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

Veb saytınızda və ya reklam kampaniyalarınızda bir dəyişiklik etdiniz və dönüşüm nisbətlərinizdə kiçik bir artım müşahidə etdiniz. Bəs, bu artım həqiqətən etdiyiniz o parlaq dəyişikliklərin bir nəticəsidirmi, ya da sadəcə statistik bir səs-küyü mü? Marketinq büdcələrinin hər qəpiyi kritik olduğu 2026-cı ildə, fərziyyələrlə hərəkət etmək yalnız vaxt itkisi deyil, həm də ciddi bir maliyyət amilidir. Birçok iş sahibi, veriləri yanlış şərh etdiyinə görə əslində faydasız strategiyalara investisiya etməyə davam edir.

Praktikada bunu tez-tez görürük: Bir e-ticarət müştərimizdə, səbət səhifəsindəki düymə rəngini dəyişdirməyin satışları %5 artırdığı düşünülmüşdü. Ancaq veriləri dərinləşdirdiyimizdə, bu artışın nümunə ölçüsünün kifayət qədər olmaması səbəbindən tamamilə təsadüfi olduğunu və əslində istifadəçi təcrübəsini (UX) mənfi təsir etdiyini fərq etdik. Burada A/B testlərinin mərkəzi olan statistik əhəmiyyətlilik və nümunə ölçüsü ön plana çıxır. Bu rəhbərlikdə, digital marketinq strategiyanızı sağlam əsaslara oturtmanız üçün lazım olan texniki detallar və tətbiq addımlarını peşəkar bir baxış açısıyla ələ alacağıq.

Veri analitiki A/B testi qrafiklərini və dönüşüm hunilərini incələyir

A/B Testi Nədir? Niyə Statistik Bir Əsas Gerekir?

A/B testi, bir veb səhifəsi, reklam yaradıcısı və ya e-poçt kimi digital aktivlərin iki fərqli versiyasının (A və B) bir-bir ilə müqayisə edilməsi yolu ilə hansı dəyişikliklərin daha yüksək performans göstərdiyini müəyyən edən idarə olunan bir təcrübə üsuludur. Statistika əhəmiyyətliliyi və nümunə ölçüsü istifadə edilərək, əldə olunan nəticələrin şans əsəri olmadığını, daimi bir istifadəçi davranışını təmsil etdiyi təsdiqlənir.

Bir testin uğurlu olması üçün yalnız "daha çox klik" alması yetərli deyil. Statistika cəhətdən keçərli olmayan bir testin nəticələrinə əsaslanmaq, yanlış bir istiqamətə sapmanıza səbəb ola bilər. Xüsusilə açılış səhifəsi dizaynı proseslərində, vizual seçimlərdən çox verilərə əsaslanan qərarlar vermək, uzunmüddətli gəlirlilik üçün açar rolunu oynayır. 2026 digital ekosistemində, algoritmaların bu qədər həssaslaşdığı bir dövrdə, təsadüflərə yer buraxacaq lüksümüz yoxdur.

Peşəkar İpucu: Testlərinizə başlamadan əvvəl həmişə bir "Sıfır Hipotezi" (Null Hypothesis) qurun. Bu hipotez, "Varyasiyalar arasında heç bir fərq yoxdur" bildirir. Testinizin məqsədi, bu hipotezi %95 və ya daha yüksək bir etimad səviyyəsi ilə təkzib etmək olmalıdır. Əgər bu eşiği aça bilmiriksə, əlinizdəki məlumat bir aksiyon almaq üçün kifayət deyil.

Statistik Əhəmiyyətlilik (Statistical Significance) Dərin Baxış

Statistik əhəmiyyətlilik, bir təcrübənin nəticəsinin təsadüfən meydana gəlmə ehtimalının nə qədər aşağı olduğunu ifadə edir. Marketinq dünyasında adətən %95 əhəmiyyətlilik səviyyəsi standart olaraq qəbul olunur. Bu, nəticənin %95 ehtimal ilə həqiqi bir fərqdən qaynaqlandığı, %5 ehtimal ilə isə şans əsəri olduğu deməkdir. Ancaq yüksək həcmlə əməliyyatlarda, xüsusilə Google Ads məsləhətçiliyi verdiyimiz böyük miqyaslı markalarda, səhv nisbətini minimuma endirmək üçün bu nisbəti %99-a qədər çıxara 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 zəfər elan etmə deyil. Veri toplama müddəti və xarici amillər (bayram tətilləri, ani valyuta dalgalanmaları və ya rəqib kampaniyaları) p-dəyərini süni şəkildə manipulyasiya edə bilər. Müştərilərimizlə çalışarkən əldə etdiyimiz təcrübəyə görə, test müddətini ən azı iki tam həftəlik dövrə yaymaq, həftə içi və həftə sonu davranış fərqliliklərini absorbe etmək üçün kritik əhəmiyyət kəsb edir.

