İçeriğe atla
Ana Sayfa » A/B Testi: Kapsamlı Bir Kılavuz

A/B Testi: Kapsamlı Bir Kılavuz

Son Güncelleme: 9 Ekim 2026

Yayınlanan: Ekim 9, 2026

A / B Testi

A/B testi, diğer adıyla bölünmüş test, bir web sayfasının, e-postanın, reklamın, harekete geçirici mesajın (CTA) veya diğer pazarlama materyalinin iki farklı sürümünü karşılaştırarak hangisinin daha iyi performans gösterdiğini belirlemeyi amaçlar. Bir değişkeni değiştirip diğerlerini sabit tutarak, işletmeler kararlarını görüşlere değil, performans verilerine dayandırır.

Bir test sonucuna güvenmek, onu kurmaktan daha zordur çünkü erken aşamada elde edilen potansiyel müşteriler genellikle kaybolur ve bir tıklama kazanımı gelire dönüşmeyebilir. Bu nedenle test, bir web sitesi özelliği değil, pazarlama ve satış ekipleri için bir karar verme disiplinidir.

A / B Testi Nedir?

A/B testi, aynı varlığın iki farklı versiyonuyla yapılan kontrollü bir deneydir. Kontrol grubu, halihazırda kullanımda olan versiyondur ve varyasyon ise yeni bir konu başlığı veya düğme etiketi gibi tek bir değişiklik dışında tamamen aynıdır.

Her iki sürüm de tıklama oranı gibi tek bir temel ölçüte göre değerlendirilir. Sadece bir değişkeni değiştirmek net sonuçlar sağlar ve performans artışını doğrudan bu değişikliğe bağlamayı kolaylaştırır. İstatistiksel anlamlılık ve örneklem boyutu, iki temel ölçüttür. A / B testi Öncelikle bu prensipleri uygulayın, ardından bu yükselişin gerçek mi yoksa rastgele bir dalgalanma mı olduğunu doğrulayın. 

A/B Testi Nasıl Çalışır?

Test aracı, trafiği veya iletişim listesini rastgele iki gruba ayırır. A grubu kontrol grubunu, B grubu ise varyasyon grubunu alır ve araç her grubu birincil ölçüte göre kaydeder.

Rastgele atama, önyargıyı önler. Eğer sadece sadık müşteriler bir varyasyonu görseydi, bu varyasyonun performansı, değişen şeyden değil, onu kimin gördüğünden dolayı daha iyi olabilirdi. Kullanıcıları rastgele bölmek, her iki grubun da aynı ziyaretçi karışımını paylaşmasını sağlar, böylece performans farkı doğrudan test varyasyonundan kaynaklanır. 

Önemlilik kontrolü, performans farkının gerçek mi yoksa geçici veri varyasyonundan mı kaynaklandığını doğrular. UCLA'nın istatistik danışmanlık grubu Notlar, güç, etki boyutu, örneklem boyutu ve alfa birbirine bağımlı değişkenlerdir. 

Lansmandan önce hedef etki büyüklüğünü, anlamlılık düzeyini ve istatistiksel gücü belirlemek, güvenilir karar verme için gereken kesin örneklem boyutunu hesaplamayı sağlar. 

A/B Testi Neden Önemlidir?

A/B testi, içsel önyargıları ortadan kaldırır ve geliri korur:

  • Maliyetli hataları önler: Başarısız güncellemeleri erken aşamada tespit ederek, düşük performans gösteren değişikliklerin tüm kitlenize ulaşmasını engeller.
  • Gelir artışını hızlandırır: A/B testi kullanan girişimler bir yıl içinde %30 ila %100 daha yüksek performans artışı elde ediyor. (Yönetim Bilimi, 2022). 

Neleri A/B testiyle inceleyebilirsiniz?

  • Web sitesi ve açılış sayfaları

Başlıklar, metin, görseller, form uzunluğu, harekete geçirici mesaj (CTA) metni ve sayfa düzeni genellikle test edilecek unsurlardır. Form uzunluğunu erken test edin, çünkü her ek alan potansiyel müşteri sayısını azaltarak detay seviyesini düşürür.

