A/B Testi Nedir, Dijital Reklam Rehberi 2026

29/08/202629/08/2026

Reklam görselinizi düzenlediniz, performansı iyileşti. Ama nasıl emin olabilirsiniz? Mevsimsel bir etki mi, haftanın günü mü, yoksa gerçekten görsel mi işe yaradı?

Sezgiyle değil, veriyle karar vermek istiyorsanız cevap A/B testi .

A/B testi, iki farklı versiyonun hangisinin daha iyi performans gösterdiğini kanıtlamanın yolu olarak gösteriliyor. Tahmin değil, ölçüm. “Bence bu daha iyi görünüyor” değil, “veriye göre bu yüzde 23 daha fazla dönüşüm sağlıyor.”

Ama A/B testi yanlış görünüyor — ve çoğu yapılıyor — yanıltıcı sonuçlar üretiyor, yanlış kararlar alıyor ve bütçeden boşalıyor. Bu rehberde A/B testini doğru yapmayı her adımını, platformun bazında uygulamasını ve en yaygın tuzaklardan nasıl kaçınacağınızı elde etmeyiz.

A/B Testi Nedir?

A/B testi, aynı kampanyanın, sayfanın veya içeriğin iki farklı versiyonunun aynı anda, benzer kitleye gösterilmesi ve hangisinin daha iyi performans gösterdiğini ölçen deney yöntemidir.

A = Kontrol versiyonu (mevcut, değiştirilmemiş)
B = Varyasyon versiyonu (test edilen değişiklik)

Kitle rastgele bölünür. A kurumsal orijinal versiyon, B gruptan oluşan versiyon oldu. Yeterli veri toplandıktan sonra hangisinin daha iyi sonuç olarak verilmesi olarak sağlanır.

Tek değişken kuralı A/B testinin temeli: aynı anda yalnızca bir şeyi verildi. Başlık ve görseli aynı anda değiştirirseniz hangisinin fark yarattığını bilemezsiniz.

A/B Testi Neden Bu Kadar Kritik?

Sezgi bazen doğru, çoğu yanlış. Pazarlama koşullarının sık sık tekrarlanan sorunları: “Ben bu versiyonun daha iyi olduğu belirtiliyor.”

Tek bir değişkenin etkisinin yayılmasından hangisinin daha başarılı olduğu belirleniyor. Reklam görseli, başlık metni, CTA veya renk paleti gibi unsurlar A/B testine tabi tutulunca küçük gelişmelerin ortaya çıkmasının ortaya çıkarılması mümkün oluyor.

Bütçe açısından kritik: Dijital reklam harcamaları artıyor, tıklamanın maliyeti artıyor. Doğru çeşitliliğin mevcut olduğu, aynı bütçeyle çok daha fazla dönüşümün anlamı geliyor.

Neyi Test Edebilirsiniz? A/B Testi Güvensizlikleri

Dijital reklamlarda test edilebilecek unsurlar çok geniştir. En yüksek etkiyi yaratan unsurların görünürlüğünü arttırmak gerekiyor.

Reklam Düzeyinde Test Edilebilecekler

Başlık (Başlık): Reklamın liderliği ve güçlü etkili test unsuru. “Ücretsiz Dene” mi yoksa “30 Gün Ücretsiz, Kredi Kartı Yok” mu daha iyi dönüşüm alıyor?

Görsel / Video: Ürünün görseli mi, insan yüzü mü, atmosfer fotoğrafı mı? Video mu, statik görsel mi?

CTA Metni: “Hemen Satın Al” vs. “Fırsatı Kaçırmayın” vs. “Ücretsiz Başla”

Reklam metni (Gövde Kopyası): Kısa özet metin mi, detaylı açıklama mı?

Sosyal kanıt unsurları: Müşteri yorumu içeren reklam vs. özellik listesi içeren reklam

Açılış Sayfası Düzeyinde Test Edilebilirler

Başlık: Sayfanın ilk okunabilen ana mesajlarını en çok gönderdiğinizden emin değilsiniz.

CTA butonu: Renk, metin, konum ve boyut.

Form uzunluğu: 3 alan mı 7 alan mı?

Sosyal kanıt: Yorumların konumu ve formatı (metin, yıldız, video).