Əsas səviyyədə bir p-dəyəri izləyə bilərsiniz; lakin irəliləmiş analizin statistik modellərində Bayes (Bayesian) statistik modellərin istifadəsi, nəticənin doğruluğundan əmin olmağınızı təmin edir. Bayes modelləşdirməsi, "B varyasiyasının A-dan daha yaxşı olma ehtimalı nədir?" sualına daha intuitiv və biznes yönümlü cavablar verir. 2026-cı ildən müasir test alətlərinin çoxu artıq klassik Frequentist yanaşmadan bu tərəfə kaymışdır.

A/B testi dashboard ekranında statistik əhəmiyyətlilik veriləri

Nümunə Ölçüsü (Sample Size) Necə Hesablanır?

Kifayət qədər nümunəsiz test bitirmək, digital marketinqdə ediləcək ən bahalı səhvlərdən biridir. Bir metal pulunu 3 dəfə atmaq və 3-də yazı gəlməsi sizə pulun hər zaman yazı edəcəyini sübut etmir; yalnız az dəfə sınaq etdiyinizi göstərir. A/B testlərində də vəziyyət eynidir. İhtiyacınız olan trafik miqdarını müəyyənləşdirmək üçün aşağıdakı üç amili bilməlisiniz:

• Mövcud Dönüşüm Oranı (Baseline Conversion Rate): Test etdiyiniz səhifənin indiki fəaliyyət faizi.
• Minimum Saptanabilir Etki (MDE - Minimum Detectable Effect): Fark etmək istədiyiniz ən kiçik dəyişim faizi (Məsələn; dönüşümü %2-dən %2.2-yə çıxarmaq %10-luq bir MDE deməkdir).
• Statistik Güc (Statistical Power): Testin, həqiqətən mövcud olan bir fərqi tutma qabiliyyəti (Adətən %80 olaraq təyin olunur).

Aşağıdakı 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 artmaqdadır. Sektor lideri bir firmada apardığımız işdə, %1-lik bir yaxşılaşmanı sübut etmək üçün milyonlarla təkil ziyarətçiyə ehtiyac duyduğumuzu gördük. Əgər trafikiniz məhduddursa, daha radikal dəyişikliklər (mikro kopyalar yerinə tamamilə fərqli bir səhifə strukturu) test edərək MDE-ni artırmalısınız.

Tətbiq Təklifi: Nümunə ölçüsünü hesablamaq üçün manuel formulalarla vaxt itirmək əvəzinə VWO və ya Optimizely kimi etibarlı hesablama vasitələrini istifadə edin. Testə başlamazdan əvvəl bu rəqəmi müəyyənləşdirin və o rəqəmə çatana qədər testi dayandırmayın.

A/B Testi Qurulması: Addım Addım Peşəkar Strategiya

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

1. Veri Analizi və Hipotez Yaratma

Google Analytics 4 (GA4) məlumatlarınızı incələyərək istifadəçilərin harada "takıldığını" tapın. Məsələn, ödəniş səhifəsində tərk etmə nisbətləri yüksəkdirsə, hipoteziniz belə ola bilər: "Ödəniş səhifəsindəki təhlükəsizlik loqotiplərini yuxarıya daşımaq, səbət tərk etmə nisbətini %3 azaldacaq." Sektor üzrə tədqiqatlara görə, istifadəçilərin %60-dan çoxu təhlükəsizlik simvollarını görmədikləri saytlardan alış-veriş etməyə çəkinirlər (HubSpot).

2. Dəyişəni Müəyyənləşdirmək və Dizayn

Eyni anda bir neçə şeyi test etməyin (Buna Çox Dəyişənli Test - Multivariate deyilir və daha çox trafik tələb edir). Sadəcə başlığı, vizualı ya da düyməni test edəcəyinizə qərar verin. LinkedIn reklamlarında A/B testi edərkən, məsələn, yalnız hədəfləmə kütləsini ya da yalnız vizualın dəyişdirilməsi ilə aydın nəticələr əldə edə bilərsiniz.

