كيفية اختبار الصفحات المقصودة واختبار A/B وقياس الفائز في GA4

بقلم Emily Redmond، محللة بيانات في Emilytics · أبريل 2026

الخلاصة: يتطلب اختبار A/B في GA4 ما يلي: حدد الفرضية، قسّم حركة المرور 50/50، قم بالتشغيل لمدة 2-4 أسابيع، ثم تحقق من الدلالة الإحصائية. الاختبار حقيقي فقط إذا كانت قيمة p < 0.05.

شاهدت شركة تعلن النصر بعد 3 أيام فقط. الخيار كان أعلى بنسبة 25%. قاموا بتطبيقه على 100% من حركة المرور. ثم انخفض بنسبة 8%.

ثلاثة أيام لم تكن كافية للحصول على البيانات. كان الارتفاع بنسبة 25% ضوضاء عشوائية. لقد أضرارا معدل التحويل الخاص بهم بالعجلة.

اختبار A/B قوي. لكن فقط إذا فعلته بشكل صحيح.

إطار عمل اختبار A/B

اختبار A/B له قاعدة واحدة: غيّر متغير واحد فقط في المرة الواحدة.

إذا غيّرت العنوان والصورة ولون الزر كلهم في نفس الوقت، فلن تعرف أيها حرك المؤشر.

العملية:

1. ضع فرضية (محددة وقابلة للقياس)
2. غيّر متغير واحد
3. قم بتشغيله على 50% من حركة المرور
4. احتفظ بـ 50% الأخرى كمجموعة تحكم
5. قس الأداء لمدة 2-4 أسابيع
6. احسب الدلالة الإحصائية
7. اتخذ قرارًا

الخطوة 1: صِغ فرضيتك

الفرضية الجيدة محددة وقابلة للاختبار.

فرضية سيئة: "النموذج طويل جدًا على الأرجح."

فرضية جيدة: "نموذجنا المكون من 5 حقول له معدل إكمال 25%. نماذج المنافسين المكونة من حقلين لها معدل إكمال 40%. إذا قللنا نموذجنا إلى حقلين (البريد الإلكتروني + الشركة)، فسنزيد الإكمال بنسبة 15% على الأقل."

الفرضية الجيدة:

• تذكر المشكلة (5 حقول)
• لديها معيار (بيانات المنافسين)
• قابلة للقياس (تحسين 15% على الأقل)
• لديها سبب (تقليل الاحتكاك)

الخطوة 2: حدد ما تختبره

اختبارات A/B الشائعة:

القاعدة: اختبر العناصر التي تحفز التحويل، وليس تلك التي تشعر بأنها لطيفة.

تغيير لون الزر: تأثير منخفض عادة (5-10% ارتفاعًا في أفضل الأحوال). تغيير العنوان: تأثير عالي عادة (15-30% ارتفاعًا ممكنًا). تغيير طول النموذج: تأثير عالي (20-40% ارتفاعًا ممكنًا).

الخطوة 3: قم بإعداد الاختبار في GA4

GA4 بها أداة اختبار A/B الأصلية: GA4 Experiments.

للإعداد:

1. اذهب إلى GA4 Admin → Experiments
2. انقر على "Create Experiment"
3. سمّ الاختبار: "Homepage CTA Test" أو ما شابه
4. حدد حملتك: أي حركة مرور تختبرها؟ (جميع حركة المرور أم مصدر معين)
5. اختر المتغيرات:
   • التحكم (الأصلي)
   • المتغير 1 (الإصدار الجديد)
6. حدد تخصيص حركة المرور: 50% تحكم، 50% متغير
7. اختر مقياسك الأساسي: معدل التحويل
8. حدد فرضيتك: التأثير القابل للكشف الحد الأدنى (على سبيل المثال، تحسن 15%)

GA4 سيحسب حجم العينة المطلوب.

بديل: استخدم أداة تابعة لجهات خارجية

إذا كنت تستخدم Optimizely أو VWO أو Unbounce، فستتعامل مع التقسيم والقياس. لا تحتاج إلى GA4 Experiments.

الميزة: سهل الاستخدام، إعداد تقارير أفضل العيب: أداة أخرى لتدفع مقابلها

بالنسبة لهذا الدليل، سأفترض GA4 Experiments.

الخطوة 4: احسب حجم العينة

هذا حرج. عدد قليل جدًا من الزوار وتقيس الضوضاء. عدد كبير جدًا وتهدر الوقت.

GA4 Experiments تحسبها لك، لكن إليك الرياضيات:

تحتاج إلى عدد كافٍ من الزوار للكشف عن تحسنك المستهدف بثقة 95%.

مثال:

• معدل التحويل الحالي: 2%
• التحسن المستهدف: 15% (إلى 2.3%)
• مستوى الثقة: 95%
• حجم العينة المطلوب: ~33000 زائر لكل متغير

إذا كان لديك 10000 زائر شهري:

• 5000 للتحكم
• 5000 للمتغير
• هذا نصف شهر لكل متغير
• إجمالي مدة الاختبار شهر واحد

استخدم حاسبة عبر الإنترنت (Optimizely أو VWO أو GCALC) لحساب حجم العينة المحدد لك.

