A/B Testi Nedir? Nasıl Yapılır? (2026 Rehberi)

A/B testi, bir sayfanın, reklamın ya da e-postanın iki versiyonunu gerçek kullanıcılara rastgele gösterip hangisinin daha iyi sonuç verdiğini ölçme yöntemidir. Sezgiye değil veriye dayanır; landing page’lerden reklam metinlerine, e-posta konu satırlarından ürün sayfalarına kadar her dijital temas noktasında uygulanır. Bu rehberde A/B testinin yöntemini, istatistiksel gerekliliklerini ve kanal bazında uygulamasını anlatıyoruz.

Reklam metinleri ve açılış sayfalarında A/B testlerini Google Ads reklam yönetimi kapsamında düzenli olarak yürütüyoruz.

A/B Testi Nedir ve Neden Önemlidir?

A/B testi (split test olarak da bilinir), bir değişkenin iki farklı versiyonunu (A ve B) eş zamanlı olarak farklı kullanıcı gruplarına sunarak hangisinin belirli bir metrikte daha iyi sonuç verdiğini belirleme yöntemidir. Kontrollü bir deney ortamı oluşturur; tek bir değişkeni izole ederek nedensellik kurmanıza imkân tanır.

A/B testinin önemi birkaç temel noktada yoğunlaşır:

• Veri güdümlü karar alma: Sezgi yerine gerçek kullanıcı davranışına dayanır
• Risk azaltma: Büyük değişiklikleri küçük örneklerle test eder
• Sürekli iyileştirme: Her test bir sonraki iterasyona bilgi taşır
• Bütçe verimliliği: Düşük performanslı varyantlara harcama yapılmaz

Dönüşüm oranı optimizasyonu programlarının merkezinde A/B testi yer alır; CRO pratiği olmadan sürdürülebilir büyüme sağlamak güçleşir.

A/B Testi ile Çok Değişkenli Test (MVT) Arasındaki Fark Nedir?

A/B testinde tek bir değişken test edilir: örneğin yalnızca başlık veya yalnızca CTA butonu. Çok değişkenli testte (MVT) ise birden fazla değişken aynı anda test edilir ve tüm kombinasyonlar ölçülür.

İstatistiksel Anlamlılık: Testiniz Gerçekten Güvenilir mi?

A/B testinin en sık yapılan hatası, istatistiksel anlamlılığa ulaşmadan erken sonuç çıkarmaktır. Bir testin güvenilir kabul edilmesi için:

• Güven düzeyi (Confidence Level): En az %95 (p < 0.05)
• İstatistiksel güç (Statistical Power): En az %80
• Minimum örneklem boyutu: Varyant başına hesaplanmalı
• Test süresi: En az 1-2 hafta (tam iş döngüsü kapsaması için)

Örneklem boyutu hesaplamak için Evan Miller’ın örnek boyutu hesaplayıcısı veya VWO’nun anlamlılık hesaplayıcısı gibi araçlar kullanılır.

Landing Page A/B Testi Nasıl Yapılır?

Landing page testleri, A/B testinin en yüksek getiri potansiyeli taşıyan alanıdır. Landing page optimizasyonu, dönüşüm hunisinin en kritik adımlarından biridir.

Test Edilmesi Gereken Landing Page Unsurları

• Başlık (H1): Faydaya odaklı vs. özellik odaklı
• CTA butonu: Renk, metin, boyut, konum
• Hero görseli: Ürün görseli vs. insan fotoğrafı
• Form uzunluğu: 3 alan vs. 7 alan
• Sosyal kanıt: Logo bant vs. metin testimonial
• Fiyatlandırma gösterimi: Aylık vs. yıllık ödeme vurgusu

Landing Page Test Önceliklendirme Matrisi

Her şeyi aynı anda test etmek mümkün değildir. Önceliklendirme için PIE (Potansiyel – Önem – Kolaylık) çerçevesi kullanılır:

• Potansiyel: Bu değişiklik ne kadar iyileşme sağlar?
• Önem: Bu sayfa/unsur ne kadar kritik trafiğe sahip?
• Kolaylık: Testi implement etmek ne kadar kolay?

Reklam A/B Testi: Google Ads ve Meta Ads

Reklam testleri, doğrudan harcama verimliliğini etkiler. Google Ads’te ve Meta Ads’te reklam A/B testi farklı mekanizmalarla çalışır.

Google Ads Reklam Testi

• Google Ads Experiments özelliği ile bölünmüş test
• RSA’larda asset performans etiketleri (Best, Good, Low)
• Reklam varyantları aynı reklam grubunda paralel test

Meta Ads A/B Testi

• Reklam seti düzeyinde A/B test aracı
• Hedef kitle, yerleşim veya kreatif testi
• Meta’nın istatistiksel anlamlılık hesabı otomatik

E-posta A/B Testi: Açılma ve Tıklama Oranlarını Artırın

E-posta pazarlamasında A/B testi, küçük değişikliklerle büyük kazanımlar sağlar. Test edilebilecek başlıca unsurlar:

Örneklem Boyutu Nasıl Hesaplanır? Örnek Hesap

Varyant başına gereken ziyaretçi sayısı iki oranlı örneklem formülüyle bulunur: n = (z_α/2 + z_β)² × [p1(1 − p1) + p2(1 − p2)] ÷ (p2 − p1)². %95 güven için z_α/2 = 1,96, %80 güç için z_β = 0,84 alınır. p1 mevcut dönüşüm oranı, p2 beklenen dönüşüm oranıdır.

