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

Veb saytınızda və ya reklam kampaniyalarınızda bir dəyişiklik etmisiniz və dönüşüm nisbətlərinizdə kiçik bir artım müşahidə etmisiniz. Bəs, bu artım həqiqətən etdiyiniz o parlaq dəyişiklikdənmi irəli gəlir, yoxsa sadəcə statistik bir səs-küy mü? Marketinq büdcələrinin hər qəpiyi kritik olduğu 2026-cı ildə, fərziyyələrlə hərəkət etmək yalnız vaxt itkisi deyil, eyni zamanda ciddi maliyyə məsələsidir. Bir çox iş sahibi, məlumatları yanlış şərh etdiyi üçün əslində işə yaramayan strategiyalara sərmayə qoymağa davam edir.

Praktikada bunu tez-tez müşahidə edirik: Bir e-ticarət müştərimizdə, səbət səhifəsindəki düymənin rəngini dəyişməyin satışları 5% artırdığı düşünülmüşdür. Lakin məlumatları dərindən araşdırdığımızda, bu artımın nümunə ölçüsünün yetərsizliyi səbəbindən tamamilə təsadüfi olduğunu və əslində istifadəçi təcrübəsini (UX) mənfi yöndən təsir etdiyini başa düşdük. İstədiyimiz A/B testlərinin mərkəzində olan statistik mənalıqlıq və nümunə ölçüsü burada ortaya çıxır. Bu bələdçidə, rəqəmsal marketinq strategiyanızı sağlam əsaslara oturtmaq üçün lazım olan texniki detallar və icra addımlarını peşəkar bir baxış açısıyla müzakirə edəcəyik.

Məlumat analitiki 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 kreativləri və ya e-poçt kimi rəqəmsal aktivlərin iki fərqli versiyasının (A və B) bir-biri ilə müqayisə olunaraq hansı varyasyonun daha yüksək performans göstərdiyini müəyyən edən nəzarətli bir təcrübə metodudur. Statistik mənalıqlıq və nümunə ölçüsü istifadə edilərək, əldə edilən nəticələrin şans əşəri olmadığını, kalıcı bir istifadəçi davranışını təmsil etdiyini təsdiqlənir.

Bir testin müvəffəqiyyətli olması üçün yalnız "daha çox tıklama" alması kifayət deyil. Statistiki açıdan uyğun olmayan bir test nəticəsi ilə hərəkət etmək, yanlış istiqamətə sapmanıza səbəb ola bilər. Xüsusilə açılış səhifəsi dizaynı proseslərində, vizual seçimlərdən çox məlumat əsasında qərar vermək, uzunmüddətli mənfəətin açarıdır. 2026 rəqəmsal ekosistemində, alqoritmların bu qədər həssaslaşdığı bir dövrdə, təsadüflərə yer buraxmaq lüksümüz yoxdur.

Peşəkar İpucu: Testlərinizə başlamadan əvvəl həmişə bir "Null Hipotezi" (Sıfır Hipotezi) qurun. Bu hipotez "Varyasyonlar arasında heç bir fərq yoxdur" deyir. Testinizin məqsədi, bu hipotezi 95% və ya daha yüksək bir etimad səviyyəsi ilə çürütmək olmalıdır. Əgər bu eşiği aşa bilmirsinizsə, əlinizdəki məlumat bir hərəkət üçün yetərli deyil.

İstatistiksel Anlamlılık (Statistical Significance) Derinlemesine Bakış

İstatistiksel mənalıqlıq, bir təcrübənin nəticəsinin təsadüfən meydana gəlmə ehtimalının nə qədər aşağı olduğunu ifadə edir. Marketinq dünyasında adətən 95% mənalıqlıq səviyyəsi standart olaraq qəbul edilir. Bu, nəticənin 95% ehtimalla real bir fərqdən qaynaqlandığı, 5% ehtimalla isə şans əsəri olduğu deməkdir. Lakin yüksək həcimli əməliyyatlarda, xüsusilə Google Ads danışmanlığı verdiyimiz böyük ölçülü markalarda, səhv payını minimallaşdırmaq üçün bu nisbəti 99%-ə qədər artırmağa nail ola bilirik.

P-deyəri (P-value) anlayışı burada kritik bir rol oynayır. Əgər p-deyəri 0.05-dən kiçikdirsə, nəticənin mənalı olduğunu deyə bilərik. Lakin diqqətli olun; p-deyəri tək başına bir zəfər elanıdır. Məlumat toplama müddəti və xarici amillər (bayram tətilləri, ani valyuta dalğalanmaları və ya rəqib kampaniyaları) p-deyərini süni olaraq manipulyasiya edə bilər. Müştərilərlə işləyərkən əldə etdiyimiz təcrübəyə görə, test müddətini ən azı iki tam həftəlik dövrə yaymaq, həftə içi və həftə sonu davranış fərqliliklərini absorb etmək üçün kritik əhəmiyyət kəsb edir.

