A/B Testi Nedir? Kapsamlı Rehber

A/B testi, web sitenizde iki farklı versiyonu gerçek kullanıcılarla karşılaştırarak hangisinin daha iyi performans gösterdiğini istatistiksel olarak belirleme yöntemidir. Bu rehberde A/B testinin ne olduğunu, nasıl yapıldığını, yaygın hataları ve pratik örnekleri detaylı olarak ele alıyoruz.

A/B Testi Nedir?

A/B testi (veya bölünmüş test), bir web sayfasının veya uygulama öğesinin iki farklı versiyonunu rastgele kullanıcı gruplarına göstererek hangisinin belirli bir hedef metrikte daha iyi performans gösterdiğini ölçen deneysel bir yöntemdir.

Basit bir örnekle açıklayalım: E-ticaret sitenizde "Sepete Ekle" butonu yeşil renkte. Acaba turuncu bir buton daha fazla tıklanır mı? Tahmin etmek yerine A/B testi yaparsınız:

• A versiyonu (kontrol): Mevcut yeşil buton — ziyaretçilerin %50'sine gösterilir
• B versiyonu (varyant): Turuncu buton — ziyaretçilerin diğer %50'sine gösterilir

Test yeterli süre çalıştıktan sonra, hangi butonun daha fazla tıklama (veya satış) getirdiğini istatistiksel olarak belirlersiniz. Sonuç istatistiksel olarak anlamlıysa, kazanan versiyonu kalıcı hale getirirsiniz.

A/B Testi Neden Önemli?

A/B testi olmadan yapılan optimizasyon, eğitimli tahmine dayalıdır — ve insan sezgisi sık sık yanılır. Araştırmalar, UX uzmanlarının bile tahminlerinin yalnızca %50 oranında doğru olduğunu göstermektedir.

A/B testinin avantajları:

• Veri odaklı karar alma: Fikirleri test ederek doğrularsınız, sezgiye güvenmezsiniz
• Risk azaltma: Büyük değişiklikleri tüm kullanıcılara uygulamadan önce test edersiniz
• Bileşik büyüme: Küçük iyileştirmeler zamanla büyük fark yaratır — %1'lik artışlar yıl sonunda %12+ bileşik etki oluşturur
• Tartışmaları çözer: "Bence bu daha iyi" tartışmaları yerine verilere bakarsınız

A/B Testi Metodolojisi: Adım Adım

1. Hipotez Oluşturma

Her A/B testi bir hipotezle başlar. İyi bir hipotez üç bileşenden oluşur:

• Gözlem: Mevcut durumda ne görüyorsunuz? ("Ödeme sayfasında %68 terk oranı var")
• Değişiklik: Ne değiştirmek istiyorsunuz? ("Sipariş özetini sayfanın üstüne taşımak")
• Beklenen sonuç: Bu değişiklik ne yapacak? ("Terk oranını %10 azaltacak")

Hipotez formulü: "Eğer [değişiklik] yaparsak, [metrik]'de [yön] olacağını düşünüyoruz, çünkü [neden]."

Hipotezlerinizi oluştururken veri kaynaklarınızdan yararlanın. Microsoft Clarity'deki ısı haritaları ve oturum kayıtları, sorunlu alanları tespit etmek ve hipotez geliştirmek için mükemmel kaynaklardır.

2. Örneklem Büyüklüğü Hesaplama

A/B testinde en kritik adımlardan biri, testin ne kadar süre çalışması gerektiğini belirlemektir. Bu, gerekli örneklem büyüklüğüne bağlıdır.

Örneklem büyüklüğünü etkileyen faktörler:

• Mevcut dönüşüm oranı: Düşük dönüşüm oranları daha büyük örneklem gerektirir
• Tespit etmek istediğiniz minimum etki (MDE): %1'lik bir farkı tespit etmek, %10'luk bir farkı tespit etmekten çok daha fazla trafik gerektirir
• İstatistiksel güven düzeyi: Genellikle %95 kullanılır
• İstatistiksel güç: Genellikle %80 kullanılır

Pratik bir kural: Mevcut dönüşüm oranınız %3 ise ve %10'luk bir göreceli iyileşme (yani %3 → %3.3) tespit etmek istiyorsanız, her gruba yaklaşık 35.000 ziyaretçi gerekir. Bu da toplam 70.000 ziyaretçi demektir.