  • E-posta pazarlama

Konu başlıklarını, önizleme metinlerini, gövde metinlerini, harekete geçirici mesajları (CTA'lar), gönderim zamanlarını ve formatları karşılaştırabilirsiniz. E-posta, liste zaten bilindiği için test etmeye çok uygundur; bu nedenle rastgele bölme işlemi basittir.

  • satış desteği

Satış ekipleri, soğuk e-posta konu başlıklarını, açılış mesajlarını, arama senaryolarını, sunumları ve takip zamanlamasını test edebilir. Bir satış temsilcisi, eşleşen potansiyel müşteri listelerinde soru odaklı bir açılış mesajını sonuç odaklı bir açılış mesajıyla karşılaştırabilir. Satış A/B testi Belgeler ve sunumlar konusunda jüri, kazananı toplantı oranına göre belirliyor çünkü toplantı, bu varlıkların var olma amacının sonucudur ve kazanmak için yapılır.

Her üç kanalda da etkili A/B testleri üç belirleyici özelliği paylaşır: 

  • Yüksek hacimli – Bu kaynak, makul bir süre içinde okunabilir bir sonuç üretecek kadar çok kişiye her hafta ulaşıyor.
  • Tek bir net ölçüt – Bu değişiklik, aylar sonra elde edilecek gelirden ziyade, tıklama veya yanıt gibi tek bir eyleme karşılık gelir.
  • Cesur bir değişim- Varyasyon, kontrol grubundan yeterince farklı olduğundan, numunenin algılayabileceği bir boşluk oluşturmaktadır.

A/B Testi Nasıl Çalıştırılır

  1. Hedefi tanımlayın

İşletmenin neyi geliştirmek istediğini tanımlayın ve birincil bir performans göstergesi (KPI) seçin. Bir bülten için bu, tıklama oranı olabilir; bir satış süreci için ise planlanan toplantılar olabilir.

  1. Bir hipotez oluşturun

Nelerin değişeceğini, nelerin olması gerektiğini ve nedenini belirtin.
Örneğin: “CTA'yı 'Daha Fazla Bilgi Edinin'den 'Fiyatları Öğrenin'e değiştirmek, tıklama oranını artıracaktır çünkü bu sayfadaki ziyaretçiler maliyetleri karşılaştırıyor.”

  1. Bir değişken seçin

Sadece test edilen öğeyi değiştirin. Hedef kitleyi, zamanlamayı, teklifi ve tasarımı sabit tutun, böylece sonuçlar bu tek değişikliği yansıtsın.

  1. Kontrol ve varyasyon oluşturun.

Denetimi çoğaltın, ardından yalnızca önerilen değişikliği çoğaltılan sürüme uygulayın. Hem mobil hem de masaüstü cihazlarda her iki sürümün de doğru şekilde görüntülendiğini kontrol edin, böylece bir tasarım hatasını sonuçla karıştırmazsınız.

  1. Hedef kitle ve örneklem büyüklüğü

İki dönüşüm oranını karşılaştırmak için örneklem boyutu, temel orana, minimum tespit edilebilir etkiye, anlamlılık düzeyine ve güce bağlıdır. Evan Miller'ın örneklem büyüklüğü hesaplayıcısı Bu dört girdiyi alır ve her varyasyon için gereken ziyaretçi sayısını döndürür.

Dolayısıyla gerekli örneklem büyüklüğü, bir testin belirli bir kitle için uygulanabilir olup olmadığını belirler. Web deneyleri için Kohavi ve Thomke şunları yazdı: Harvard Business Review "Günlük en az birkaç bin aktif kullanıcısı olan herhangi bir şirket bu testleri yapabilir."

  1. testi çalıştır

İki sürümü de aynı anda çalıştırın ve lansmandan önce test süresini düzeltin. Makalesinde A/B Testi Nasıl Yapılmamalı?Miller, örneklem boyutunu önceden belirlemeyi ve sayılara ancak deney bittikten sonra güvenmeyi tavsiye ediyor.

