La chiusura di Google Optimize costringerà molte aziende e professionisti a cercare un tool di A/B Testing alternativo. Stando ai dati offerti da Wappalizer, la quota di mercato di Google Optimize nel 2023 è del 49%. Capiamo quindi che la scelta riguarderà molti. L’obiettivo di questo articolo è fornire una lista dei migliori tool di A/B Testing presenti sul mercato, divisi per caratteristiche e fascia di prezzo.

I tool di A/B Testing più utilizzati nel 2023

Da un’analisi svolta su più di 600.000 siti web, emerge come, fino ad oggi, il Market Leader tra i Tool di A/B Testing sia Google Optimize, seguito da Optimizely e OneSignal.

Alcune delle caratteristiche che hanno reso Google Optimize così popolare sono sicuramente il prezzo (esiste una versione gratuita del tool) e la semplicità di integrazione con i vari strumenti di data analysis di Google, primo fra tutti Google Analytics. Queste due caratteristiche hanno permesso anche ai meno esperti di affacciarsi al mondo della sperimentazione. Ma ora che Google Optimize sta per chiudere, quali sono le alternative? Vediamole assieme, identificandone le principali caratteristiche.

Overview dei principali tool di A/B Testing

Il miglior tool gratuito di A/B Testing

Se cerchi uno strumento di A/B Testing gratuito, probabilmente la miglior soluzione sul mercato è VWO. Nella sua versione non a pagamento, questo strumento è adatto a siti web di piccole dimensioni che svolgono test su un campione di utenti inferiore a 50.000 al mese. Può essere utile per aziende che si affacciano alla sperimentazione e vogliono iniziare a lavorare sull’ottimizzazione delle conversioni. Per progetti di Conversion Optimization più strutturati invece, ci sono diverse alternative più convenienti come ad esempio Convert.

A/B Testing: quali caratteristiche guardare in un tool?

Metodologia di implementazione: client-side vs server-side

L’A/B testing può essere effettuato in due modi principali: client-side e server-side. Questi termini si riferiscono a dove avviene l’elaborazione del test e dove vengono prese le decisioni su quale versione di una pagina web un utente dovrebbe vedere. La scelta della tipologia di implementazione può essere guidata da diversi fattori, sia legali (normative GDPR e tracciamento dati) che di performance. Poter scegliere con quale metodologia installare lo strumento è importante, cerchiamo di capire vantaggi e svantaggi.

Client-side A/B Testing

Nell’A/B testing client-side, il codice per il test viene caricato e gestito nel browser dell’utente (il “client”). Quando un utente visita una pagina che è parte di un test, il codice per entrambe le varianti del test viene caricato nel browser. Poi, un codice JavaScript decide quale variante mostrare all’utente.

Il vantaggio di questa metodologia è sicuramente la facilità di implementazione. Gli strumenti di A/B testing client-side sono generalmente più facili da implementare rispetto a quelli server-side, molto spesso basta inserire una breve stringa di codice o utilizzare Google Tag Manager. Non è necessaria una profonda conoscenza della struttura del server o della programmazione back-end.

Il fatto che il contenuto si carichi direttamente nel browser degli utenti porta però con se dei potenziali svantaggi. Le performance di caricamento ad esempio saranno peggiori poiché tutto il codice del test viene caricato nel browser. Inoltre, se non viene utilizzato un sistema anti-flickering (che tratteremo più avanti nell’articolo), potrà esserci un breve periodo in cui l’utente vede la versione originale della pagina prima che il JavaScript applichi le modifiche. Questo può influenzare l’esperienza dell’utente.

Server-side A/B Testing

Nell’A/B testing server-side, la decisione su quale versione della pagina mostrare viene presa sul server, prima che la pagina sia inviata al browser dell’utente. Questo significa che solo il codice per la variante selezionata viene inviato al browser, migliorando le prestazioni e eliminando il problema del flickering (o sfarfallamento).

Il vantaggio sta sicuramente nelle migliori performance poiché solo il codice per la variante selezionata viene inviato al browser dell’utente. Questo impedirà anche problemi di flickering.

Lo svantaggio di questa metodologia risiede nella complessità di implementazione che può richiedere una conoscenza approfondita della struttura del server e della programmazione back-end.

Tipologia di Editor: visuale vs codice

I più comuni sono WYSIWYG e Code editor. Per aziende senza esperienza di coding, è importante che il primo dei due sia disponibile all’interno della piattaforma scelta. Ma, dal mio punto di vista, è essenziale che ci siano entrambi gli editor. Perché?

L’editor WYSIWYG (What You See Is What You Get) permette di creare e modificare pagine in modo visivo e molto intuitivo. In pratica, quello che vedi mentre stai modificando la pagina è esattamente quello che vedranno gli utenti finali. Puoi trascinare e rilasciare elementi, cambiare colori, font, dimensioni del testo, immagini, ecc., senza dover scrivere una singola riga di codice. Questa tipologia di editor ha degli evidenti vantaggi nell’utilizzo ma è carente della flessibilità che permette di avere un editor basato sul codice. Alcune modifiche più complesse infatti potrebbero richiedere la scrittura di codice e un editor WYSIWYG spesso generare codice non ottimizzato o “sporco”, che può influire negativamente sulle prestazioni del tuo sito web.