3. Test Tasarımı ve Uygulama

Hipoteziniz ve örneklem hesabınız hazır olduğunda, testi tasarlayıp uygularsınız:

• Tek değişken kuralı: Bir seferde yalnızca bir öğeyi değiştirin. Birden fazla değişiklik yaparsanız hangisinin etkiyi yarattığını bilemezsiniz.
• Rastgele dağıtım: Ziyaretçileri A ve B gruplarına tamamen rastgele atayın. Çerez tabanlı dağıtım kullanılır.
• Eşzamanlı çalıştırma: A ve B versiyonlarını aynı anda gösterin. "Bu hafta A, gelecek hafta B" yaparsanız zamana bağlı değişkenler sonuçları bozar.
• Minimum süre: Testi en az bir tam hafta (7 gün) çalıştırın. Hafta içi ve hafta sonu davranışları farklıdır.

4. Sonuçları Değerlendirme

Test tamamlandığında sonuçları değerlendirirsiniz. Kritik kavram: istatistiksel anlamlılık (statistical significance).

İstatistiksel anlamlılık, gözlemlediğiniz farkın şansa bağlı olmadığının güvenilirlik ölçüsüdür. %95 güven düzeyi, gözlemlenen farkın şansa bağlı olma olasılığının %5'ten az olduğu anlamına gelir (p-değeri < 0.05).

Olası sonuçlar:

• Kazanan var: B versiyonu istatistiksel olarak anlamlı bir iyileşme gösterdi → B'yi uygulayın
• Kayıp: B versiyonu daha kötü performans gösterdi → A'yı koruyun, yeni hipotez geliştirin
• Kararsız: Fark istatistiksel olarak anlamlı değil → Testi daha uzun süre çalıştırın veya daha büyük bir değişiklik test edin

A/B Testinde Yaygın Hatalar

1. Testi Erken Durdurmak

En yaygın ve tehlikeli hatadır. Test ikinci günde B versiyonu %20 daha iyi görünebilir ama bu erken aşama verileri yanıltıcıdır. İstatistiksel güç henüz yeterli değildir ve erken durdurmak yanlış pozitif sonuçlar üretir.

Çözüm: Test süresini baştan belirleyin ve sonuna kadar çalıştırın. "Peeking problem" olarak bilinen bu hatadan kaçınmak için sequential testing yöntemlerini kullanın.

2. Birden Fazla Değişkeni Aynı Anda Değiştirmek

Başlığı, buton rengini ve sayfanın düzenini aynı anda değiştirirseniz, iyileşmenin (veya kötüleşmenin) hangisinden kaynaklandığını bilemezsiniz.

Çözüm: Tek değişken kuralına uyun veya multivariate test (çok değişkenli test) kullanın. Multivariate test çok daha fazla trafik gerektirir.

3. Yanlış Metriği İzlemek

Buton tıklama oranının artması her zaman iş değerine dönüşmez. Kullanıcı butona tıklıyor ama satın almıyorsa, tıklama oranı yanıltıcı bir metrik olur.

Çözüm: Birincil metrik olarak iş hedefine en yakın metriği seçin (gelir, kayıt, satın alma). Tıklama oranı gibi ara metrikleri ikincil metrik olarak izleyin.

4. Mevsimselliği Göz Ardı Etmek

Black Friday haftasında başlatılan bir test, normal dönemdekinden farklı sonuçlar verebilir. Yüksek kampanya dönemleri kullanıcı davranışlarını değiştirir.

Çözüm: Testleri normal trafik dönemlerinde çalıştırın. Özel dönemlerde test yapıyorsanız, sonuçların genelleştirilemeyeceğini bilin.

5. Yetersiz Trafik ile Test Yapmak

Günde 100 ziyaretçi alan bir sitede, %5'lik bir dönüşüm artışını istatistiksel olarak tespit etmek aylar sürer. Bu süre içinde pek çok dış faktör sonuçları etkiler.

Çözüm: Düşük trafikli sitelerde büyük, cesur değişiklikler test edin (tamamen farklı sayfa düzeni, farklı değer teklifi). Küçük ince ayar testleri yüksek trafik gerektirir.

A/B Testi Araçları

VWO (Visual Website Optimizer)

En popüler A/B test platformlarından biridir. Görsel editör sayesinde kod yazmadan test oluşturabilirsiniz.

Güçlü yönleri: Kullanımı kolay görsel editör, istatistiksel motor güçlü (Bayesian), ısı haritaları ve oturum kayıtları entegre, kişiselleştirme özellikleri.

