Kỹ năng A/B testing để tăng tỉ lệ chuyển đổi

Trong một cuộc họp, hai người có thể tranh cãi cả buổi về việc ảnh nào đẹp hơn. Không ai thắng, vì cả hai đều dựa trên cảm tính. A/B testing (thử nghiệm A/B — chạy song song hai phương án để xem phương án nào cho kết quả tốt hơn) là cách chấm dứt cuộc tranh cãi đó bằng dữ liệu.

Đây là kỹ năng nền tảng của bất kỳ ai làm ecommerce global nghiêm túc. Bài này đi qua cách thiết kế một thử nghiệm đúng, những cái bẫy phổ biến, và cách đọc kết quả mà không tự lừa mình.

A/B testing thực chất là gì

Bạn có một trang bán hàng. Bạn nghĩ đổi ảnh chính sẽ giúp nhiều người bấm mua hơn. Thay vì đổi luôn và hy vọng, bạn chia lưu lượng truy cập làm hai: một nửa thấy ảnh cũ (phiên bản A — control, nhóm đối chứng), một nửa thấy ảnh mới (phiên bản B — variant, nhóm thử nghiệm).

Sau đó bạn so sánh tỉ lệ chuyển đổi (conversion rate — phần trăm người xem thực sự mua hàng) của hai nhóm. Nếu B cao hơn A đủ rõ, bạn giữ B.

Điểm mấu chốt nằm ở chữ "đủ rõ". Hai nhóm khách luôn khác nhau một chút, kể cả khi bạn không thay đổi gì. Việc của người làm thử nghiệm là phân biệt khác biệt thật với dao động ngẫu nhiên.

Bốn bước thiết kế một thử nghiệm

1. Bắt đầu bằng một giả thuyết, không phải một ý thích

Một giả thuyết tốt có ba phần: thay đổi gì, kỳ vọng kết quả gì, và vì sao.

Ví dụ: "Nếu đưa ảnh sản phẩm đang được sử dụng trong bối cảnh thật lên vị trí thứ hai thay vì ảnh nền trắng, tỉ lệ chuyển đổi sẽ tăng — vì đánh giá của khách cho thấy họ băn khoăn về kích thước thật của sản phẩm."

Phần "vì sao" quan trọng nhất. Nó buộc bạn xuất phát từ một quan sát có thật (đánh giá của khách, dữ liệu tìm kiếm, hành vi trên trang) chứ không phải từ sở thích cá nhân. Không có "vì sao", bạn chỉ đang thử ngẫu nhiên.

2. Chỉ đổi một thứ mỗi lần

Nếu bạn đổi cùng lúc ảnh, tiêu đề và giá rồi thấy doanh số tăng, bạn không biết yếu tố nào tạo ra kết quả. Có thể ảnh mới giúp tăng, còn tiêu đề mới làm giảm, và tổng lại vẫn dương. Bạn học được số không.

Nguyên tắc: một thử nghiệm, một biến số. Muốn thử nhiều thứ thì xếp hàng chạy lần lượt.

3. Tính trước quy mô mẫu và thời gian chạy

Đây là bước bị bỏ qua nhiều nhất. Bạn cần biết trước: cần bao nhiêu lượt xem, bao nhiêu đơn hàng thì kết quả mới đáng tin?

Quy tắc thô: mức khác biệt bạn muốn phát hiện càng nhỏ, mẫu càng phải lớn. Nếu sản phẩm chỉ có vài đơn mỗi ngày, thử nghiệm những khác biệt nhỏ là vô nghĩa — hãy thử những thay đổi đủ lớn để tạo ra khác biệt đủ lớn.

Về thời gian: hành vi mua ngày thứ Ba khác Chủ Nhật. Chạy đủ ít nhất một đến hai tuần trọn vẹn để không bị lệch vì ngày trong tuần.

4. Chốt chỉ số thành công trước khi bắt đầu

Viết ra trước: "Tôi sẽ kết luận B thắng nếu tỉ lệ chuyển đổi cao hơn A và kết quả đủ tin cậy." Chốt luôn cả chỉ số phụ cần theo dõi — ví dụ tỉ lệ trả hàng, giá trị đơn trung bình.

Vì sao phải chốt trước? Vì nếu không, bạn sẽ đi tìm chỉ số nào ủng hộ phương án mình thích, rồi gọi đó là "kết quả".

