A/B test necə qurulur: statistik əhəmiyyətlilik və nümunə ölçüsü

Web saytınızda və ya reklam kampaniyalarınızda bir dəyişiklik etdiniz və dönüşüm nisbətlərinizdə kiçik bir artım müşahidə etdiniz. Bəs bu artım, həqiqətən etdiyiniz o parlaq dəyişikliklərdənmi irəli gəlir, yoxsa sadəcə statistik gürültüdən ibarətdir? 2026-cı ildə marketing büdcələrinin hər qəpiyi kritik olduğu üçün, fərziyyələrlə hərəkət etmək yalnız vaxt itkisidir, eyni zamanda ciddi maliyyə yüküdür. Bir çox müəssisə sahibi, məlumatları yanlış şərh etdiyi üçün əslində faydalı olmayan strategiyalara investisiya etməyə davam edir.

Praktikada bunu tez-tez görürük: Bir e-ticaret müştərimizdə, səbət səhifəsindəki düymə rənginin dəyişdirilməsinin satışları 5% artıracağı düşünülmüşdü. Ancaq məlumatları dərindən incələdiyimizdə, bu artımın nümunə ölçüsünün yetərsizliyi səbəbindən tamamilə təsadüfi olduğunu və həqiqətən istifadəçi təcrübəsini (UX) mənfi təsir etdiyini başa düşdük. Budur A/B testlərinin mərkəzi olan statistik əhəmiyyətlilik və nümunə ölçüsü burada devrə girir. Bu təlimatda, digital marketing strategiyanızı sağlam təməllər üzərində qurmanız üçün lazım olan texniki detallar və tətbiq addımlarını peşəkar bir baxış bucağı ilə ələ alacağıq.

Məlumat analisti A/B testi qrafiklərini və dönüşüm hunilərini incələyir

A/B Testi Nedir? Neden İstatistiksel Bir Temele İhtiyaç Duyar?

A/B testi, bir veb səhifəsi, reklam kreasyonu və ya e-poçt kimi digital varlıqların iki fərqli versiyasını (A və B) bir-biri ilə müqayisə edərək hansı variantın daha yüksək performans göstərdiyini müəyyən edən kontrol edilən bir eksperiment metodudur. Statistik əhəmiyyətlilik və nümunə ölçüsü istifadə edərək, əldə olunan nəticələrin şans nəticəsi olmadığını, əksinə, daimi bir istifadəçi davranışını təmsil etdiyini təsdiq edir.

Bir testin uğurlu olması üçün yalnız "daha çox klik" alması yetməz. Statistik baxımdan etibarsız bir test nəticəsi ilə hərəkət etmək, yanlış yolda sürüklenməyə səbəb ola bilər. Xüsusilə açılış səhifəsi dizaynı proseslərində, vizual seçimlərdən daha çox veri əsaslı qərarlar qəbul etmək, uzunmüddətli sərfəliliyin açarıdır. 2026 digital ekosistemində, alqoritmlərin bu qədər dəqiqləşdiyi bir dövrdə, təsadüflərə yer buraxacaq lüksümüz yoxdur.

Peşəkar İpucu: Testlərinizi başlamadan əvvəl hər zaman bir "Sıfır Hipotezi" (Null Hypothesis) qurun. Bu hipotez, "Varyasiyalar arasında heç bir fərq yoxdur" deyir. Testinizin məqsədi, bu hipotezi 95% və ya daha yüksək bir etimad səviyyəsi ilə təkzib etmək olmalıdır. Əgər bu həddi aça bilmirsinizsə, əlinizdəki məlumat bir tədbir görmək üçün kifayət deyil.

