A/B testing là gì?
A/B testing là phương pháp chia ngẫu nhiên người dùng vào phiên bản A hoặc B, rồi so sánh chỉ số đã chọn trước để biết thay đổi nào hiệu quả hơn.
Phiên bản A thường là bản đang chạy, gọi là bản đối chứng (control). Phiên bản B là bản bạn muốn thử, gọi là biến thể (variant). Hệ thống chia người dùng ngẫu nhiên vào một trong hai nhóm nên hai nhóm có đặc điểm tương đương nhau. Nếu kết quả chênh nhau đủ lớn và đủ chắc chắn về mặt thống kê, bạn có cơ sở để nói khác biệt đến từ chính thay đổi bạn tạo ra.
Ví dụ: một khóa học online đang chạy quảng cáo với tiêu đề "Học Facebook Ads từ con số 0". Bạn đoán rằng tiêu đề nhấn vào kết quả cụ thể sẽ thu hút đăng ký tốt hơn, nên tạo bản B với tiêu đề "Chạy Facebook Ads bài bản sau 8 buổi". Hình ảnh, đối tượng và ngân sách giữ nguyên. Hết thời gian chạy đã định, bạn so chi phí trên mỗi lượt đăng ký của hai bản.
Tóm lại, A/B testing dùng dữ liệu để trả lời câu hỏi "thay đổi này có làm kết quả tốt hơn không". Câu trả lời không còn phụ thuộc vào cảm giác của người duyệt quảng cáo.
A/B testing bắt nguồn từ đâu?
A/B testing xuất phát từ phương pháp thí nghiệm có kiểm soát trong thống kê. Theo Rothamsted Research, Ronald A. Fisher lãnh đạo bộ phận thống kê của trạm nghiên cứu nông nghiệp Rothamsted (Anh) từ năm 1919. Ông phát triển các nguyên tắc thiết kế thí nghiệm, trong đó có phân bổ ngẫu nhiên, và xuất bản cuốn Statistical Methods for Research Workers năm 1925.
Trong quảng cáo, Claude C. Hopkins mô tả cách thử nghiệm thông điệp bằng phiếu giảm giá có mã riêng trong cuốn Scientific Advertising (1923). Thử nghiệm trên web được hệ thống hóa trong nghiên cứu của Ron Kohavi và cộng sự, công bố trên tạp chí Data Mining and Knowledge Discovery năm 2009. Hiện chưa có nguồn đáng tin cậy xác định ai là người đầu tiên đặt tên "A/B testing".
A/B testing khác split test và multivariate test thế nào?
Split test thường đồng nghĩa với A/B testing, split URL test so sánh hai trang khác URL, còn multivariate test thử nhiều yếu tố và tổ hợp cùng lúc.
Ba thuật ngữ này hay bị dùng lẫn lộn. Bảng dưới đây giúp bạn phân biệt nhanh:
| Phương pháp |
Cách hoạt động |
Khi nào nên dùng |
Lượng dữ liệu cần |
| A/B testing |
So sánh bản gốc với một biến thể, người dùng được chia ngẫu nhiên |
Thử tiêu đề, hình ảnh, nút CTA, thông điệp |
Vừa phải |
| Split test |
Thường được hiểu giống A/B testing |
Tùy cách công cụ định nghĩa thuật ngữ |
Vừa phải |
| Split URL test |
Chia người dùng sang hai URL khác nhau |
So sánh hai landing page thiết kế riêng |
Vừa phải đến cao |
| Multivariate test (MVT) |
Thử đồng thời nhiều yếu tố và mọi tổ hợp của chúng |
Tìm cách các yếu tố phối hợp với nhau |
Rất lớn |
Lượng dữ liệu cần cho MVT tăng rất nhanh. Chỉ với 2 tiêu đề và 2 hình ảnh đã có 2 × 2 = 4 tổ hợp, và lưu lượng phải chia đều cho cả 4. Với đa số website và tài khoản quảng cáo vừa và nhỏ tại Việt Nam, A/B test là lựa chọn dễ triển khai và dễ đọc kết quả hơn.