  1. Sonuçları analiz edin

Birincil performans göstergesini karşılaştırın ve anlamlılığını kontrol edin. Ardından tatil gibi dış faktörleri eleyin ve sonucun her ikisi için de geçerli olup olmadığını doğrulamak için yeni ve geri dönen ziyaretçileri karşılaştırın.

A/B Testinin İzlenecek Ölçütleri

Her bir testi, doğrudan değişiklikle bağlantılı olan izole edilmiş birincil bir ölçüt kullanarak değerlendirin; aynı zamanda daha geniş iş performansını korumak için ikincil bir kontrol ölçütünü de takip edin. 

Birincil Ölçütler (Doğrudan Etki):

  • Dönüşüm ve Tıklama Oranları: Açılış sayfası öğeleri ve harekete geçirici düğmeler üzerindeki anlık kullanıcı eylemlerini doğrulayın.
  • Tıklama ve Etkileşim Oranları: E-posta metinleri ve gönderim zamanları için en uygunudur. Buna göre TurnusolApple Mail Gizlilik Koruması (MPP) açılma oranlarını şişiriyor, bu nedenle gerçek etkileşimin tek güvenilir ölçüsü tıklama oranıdır.
  • Satış Süreci Metrikleri (Potansiyel Müşteriler ve Planlanan Toplantılar): B2B demo sayfalarını ve satış e-postalarını doğrudan nitelikli satış süreci faaliyetlerine bağlar.

İkincil Kontrol Ölçütleri (Huni Koruması):

  • Sıçrama Oranı: Yeni bir başlık veya düzenin ziyaretçi beklentilerini karşılamaması durumunda mesaj uyumsuzluğunu gösterir.
  • Gelir ve Satış Dönüşümleri: Satış hunisinin üst kısmındaki dönüşüm kazanımlarının, anlaşma kalitesinden ödün vermeden gerçek gelire dönüşmesini sağlar. 

A/B Testi Örnekleri

testControlVaryasyonBirincil metrik
E-posta konu satırıMart ayı ürün güncellemenizZaman kazandıran üç değişiklikAçılma ve tıklama oranı
Açılış sayfası CTADevamını okuyunuzFiyat alınTıklama oranı
Satış e-postasıÖne çıkan özelliklerin yer aldığı açılışMüşteri sonucu açılışıYanıtlar, randevular ayarlandı
Web sitesi başlığıHepsi bir arada platformTek bir gelen kutusundan anlaşmaları sonuçlandırınDönüşüm oranı

A/B Testi ve Çok Değişkenli Test Karşılaştırması

A/B Testi (Tek Değişkenli):

  • Nasıl çalışır: Bir öğeyi (örneğin bir başlık veya harekete geçirici mesaj düğmesi) değiştirerek, bir varyasyonu orijinaliyle karşılaştırır.
  • Trafik ihtiyacı: Orta düzeyde. Trafiği %50/%50 oranında bölerek, istatistiksel olarak geçerli sonuçları hızlı bir şekilde üretir.
  • En iyi: E-posta dizileri, yüksek etkileşimli açılış sayfaları ve düşük hacimli kampanyalar.

Çok Değişkenli Test (Multi-Valuable):

  • Nasıl çalışır: En iyi kombinasyonu belirlemek için birden fazla öğeyi (örneğin başlık, ana görsel ve harekete geçirici mesaj) aynı anda değiştirir.
  • Trafik ihtiyacı: Yüksek ila son derece yüksek. Eklenen her kombinasyon trafiği daha da bölüyor ve bu da çok büyük örneklem boyutları gerektiriyor.
  • En iyi: Yüksek trafikli ana sayfalar ve temel web sitesi dönüşüm hunileri. 

Kaçınılması Gereken Yaygın A/B Testi Hataları

A/B testlerinde yapılan en maliyetli hatalar disiplin eksikliğinden kaynaklanır, çünkü gerçek başarılar nadirdir.