Fiyat sunumu: Aylık fiyat mı, yıllık tasarruf mı, paket karşılaştırması mı?

E-posta Düzeyinde Test Edilebilecekler

Konunun başlığı, gönderici adı, ön izleme metni, gönderim zamanı, e-posta içeriğinin uzunluğu ve CTA konumu.

Adım Adım A/B Testi Süreci

Adım 1: Hipotez Kurun

Test öncesinde netleştirilmesi gereken üç soru var:

Ne değiştiriyoruz? (Özellikle: “Satın Al butonunu kırmızıdan yeşile değiştiriyoruz”)
Neden? (Veri destekli: “Isı haritası analizi butonu tıklamanın düşük olduğunu gösteriyor”)
Ne Bekliyoruz? (Ölçülebilir: “Tıklanma oranı en az yüzde 10 artacak”)

Hipotez olmadan yapılan test veri üretir ama öğrenme üretmez. Her testi öğrenmeniz gerekir — kazansanız da kaybetseniz de.

Adım 2: Başarı Metriği Belirleyin

Test başlatılmadan önce tek bir temel metrik seçin. Dönüşüm oranı mı, tıklanma oranı mı, sepet tamamlama oranı mı, form doldurmam mı?

Birden fazla metriğe bakarak karar vermek tehlikeli — bir metrik artarken bölünebilir. Birincil metrik kazananı belirler, diğerleri bağlamayı sağlar.

Adım 3: Örneklem Büyüklüğünü Hesaplayın

En sık atılan adım bu. Test kaç kişiye gösterilmeli?

İstatistiksel anlamlılık için her şeyin yeterli olması gerekiyor. Genel kural: her çeşidia en az 100 dönüşüm, genellikle 200+ dönüşüm. Düşük hacimli siteler için bu süre haftalar alabilir — kritik sabır.

Örneklem büyüklüğü hesaplaması için: Optimizely Sample Size Calculator veya AB Test Guide aracını kullanın.

Adım 4: Testinin

Kontrol ve çeşitlilik versiyonları eş zamanlı olarak çalıştırılır. İki versiyon farklı dönemlerde test etmek anlamsız — mevsimsel etki, gün etkisi ve dış faktörlerin rol oynadığı rol.

Trafik durumu genellikle 50/50, ancak risk taşıyan değişiklikler için 80/20 (yüzde 80 orijinal, yüzde 20 test) ile başlatma daha güvenlidir.

Adım 5: Sonuçları Analiz Edin

Test bitti. Şimdi ne bakacaksınız?

İstatistiksel anlamlılık: Yüzde 95 güven düzeyi standart eşit. “Test yüzde 95 puan düzeyinde anlamlı” ifadesini şunu söylüyor: Bu sonucun tesadüfi olma olasılığı yüzde 5’in altında. Yüzde 95’e ulaşmaktan karar vermek.

Pratik anlamı: İstatistiksel anlamlılık var ama fark yüzde 0,1 ise uygulama değeri mi? Hem bunların hem pratik anlamlılık gerekli.

Segment analizi: Genel sonuç olumlu ama belirli bir segment için olumsuz olabilir. Mobil vs. masaüstü, yeni kullanıcı vs. geri dönen kullanıcı,trafik kaynağı bazı sonuçları inceler.

Adım 6: Uygulayın ve Yeni Hipotez Kurun

Kazanan değiştiricileri. Ama iş burada bitmiyor — kazanan versiyon yeni kontrol oluyor ve yeni hipotez kuruluş döngüsü devam ediyor. Hipotez → test → analiz → uygulama → yeni hipotez teknikleri; küçük aralıkların genişlemesiyle büyük performans sıçramaları oluşur.

Platform Bazında A/B Testi: Meta Ads ve Google Ads

Meta Ads’te A/B Testi

Meta Ads Manager’da A/B testi için iki yol var:

Reklam Seti Düzeyi Testi (Ads Manager A/B Testi):
Reklam Yöneticisi’nde “A/B Testi” özelliğini seçin. Hedef kitle, yerleşim veya reklam malzemelerinin bazılarında testler yapılabilir. Meta, kitleyi rastgele bölerek her gruba farklı versiyonunu gösteriyor.

