L'A/B test nell'email marketing è il metodo più diretto per migliorare l'open rate, il click rate e le conversioni. Invece di basarsi su intuizioni, misuri cosa funziona meglio sulla tua audience specifica. Il 59% dei marketer che fa A/B test sistematico ottiene risultati significativamente migliori rispetto a chi non li fa. In questa guida trovi cosa testare, in quale ordine e come interpretare i risultati.
Cosa testare e in quale ordine
Non testare tutto insieme — non capirai cosa ha fatto la differenza. Ordine di priorità per impatto massimo:
- Oggetto dell'email: ha il maggiore impatto sull'open rate. Anche piccole variazioni cambiano i risultati del 10-40%. Prima cosa da testare sempre.
- Orario e giorno di invio: martedì mattina vs giovedì pomeriggio — può variare del 15-25% per alcune liste.
- CTA principale: testo, colore, posizione. Impatto diretto sul click rate.
- Lunghezza dell'email: email breve (150 parole) vs lunga (400 parole). Dipende molto dal pubblico e dal tipo di email.
- Formato: testo puro vs con immagini vs HTML ricco. Spesso le email 'brutte' convertono meglio.
- Personalizzazione: con vs senza nome, con vs senza riferimento al comportamento passato.
Come strutturare un test corretto
Un test A/B valido rispetta queste regole:
- Una variabile alla volta: cambia solo l'oggetto oppure solo la CTA. Mai entrambi nello stesso test.
- Campione sufficiente: almeno 500 destinatari per variante per avere significatività statistica. Con meno, i risultati sono troppo rumorosi.
- Stessa durata per entrambe le varianti: non inviare A il lunedì e B il venerdì — i comportamenti cambiano per giorno.
- Aspetta la fine del test: non fermarti se dopo 2 ore vedi A avanti del 60%. Aspetta almeno 24-48 ore dall'invio.
- Definisci la metrica di successo PRIMA del test: open rate? Click rate? Conversioni? Cambiare metrica a posteriori invalida il test.
Genera varianti di oggetto email da testare
Genera varianti di oggetto email da testare →Come leggere e applicare i risultati
I risultati di un A/B test si leggono così:
- Significatività statistica: cerca il p-value o il confidence level. Il 95% di confidence è il minimo accettabile — significa che c'è meno del 5% di probabilità che il risultato sia casuale. La maggior parte degli ESP mostra questo dato automaticamente.
- Dimensione dell'effetto: non solo 'chi ha vinto', ma di quanto. Un 3% di differenza su 500 email può non essere replicabile. Un 25% di differenza è un segnale chiaro.
- Applicazione del risultato: non limitarti a scegliere il vincitore — capisci perché ha vinto. Se 'Voglio scaricare la guida' batte 'Scarica la guida', il principio è 'prima persona funziona meglio' — applicalo a tutta la sequenza.
Gli errori che invalidano i test
I test A/B falliscono per questi motivi:
- Lista troppo piccola: con 200 iscritti non hai abbastanza dati. Aspetta di avere volume sufficiente o usa test multi-variante con liste esterne.
- Testare variazioni troppo simili: 'Scarica gratis' vs 'Scarica ora' — la differenza è troppo piccola per produrre risultati misurabili. Testa contrasti netti: oggetto lungo vs corto, formale vs informale.
- Cicli di test troppo brevi: inviare il test venerdì sera e leggere i risultati sabato mattina. I comportamenti del weekend sono diversi dalla settimana.
- Conclusioni troppo generali: 'Le emoji funzionano' basato su un test. Le emoji possono funzionare per quel segmento, in quel momento, con quell'oggetto. Replicare il test prima di generalizzare.
Domande frequenti
Ogni quanto fare A/B test nelle email?
Idealmente, ogni invio importante è un'opportunità di test. Nella pratica, fai un test al mese su un elemento specifico e accumula un database di apprendimenti nel tempo. Non testare per testare — testa per rispondere a una domanda specifica ('Funziona meglio la personalizzazione col nome?').
Quale ESP supporta A/B test nativi?
Quasi tutti i principali: Mailchimp (A/B semplice anche nel piano free), Klaviyo (test avanzati con significatività statistica automatica), ActiveCampaign (test nella sequenza automation), Brevo, Campaign Monitor. Per chi ha un developer, strumenti come Iterable o Customer.io permettono test più sofisticati con trigger comportamentali.
L'A/B test funziona anche per campagne di cold email?
Sì, ma con qualche cautela. Nelle cold email, i volumi sono spesso più bassi — servono almeno 200-300 invii per variante per avere dati utili. Testa prima l'oggetto (impatto maggiore) poi il hook della prima riga. Attenzione: su liste fredde la deliverability varia per molte ragioni esterne al contenuto — i risultati sono meno puliti rispetto alle email a lista propria.
Come costruire una biblioteca di apprendimenti dai test?
Tieni un Google Sheet con: data del test, variabile testata, variante A, variante B, campione, risultato (chi ha vinto e di quanto), conclusione applicabile. Nel tempo, questo documento diventa una guida preziosa per il tuo pubblico specifico — molto più affidabile di qualsiasi benchmark generico online.
Hai la strategia. Ora costruisci il funnel visivo.