الخطوة 5: قم بتشغيل اختبارك

القواعس لتشغيل الاختبار:

القاعدة 1: لا تراقب النتائج قبل انتهاء الاختبار في كل مرة تنظر، تُغوى بالتوقف مبكرًا. لا تفعل. انتظر المدة الكاملة.

القاعدة 2: قم بالتشغيل لمدة أسبوعين على الأقل التباين اليومي حقيقي. الإثنين ≠ الجمعة. قم بالتشغيل أسبوعين بحد أدنى.

القاعدة 3: قم بالتشغيل لمدة دورة مبيعات كاملة واحدة على الأقل (إن أمكن) إذا كانت دورة المبيعات لديك 4 أسابيع، قم بالتشغيل لمدة 4 أسابيع على الأقل. وإلا فإنك تقارن التفاح بالبرتقال.

القاعدة 4: لا تغيّر فرضيتك في الوسط بدأت بـ "طول النموذج". لا تبدل إلى "لون الزر" في منتصف الطريق. أنهِ الاختبار.

القاعدة 5: تتبع جميع التحويلات وليس فقط الرئيسية إذا كنت تختبر لزيادة تقديم النموذج، فتتبع أيضًا:

• معدل إكمال النموذج
• التخلي عن النموذج
• التحويلات اللاحقة (هل اشتروا فعلاً؟)

قد يزيد الاختبار من تقديم النموذج لكن يقلل من جودة النموذج. تحتاج إلى رؤية كلاهما.

الخطوة 6: حلل النتائج

انتهى الاختبار. الآن تقرأ البيانات.

الخطوة 1: تحقق من حجم العينة هل لديك عدد كافٍ من الزوار لاستنتاج نتيجة؟ استخدم الحاسبة مرة أخرى.

• إذا كانت نعم، تابع
• إذا كانت لا، تحتاج إلى مزيد من الوقت أو حركة مرور أكثر

الخطوة 2: احسب الدلالة الإحصائية هذا هو المقياس الأهم. استخدم الإحصائيات المدمجة في GA4 أو حاسبة مثل هذه:

الدلالة الإحصائية = ما مدى ثقتنا من أن هذه النتيجة حقيقية (وليست عشوائية)؟

تريد ثقة 95% على الأقل. بلغة الإحصاء: p-value < 0.05.

مثال:

• التحكم: 2% معدل تحويل
• المتغير: 2.4% معدل تحويل (+20%)
• حجم العينة: 50000 لكل متغير
• الثقة: 95% (p-value = 0.03)

التفسير: هناك فرصة 95% أن هذا التحسن 20% حقيقي. يمكنك إعلان الفائز.

مثال مضاد:

• التحكم: 2% معدل تحويل
• المتغير: 2.3% معدل تحويل (+15%)
• حجم العينة: 100 لكل متغير
• الثقة: 60% (p-value = 0.40)

التفسير: هناك فرصة 60% فقط أن هذا التحسن حقيقي. قد تكون حظاً. أبقِ الاختبار يعمل أو تخلى عنه.

GA4 Experiments تقوم بهذا الحساب تلقائياً. ستخبرك بـ "هذه النتيجة دلالة إحصائية بنسبة 87%" أو "95%". تصرف فقط على 95%+.

الخطوة 3: تحقق من المقاييس الثانوية هل حسّن المتغير:

• معدل التحويل؟ نعم ✓
• الإيرادات لكل تحويل؟ هل ارتفعت أم انخفضت؟
• معدل الارتداد؟ هل أصبح أسوأ؟
• معدل إكمال النموذج؟ هل أكمل المزيد من الناس؟

قد يكون الاختبار دلالة إحصائية لكن يضر المقاييس الأخرى. تحقق.

أعلن الفائز

إذا فاز المتغير (95%+ ثقة):

• طبقه على 100% من حركة المرور
• وثّق النتيجة (ما تغيّر، ما تحسّن، بكم)
• انتقل إلى الاختبار التالي

إذا فاز التحكم:

• احتفظ بالأصلي
• عد إلى لوحة الرسم
• ماذا حدث خطأ مع الفرضية؟

إذا لم يكن هناك فائز (أقل من 95% ثقة):

• الخيار 1: قم بتشغيل الاختبار لفترة أطول (أسبوعين آخرين)
• الخيار 2: قبل عدم وجود فرق ذي مغزى واحتفظ بالأصلي
• الخيار 3: غيّر فرضيتك واختبر شيئاً مختلفاً

لا تحتفظ بمتغير "خاسر" فقط لأنك تحبه. البيانات تنتصر.

أخطاء اختبار A/B الشائعة

الخطأ 1: اختبار الكثير من الأشياء في نفس الوقت إذا غيّرت العنوان ولون الزر، فلن تعرف أي منهما عمل. اختبر متغير واحد.