Öneri: Tek seferlik testlerden alternatif olarak sürekli test kültürü kurun. Her yeni kampanyada az bir değişken test edin.

Meta’nın Advantage+ Creative özelliği 2026’da A/B testini otomatize ediyor — farklı taban, görsel ve metin politikalarını otomatik test edip en iyi performansı göstermenizi öne çıkarıyor. Ama bu otomatizasyon hangi değişkenin neden işe yaradığını göstermiyor — derleme için manuel A/B testi mevcut.

Meta Ads’te test edilecek düzenli öğeler:

Video ve statik görsel karşılaştırması
Kısa ve uzun reklam metni
Sosyal kanıt içeren ve özellik odaklı reklamlar
Farklı CTA butonları (Daha Fazla Bilgi, Şimdi Satın Al, Kaydol)

Google Ads’te A/B Testi

Denemeler (Experiments) özelliği:
Google Ads’te “Denemeler” bölümünde mevcut kampanyanın yüzde bölüm test versiyonuna yönlendirebilirsiniz. Bütçeyi iki kampanya arasında yüzde olarak bölebilirsiniz — örneğin yüzde 50/50 veya yüzde 80/20.

Duyarlı Arama Ağı Reklamları (RSA) testi:
Google, RSA’larda farklı başlık ve açıklama yöntemlerini otomatik olarak test ediyor. “En iyi” öğrenilip ortaya çıkıyor. Bu veriyi düzenli olarak gözden geçiriyorum — hangi başlıkların “öğreniliyor”, “düşük”, “iyi” olarak işaretlendiğini görüyorsunuz.

Açılış Sayfası Testi:
Google Ads’te farklı açılış sayfası URL’lerini aynı reklam gruplarında test edebilirsiniz. Kampanya içinde URL’leri değiştirerek hangi sayfanın daha yüksek dönüşüm oranının ölçümü.

A/B Testi Araçları: 2026’da Ne Kullanmalısınız?

Araç	Kullanım Alanı	Ücret
Google Ads Deneyleri	Google Ads kampanya testi	Ücretsiz (platform içi)
Meta Reklamlar A/B Testi	Facebook/Instagram reklam testi	Ücretsiz (platform içi)
Google Optimize	Açılış sayfası A/B testi	Ücretsiz
VWO (Görsel Web Sitesi Doktoru)	Web sitesi A/B ve MVT testi	li
Optimizely	Kurumsal A/B test platformu	li
Mailchimp / Brevo	E-posta A/B testi	Ücretsiz
Hotjar	Davranış analizi (test desteği)	Ücretsiz

Başlangıç için platform içi araçlar — Google Ads Experiments ve Meta Ads A/B Test — Yeterli. Ek maliyet yok ve platformun kendi verisini kullanıyor.

A/B Testinde Yapılan 7 Yaygın Hata

Hata 1: Dikizleme Problemi — Testi Erken Durdurmak

En yaygın ve en tehlikeli hata. Test başladıktan 3-5 gün sonra B versiyonu iyi görünüyor, heyecanlanıp testi durduruyorsunuz. Ama bu veri yeterli değil.

Haftanın günlerine göre kullanıcı akışı değişiyor: Pazartesi akşamı alışveriş yapan kullanıcı, Cuma öğleni farklı yayınlar. En az bir haftalık döngü kapsanmalı. İstatistiksel anlamlılığa ulaşmadan durdurulan test yanıltıcı sonuç üretiyor.

Hata 2: Aynı Anda Çok Değişken Test Etmek

Başlığı, görseli ve CTA’yı aynı anda değiştirip test edin. Sonuç olarak iyileşme olursa bile hangi değişkenin etkili olduğunu bilemezsiniz. Bir dahaki testi öğrenmek için üretmez. Tek değişken stabilitesi sağlanmaz.

Hata 3: Örneklem Büyüklüğünü Hesaplamak

“Yeterli veri var” sezgisi genellikle yanlıştır. Örneklem büyüklüğü hesaplayıcısı kullanın, testten önce kaç dönüşümü belirleyin. Bu sayıya ulaşmadan karar vermeyin.