Örnek: Bir sayfanın dönüşüm oranı %3 (p1 = 0,03), hedef %3,6 (p2 = 0,036) olsun. (1,96 + 0,84)² = 7,84; 0,03 × 0,97 + 0,036 × 0,964 = 0,0638; (0,036 − 0,03)² = 0,000036. n = 7,84 × 0,0638 ÷ 0,000036 = 13.894, yani varyant başına yaklaşık 13.900 ziyaretçi.

Tablo çift yönlü test, %95 güven ve %80 güç için hesaplandı. Fark yarıya indiğinde gereken trafik yaklaşık dört katına çıkar. Günde 200 ziyaretçi alan ve %3 dönüşümü olan bir sayfada iki varyant için toplam 27.800 ziyaretçi gerekir; bu 139 gün eder. Trafik bu düzeye ulaşmıyorsa küçük değişiklikleri sınamak yerine tek bir büyük değişikliği (başlık, form yapısı, teklif) test edin: büyük fark daha az ziyaretçiyle görülür.

A/B Testi Süreci: Adım Adım Metodoloji

Başarılı bir A/B testi programı altı adımda yürütülür:

1. Hipotez Oluşturma: “Eğer [değişiklik] yaparsam, [metrik] şu nedenle artacaktır” formatında
2. Önceliklendirme: PIE veya ICE puanlama çerçevesi
3. Örneklem Hesabı: İstenen etki büyüklüğü ve güven düzeyi için minimum trafik
4. Test Kurulumu: Trafik eşit dağılımı, izolasyon, izleme kurulumu
5. Test Yürütme: Minimum 2 hafta, tam iş döngüsü
6. Analiz ve Öğrenme: Kazanan varyant uygulanır, bulgular belgelenir

2026’da Popüler A/B Test Araçları

• Optimizely: Kurumsal düzey, güçlü segmentasyon
• VWO (Visual Website Optimizer): Görsel editör, ısı haritaları entegrasyonu
• AB Tasty: Google Optimize 30 Eylül 2023’te kapandı; ücretli alternatiflerden biri
• Convert.com: GDPR uyumlu, privacy-first yaklaşım
• Kameleoon: AI destekli kişiselleştirme
• Statsig / LaunchDarkly: Geliştirici odaklı feature flag + test

Araç seçimi bütçeye, teknik kapasiteye ve trafik hacmine göre belirlenmeli. Küçük işletmeler için Google Tag Manager tabanlı basit split test implementasyonları da mümkündür; kurulum için Google Tag Manager kurulumu rehberine bakın.

Test Kayıt Şablonu: Her Test İçin 8 Alan

Kendi sitemizde her değişikliği, sonuç görülmeden önce yazılmış bir hipotezle kayda alıyoruz. Aynı düzen A/B testinde de çalışır; test bittiğinde kimsenin sonucu hatırlamaya çalışması gerekmez:

1. Hipotez: “Başlığı faydaya çevirirsem form gönderimi artar, çünkü ziyaretçi ilk ekranda ne kazanacağını göremiyor.”
2. Değişken: Tek bir öğe (başlık, buton metni, form alanı sayısı).
3. Birincil metrik: Tek bir hedef (form gönderimi, telefon tıklaması, satın alma).
4. Örneklem: Yukarıdaki formülle hesaplanan varyant başına ziyaretçi sayısı.
5. Süre: Başlangıç ve bitiş tarihi; tam haftalar.
6. Sonuç: İki varyantın oranı, fark ve p değeri.
7. Karar: Uygula, vazgeç ya da yeni hipotezle tekrarla.
8. Not: Test sırasında kampanya, tatil ya da kesinti gibi dış etkenler.

A/B Testinde Yapılan Yaygın Hatalar

• Erken durdurma: İlk “umut verici” sonuçta testi bitirmek
• Mevsimsellik görmezden gelme: Tek günlük trafikle karar vermek
• Çok fazla değişken: Birden fazla unsuru aynı anda değiştirmek
• Yanlış metrik seçimi: Nihai hedefe bağlı olmayan proxy metriklerini optimize etmek
• Test sonucu uygulamama: Kazanan varyantı production’a almayı ertelemek

Sık Sorulan Sorular

Sonuç: Test Kültürü Oluşturmak

A/B testi tek seferlik bir eylem değil, sürekli bir öğrenme döngüsüdür. Her test kazanılan ya da kaybedilen bir müsabaka değil; kullanıcı davranışına dair bir veri noktasıdır. Başarılı markalar, test sonuçlarını belgeleyen, öğrenimi organizasyonla paylaşan ve bir sonraki hipotezi önceki testten türeten sistemler kurar.

Test programınızı landing page optimizasyonu ile başlatın, kazanımları ölçün ve metodolojinizi diğer kanallara genişletin. Referans olarak CXL’in A/B Test Rehberi ve Nielsen Norman Group’un test metodolojisi incelenir.