Tipologie di test disponibili

Oltre al classico A/B Test, è possibile svolgere diversi esperimenti su un sito web. Nella scelta del miglior tool, dobbiamo prendere in considerazione le nostre esigenze attuali e future. Potrebbero essere utili ad esempio features di personalizzazione o la possibilità di svolgere test multi-variante.

Reportistica integrata

La reportistica è un elemento essenziale per valutare le performance degli esperimenti. Tutti i tool offrono una reportistica di base ma potresti trovare soluzioni più appropriate alle tue esigenze solo in alcuni strumenti. Prima di scegliere uno strumento di testing è importante comprendere che tipologia di dati è in grado di raccogliere e la qualità dei report che è in grado di produrre.

Modello di analisi dei risultati

I risultati dei test possono essere valutati secondo diversi metodi statistici. I principali sono quello Frequentista e quello Bayesiano (utilizzato anche da Google Optimize). Online sono presenti diversi tool che permettono di analizzare i dati raccolti secondo entrambi i modelli. Comprendere però con quale metodologia il tool di test attribuisce il titolo di variante vincente è importante ai fini dell’attività di sperimentazione. Si potrebbe parlare moltissimo della differenza tra questi due approcci ma in questo articolo cercheremo di dare solamente le informazioni basilari.

L’approccio Frequentista è il metodo tradizionale utilizzato nella statistica. Esso si basa su un concetto di probabilità legato alla frequenza di un evento in ripetizioni infinite di un esperimento. Nell’A/B testing, i frequentisti stabiliscono un valore p (significatività statistica) che determina la probabilità che i risultati ottenuti siano casuali (ad esempio, p < 0.05 indica una probabilità inferiore al 5% che i risultati siano casuali). Se il valore p è inferiore alla soglia stabilita, si rifiuta l’ipotesi nulla (ossia, l’ipotesi che non ci sia differenza tra le varianti A e B) e si conclude che c’è una differenza significativa tra le due varianti. L’approccio frequentista non tiene conto delle informazioni precedenti e può portare a conclusioni errate se il test viene interrotto prematuramente. Inoltre, esso si concentra sul rifiuto dell’ipotesi nulla, ma non fornisce una stima diretta della probabilità che una variante sia migliore dell’altra.

L’approccio Bayesiano si basa su un concetto di probabilità come misura della credibilità o confidenza in un evento e consente di incorporare le conoscenze precedenti nel calcolo delle probabilità. Nell’A/B testing, i bayesiani utilizzano i dati raccolti durante il test per aggiornare le loro credenze precedenti (ipotesi precedente o “prior”) e produrre una nuova stima della probabilità (ipotesi posteriore o “posterior”). Invece di testare l’ipotesi nulla, i bayesiani calcolano direttamente la probabilità che una variante sia migliore dell’altra. L’approccio bayesiano fornisce stime probabilistiche più interpretabili e intuitive, e consente di incorporare le conoscenze precedenti. Inoltre, non richiede una dimensione del campione predefinita e permette di monitorare i risultati del test in tempo reale. Tuttavia, l’approccio bayesiano può essere più complesso e richiedere più risorse computazionali.

Altre features importanti

• Anti-flickering: la possibilità di inserire un anti-flickering all’interno del test abbatte il potenziale sfarfallamento che avviene qualora il tool di testing venisse installato client-side. Avere questa possibilità semplifica di molto la fase di installazione e garantisce la miglior esperienza utente anche se è richiesto il caricamento di un’importante componente JavaScript.
• SRM Alert (Sample Ratio Mismatch): durante gli A/B testing è possibile che la distribuzione del traffico non sia corretta. Ci possono essere molte cause inclusi errori di campionamento, problemi con la segmentazione degli utenti, problemi tecnici con lo strumento di A/B testing o con il sito web. Avere un Alert che avverte in caso di errata distribuzione del traffico è importante per non prendere decisioni su test statisticamente non validi.
• Programmazione dei test: la possibilità di programmare l’avvio di un test è un nice-to-have che facilita la sperimentazione, soprattutto se svolta in modo sistematico e avanzato.
• Integrazione con strumenti di analisi dati: è molto importante che il tool di A/B testing sia integrabile con lo strumento di Digital Analytics utilizzato dal sito web. Solo in questo modo potranno essere svolte analisi più approfondite.

Conclusioni

Quasi tutti gli strumenti di A/B Testing presenti sul mercato permettono di svolgere un periodo di prova o almeno una demo del servizio, questa è una indicazione del fatto che non esiste il tool perfetto. Ogni azienda dovrà prioritizzare alcune caratteristiche rispetto ad altre in base ai suoi obiettivi, il suo livello di maturità, la struttura aziendale e l’esperienza del team coinvolto nell’attività.