Hata 4: Tek Metriğe Odaklanmak

Tıklanma oranı yüzde 30 arttı, mükemmel. Ama dönüşüm oranı düştüyse ve müşteri kazanma maliyeti yükseldiyse, bu “iyileşme” değil. Birincil metrik belirlemek ama bağlama için diğer metriklere bakın.

Hata 5: Segment Analizini Atlamak

Genel sonuç olumlu ama mobil sürücüler için olumsuz olabilir. Bir trafik kaynağı için işe yarayan, başka kaynak için yaralanamayan bir durum olabilir. Kazanan ilan vermeden önce segment bazında analiz yapın.

Hata 6: Kaybeden Testin Öğrenimini Kaybetmek

“B versiyonu kayboldu, sil at.” Bu tedavi öğrenmeyi öldürür. Neden kaybettin? Bu veri bir sonraki varsayım için altın. Kaybeden testlerin da dokümantasyonunu yapın.

Hata 7: Test Kültürü Kurmamak

Tek bir test mucize yaratmaz. A/B testi sürekli bir döngü. Sistematik test kültürü olmadan her test bir seferlik proje olarak kalıyor ve birikim oluşmuyor.

A/B Testi Gerçek Örnekleri

Örnek 1: E-Ticaret — CTA Metni

Hipotez: “Sepete Ekle” yerine “Hemen Al” metni daha yüksek tıklama oranı üretecek.

Test süresi: 2 hafta, her şeye 500 tıklama.

Sonuç: “Hemen Al” versiyonu dönüşüm oranında yüzde 18 artış sağlandı. İstatistiksel güven: yüzde 97.

: Aciliyet hissi yaratan CTA, bu üründe işe başlıyor. Diğer kategorilerde test yapılacak.

Örnek 2: B2B SaaS — Form Uzunluğu

Hipotez: Demo durumdaki 8 alan, 4 alana düşürülürse form doldurma oranı artacak.

Test süresi: 3 hafta.

Sonuç: 4 alanlı form yüzde 34 daha yüksek form tamamlama oranı elde etti. Ama satış ekibi, kısa formdan gelen liderlerin yüzde 60’ının niteliksiz olduğunu bildirdi.

Öğrenme: Form uzunluğu sadece dönüşüm oranı değil, kurşun kalitesiyle birlikte değerlendirilmeli. Orta yol arayışı: 6 alan, ama zorunlu/isteğe bağlı kayıtlılığıyla.

Örnek 3: Google Ads — Başlık Testi

Hipotez: Fiyat bilgisi içeren başlık (“Aylık 299 TL’den Başlayan Fiyatlarla”) daha yüksek CTR üretecek.

Test süresi: 10 gün, her çeşidia 1.000 gösterim.

Sonuç: Fiyat içeren başlık TO açısından yüzde 12 düşük ama dönüşüm oranı yüzde 28 yüksek oldu.

Öğrenme: Fiyat bilgisi tıklamaları azaltılıyor ama kullanıcı tarafından ilgi görüyor. CAC (müşteri kazanma maliyeti) yüzde 19 düştü. Doğru hesaplama metriği CTR değil, CAC’tı.

A/B Testi ve İstatistiksel Anlamlılık: Basit Açıklama

İstatistikleri çoğu pazarlamacıyı ürkütüyor. Ama temel fikir basit.

“Test yüzde 95 puan düzeyinde anlamlı” ifadesini şunu söylüyor: Bu sonucun tesadüfi olma olasılığı yüzde 5’in altında. Başka bir deyişle, aynı testi tekrar yaparsanız benzer sonuçları görmezsiniz yüksek.

Yüzde 95 standart eşik. Bazı takımlar yüzde 90’la da karar veriyor ama yüzde 99’un altında her sonucun bir hata payı taşıyor.

Pratik kural: Yüzde 95 güvene ulaşmaktan testi durdurmayın. Platform araçları genellikle bu hesabı otomatik yapıyor — sonuç olarak “anlamlı” veya “anlamlı değil” gösteriliyor.