Əsas səviyyədə bir p-deyəri izləyə bilərsiniz; lakin irəliləyiş analizi üçün Bayesian (Bayesyen) statistik modellərini istifadə etmək, nəticənin doğruluğundan əmin olmanıza imkan tanıyır. Bayesian modelləşdirmə "B varyasiyasının A-dan daha yaxşı olma ehtimalı nədir?" sualına daha intuitiv və iş yönümlü cavablar verir. 2026-cı ildən etibarən müasir test vasitələrinin çoxu artıq klassik Tez-tez istifadə edilən (Frequentist) yanaşmadan bu yöne kaymışdır.

A/B testi dashboard ekranında statistik mənalıqlıq məlumatları

Nümunə Ölçüsü (Sample Size) Nasıl Hesaplanır?

Yetərsiz nümunə ilə test bitirmək, rəqəmsal marketinqdə ediləcək ən bahalı səhvlərdən biridir. Bir madeni pulu 3 dəfə atıb 3-nün də yazı gəlməsi sizə pulların hər zaman yazı gələcəyini sübut etmir; yalnız az sınama etdiyinizi göstərir. A/B testlərində də vəziyyət eynidir. İhtiyacınız olan trafik miqdarını müəyyən etmək üçün bu üç faktoru bilməlisiniz:

• Mövcud Dönüşüm Oranı (Baseline Conversion Rate): Test etdiyiniz səhifənin hazirki performans faizi.
• Minimum Saptanabilir Etki (MDE - Minimum Detectable Effect): Fərq etmək istədiyiniz ən kiçik dəyişim nisbəti (Məsələn: dönüşümü 2%-dən 2.2%-ə qaldırmaq 10%-lik bir MDE deməkdir).
• İstatistiksel Güç (Statistical Power): Testin, gerçəkdən var olan bir fərqi əldə etmə qabiliyyəti (Adətən 80% olaraq təyin edilir).

Aşağıdaki cədvəl, fərqli senarilərdə 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, saptamaq istədiyiniz fərq kiçildikcə ehtiyacınız olan trafik miqdarı qat-qat artır. Sektor lideri bir firmada apardığımız işdə, 1%-lik bir yaxşılaşmanı sübut etmək üçün milyonlarla unikal ziyarətçiyə ehtiyac duyduğumuzu gördük. Əgər trafikiniz məhduddursa, daha radikal dəyişikliklər (mikro kopiolar əvəzinə tamamilə fərqli bir səhifə strukturu) test edərək MDE-ni artırmalısınız.

İcra Təklifi: Nümunə ölçüsünü hesablamaq üçün əl ilə formullar istifadə etmək əvəzinə VWO və ya Optimizely kimi etibarlı hesablayıcıları istifadə edin. Testə başlamazdan əvvəl bu rəqəmi müəyyən edin və o rəqəmə çatmadığınız müddətdə testi dayandırmayın.

A/B Testi Qurulumu: Addım Addım Peşəkar Strategiya

Bir A/B testini təsadüfən başlamaq, qaranlıqda ox atmağa bənzəyir. Peşəkar bir agentlik yanaşması ilə prosesi bu şəkildə idarə etməlisiniz:

1. Məlumat Analizi və Hipotez Yaratma

Google Analytics 4 (GA4) məlumatlarınızı araşdıraraq istifadəçilərin harada "saxlandığını" tapın. Məsələn, ödəniş səhifəsində tərk nisbətləri yüksəkdirsə, hipoteziniz belə ola bilər: "Ödəniş səhifəsindəki etimad loqolarını yuxarıya köçürmək, səbət tərk nisbətini 3% azaldacaq." Sektor tədqiqatlarına görə, istifadəçilərin 60%-dən çoxu etimad simvollarını görmədiyi saytlarından alış-veriş etməkdən çəkinir (HubSpot).

2. Dəyişəni Müəyyən Etmə və Dizayn

Eyni anda bir neçə şeyi test etməyin (Buna Çox Dəyişkənli Test - Multivariate deyilir və daha çox trafik tələb edir). Yalnız başlığı, vizualı ya da düyməni test edəcəyinizi qərar verin. LinkedIn reklamlarında A/B testi edərkən, məsələn, yalnız hədəfləmə dəstini ya da yalnız vizualı dəyişdirərək aydın nəticələr əldə edə bilərsiniz.