Năm cái bẫy phổ biến

Dừng sớm khi thấy con số đẹp. Ngày thứ ba B đang dẫn 20%, bạn tuyên bố thắng. Đây là sai lầm kinh điển. Ở mẫu nhỏ, chênh lệch dao động rất mạnh và có thể đảo chiều hoàn toàn. Đã hẹn chạy hai tuần thì chạy hết hai tuần.

Thử nghiệm những thứ không ai để ý. Đổi màu nút từ xanh đậm sang xanh nhạt gần như không bao giờ tạo khác biệt đo được ở quy mô nhỏ. Hãy dành thử nghiệm cho thay đổi lớn: định vị sản phẩm, ảnh chính, cấu trúc lợi ích, mức giá.

Bỏ qua mùa vụ và sự kiện. Chạy thử nghiệm trùng đợt giảm giá lớn của sàn thì dữ liệu bị nhiễu bởi một tệp khách hoàn toàn khác.

Quên chi phí phía sau chuyển đổi. Một phương án có thể tăng đơn nhưng cũng tăng tỉ lệ trả hàng — vì nó hứa hẹn quá đà. Chuyển đổi tăng, lợi nhuận giảm. Luôn nhìn cả chỉ số phía sau.

Không ghi lại gì. Sáu tháng sau, người mới vào lại thử đúng cái đã thử. Mọi thử nghiệm — kể cả thất bại — phải được ghi lại.

Một thử nghiệm cho kết quả âm vẫn là một thử nghiệm thành công. Nó loại bỏ một giả thuyết sai và giữ bạn khỏi một quyết định tồi.

Khi không đủ dữ liệu để test

Sản phẩm mới ra mắt thường không đủ lưu lượng để chạy A/B testing tử tế. Điều này không có nghĩa bạn quay về cảm tính. Bạn chuyển sang các nguồn bằng chứng khác:

• Đọc đánh giá của đối thủ trong cùng ngách. Khách phàn nàn gì? Khen gì? Đó là dữ liệu định tính miễn phí.
• Xem dữ liệu từ khóa khách dùng để tìm. Ngôn ngữ của khách nên là ngôn ngữ trên listing.
• Thử ở kênh có lưu lượng nhanh hơn: chạy quảng cáo với hai mẫu nội dung để đo phản ứng trước, rồi mới áp dụng phương án thắng lên trang sản phẩm.

Mỗi kênh có công cụ và độ nhạy dữ liệu khác nhau — bản đồ 4 kênh Amazon, TikTok Shop, Walmart, Shopify mô tả rõ hơn.

Kỹ năng cần có

• Tư duy giả thuyết: biết chuyển một quan sát thành một câu hỏi có thể kiểm chứng.
• Thống kê cơ bản: hiểu quy mô mẫu, sai số, và vì sao "B hơn A 5%" chưa chắc có nghĩa gì.
• Excel / Google Sheets ở mức khá: tính toán, dựng bảng theo dõi, đọc số nhanh.
• Đọc dữ liệu nền tảng: nắm được báo cáo hiệu suất của sàn và của công cụ quảng cáo.
• Kỷ luật ghi chép: mỗi thử nghiệm là một dòng trong nhật ký, không phải một ký ức.
• Sự trung thực với chính mình: sẵn sàng chấp nhận rằng ý tưởng mình thích nhất đã thua.

Bài này hợp với ai

Hợp với bạn nếu bạn làm hoặc muốn làm những vai trò chạm trực tiếp vào tỉ lệ chuyển đổi: R&D brand owner, performance marketer, designer ecommerce, hoặc người vận hành listing. Đặc biệt hợp nếu bạn thấy khó chịu khi một quyết định được đưa ra chỉ vì "anh thấy thế đẹp hơn".

Không hợp nếu bạn muốn một công thức cho kết quả ngay lập tức. Phần lớn thử nghiệm cho kết quả âm hoặc không rõ ràng. Giá trị đến từ việc lặp lại kỷ luật đó hàng chục lần, không từ một cú thắng may mắn.

Cùng xây

Tại Equarus, Data-driven là một trong bốn giá trị cốt lõi, và A/B testing là hình thức cụ thể nhất của giá trị đó trong công việc hằng ngày. Người xây thương hiệu ở đây không nói "tôi nghĩ" mà không kèm theo "vì dữ liệu cho thấy".

Nếu bạn muốn áp dụng kỹ năng này trên những thương hiệu thật đang bán ở thị trường quốc tế, xem bốn giá trị cốt lõi trong công việc hằng ngày và các vị trí đang tuyển dụng.