İstatistiksel Anlamlılık (Statistical Significance) Derinlemesine Bakış

İstatistik əhəmiyyətlilik, bir eksperimentin nəticəsinin təsadüfi oluşma ehtimalının nə qədər aşağı olduğunu ifadə edir. Marketing dünyasında ümumiyyətlə 95% əhəmiyyətlilik dərəcəsi standart olaraq qəbul edilir. Bu, nəticənin 95% ehtimalı ilə gerçək bir fərqdən irəli gəldiyi, 5% ehtimalı ilə isə şans nəticəsi olduğu deməkdir. Ancaq yüksək həcmli əməliyyatlarda, xüsusilə Google Ads danışmanlığı verdiyimiz böyük miqyaslı markalarda, səhv payını minimallaşdırmaq üçün bu nisbəti 99%-a qədər qaldıra bilirik.

P-dəyəri (P-value) anlayışı burada kritik bir rol oynayır. Əgər p-dəyəri 0.05-dən kiçikdirsə, nəticənin əhəmiyyətli olduğunu deyə bilərik. Ancaq diqqətli olun; p-dəyəri tək başına bir qələbə elanıdır. Məlumat toplama müddəti və xarici amillər (bayram tətilləri, ani valyuta dalğalanmaları və ya rəqib kampaniyaları) p-dəyərini süni şəkildə manipulyasiya edə bilər. Müştərilərimizlə çalışarkən qazandığımız təcrübəyə görə, test müddətini ən az iki tam həftəlik döngüyə yaymaq, həftə içi və həftə sonu davranış fərqliliklərini absorbe etmək baxımından kritik önəmə malikdir.

Əsas səviyyədə bir p-dəyəri takibi edə bilərsiniz; ancaq irəlil edilmiş analizlərdə Bayesian (Bayesyen) statistik modellərini istifadə etmək, nəticənin düzgünlüyündən əmin olmağı təmin edir. Bayesian modelləşməsi, "B variantının A-dan daha yaxşı olma ehtimalı nədir?" sualına daha intuitiv və iş mərkəzli cavablar verir. 2026-cı ildən etibarən müasir test alətlərinin əksəriyyəti artıq klassik Frequentist yanaşmadan bu istiqamətdə kaymışdır.

A/B testi dashboard ekranında statistik əhəmiyyətlilik məlumatları

Nümunə Ölçüsü (Sample Size) Nasıl Hesaplanır?

Yetərsiz nümunə ilə testi bitirmək, digital marketingdə edilə biləcək ən bahalı xətalardan biridir. Bir sikkəni 3 dəfə atıb 3-ü də yazı gəlməsi sizin sikkənin həmişə yazı gələcəyini sübut etmir; yalnız az cəhd etdiyinizi göstərir. A/B testlərində vəziyyət də eynidir. İhtiyacınız olan trafik miktarını müəyyən etmək üçün aşağıdakı üç amili bilməlisiniz:

• Mövcud Dönüşüm Oranı (Baseline Conversion Rate): Test etdiyiniz səhifənin indiki performans faizi.
• Minimum Müəyyən Olunan Təsir (MDE - Minimum Detectable Effect): Fark etdiyiniz ən kiçik dəyişim nisbəti (Məsələn; dönüşümü 2%-dən 2.2%-ə yüksəltmək 10%-lik bir MDE deməkdir).
• Statistik Güc (Statistical Power): Testin, həqiqətən mövcud bir fərqi tutma qabiliyyəti (Ümumiyyətlə 80% olaraq təyin edilir).

Aşağıdakı cədvəl, fərqli senaryolarda nümunə ölçüsünün necə dəyişdiyini göstərir:

Başlangıç Dönüşüm Oranı Hedeflenen Artış (MDE) Gereken Örneklem (Varyasyon Başına) Güven Aralığı

%2 %5 (Bağıl) ~390.000 Ziyaretçi %95

%2 %20 (Bağıl) ~25.000 Ziyaretçi %95

%10 %10 (Bağıl) ~15.000 Ziyaretçi %95

Gördüyünüz kimi, tapmaq istədiyiniz fərq kiçildikcə ehtiyacınız olan trafik miktarı qat-qat artır. Sektor lideri bir şirkətdə aparılan araşdırmamızda, 1%-lik bir yaxşılaşmanı sübut etmək üçün milyonlarca unikal ziyarətçiyə ehtiyac duyduğumuzu gördük. Əgər trafikiniz məhdudidirsə, daha radikal dəyişikliklər (mikro kopyalar yerinə tamamilə fərqli bir səhifə strukturu) test etmək və MDE-ni yüksəltməlisiniz.

