对他们发送的每封电子邮件进行A/B测试的品牌报告称，与不进行任何A/B测试的品牌相比，电子邮件营销投资回报率高出37%。
无论是B2B公司向其潜在客户发送培育性的滴水邮件活动，还是电子商务品牌发送促销优惠，在电子邮件营销组合中添加A/B测试形式的实验是实现更多转换的一个可靠方法。
但是，这样的电子邮件实验是故意的。 这意味着，简单地在谷歌上搜索 “电子邮件A/B测试的想法“，然后从列表中选择工作是行不通的。你需要做得更多。因此，让我们看看有哪些方法可以让你开始进行电子邮件A/B测试，从而使你获得可重复的电子邮件营销成功。
A/B测试电子邮件：选择正确的性能指标
当涉及到A/B测试电子邮件时，大多数电子邮件营销人员开始考虑什么可以让他们获得更多的打开和点击。 但这些 “顶层 “的参与度指标很少能反映出电子邮件活动的真正成功。
例如，即使一个电子邮件实验（例如在主题行上）确实获得了更多的打开次数，也不能真正说明该电子邮件活动最终是否推动了更多的线索或收入或业务。
要了解一个电子邮件活动产生的实际业务，你需要研究整个电子邮件互动漏斗。你需要能够监测和了解你的电子邮件用户在打开和点击你的电子邮件后的现场行为。然后报告 “真正的 “业务指标，如电子邮件打开和点击导致的试用注册或演示请求。
仅仅停留在监测电子邮件实验中的打开和点击次数，并宣布获得更多的赢家并不是正确的方法，因为它将真正的转化率排除在实验之外。
从本质上讲，你需要说明实验中产生的打开次数或点击次数等参与度指标是如何映射到真正的绩效指标（比如邮件打开/点击最终导致的登陆页面的转化指标）。仅仅停留在监测电子邮件实验中的打开次数和点击次数，并宣布获得更多的赢家并不是正确的方法，因为它将真正的转化率排除在实验之外。
Chad S. White（顶级电子邮件营销书籍《电子邮件营销规则》的作者）解释这一点非常好。
“另外，如果主题行A比主题行B产生更多的打开次数，谁会在乎后者产生更多的转化率？还有，如果电子邮件内容A比电子邮件内容B产生更多的点击率，那么谁会在乎后者产生更多的转化率呢？我们保证，你的老板会更喜欢更多的转化率。”。
那么，你如何观察你的电子邮件订阅者的现场行为，以确定你的电子邮件A/B测试实验中的 “真正 “赢家？
一个简单的方法是通过谷歌分析使用UTM参数。 通过UTM参数，你可以合理地确定你的电子邮件是否是转换前的最后一个接触点，或者是否协助了转换。 让我们举个例子。
假设你做了一个电子邮件实验，你测试了两个版本的内容（每个版本都只带一个链接到你的登陆页面）。此外，让我们假设一个版本（或版本A）使用了害怕错过的方法，内容是限时免费试用，另一个版本使用了社会证明方法（通过使用客户的推荐、徽章、评论等）。
因此，在这个实验中使用UTM参数，你应该为你的行动呼吁创建两个不同的链接。
一个可以是：convert.com
另一个可以是：convert.com
当用户点击你的链接并访问你的网站时，Google Analytics将从你的UTM-powered链接中捕获数据，并能够向你展示哪个内容主题效果最好。
你可能会惊讶地发现，虽然基于恐惧的内容的电子邮件激发了更多的点击，但实际上是充满社会性的电子邮件获得了更多的注册用户。 你明白这个道理了吧？
一些电子邮件营销服务提供商也支持这种开箱即用的跟踪，而另一些则让你建立集成，这样你就可以得到一个更好的快照，准确地跟踪你的电子邮件活动的反应。
与任何实验一样，即使是电子邮件实验也必须以一个强有力的假设开始。假设总是以问题为导向，并在本质上确立了你为什么要首先进行实验。
快速搭建 高转化 落地页
为你的电子邮件实验写一个假设，迫使你去看数据（或你目前正在努力解决的 “问题”），分析为什么你认为你的实验会对转化率产生积极的影响，并且还列出了定义成功的指标。
转换优化专家Craig Sullivan在他的Medium[帖子]中分享了一个简单的假设生成工具
这是另一个方便的在线假设生成工具。只需填写你的详细资料，你的有数据支持的假设就会准备好。
正如你所看到的，简单地写一个假设可以帮助你为电子邮件实验打下坚实的基础，阻止你测试随机的变化，同时提示你根据你的电子邮件渠道的目标来测试变化。
选择要进行的电子邮件A/B测试的类型。
我不想讨论你在实验中可以测试的元素–因为你可以测试从发件人的字段和主题行到文案和布局的一切。相反，在这里我想讨论一下，根据你的目标，你应该测试什么类型的元素。