A/B test cũng không bắt buộc chỉ đổi một chi tiết. Bạn vẫn có thể so hai landing page khác nhau hoàn toàn. Khi đó, kết quả chỉ cho biết trang nào tốt hơn. Nó không cho biết yếu tố nào trên trang tạo ra khác biệt.
Vì sao nên làm ab testing thay vì đoán?
A/B testing giúp doanh nghiệp ra quyết định bằng dữ liệu thay vì cảm tính, giảm ngân sách lãng phí cho mẫu quảng cáo hoặc trang đích kém hiệu quả.
Trong nhiều buổi duyệt quảng cáo, mẫu được chọn thường là mẫu người có chức vụ cao nhất phòng họp thích. Đôi khi họ đúng. Nhưng khi bạn sắp đổ thêm vài chục triệu vào một chiến dịch, "đôi khi đúng" là mức rủi ro hơi cao.
Làm ab testing đúng cách mang lại ba lợi ích thực tế:
- Biết điều gì thật sự tác động đến kết quả: bạn tách được ảnh hưởng của một thay đổi khỏi biến động ngẫu nhiên hằng ngày.
- Giảm rủi ro khi tăng ngân sách: chỉ mở rộng phiên bản đã có bằng chứng, thay vì mở rộng phiên bản "trông có vẻ ổn".
- Tích lũy bài học cho đội ngũ: mỗi lần test, kể cả khi thua, là một dữ kiện về khách hàng mà đối thủ không có.
Lưu ý một điều: A/B testing chỉ kiểm chứng giả thuyết bạn đưa vào. Nếu hai phiên bản đều được làm từ một insight sai về khách hàng, test chỉ giúp bạn chọn ra phương án đỡ tệ hơn.
Cần hiểu những khái niệm thống kê nào trước khi test?
Trước khi chạy A/B test, bạn cần hiểu p-value, độ tin cậy, lực kiểm định và MDE vì các yếu tố này quyết định cần bao nhiêu dữ liệu để kết luận.
Bạn không cần là nhà thống kê. Bạn chỉ cần hiểu đủ để không đọc sai kết quả. Bảng dưới tóm tắt các khái niệm quan trọng nhất:
| Khái niệm |
Hiểu đơn giản |
Mức thường dùng |
| P-value |
Nếu A và B thực ra không khác nhau, kết quả bạn thấy bất thường đến mức nào |
Ngưỡng α = 0,05 |
| Độ tin cậy |
Độ tin cậy của phương pháp ước lượng khi lặp lại nhiều lần |
95% |
| Lực kiểm định (power) |
Khả năng phát hiện ra khác biệt nếu khác biệt đó có thật |
80% |
| MDE |
Mức chênh lệch nhỏ nhất mà thử nghiệm được thiết kế để phát hiện |
Tùy mục tiêu kinh doanh |
P-value thấp có nghĩa là B chắc chắn tốt hơn?
Không. Theo tuyên bố của Hiệp hội Thống kê Hoa Kỳ (ASA) năm 2016, p-value không cho biết xác suất một giả thuyết là đúng. P < 0,05 cũng không có nghĩa mức cải thiện đủ lớn để đáng triển khai. Tương tự, độ tin cậy 95% không phải "B có 95% khả năng thắng". Đây là hiểu lầm phổ biến nhất mà chúng tôi gặp ở người mới làm quảng cáo.
Cần cỡ mẫu bao nhiêu là đủ?
Không có con số chung cho mọi A/B test. Cỡ mẫu phụ thuộc vào tỷ lệ chuyển đổi nền, MDE, mức ý nghĩa và power. Nguyên tắc dễ nhớ: muốn phát hiện chênh lệch càng nhỏ thì cần càng nhiều mẫu.
Một lỗi hay gặp là nhập nhầm cách biểu diễn MDE. Ví dụ giả định: tỷ lệ chuyển đổi tăng từ 2% lên 2,4% là tăng 0,4 điểm phần trăm (tuyệt đối), nhưng cũng là tăng 20% (tương đối). Chọn sai ô trong công cụ tính là kế hoạch cỡ mẫu sai ngay từ đầu.
Bạn có thể dùng Sample Size Calculator của Evan Miller để tính cỡ mẫu cho từng phiên bản. Công cụ này dùng cho chỉ số dạng tỷ lệ như tỷ lệ chuyển đổi, CTR. Với ROAS hay doanh thu, cần mô hình thống kê khác.