Tətbiq Təklifi: Nümunə ölçüsünü hesablamaq üçün manuel formulalarla məşğul olmaqdan daha çox VWO və ya Optimizely kimi etibarlı hesablayıcılardan istifadə edin. Testə başlamadan əvvəl bu rəqəmi müəyyənləşdirin və o rəqəmə çatana qədər testi dayandırmayın.

A/B Testi Qurulumu: Addım Addım Peşəkar Strategiya

Bir A/B testini təsadüfən başlatmaq, qaranlıqda ox atmağa bənzəyir. Peşəkar bir agentlik yanaşmasıyla prosesi aşağıdakı kimi idarə etməlisiniz:

1. Məlumat Analizi və Hipotez Qurma

Google Analytics 4 (GA4) məlumatlarınızı incələyərək istifadəçilərin harada "takıldığını" tapın. Məsələn, ödəniş səhifəsindəki tərk oranları yüksəkdirsə, hipoteziniz belə ola bilər: "Ödəniş səhifəsindəki etibar logolarını yuxarı köçürmək, səbət tərk səbətini 3% azaldacaq." Sektor araşdırmalarına görə, istifadəçilərin 60%-dən çoxu etibar simvollarını görmədiyi saytlar üzrə alış-veriş etməkdən çəkinir (HubSpot).

2. Dəyişəni Müəyyən Etmək və Dizayn

Eyni anda birdən çox şey test etməyin (Buna Çox Dəyişkən Test - Multivariate deyilir və daha çox trafik tələb edir). Yalnız başlığı mı, vizualı mı yoxsa düyməni mi test edəcəyinizə qərar verin. LinkedIn reklamlarında A/B testi edərkən, məsələn, yalnız hədəfləmə dəstini və ya yalnız vizualı dəyişərək aydın nəticələr əldə edə bilərsiniz.

3. Texniki Qurulum və QA (Keyfiyyət Təftişi)

Testin hər iki cihaz növündə (mobil/masaüstü) və müxtəlif brauzerlərdə düzgün işlədiyindən əmin olun. 2026-cı ildsə server-tərəfli (server-side) izləmə istifadəsi, brauzer məhdudiyyətlərini aşmaq üçün artıq bir məcburiyyət halına gəlib. Əgər qurulumunuz səhvdirsə, istifadəçilər hər iki varyasiyanı da görə bilər və bu, bütün məlumatı çirkləndirir.

"Gerçək bir uğur hekayəsi, düymə rəngindən daha çox istifadəçi psixologiyasını anlamaqdan doğur. Testlərinizdə yalnız 'nə' sualına deyil, 'nədən' sualına da diqqət yetirin."

Bu prosesi öz başınıza idarə edə bilərsiniz; ancaq məlumat itkisinin qarşısını almaq və düzgün alət seçimində peşəkar dəstək almaq, investisiya gəlirliliyinizi (ROI) ciddi dərəcədə sürətləndirəcəkdir. Səhv qurulmuş bir test sistemi, aylarca yanıltıcı məlumatlarla nəticələnə bilər.

