilled Optimization Delivery Network, pour effectuer des tests de référencement A / B. Nous utilisons maintenant des tests d'hypothèses. Je ne serai peut-être pas capable de mettre en œuvre ODN, mais je continue de croire qu’aujourd’hui, vous pouvez apprendre quelque chose de précieux dont je parle.
Tests d'hypothèses
Les quatre étapes principales du test d'hypothèses
Ensuite, lorsque & # 39; Lors de l'utilisation du test d'hypothèse, nous utilisons quatre étapes principales:
- Premièrement, nous formulons une hypothèse.
- Ensuite, nous avons recueilli des données sur cette hypothèse.
- Nous analysons les données, puis …
- en tirons quelques conclusions à la fin.
La partie la plus importante des tests A / B est d'avoir une hypothèse solide. J'ai déjà parlé de la façon de formuler une forte hypothèse de référencement.
1. Former votre hypothèse
Trois mécanismes pour aider à formuler une hypothèse
Maintenant, nous devons nous rappeler que, avec le référencement, nous essayons d'influer sur trois choses pour augmenter le trafic organique.
- Nous essayons d'améliorer les taux de clics organiques. Ainsi, tous les changements qui rendent votre apparence dans les SERP semblent plus attrayants pour vos concurrents et, par conséquent, plus de personnes cliqueront sur votre annonce.
- Ou vous pouvez améliorer votre classification organique afin que vous vous déplaciez plus haut.
- Ou nous pourrions aussi classer plus de mots-clés.
Cela pourrait également avoir un impact sur un mélange de ces trois choses. Mais vous voulez simplement vous assurer que l’un d’eux est clairement ciblé, sinon ce n’est pas vraiment un test de référencement.
2. Collecte de données
Nous recueillons maintenant nos données. Encore une fois, dans Distilled, nous utilisons la plate-forme ODN pour ce faire. Maintenant, avec la plate-forme ODN, nous effectuons des tests A / B et divisons les pages en groupes similaires sur le plan statistique.
Test A / B avec son contrôle et sa variante
Ainsi, une fois que nous le faisons, nous prenons notre groupe de variantes et utilisons une analyse mathématique pour déterminer ce que nous pensons que le groupe de variantes aurait fait si nous ne l'avions pas fait. change
Donc, ici, nous avons la ligne noire, et c’est ce qu’il fait. Il prédit ce que notre modèle pensait que le groupe des variantes ferait si nous n'avions apporté aucun changement. Cette ligne en pointillé est celle du début du test. Ensuite, vous pouvez voir après le test qu'il y a eu une séparation. Cette ligne bleue est vraiment ce qui s'est passé.
Maintenant, comme il y a une différence entre ces deux lignes, nous pouvons voir un changement. Si nous descendons ici, nous venons de faire la différence entre ces deux lignes.
Comme la ligne bleue est au-dessus de la ligne noire, nous appelons cela un test positif. Maintenant, cette partie verte représente notre intervalle de confiance, et cet intervalle de confiance correspond en standard à un intervalle de confiance de 95%. Maintenant, nous utilisons cela parce que nous utilisons des tests statistiques. Ainsi, lorsque les lignes vertes se trouvent toutes au-dessus de la ligne zéro ou en dessous pour un test négatif, nous pouvons appeler cela un test statistiquement significatif.
Pour cela, notre meilleure estimation est que cela aurait augmenté le nombre de sessions de 12%, ce qui représente environ 7 000 sessions organiques par mois. Maintenant, de chaque côté, vous pouvez voir que j'ai écrit 2,5%. C'est pour que tout cela totalise 100, et la raison est que vous n'obtenez jamais un résultat sûr à 100%. Il y a toujours la possibilité qu'il y ait une possibilité aléatoire et que vous ayez un faux négatif ou positif. C'est pourquoi nous disons alors que nous sommes sûrs à 97,5% que c'était positif. C'est parce que nous avons 95 plus 2,5.
Preuves sans signification statistique
Maintenant, dans Distilled, nous avons constaté qu'il existe de nombreuses circonstances dans lesquelles nous disposons de preuves qui ne sont pas statistiquement significatives, mais il existe des preuves tout à fait solides de leur élévation. Si nous déménageons ici, j'en ai un exemple. C'est donc un exemple de quelque chose qui n'était pas statistiquement significatif, mais nous avons constaté une forte amélioration.