Cách làm A/B testing gồm những bước nào?
Cách làm A/B testing gồm 6 bước: chọn mục tiêu, đặt giả thuyết, chọn một biến, tính cỡ mẫu, chạy đủ thời gian rồi đọc kết quả theo quy tắc đặt trước.
- Chọn một KPI chính. Ví dụ chi phí trên mỗi lead hoặc tỷ lệ chuyển đổi. Chốt KPI trước khi chạy, không chọn lại sau khi đã xem số liệu.
- Viết giả thuyết rõ ràng. Mẫu câu gợi ý: "Nếu đổi X thành Y, KPI sẽ tốt lên vì Z". Phần "vì Z" giúp bạn rút được bài học kể cả khi test thua.
- Chọn biến cần thử. Muốn biết chính xác yếu tố nào tạo ra khác biệt thì chỉ thay một yếu tố, giữ nguyên phần còn lại.
- Tính cỡ mẫu và thời gian chạy. Dựa trên tỷ lệ chuyển đổi hiện tại và mức cải thiện bạn muốn phát hiện.
- Chạy đúng kế hoạch. Theo dõi để phát hiện lỗi tracking hoặc lỗi phân phối, nhưng không dừng sớm chỉ vì một bên đang dẫn.
- Đọc kết quả và ghi lại. Xem mức cải thiện, độ bất định và chi phí triển khai, không chỉ nhìn nhãn "thắng". Lưu kết quả vào một file chung để đội ngũ không test lại điều đã biết.
Trong Meta Ads Manager, bạn tạo A/B test từ nút A/B Test trên thanh công cụ hoặc từ công cụ Experiments, thời gian chạy cho phép từ 1 đến 30 ngày.
Vì sao không nên tự nhân bản nhóm quảng cáo để test?
Nhiều người test bằng cách nhân bản ad set, đổi một chi tiết rồi chạy song song. Cách này có hai vấn đề. Cùng một người có thể thấy cả hai phiên bản, và hệ thống phân phối có thể dồn ngân sách cho bên có tín hiệu ban đầu tốt hơn. Tính năng A/B test chính thức của Meta chia người xem thành các nhóm không trùng nhau, nên phép so sánh công bằng hơn.
Tạo A/B test từ thanh công cụ Ads Manager
Theo hướng dẫn trên Meta Business Help Center, quy trình gồm các bước:
- Mở Ads Manager, chọn chiến dịch, nhóm quảng cáo hoặc quảng cáo rồi nhấn A/B Test trên thanh công cụ.
- Chọn Make a copy of this ad (tạo bản sao để đổi một biến) hoặc Select two existing ads (so hai quảng cáo có sẵn).
- Chọn biến cần thay đổi nếu tạo bản sao.
- Đặt tên thử nghiệm và chọn chỉ số dùng để xác định bên thắng.
- Đặt ngày bắt đầu và kết thúc, kiểm tra lại rồi nhấn Publish.
Meta lưu ý lịch thử nghiệm tách riêng với lịch chiến dịch. Bạn cần kiểm tra để các chiến dịch thực sự đang chạy trong suốt giai đoạn đo lường.
Tạo A/B test bằng công cụ Experiments
Vào Experiments → Create test → A/B testing → Get started, chọn chiến dịch có sẵn hoặc nhân bản chiến dịch, đặt lịch, tên và tiêu chí xác định bên thắng, rồi chọn Create test. Theo tài liệu của Meta, luồng này cho phép so sánh tối đa 5 chiến dịch có sẵn. Chiến dịch đang tham gia thử nghiệm khác hoặc dùng kiểu mua Reservation thì không dùng được.
Những biến nào có thể thử?
| Nhóm biến |
Ví dụ |
| Creative |
Hình ảnh, video, nội dung chữ, loại quảng cáo |
| Audience |
Khu vực, nhóm tuổi, các tệp đối tượng khác nhau |
| Placements |
Vị trí tự động so với vị trí chọn thủ công |
| Custom |
Thay nhiều thiết lập để so hai chiến lược tổng thể |
Biến Custom không phải MVT. Meta nói rõ khi thay nhiều biến cùng lúc, bạn không thể biết chính xác biến nào tạo ra chiến thắng. Hãy dùng Custom khi muốn so hai chiến lược, không dùng khi muốn tìm nguyên nhân.