A/B testi iş axınını göstərən peşəkar infografik

2026-cı ildə A/B Testi: Süni İntellekt və Gizlilik Üzərə Yanaşmalar

2026-cı ilə gəldiyimizdə, A/B testləri artıq yalnız "A vs B" olmaktan çıxdı. Süni intellekt dəstəyi ilə optimizasiya alətləri, trafiği real vaxtda qazanan varyasiyaya yönləndirən "Çox Silahlı Bandit" alqoritmlarını istifadə edir. Bu metod, test müddətində itirən varyasiyaya trafik göndərərək yaşayacağınız fürsət maliyyətini minimallaşdırır.

Həmçinin, Razılıq Modu v3 və bənzəri gizlilik protokolları səbəbindən məlumat çatışmazlığı yaşanabilir. Müştərilərimizlə çalışarkən əldə etdiyimiz təcrübəyə görə, modellə bağlı məlumatları (modeled data) istifadə edərək boşluqları doldurmaq, statistik əhəmiyyətlilik əldə etmə müddətini 30% qədər qısaldır. Bu anda, məlumat təhlükəsizliyi ilə optimizasiya arasındakı balansı qurmaq ixtisas tələb edən bir sahədir.

İrəliləmiş bir strategiya olaraq, istifadəçi seqmentlərinə görə fərqli testlər aparmaq (Personalization A/B) artıq standart halına gəlib. Məsələn; saytınıza ilk dəfə gələn bir istifadəçi ilə 5-ci dəfə gələn sadiq bir istifadəçiyə eyni varyasiyanı göstərmək məntiqsiz ola bilər. Bu cür dərin seqmentləşdirmələr üçün Google Analytics 4 və server-tərəfli izləmə inteqrasiyalarının mükəmməl olması tələb olunur.

Tez-tez Edilən Xətalar və Qaçınma Yolları

Yıllardır sektorda gördüyümüz ən böyük səhv, "Peek-a-boo" (dizləmək) səhvidir. Test davam edərkən nəticələrə baxıb, "A varyasiyası hal-hazırda öndədir, gedin testi bitirək" demək statistik bir cinayətdir. Anlamlılıq dərəcəsi dalğalıdır və müəyyən edilmiş nümunə ölçüsünə çatılmadan alınan qərarlar adətən yanlışdır.

• Testi Çox Tez Bitirmək: Nümunə ölçüsünə çatılaraq, ən az bir tam satın alma döngüsü (ümumiyyətlə 7-14 gün) gözlənilməlidir.
• Eyni Anda Çox Test Yapmaq: Testlərin bir-birini təsir etməsi (interaction effect) nəticələri etibarsızlaşdırır.
• Sadəcə Dönüşümə Fokuslanmaq: Bir dəyişiklik dönüşümü artırarkən, ortalama sifariş dəyərini (AOV) azalda bilər. Bütün metrikləri bütünlükdə inceleyin.

Əhəmiyyətli Nöqtələr

• Statistik əhəmiyyətlilik üçün 95% etimad dərəcəsi və 0.05 altı p-dəyəri hədəflənməlidir.
• Nümunə ölçüsü müəyyən edilmədən teste başlamaq, mənbəyi bilinməyən məlumatlarla qumar oynamağa bənzəyir.
• Test müddətləri, istifadəçi vərdişlərini əhatə edəcək biçimdə ən az 14 gün mütləq planlanmalıdır.
• 2026 standartlarında, AI dəstəyi olan alətlər və Bayesian statistik modelləri seçim edilməlidir.
• Nəticələr yalnız dönüşüm nisbəti ilə deyil, dövriyyə və istifadəçi ömür boyu dəyəri (CLV) ilə dəyərləndirilməlidir.
• Xarici amillərin (kampaniya dövrləri, tətillər) məlumatları çirkləndirilməsinə icazə verilməməlidir.
• Qurulumdan sonra mütləq QA (keyfiyyət kontrolu) prosesləri işlədilməlidir.

Tez-tez Sorulan Suallar

A/B testim nə qədər müddətlə işləməlidir?