3. Texniki Quruluş və QA (Keyfiyyətə Nəzarət)

Testin hər iki cihaz növündə (mobil/masaüstü) və fərqli brauzerlərdə düzgün işlədiyindən əmin olun. 2026-cı ildə server tərəfində izləmə istifadə etmək, brauzer məhdudiyyətlərini aşmaq üçün artıq bir zərurət halına gəlib. Əgər quruluşunuz səhvdirsə, istifadəçilər hər iki varyasiyanı da görə bilər və bu, bütün məlumatları çirkləndirir.

"Gerçək bir müvəffəqiyyət hekayəsi, düymə rəngindən daha çox istifadəçi psixologiyasını başa düşən strategiyalardan doğur. Testlərinizdə yalnız 'nə' sualına deyil, 'niyə' sualına da fokuslanın."

Bu prosesi özünüz idarə edə bilərsiniz; ancaq məlumat itkisinin qarşısını almaq və doğru alət seçimini etmək üçün peşəkar dəstək almaq, sərmayənizin gətirisini (ROI) ciddi şəkildə artırır. Yanlış qurulmuş bir test düzəni, aylarca yanıltıcı məlumatlarla nəticələnə bilər.

A/B testi iş axışını göstərən peşəkar infografik

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

2026-cı ilə gəldiyimizdə, A/B testləri artıq yalnız "A vs B" olmaktan çıxdı. Süni intellek dəstəyi ilə optimallaşdırma alətləri, trafikləri real vaxtda qazanan varyasiyaya yönəldən "Multi-Armed Bandit" alqoritmlərini istifadə edir. Bu metod, test müddətində itirən varyasiyaya trafik göndərərək yaşayacağınız fürsət xərcini minimallaşdırır.

Həmçinin, Consent Mode v3 kimi gizlilik protokolları səbəbi ilə məlumat çatışmazlığı yaşanır. Müştərilərlə işləyərkən əldə etdiyimiz təcrübəyə görə, modelləşdirmə məlumatları (modeled data) istifadə edərək boşluqları doldurmaq, statistik mənalıqlığa çatma müddətini 30% qədər azalda bilir. Bu nöqtədə, məlumat təhlükəsizliyi ilə optimallaşdırma arasındakı mürəkkəb tarazlığı qurmaq mütəxəssislik tələb edən bir sahədir.

İrəlidə bir strategiya olaraq, istifadəçi seqmentlərinə görə fərqli testlər keçirmək (Personalization A/B) artıq standart halını alıb. Məsələn, saytınıza ilk dəfə gələn bir istifadəçi ilə 5-ci dəfə gələn sadiq bir istifadəçiyə eyni varyasiyanı göstərmək mantıksız ola bilər. Bu cür dərin seqmentasiyalar üçün Google Analytics 4 və server tərəfində izləmə inteqrasiyalarının problemsiz olması gərəkdir.

Tez-tez Edilən Səhvlər və Qaçınma Yolları

İllərdir sektorda gördüyümüz ən böyük səhv "Peek-a-boo" (dikizleme) səhvidir. Test davam edərkən nəticələrə baxıb, "A varyasiyası indi öndədir, gəlin testi bitirək" demək statistik bir qətl halındadır. Mənalıqlıq səviyyəsi dalgalıdır və müəyyən edilmiş nümunə ölçüsünə çatılmadan alınan qərarlar adətən yanlışdır.

• Testi Çox Əvvəl Bitirmək: Nümunə ölçüsünə çatıldığı halda belə, ən azı bir tam satın alma dövrü (adətən 7-14 gün) gözlənilməlidir.
• Eyni Anda Çoxlu Test Keçirmək: Testlərin bir-birinə təsir etməsi (interaction effect) nəticələri geçersiz edə bilər.
• Yalnız Dönüşümə Fokuslanmaq: Bir dəyişiklik dönüşümü artırarkən, orta sifariş dəyərini (AOV) azalda bilər. Bütün metrikləri bütövlükdə incələyin.

Önemli Noktalar

• İstatistiksel mənalıqlıq üçün 95% etimad səviyyəsi və 0.05 altı p-deyərinin hədəflənməsi gərəkdir.
• Nümunə ölçüsü müəyyən edilmədən teste başlamaq, mənbəyi məlum olmayan məlumatlarla qumar oynamaya bənzəyir.
• Test müddətləri, istifadəçi vərdişlərini əhatə edəcək şəkildə ən az 14 gün olaraq planlanmalıdır.
• 2026 standartlarında, AI dəstəyi ilə alətlər və Bayesian statistik modellərin istifadəsi təşviq edilməlidir.
• Nəticələr yalnız dönüşüm nisbəti ilə deyil, dövriyyə və istifadəçi ömrü dəyəri (CLV) ilə qiymətləndirilməlidir.
• Xarici amillərin (kampaniya dövrləri, tətillər) məlumatı çirkləndirməsinə icazə verilməməlidir.
• Quraşdırmadan sonra mütləq QA (keyfiyyətə nəzarət) prosesləri həyata keçirilməlidir.