基本上，测试小的调整，如不同的CTA按钮颜色或不同的图像，只能帮助你从X的转换率到X.2。
但如果你经常看到你的电子邮件活动的转换率很低，那么从X到X.2不会有帮助。相反，你应该寻找转换优化的机会，使你从X到2倍。这些只有在你进行激进的实验时才会发生。
例如，上节的内容实验就是一个激进的实验，你让你的用户接触到与你目前使用的完全不同的信息传递风格。这种激进的实验可以帮助你发现”全球最大”，在你的案例中，或者一种对你来说完全陌生但可以赢得大量转换的方法。
根据你的电子邮件转换目标，你可以选择进行一系列的实验，测试小的调整，或者从一个激进的实验开始，在此基础上进行一系列的实验，测试小的调整，以进一步提高改善转换率。
将后勤工作做好
一旦你假设了你的电子邮件A/B测试，现在是时候确定样本量，实验的持续时间，以及你将如何分割你的用户群。
当涉及到电子邮件A/B测试的分割类型时，最流行的是50/50分割。在这里，你向50%的用户发送版本A，向其余50%的用户发送版本B。
或者，你可以将A版本发送给25%的用户，B版本发送给另外25%的用户，而获胜的版本（基于打开或点击率）将被发送给剩余的50%的用户。
一些电子邮件营销人员在测试中不包括整个用户群。在这种情况下，例如，如果你有一个10封邮件的滴水活动，并决定用额外的第11封邮件进行A/B测试，那么你只能对90%的订阅者进行实验，其余的10%根本不会接触到你的实验。这样的搁置测试有助于衡量你的实验的整体效果。Pinterest的优化团队经常使用”1%的保留组 “进行实验。
除了最终确定分割，你还应该考虑你要测试的样本量（顺便说一下，这是一个关于A/B测试样本量的好资源）。
[你]可以只对90%的订阅者进行实验，剩下的10%根本不会接触到你的实验。这样的搁置测试有助于衡量你的实验的整体效果。
一般来说，大多数电子邮件营销服务提供商建议，即使用户基数很小，你也可以进行成功的A/B测试。例如，根据MailChimp，如果你有5000个用户来测试你的每个版本（A和B版本共10000个），你应该是好的。 另一方面，HubSpot称即使是有1000个联系人的用户群，也足以进行A/B实验。
然而，如果你想为你的实验获得更准确的样本量，请查看这些转换优化工具的样本量计算器。
一旦你知道你将如何分割你的用户群，以及你将使用多少联系人来进行你的电子邮件A/B实验，现在是时候确定你的测试的停止点。
根据你的测试目标（打开次数或点击次数），你的停止点会有所不同。根据MailChimp，优化打开次数的测试可以在2小时左右找到一个赢家。而对于优化点击率的测试，它发现理想的测试时间约为12小时。
请注意，你基于打开率或点击率的赢家可能是也可能不是 “最终的赢家”，因为正如我们上面所看到的，最终的赢家是能带来更多的转化率，而一个获得更多参与的电子邮件版本并不能保证更高的转化率。在大多数情况下，你需要几天时间，根据订阅者与你的电子邮件的互动以及他们在你的网站上的活动来确定最终的赢家。
建立一个强大的电子邮件测试框架。
在开始进行电子邮件A/B测试时，测试按钮的颜色或个性化的效果会很上瘾。通常情况下，这种小的调整会因为新奇的效果而推动指标，用户会对邮件中的 “新奇 “做出反应。
但是，虽然这种即时的胜利有助于产生对电子邮件的兴趣实验，但对长期的电子邮件营销成功却没有什么作用。
为此，你需要开发一个电子邮件测试框架，让你去追求你的特定电子邮件营销目标，避免最终使用你的测试带宽来测试随机变化。
- 通常情况下，小的调整会因为新奇的效果而推动指标，用户会对邮件中的 “新奇 “做出反应。
建立一个电子邮件实验框架也有助于你记录所有你运行的电子邮件测试及其结果。早期实验的结果将指导你计划未来的电子邮件测试。例如，如果你在一次电子邮件A/B测试中发现，将你的电子邮件CTA按钮推到折叠区会得到更多的点击，你可能想在后续的实验中测试CTA按钮的另一种颜色，看看这样做是否能进一步提高转换率。
通过投资这样一个框架，每次你想测试电子邮件时（为了获得更高的成功，你应该经常这样做），你都会有一堆你已经从早期实验中了解到的见解。
这听起来可能是一个很大的工作，但即使是一个简单的谷歌电子表格也能完成这项工作。
总结
这就是你需要知道的开始运行有意义的电子邮件A/B测试，并实际影响你的业务的底线。你是否会对电子邮件进行A/B测试？如果是的话，你是如何处理你的假设并找到真正的赢家的？请在评论中告诉我们!