Eski Airbnb başkan yardımcısı Ron Kohavi, "Güvenilir Çevrimiçi Kontrollü Deneyler" adlı makalenin ortak yazarıdır. Kendisi ve Harvard İşletme Okulu profesörü Stefan Thomke, bu konuda bir araştırma yayınladılar. Harvard Business Review İki büyük arama motorunda yapılan deneylerin yalnızca %10 ila %20'sinin olumlu sonuç verdiği ortaya çıktı. Başarı oranlarının bu kadar düşük olması, kusurlu bir testin rastgele sonuçları başarıyla karıştırmasına kolayca yol açabilir.

  • Birkaç değişikliği tek bir varyasyonda bir araya getirmek –Test, paketin kazandığını gösteriyor, ancak hangi değişikliğin bu artışı sağladığını göstermiyor. Her iki sürümü de paylaşılan verilerden oluşturmak. CRM e-posta şablonları Test edilmemiş unsurları aynı tutar.
  • Hipotezsiz başlamak –Ortada belirgin bir beklenti yoksa, sonradan ortaya çıkan herhangi bir rastgele farkı anlamlı bir bulgu olarak sunabilirsiniz.
  • Çok küçük bir örneklem kullanmak – Küçük örneklemler, mütevazı gerçek etkileri gözden kaçırarak yanlış negatif sonuçlar üretir ve iyi fikirlerin çöpe atılmasına neden olur.
  • Testi erken bitirmek- Bir versiyonun ileriye dönük analiz yapması durdurulduğunda, yanlış pozitif sonuçlar artar çünkü veriler biriktikçe erken aşamadaki bulgular genellikle kaybolur.
  • Örnek oran kontrolünü atlıyoruz.Eğer %50/%50'lik bir dağılım belirgin şekilde dengesiz grup boyutlarına yol açarsa, Kohavi ve Thomke bu "örnek oranı uyumsuzluğunun" sonuçları genellikle geçersiz kıldığını belirtiyor.
  • Korkuluk ölçütünü göz ardı etmek – Açılma oranları yüksek ancak tıklama oranları düşük olan bir konu başlığı, kampanyayı iyileştirmez.
  • Farklı kitlelere genelleme yapmak- Kurumsal alıcılardan elde edilen sonuçlar küçük işletmeler için geçerli olmayabilir, bu nedenle her segment için ayrı ayrı teyit edin.
  • Dış faktörleri, mevsimsellikleri göz ardı edin. Yoğun kullanım dönemleri, kesintiler veya rakip bir firmanın satışları test penceresi sırasında davranışı bozabilir, bu nedenle kazananı ilan etmeden önce takvimi kontrol edin.

Kohavi ve Thomke ayrıca, "ilginç veya farklı görünen herhangi bir rakam genellikle yanlıştır" diyen Twyman yasasına da atıfta bulunuyorlar. Takım harekete geçmeden önce şaşırtıcı derecede büyük bir kazancı tekrar kontrol edin.

A/B Test Araçları

Araç seçimi, belirli pazarlama kanalına ve testin teknik gereksinimlerine bağlıdır:

  • Özel Deney Platformları: Görsel sürükle-bırak düzenleyiciler, bölünmüş URL testi ve gelişmiş hedef kitle belirleme özelliklerini kullanarak güçlü web sitesi ve web uygulaması testleri gerçekleştirin.
  • E-posta ve Otomasyon Platformları: Kampanya iş akışlarında doğrudan konu satırları, e-posta metinleri ve gönderim zamanları üzerinde yerel A/B testleri gerçekleştirin.
  • CRM ve Satış Sistemleri: Satış süreçlerini ve iletişim mesajlarını test edin ve performansı doğrudan potansiyel müşteri dönüşümü, satış aşamaları ve elde edilen gelirle ilişkilendirin. 

Vtiger One A/B Testini Nasıl Destekliyor?

Kaplan Bir Bu özellik, pazarlama ekiplerinin iki abone grubuna farklı e-posta kampanyası varyasyonları göndermesine olanak tanır. Kampanya raporları daha sonra her gönderim için benzersiz açılma, tıklama, geri dönme ve abonelikten çıkma sayılarını gösterir.