Ngân sách và thời gian chạy bao lâu là đủ?
| Hạng mục |
Hướng dẫn của Meta |
| Thời gian cho phép |
1 đến 30 ngày |
| Thời gian khuyến nghị |
Ít nhất 7 ngày, lâu hơn nếu chu kỳ chuyển đổi dài |
| Estimated power |
Khuyến nghị từ 80% trở lên khi tạo test bằng cách nhân bản |
| Ngân sách tối thiểu |
Không có mức tiền cố định chung, chỉ yêu cầu đủ để tạo kết quả phân biệt được |
Chạy tối thiểu 7 ngày để bao trọn một chu kỳ tuần, vì hành vi người xem cuối tuần thường khác ngày thường. Nguồn: Meta, best practices cho A/B test.
Về ngân sách, bạn nên tính ngược từ CPA. Meta cho biết một nhóm quảng cáo thường cần khoảng 50 sự kiện tối ưu trong 7 ngày để thoát giai đoạn máy học. Ví dụ giả định: CPA hiện tại 100.000đ, bạn muốn mỗi phiên bản đạt khoảng 50 chuyển đổi trong một tuần, vậy mỗi nhánh cần khoảng 5.000.000đ/tuần, hai nhánh là 10.000.000đ/tuần. Nếu con số này vượt khả năng, hãy test trên một chỉ số ở đầu phễu như lượt nhấp, rồi xác nhận lại bằng chuyển đổi sau.
Những sai lầm nào làm kết quả A/B test sai lệch?
Các sai lầm phổ biến khi A/B testing là dừng test ngay khi thấy kết quả đẹp, bị hiệu ứng mới lạ đánh lừa và thay nhiều yếu tố cùng lúc.
Dừng test sớm vì "nhìn trộm" kết quả
Lỗi này gọi là peeking. Bạn mở dashboard mỗi ngày, thấy B đang dẫn và có ý nghĩa thống kê, liền tắt test. Làm vậy giống như xem bóng đá đến phút 15, thấy đội nhà dẫn 1-0 rồi tắt TV đi ăn mừng.
Trong bài How Not To Run an A/B Test (2010), Evan Miller đưa ra ví dụ: thử nghiệm thiết kế với ngưỡng sai 5%, nhưng vì kiểm tra liên tục và dừng ngay khi thấy "thắng", tỷ lệ kết luận sai thực tế lên tới 26,1%. Cách xử lý: chốt cỡ mẫu và ngày kết thúc từ trước, chỉ đọc kết quả khi đạt đủ.
Bị hiệu ứng mới lạ đánh lừa
Người dùng thường phản ứng mạnh với thứ mới chỉ vì nó mới. Một mẫu quảng cáo lạ mắt có thể có CTR vọt lên vài ngày đầu rồi giảm dần khi người xem đã quen. Nghiên cứu của Sadeghi và cộng sự (2021) gọi đây là novelty effect. Hãy xem biểu đồ theo ngày thay vì chỉ nhìn tổng cuối kỳ. Nếu đường của B đi xuống và tiến dần về A, khả năng cao bạn đang thấy hiệu ứng mới lạ.
Thay nhiều yếu tố cùng lúc
Đổi cả hình ảnh, tiêu đề lẫn landing page rồi hỏi yếu tố nào làm tăng chuyển đổi, giống như uống ba loại thuốc một lúc rồi đoán viên nào hạ sốt. Nếu mục tiêu là tìm nguyên nhân, mỗi lần test chỉ thay một biến.
Nhầm "có ý nghĩa thống kê" với "đáng triển khai"
Kết quả có ý nghĩa thống kê vẫn có thể chỉ cải thiện rất nhỏ, không bù được chi phí làm lại creative hay thiết kế lại trang. Hãy đọc mức cải thiện và chi phí triển khai trước khi quyết định.
Một bản thảo nghiên cứu năm 2025 của Burtch và cộng sự cho thấy thuật toán phân phối của Meta có thể đưa các mẫu quảng cáo khác nhau đến những nhóm người xem có thành phần khác nhau. Vì vậy, mẫu thắng trong Meta là chiến lược quảng cáo thắng trong điều kiện phân phối đó. Nó chưa chắc chứng minh nội dung đó tốt hơn với mọi nhóm khách hàng.