3. Texniki Quruluş və QA (Keyfiyyətə Nəzarət)

Testin hər iki cihaz növündə (mobil/masaüstü) və fərqli brauzerlərdə doğru çalışdığını təmin edin. 2026-cı ildən server-side (server tərəfi) izleme istifadəsi, brauzer məhdudiyyətlərini aşmaq üçün artıq bir zərurət halına gəldi. Əgər quruluşunuz səhvdirsə, istifadəçilər hər iki varyasiyanı görə bilərlər və bu da bütün veriləri çirkləndirir.

"Gerçək bir uğur hekayəsi, düymə rəngindən daha çox istifadəçi psixologiyasını anlayan strategiyalardan irəliləyir. Testlərinizdə yalnız 'nə' sualına deyil, 'nədən' sualına da fokuslanın."

Bu prosesi öz başınıza idarə edə bilərsiniz; ancaq veri itkisinin qarşısını almaq və doğru alət seçimini etmək üçün peşəkar dəstək almaq, sərmayə qaytarımınızı (ROI) ciddi şəkildə sürətləndirir. Yanlış qurulan bir test sistemi, aylarca yanıltıcı verilərlə nəticələnə bilər.

A/B test iş axınını göstərən peşəkar infografik

2026-cı ildən A/B Testi: Süni İntellekt və Gizlilik Fokuslu Yanaşmalar

2026-cı ilə gəldiyimizdə, A/B testləri artıq yalnız "A vs B" olmaqdan çıxdı. Süni intellek dəstəyi ilə optimizasiya alətləri, trafiği real zamanda qazanan varyasiyaya yönləndirmək üçün "Multi-Armed Bandit" algoritmları istifadə edir. Bu üsul, test müddətində itirən varyasiyaya trafik göndərərək yaşayacağınız fürsət maliyyətini minimuma endirir.

Həmçinin, Consent Mode v3 və bənzəri gizlilik protokolları səbəbindən veri çatışmazlığı yaşanır. Müştərilərimizlə çalışarkən əldə etdiyimiz təcrübəyə görə, modelləşdirmə veriləri (modeled data) istifadə edərək boşluqları doldurmaq, statistik əhəmiyyətliliyə çatma müddətini %30 oranında qısaldır. Bu mərhələdə, veri təhlükəsizliyi ilə optimizasiya arasındakı incə tarazlığı qurmaq mütəxəssislik tələb edən bir sahədir.

İrəliləmiş bir strategiya olaraq, istifadəçi seqmentlərinə görə fərqli testlər keçirmək (Personalization A/B) artıq standart halına gəlib. Məsələn; sitenizə ilk dəfə gələn bir istifadəçi ilə 5. dəfə gələn sadiq bir istifadəçiyə eyni varyasiyanı göstərmək məqbul olmaya bilər. Bu cür dərindən seqmentasyonlar üçün Google Analytics 4 və server tərəfi izləmə inteqrasiyalarının mükəmməl olması lazımdır.

Tez-tez Edilən Səhvlər və Kaçınma Yolları

Yıllardır sektorda gördüyümüz ən böyük səhv "Peek-a-boo" (dikizleme) səhvidir. Test davam edərkən nəticələrə baxıb, "A varyasiyası hazırda öndə, gəlin testi bitirək" demək statistik bir cinayətdir. Anlamlılık səviyyəsi dalgalıdır və müəyyən edilən nümunə ölçüsünə çatmadan alınan qərarlar adətən yanlışdır.

• Testi Çox Erken Bitirmək: Nümunə ölçüsünə çatılsa belə, ən azı bir tam satınalma dövrü (genellikle 7-14 gün) gözlənilməlidir.
• Eyni Anda Çox Test Keçirmək: Testlərin bir-birini təsir etməsi (interaction effect) nəticələri keçersiz edə bilər.
• Sadəcə Dönüşümə Fokuslanmaq: Bir dəyişiklik dönüşümü artıra bilər, ancaq ortalama sifariş dəyərini (AOV) azalda bilər. Bütün metrikləri bütövlükdə incələyin.