Vous voyez maintenant que notre ligne verte a toujours une zone négative, ce qui signifie qu'il est toujours possible que, avec un intervalle de confiance à 95%, il s'agisse d'un test négatif. Maintenant, si nous redescendons, j'ai refait notre rose. Nous avons donc 5% des deux côtés, et nous pouvons dire ici que nous sommes sûrs à 95% que le résultat a été positif. En effet, ces 5% sont toujours supérieurs.
3. Analyser les données pour tester l'hypothèse
Maintenant, la raison pour laquelle nous le faisons est d'essayer de mettre en œuvre des changements avec lesquels nous avons une hypothèse solide et de pouvoir obtenir ces triomphes au lieu de simplement les rejeter complètement. Une partie de la raison en est aussi que nous disons que nous faisons des affaires et non pas de la science.
J'ai créé ici une image du moment où nous pourrions afficher un test qui n'était pas statistiquement significatif, en fonction de la force ou de la faiblesse de l'hypothèse et du coût ou des coûts du changement.
Hypothèse forte / changement bon marché
Maintenant, ici, dans son coin supérieur droit, lorsque nous avons une hypothèse forte et un changement bon marché, nous sommes & # 39; d probablement afficher cela. Par exemple, nous avons récemment eu un test comme celui-ci avec l’un de nos clients dans Distilled, où ils ont ajouté leur mot-clé principal à H1.
Ce résultat final ressemblait à ce graphique ici. C'était une hypothèse forte. Ce changement n’était pas coûteux à mettre en œuvre et nous avons décidé de le mettre en place car nous étions à peu près certains que ce serait une bonne chose.
Hypothèse faible / changement bon marché
Maintenant, de l'autre côté, si vous avez une hypothèse faible mais qui reste bon marché, alors peut-être que la preuve d'une amélioration est une raison de la mettre en œuvre. Il devrait communiquer avec son client.
Hypothèse forte / changement coûteux
Dans le changement coûteux assorti d'un point d'hypothèse forte, vous devrez peser le bénéfice que vous pourriez tirer de votre retour sur investissement si vous calculez votre revenu escompté en fonction du changement de pourcentage que vous obtenez. là-bas.
Hypothèse faible / changement bon marché
Lorsqu'il s'agit d'une hypothèse faible et d'un changement coûteux, nous ne voudrions le mettre en œuvre que s'il est statistiquement significatif.
4. Tirer des conclusions
Maintenant, nous devons nous rappeler que lorsque nous testons des hypothèses, nous ne faisons que tenter de prouver l'hypothèse nulle. Cela ne signifie pas qu'un résultat nul signifie qu'il n'y a pas d'effet. Tout ce que cela signifie, c'est que nous ne pouvons ni accepter ni rejeter l'hypothèse. Nous disons que c'était trop aléatoire pour que nous puissions dire si cela est vrai ou non.
Maintenant, l'intervalle de confiance à 95% permet d'accepter ou de rejeter l'hypothèse, et nous disons que nos données ne sont pas bruyantes. Lorsque la confiance est inférieure à 95%, comme c'est le cas ici, nous ne pouvons pas dire que nous avons appris quelque chose comme nous le ferions avec un test scientifique, mais nous pourrions toujours dire que nous avons des preuves assez solides que cela produirait un résultat positif. Effet sur ces pages.
Les avantages du test
Maintenant, lorsque nous en parlons à nos clients, c'est parce que nous cherchons vraiment à donner un avantage concurrentiel sur les autres dans leur secteur. Or, le principal avantage de la preuve est d'éviter ces changements négatifs.
Nous voulons nous assurer que les changements que nous apportons ne font pas baisser le trafic et nous le voyons bien. Dans Distilled, nous appelons cela une balle esquivée .
J'espère que vous pourrez contribuer à votre travail et l'utiliser avec vos clients ou avec votre propre site web. Avec de la chance, vous pouvez commencer à formuler des hypothèses et même si vous ne pouvez pas implémenter quelque chose comme ODN, vous pouvez toujours utiliser vos données d'AG pour essayer de vous faire une meilleure idée si les changements que vous apportez aident ou nuisent à votre trafic. C'est tout ce que j'ai pour vous aujourd'hui. Merci
Transcription vidéo de Speechpad.com