Câu hỏi thường gặp về A/B testing
A/B testing và split test có giống nhau không?
Trong đa số công cụ quảng cáo và CRO, split test được dùng đồng nghĩa với A/B testing. Riêng split URL test là dạng chia người dùng sang hai địa chỉ URL khác nhau, thường dùng khi so sánh hai trang đích thiết kế riêng.
Chạy A/B test Facebook cần ngân sách tối thiểu bao nhiêu?
Meta không công bố một mức tiền cố định áp dụng cho mọi A/B test. Ngân sách cần đủ để mỗi phiên bản tạo ra lượng kết quả đủ phân biệt, vì vậy hãy tính từ CPA hiện tại và số chuyển đổi bạn cần cho mỗi nhánh.
A/B test nên chạy bao lâu?
Meta cho phép đặt thời gian test từ 1 đến 30 ngày và khuyến nghị chạy ít nhất 7 ngày. Nếu chu kỳ ra quyết định của khách hàng dài, bạn nên kéo dài thời gian để kịp ghi nhận chuyển đổi.
Độ tin cậy 95% có nghĩa là phiên bản B có 95% khả năng thắng không?
Không. Độ tin cậy 95% mô tả độ tin cậy của phương pháp ước lượng khi lặp lại nhiều lần, không phải xác suất chiến thắng của B trong một lần test cụ thể.
Website ít traffic có làm A/B testing được không?
Vẫn làm được nhưng chỉ nên thử những thay đổi lớn, vì thay đổi nhỏ cần rất nhiều mẫu mới phát hiện được. Nếu tính ra cỡ mẫu cần vài tháng mới đủ, hãy ưu tiên nghiên cứu khách hàng hoặc thử ở kênh có nhiều lượt truy cập hơn.
Nên test hình ảnh, nội dung hay đối tượng trước?
Với phần lớn tài khoản quảng cáo, creative gồm hình ảnh, video và thông điệp thường nên được thử trước vì dễ thay đổi và ảnh hưởng trực tiếp đến tỷ lệ nhấp. Đây là kinh nghiệm thực hành, không phải quy tắc cố định của Meta.
A/B test không tìm ra phiên bản thắng thì làm gì?
Kết quả không rõ ràng nghĩa là dữ liệu chưa đủ chứng minh có khác biệt, chưa chắc hai phiên bản giống nhau. Hãy kiểm tra lại cỡ mẫu, tracking và mức chênh lệch kỳ vọng, rồi thử một giả thuyết có khác biệt lớn hơn.
Nên bắt đầu A/B testing từ đâu?
Hãy bắt đầu bằng một thử nghiệm creative đơn giản trên chiến dịch đang có chuyển đổi ổn định, đặt trước KPI, thời gian chạy và quy tắc dừng.
Đừng chờ có ngân sách lớn hay công cụ xịn mới bắt đầu. Ngay tuần này, bạn có thể chọn một chiến dịch đang chạy tốt nhất, viết một giả thuyết về tiêu đề hoặc hình ảnh, rồi tạo A/B test chính thức trong Ads Manager với thời gian ít nhất 7 ngày. Ghi lại kết quả, kể cả khi thua. Sau 5 đến 10 lần test, bạn sẽ hiểu khách hàng của mình rõ hơn bất kỳ báo cáo xu hướng nào.
Nếu bạn muốn học cách xây quy trình test quảng cáo bài bản, từ tạo tệp đối tượng, test nội dung, test ngân sách đến đọc chỉ số CTR, CPL, ROAS bằng AI, hãy tham khảo khóa Facebook AI Marketing - Bán hàng và chạy Ads bằng AI của Vinalink Academy. Chương trình gồm 8 buổi học online qua Zoom. Buổi 6 dành riêng cho việc xây tệp nâng cao và quy trình test quảng cáo, do đội ngũ giảng viên đã đồng hành cùng hơn 15.000 học viên của Vinalink trực tiếp hướng dẫn.
 (1)_cr_400x210.png)
_cr_400x210.png)