الخطأ 2: إيقاف الاختبار مبكرًا لقد وصلت إلى دلالة إحصائية في اليوم 10. توقف! تحتاج 2-4 أسابيع لحساب التباين الأسبوعي.

الخطأ 3: قياس المقياس الخاطئ اختبار طول النموذج لكن قياس تقديم النموذج وليس معدل إكمال النموذج. قس ما يهمّ.

الخطأ 4: عدم حساب التباين الموسمي اختبار الصفحة الرئيسية خلال فترة Black Friday؟ النتائج لن تنطبق على حركة المرور العادية. اختبر خلال فترات "عادية".

الخطأ 5: تجاهل جودة المتغير قد يزيد الاختبار من التحويلات لكن يحول عملاء منخفضي الجودة. تحقق من المقاييس اللاحقة (المبالغ المسترجعة وتذاكر الدعم وعمر القيمة).

💡 وجهة نظر Emily: أجريت مرة اختبارًا زاد توقيعات النسخة التجريبية المجانية بنسبة 40%. بدا رائعًا. ثم أدركت أن معدل التحويل من النسخة التجريبية المجانية إلى المدفوعة انخفض فعلاً بنسبة 20%، لأن المتغير الجديد كان يجذب "باحثي الهدايا المجانية" وليس العملاء الجادين. عدنا للخلف. قس ما يهمّ، وليس فقط ما يتحول في مرحلة القمع التي تختبرها.

تشغيل اختبارات متعددة

بمجرد أن يكون لديك نظام، قم بتشغيل الاختبارات المتزامنة:

مثال الجدول الزمني:

• الاختبار 1: العنوان (الأسابيع 1-4)
• الاختبار 2: طول النموذج (الأسابيع 1-4، يعمل بالتزامن)
• الاختبار 3: لون CTA (الأسابيع 5-8)

يتطلب هذا حركة مرور كافية للقسم 4 طرق (التحكم + 3 متغيرات)، لكن إذا كان لديك، يمكنك الحركة بشكل أسرع.

لا تختبر 10 أشياء في نفس الوقت. هذا فوضى. اختبر 2-3 اختبارات متزامنة كحد أقصى.

الأسئلة الشائعة

س: كم من الوقت يجب أن أقوم بتشغيل الاختبار؟ ج: الحد الأدنى أسبوعين (لحساب التباين اليومي)، أفضل 4 أسابيع (لحساب الأنماط الأسبوعية). انظر كم من الوقت يجب أن تكون فترة الملاحظة التحليلية؟

س: ما حجم العينة الذي أحتاجه؟ ج: يعتمد على معدل التحويل الحالي والتحسن المستهدف. استخدم حاسبة. النطاق النموذجي: 1000-50000 لكل متغير.

س: هل يمكنني الاحتفاظ بمتغير إذا كان دلالة إحصائية بنسبة 85%؟ ج: من الناحية الفنية، ربما. لكني أوصي بالانتظار حتى 95%. الثقة الإضافية لأسبوع واحد تمنع الفائزين الكاذبين. بالإضافة إلى ذلك، تكلفة إيجابي كاذب (طرح متغير سيء) عادة أعلى من فائدة السرعة.

س: ماذا لو كان لدي حركة مرور منخفضة جداً؟ ج: قم بتشغيل الاختبارات لفترة أطول (6-8 أسابيع بدلاً من 4). أو اختبر تغييرات أكبر (نسخة جديدة تماماً مقابل تعديلات صغيرة). أو استخدم ملاحظات نوعية (مقابلات المستخدمين) للتحقق قبل الاختبار.

س: هل يجب أن أختبر أجهزة المحمول وسطح المكتب بشكل منفصل؟ ج: نعم، إذا كان لديك حركة مرور كافية. المحمول وسطح المكتب غالباً ما يتصرفان بشكل مختلف. إذا كانت حركة المرور منخفضة، اختبر كلاهما معاً أولاً، ثم قسّم بعد أن ترى فائزاً.

س: هل يمكنني اختبار A/B في حركة بحث عضوية؟ ج: نعم، باستخدام GA4 Experiments. لكن لاحظ: حركة البحث العضوية محددة ذاتياً (بحثوا عنك). التغييرات التي تعمل للبحث العضوي قد لا تعمل للدفع مقابل النقرة.

الخلاصة

اختبار A/B هو كيفية تحويل الحدس إلى معرفة.

لكن فقط إذا كنت منضبطاً: متغير واحد، 2-4 أسابيع، دلالة إحصائية 95%. تسرع وستطلق تغييرات سيئة.

اذهب ببطء. اختبر بصغر. تعلم بسرعة.

Emily Redmond محللة بيانات في Emilytics — وكيل تحليلات AI يراقب GA4 و Search Console و Bing بيانات طوال الوقت. 8 سنوات خبرة. قل مرحباً →