Tez-tez Soruşulan Suallar

A/B testim nə qədər müddət ərzində çalışmalıdır?

Adətən, təklif olunan müddət minimum 2 həftədir. Bu müddət, həftəlik döngüdəki istifadəçi davranış fərqliliklərini tutmağınıza imkan tanıyır. Ancaq trafikiniz çox aşağıdırsa, statistik mənalıqlığa çatmaq üçün bu müddət bir neçə aya qədər uzana bilər; bu halda test strategiyanızı yenidən nəzərdən keçirməniz lazım ola bilər.

Kiçik bir veb saytım var, A/B testi edə bilərəm?

Bəli, lakin mikro dəyişikliklər (düymə rəngi kimi) əvəzinə daha böyük radikal dəyişiklikləri (bütün səhifə strukturu və ya dəyər təklifi) test etməlisiniz. Aşağı trafikli saytlar üçün statistik mənalıqlığa ulaşmaq çətin olur, buna görə istifadəçi testləri və ya sorğular kimi keyfiyyət məlumatları ilə dəstək almaq daha düzgün olardı.

%90 mənalıqlıq səviyyəsi kifayət edirmi?

Marketinq dünyasında %95 qızıl standartdır. %90 səviyyəsi, etdiyiniz dəyişikliyin 10 dəfə 1ində yanlış nəticə vermə riskini qəbul etdiyiniz deməkdir. Əgər risk toleransınız aşağıdırsa və ya maliyyətli bir dəyişiklik edəcəksinizsə, %95-in altına düşməməlisiniz.

A/B testi SEO-nu mənfi təsir edirmi?

Xeyr, Google A/B testlərini təşviq edir. Lakin test etdiyiniz varyasiyaları Googlebot-a gizlətməməlisiniz (cloaking etməməlisiniz) və testi sonsuza qədər açıq buraxmamalısınız. Qazanmış varyasiyanı müəyyənləşdirdikdən sonra digərlerini aradan qaldırmaq SEO sağlamlığı baxımından vacibdir.

Ən yaxşı A/B testi alətləri hansılardır?

2026-cı ildən etibarən Optimizely, VWO, Adobe Target və daha uyğun büdcəli həllər üçün Convert.com populyarlığını qoruyur. Google Optimize'ın təqaüdə çıxmasından sonra GA4 ilə inteqrasiya olunan üçüncü tərəf alətləri ön plana çıxıb.

Nəticə: Məlumatla Böyümək Üçün Doğru Addımları Atın

A/B testləri, rəqəmsal dünyada təxmin etməyi dayandırıb reallarla üz-üzə gəlməyin ən təsirli yoludur. Lakin bu proses, yalnız iki vizualı müqayisə etməkdən çox daha faydalıdır; riyazi bir disiplin və strateji bir baxış bucağı tələb edir. Nümunə ölçüsünü düzgün hesablamaq, statistik mənalıqlığı dəqiqliklə izləmək və 2026-nın gətirdiyi texnoloji imkanlardan istifadə etmək, sizi rəqiblərinizin bir neçə addım önünə keçəcək.

Unutmayın, hər yanlış test qərarı sadəcə bir dizayn xətası deyil, eyni zamanda zibilə atılan bir reklam büdcəsidir. Mürəkkəb məlumat dəstlərini təhlil etmək, texniki quruluşları hatasız həyata keçirmək və həqiqətən işə yarayan hipotezlər istehsal etmək hər zaman asan olmaya bilər. 212 Medya olaraq, illərin gətirdiyi sektoral təcrübəmiz və irəliləmiş məlumat analitiki yetkinliyimizlə, markaların rəqəmsaldakı böyümə səyahətlərini elmi əsaslara oturduruq. Siz də qərarlarınızı fərziyyələrə deyil, sarsılmaz məlumatlara dayandırmaq istəyirsinizsə, peşəkar komandamızla Bizimlə Əlaqə edə bilərsiniz.

Daha effektiv kampaniyalar və yüksək dönüşüm nisbətləri üçün doğru strategiyanı bu gün qurun. Peşəkar bir dəstək, mürəkkəb məlumatları işiniz üçün sərfəli bir böyümə alətinə çevirməkdə sizə kömək edə bilər.