Fiyat: Aylık trafik bazlı fiyatlandırma. Starter plan ~$99/ay'dan başlar.

Optimizely

Kurumsal düzeyde A/B test ve kişiselleştirme platformudur.

Güçlü yönleri: Güçlü istatistiksel motor, server-side test desteği, feature flagging, tam kapsamlı deneyim platformu.

Fiyat: Kurumsal fiyatlandırma (genellikle yıllık $50.000+). Küçük işletmeler için uygun değil.

Google Optimize Alternatifleri

Google Optimize 2023'te kapatıldı. Alternatif olarak şu araçları değerlendirebilirsiniz:

• PostHog: Açık kaynaklı, feature flagging ve A/B test desteği. Self-hosted veya cloud. Ücretsiz planı cömert.
• GrowthBook: Açık kaynaklı, Bayesian istatistiksel motor. Self-hosted. Tamamen ücretsiz.
• Statsig: Ücretsiz planı aylık 1 milyon olaya kadar. Feature flagging ve A/B test.
• ABTesting.ai: Basit ve uygun fiyatlı. Küçük siteler için ideal.

Düşük Bütçe Yaklaşımı

Ücretli araç kullanamıyorsanız, basit A/B testlerini şu yöntemlerle yapabilirsiniz:

• JavaScript ile kullanıcıları rastgele gruplara ayırıp farklı versiyonları gösterin
• Microsoft Clarity'nin özel etiketleri ile hangi gruba ait olduklarını işaretleyin
• GA4'te dönüşüm oranlarını grup bazlı karşılaştırın

Pratik A/B Testi Örnekleri

E-Ticaret: Ürün Sayfası Optimizasyonu

Hipotez: Ürün sayfasına müşteri yorumlarını ürün görseli altına taşırsak, güven algısı artacağı için sepete ekleme oranı yükselir.

Kontrol (A): Yorumlar sayfanın en altında

Varyant (B): İlk 3 yorum ürün görseli altında, hemen görünür

Birincil metrik: Sepete ekleme oranı

İkincil metrikler: Satın alma oranı, ortalama sepet değeri

SaaS: Fiyatlandırma Sayfası

Hipotez: Fiyatlandırma sayfasında yıllık ödeme seçeneğini varsayılan yaparsak, ortalama müşteri değeri (LTV) artar.

Kontrol (A): Aylık fiyatlandırma varsayılan olarak gösteriliyor

Varyant (B): Yıllık fiyatlandırma varsayılan, "%20 tasarruf" etiketi ile

Birincil metrik: Yıllık plan seçme oranı

İkincil metrikler: Toplam kayıt oranı, ilk 30 gün churn oranı

Landing Page: CTA Optimizasyonu

Hipotez: CTA metnini "Ücretsiz Dene" yerine "14 Gün Ücretsiz Başla" olarak değiştirirsek, deneme süresi belirtildiği için güven artar ve tıklama oranı yükselir.

Kontrol (A): "Ücretsiz Dene"

Varyant (B): "14 Gün Ücretsiz Başla"

Birincil metrik: CTA tıklama oranı

İkincil metrikler: Kayıt tamamlama oranı, aktivasyon oranı

A/B Testi ve Davranış Analizi Birlikte

A/B testi "ne daha iyi çalışıyor" sorusuna cevap verir ama "neden daha iyi çalışıyor" sorusuna cevap vermez. Davranış analiz araçları bu boşluğu doldurur:

1. Test öncesi: Clarity'deki ısı haritaları ve oturum kayıtlarıyla mevcut sorunları tespit edin ve hipotez oluşturun
2. Test sırasında: Her iki varyant için Clarity'de ayrı ısı haritaları oluşturun ve kullanıcı davranış farklarını izleyin
3. Test sonrası: Kazanan varyantın neden daha iyi olduğunu Clarity verileriyle anlayın — bu bilgi gelecek testlerinizi besler

Sonuç

A/B testi, web sitesi optimizasyonunun temel taşıdır. Doğru metodoloji ile küçük iyileştirmeler bile zamanla büyük etki yaratır. Başlamak için:

1. Clarity'deki verilere bakarak en büyük sorunları tespit edin
2. Güçlü bir hipotez oluşturun
3. Örneklem büyüklüğünü hesaplayın
4. Testi çalıştırın ve sabırlı olun
5. Sonuçları istatistiksel olarak değerlendirin
6. Kazananı uygulayın ve bir sonraki teste geçin