Əhəmiyyətli Nöqtələr

• Statistik əhəmiyyətlilik üçün %95 etimad səviyyəsi və 0.05 altı p-dəyəri hədəflənməlidir.
• Nümunə ölçüsü müəyyən edilmədən teste başlamaq, mənbəyi məlum olmayan verilərlə qumar oynamağa bənzəyir.
• Test müddətləri, istifadəçi vərdişlərini əhatə edəcək şəkildə ən az 14 gün olaraq planlaşdırılmalıdır.
• 2026 standartlarında, AI dəstəyi olan alətlər və Bayesian statistik modelləri tercih edilməlidir.
• Nəticələr yalnız dönüşüm nisbəti ilə deyil, dövrə və istifadəçi ömür boyu dəyəri (CLV) ilə qiymətləndirilməlidir.
• Xarici amillərin (kampaniya dövrləri, tətillər) veriləri çirkləndirməsinə icazə verilməməlidir.
• Quruluşdan sonra mütləq QA (keyfiyyətə nəzarət) prosesləri keçirilməlidir.

Tez-tez Soruşulan Suallar

A/B testim nə qədər müddət ərzində işləməlidir?

Adətən tövsiyə olunan müddət minimum 2 həftədir. Bu müddət, həftəlik dövrə içərisində istifadəçi davranış fərqliliklərini tutmağa imkan tanıyır. Ancaq trafikiniz çox aşağıdırsa, statistik əhəmiyyətliliyə çatmaq üçün bu müddət bir neçə aya qədər uzana bilər; bu halda test strategiyanızı yeniləməyə ehtiyac ola bilər.

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

Bəli, lakin mikro dəyişikliklər (düymə rəngi kimi) yerinə daha böyük radikal dəyişiklikləri (bütün səhifə strukturu ya da dəyər təklifi) test etməlisiniz. Aşağı trafikli saytlarda statistik əhəmiyyətliliyə çatmaq çətindir, buna görə istifadəçi testləri ya da sorğular kimi keyfiyyətli verilərlə dəstək almaq daha doğru olmalıdır.

%90 əhəmiyyətlilik səviyyəsi kifayət edirmi?

Marketinq dünyasında %95 qızıl standartdır. %90 səviyyəsi, etdiyiniz dəyişikliyin 10 dəfədən 1-də yanlış nəticə verilməsi riskini qəbul etdiyiniz deməkdir. 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-dan gizlətməməlisiniz (cloaking etməməlisiniz) və testi sonsuza qədər açıq saxlaya bilməzsiniz. Qazanan varyasiyanı müəyyən etdikdən sonra digərlərini silmək SEO sağlamlığı baxımından vacibdir.

Ən yaxşı A/B testi vasitələri hansılardır?

2026-cı il etibarilə Optimizely, VWO, Adobe Target və daha uyğun büdcəli həllər üçün Convert.com populyarlığını qorumaqdadır. Google Optimize-ın təqaüdə çıxmasından sonra GA4 ilə inteqrasiya olunan üçüncü tərəf alətlər ön plana çıxmışdır.

Nəticə: Veri ilə Böyümək Üçün Doğru Addımları Atın

A/B testləri, digital dünyada proqnoz yürütməni dayandırıb, gerçəklərlə üzləşməyin ən təsirli yoludur. Ancaq bu proses, yalnız iki vizualı müqayisə etməkdən çox daha fazlasıdır; riyazi bir disiplin və strateji bir baxış açısı tələb edir. Nümunə ölçüsünü düzgün hesablamaq, statistik əhəmiyyətliliyi diqqətlə izləmək və 2026-nın gətirdiyi texnoloji imkanlardan istifadə etmək, sizi rəqiblərinizin çox önünə keçirəcəkdir.

Unutmayın, hər yanlış test qərarı yalnız bir dizayn səhvi deyil, eyni zamanda çöpe atılmış bir reklam büdcəsidir. Qarışıq veri setlərini analiz etmək, texniki qurğuları səhvsiz həyata keçirmək və həqiqətən faydalı hipotezlər yaradmaq həmişə asan olmaya bilər. 212 Medya olaraq, illərin gətirdiyi sektoral təcrübəmiz və irəliləmiş data analitikası yetkinliklərimizlə, markaların digitaldəki böyümə yolculuqlarını elmi əsaslara oturduruq. Siz də qərarlarınızı fərziyyələrə deyil, sarsılmaz verilərə dayandırmaq istəsəniz, peşəkar komandamızla əlaqə saxlaya bilərsiniz.

Daha səmərəli kampaniyalar və yüksək dönüşüm nisbətləri üçün doğru strategiyanı bu gün qurun. Peşəkar bir dəstək, qarışıq veriləri işiniz üçün mənfəətli bir böyümə alətinə çevirməkdə sizə yardımcı ola bilər.