A/B Testi Dokumanı: Testi Kaydedin

Sistematik A/B testi kültürü için her testi belgeleyin. Basit bir tablo yeterli:

Test	Hipotez	Birincil Metrik	Elbette	Sonuç	Bu
CTA rengi	Kırmızı yerine yeşil CR arttır	Dönüşümler	2 hafta	Yeşil +%8, anlamlı	Kontrast buton bu sayfada iş
Video vs. Statik	Video daha yüksek CR üretir	Form doldurma	3 hafta	Statik +3%, anlamlı	Bu segment için statik yeterli

Bu doküman zamanla kurumsal hafıza oluşturuyor. Ekip değişse bile geçmiş testlerin öğrenmeleri kaybolmuyor.

Sık Sorulan Sorular (SSS)

A/B testi ne kadar sürmeli?

Minimum bir tam hafta — haftalık döngü tamamlanmalı. Örneklem büyüklüğü hesabına göre belirlenen dönüşüm sayısına ulaşana kadar devam edin. Çoğu test için 2-4 hafta yeterli. Erken durdurmak yanıltıcı sonuç üretiyor.

A/B testi ve çok değişkenli test (MVT) farkı nedir?

A/B testi tek değişkeni test eder. MVT birden fazla değişkeni aynı anda test eder — örneğin başlık ve görsel kombinasyonları. MVT çok daha fazla trafik gerektiriyor. Yüksek trafikli siteler için güçlü ama küçük siteler için A/B testi çok daha pratik.

Düşük trafikli site A/B testi yapabilir mi?

Yapabilir ama süre uzar. Günde 100’den az ziyaretçisi olan site için bir testin tamamlanması aylar alabilir. Bu durumda kullanıcı testi, heatmap analizi ve kullanıcı anketi gibi nitel yöntemler çok daha hızlı içgörü sağlıyor.

Google Ads’te A/B testi nasıl kurulur?

Google Ads panelinde sol menüden “Denemeler” bölümüne gidin. Yeni deneme oluşturun, test edilecek kampanyayı seçin ve trafik bölüm oranını belirleyin (yüzde 50/50 önerilen). Deneme süresi ve başarı metriğini seçin ve başlatın. Sonuçlar düzenli aralıklarla panelde gösteriliyor.

Meta Ads’te A/B testi hangi aşamada yapılmalı?

Reklam kampanyası yeterli hacme ulaştıktan sonra — günde en az 50 olay. Çok erken başlatılan A/B testi öğrenme aşamasını sekteye uğratıyor. Meta, A/B testini kampanya oluşturma aşamasında veya mevcut kampanyadan başlatma seçeneği sunuyor.

Kazanan test sonucu her zaman uygulanmalı mı?

Hayır. İki koşula bakın: istatistiksel anlamlılık (yüzde 95+) ve pratik anlam (fark yeterince büyük mü?). Yüzde 1’lik iyileşme anlamlı ama uygulamak için gereken teknik iş buna değmeyebilir. Karar hem veri hem bağlam gerektiriyor.

A/B testi SEO’yu etkiler mi?

Doğru yapıldığında hayır. Google, A/B testini kabul ediyor ancak birkaç kuralı var: kullanıcı aynı URL’de farklı içerik görse bile canonical etiket doğru ayarlanmalı, test versiyonu için ayrı URL kullanılıyorsa noindex eklenmeli ve meta yönlendirme kullanılmamalı. Çoğu platform araçları bunu otomatik yönetiyor.

Sonuç

A/B testi, tahminleri veriye dönüştürmenin en güçlü yolu. Küçük değişkenlerin büyük etkilerini ortaya çıkarıyor, reklam bütçesinin her lirasını daha verimli çalıştırıyor ve zamanla birikerek kurumsal öğrenme üretiyor.

Ama yanlış yapılan A/B testi — peeking problemi, küçük örneklem, çok değişken, segment analizi eksikliği — yanlış kararlar aldırıyor. Bu yüzden süreç kadar metodoloji de kritik.

Başlangıç için platform içi araçlar yeterli: Google Ads Experiments ve Meta Ads A/B Test. Hipotez kurun, tek değişkeni test edin, istatistiksel anlamlılığa ulaşana kadar bekleyin ve her testin öğrenimini belgeleyin.

Dijital reklam kampanyalarınızı A/B testi ile optimize etmek, dönüşüm oranı artırmak istiyorsanız izmir seo ajansı ve dijital reklam ajansı hizmetlerimizle bu süreci birlikte yönetebiliriz.

Etiketler