Adətən, tövsiyə edilən müddət minimum 2 həftədir. Bu müddət, həftəlik döngüdəki istifadəçi davranış fərqliliklərini yakalamanızı təmin edir. Ancaq trafikiniz çox aşağıdırsa, statistik əhəmiyyətliliyə çatmaq üçün bu müddət bir neçə aya qədər uzana bilər; bu halda test strategiyanızı gözden keçirməyiniz lazım ola bilər.

Kiçik bir veb sayfam var, A/B testi apara bilərəmmi?

Bəli, amma mikro dəyişikliklər (düymə rəngi kimi) yerinə daha böyük radikal dəyişiklikləri (bütün səhifə strukturu və ya dəyər təklifləri) test etməlisiniz. Aşağı trafikli saytlarda statistik əhəmiyyətliliyə çatmaq çətindir, bu səbəbdən istifadəçi testləri və ya anketlər kimi keyfiyyətli məlumatlarla dəstək almaq daha doğru olar.

%90 əhəmiyyətlilik dərəcəsi kifayət edərmi?

Marketing dünyasında %95 qızıl standartdır. %90 dərəcəsi, etdiyiniz dəyişikliklərin 10 dəfə 1-də yanlış nəticə vermə riskini qəbul etdiyiniz anlamına gəlir. Əgər risk toleransınız aşağıdırsa və ya bahalı bir dəyişiklik edəcəksinizsə, %95-in altına düşməməlisiniz.

A/B testi SEO-ya mənfi təsir edirmi?

Xeyr, Google A/B testlərini təşviq edir. Ancaq test etdiyiniz varyasiyaları Googlebot-a gizlətməməlisiniz (hiylə etmək) və testi sonsuza qədər açıq saxlamamalısınız. Qazanılan varyasiyanı müəyyən etdikdən sonra digərlerini aradan qaldırmaq SEO sağlamlığı baxımından əhəmiyyətlidir.

Ən yaxşı A/B testi alətləri hansılardır?

2026-cı ilə qədər Optimizely, VWO, Adobe Target və daha münasib büdcəli həllər üçün Convert.com populyarlığını qoruyur. Google Optimize'ın emekli olmasından sonra GA4 ilə inteqrasiya edilən üçüncü tərəf alətləri ön plana çıxmışdır.

Sonuç: Veriyle Büyümek İçin Doğru Adımları Atın

A/B testləri, digital dünyada təxmin etməyi dayandırıb gerçəklərlə üzləşmənin ən təsirli yoludur. Ancaq bu proses, sadəcə iki vizualı müqayisə etməkdən daha çoxudur; riyazi bir disiplin və strateji baxış bucağı tələb edir. Nümunə ölçüsünü düzgün hesablamaq, statistik əhəmiyyətliliyi diqqətlə izləmək və 2026-nın gətirdiyi teknolojik imkanlardan istifadə etmək, sizi rəqiblərinizin önünə keçirəcəkdir.

Unutmayın, hər yanlış test qərarı yalnız bir dizayn xətası deyil, həmçinin atılmış bir reklam büdcəsidir. Qarışıq veri setlərini analiz etmək, texniki qurğuları mükəmməl həyata keçirmək və həqiqətən faydalı hipotezlər yaratmaq hər zaman asan olmaya bilər. 212 Medya olaraq, illərin gətirdiyi sektoral təcrübəmiz və irəliləməli veri analitikası bacarıqlarımızla, markaların digital müstəvidəki inkişaf səyahətlərini elmi temellərə oturduruq. Siz də qərarlarınızı fərziyyələrə deyil, sarsılmaz verilərə dayandırmaq istəyirsinizsə, bizimlə əlaqə saxlayın.

Daha səmərəli kampaniyalar və yüksək dönüşüm nisbətləri üçün doğru strategiyanı bu gün dizayn edin. Peşəkar dəstək, mürəkkəb məlumatları işiniz üçün sərfəli bir böyümə alətinə çevirmək üçün sizə kömək edə bilər.