Geçmiş kampanya davranışlarından oluşturulan segmentler, her testin kimlere gönderileceğini belirler ve e-posta dizileri, satış ekibinin iletişim yaklaşımlarını karşılaştırmasına olanak tanır. Ardından, kazanan varyantları müşteri ilişkilerini geliştirme akışlarına ekleyebilirsiniz. Pazarlama otomasyonu yazılımıBu sayede test edilen mesaj, test bittikten sonra da kullanılmaya devam eder.

Sıkça Sorulan Sorular

A/B testi basitçe nedir?

A/B testi, bir e-posta veya web sayfası gibi bir şeyin iki farklı sürümünü rastgele seçilmiş iki gruba gösterir. Daha fazla tıklama veya yanıt alan sürüm kazanır. Ekipler, konu satırları, harekete geçirici mesaj (CTA) ifadeleri ve sayfa düzenleri gibi seçimleri tartışma yerine kanıtlarla belirlemek için bu yöntemi kullanır.

A/B testine bir örnek nedir?

Bir şirket, bülten listesinin yarısına bir konu başlığı, diğer yarısına ise farklı bir konu başlığı gönderiyor. Eğer ikinci başlık, yeterince büyük bir listede anlamlı derecede daha yüksek bir açılma ve tıklama oranı sağlıyorsa, ekip bu stili benimsiyor ve bir sonraki fikri test ediyor.

A/B testi ile bölünmüş test arasındaki fark nedir?

Günlük kullanımda aralarında bir fark yoktur, çünkü her iki isim de bir kitleyi iki farklı sürüme bölmeyi tanımlar. Bazı uzmanlar, A/B testini trafiği iki ayrı URL'ye yönlendiren testler için kullanırken, A/B testi aynı sayfadaki bir öğeyi değiştirir.

A/B testi ne kadar süreyle yapılmalıdır?

Lansmandan önce hesaplanan örneklem büyüklüğüne ulaşılana kadar ve en az bir tam iş döngüsü boyunca test çalıştırın. Birçok web sitesi için bu, bir veya iki tam hafta anlamına gelir, böylece hem hafta içi hem de hafta sonu davranışlarını yakalayabilirsiniz. E-posta testleri genellikle daha kısa sürede tamamlanır, çünkü tüm liste mesajı aynı anda alır.

A/B testi için ne kadar trafiğe ihtiyaç duyulur?

Gerekli trafik, mevcut dönüşüm oranına, tespit etmek istediğiniz en küçük iyileştirmeye, güven düzeyine ve istatistiksel güce bağlıdır. Küçük bir değişikliği test eden düşük dönüşümlü bir sayfa, cesur bir e-posta testinden çok daha fazla ziyaretçiye ihtiyaç duyar. Bir örneklem boyutu hesaplayıcısı, bu girdileri her sürümün ihtiyaç duyduğu sayıya dönüştürür.

A/B testlerinde istatistiksel anlamlılık nedir?

İstatistiksel anlamlılık, her iki versiyon da aynı performansı gösterseydi, en az bu kadar büyük bir farkın ne kadar olası olacağını sorgular. Birçok ekip %5 anlamlılık düzeyinde, genellikle %95 güven aralığı olarak adlandırılan bir seviyede test yapar. Anlamlılık, şansın olası bir açıklama olmadığını gösterir, ancak bu artışın ticari açıdan önemli olup olmadığını gösteremez.

A/B testi ile çok değişkenli test arasındaki fark nedir?

A/B testi, tek bir değişiklikle birbirinden farklı iki sürümü karşılaştırır; bu nedenle sonuçlar daha hızlı gelir ve yorumlanması daha kolaydır. Çok değişkenli test ise aynı anda birkaç öğeyi değiştirir ve bunların kombinasyonlarını test eder. Öğelerin nasıl etkileşimde bulunduğunu gösterir, ancak güvenilir bir cevaba ulaşmak için çok daha fazla trafik gerektirir.

✦
Vtiger'ın hepsi bir arada CRM çözümüyle işletmenizin büyümesini hızlandırın.
Vtiger'ı Ücretsiz Deneyin