اختبار A/B لمديري المنتج يعني أن تُظهر تغييرًا لنصف المستخدمين المختار عشوائيًا، وتُظهر النسخة الحالية للنصف الآخر، ثم تقرّر استنادًا إلى مقياس واحد متفق عليه مسبقًا هل تسبّب التغيير في تحسّن. إذا أُجري جيدًا فإنه يحسم الخلافات بالأدلة ويعلّمك لماذا يتصرف المستخدمون كما يتصرفون. وإذا أُجري بشكل سيئ فإنه يمنح القرارات السيئة ثقة زائفة.
أهم النقاط
معظم الأفكار تفشل عند اختبارها: ثلث الأفكار المختبَرة في Microsoft فقط حسّنت المقياس الذي صُمّمت لتحسينه، وكانت معدلات النجاح في Bing وGoogle نحو 10-20% (Kohavi, Tang and Xu, 2020).
حجم العيّنة يأتي أولًا. اكتشاف زيادة نسبية قدرها 10% على معدل تحويل 4% يحتاج إلى نحو 38,200 مستخدم لكل نسخة عند دلالة 95% وقوة 80%.
التلصّص (peeking) يُفسد الحساب. التوقف عند أول نتيجة «ذات دلالة» مع الفحص بعد كل زائر أنتج إيجابيات كاذبة بنسبة 26.1% بدل 5% (Evan Miller, 2010).
افحص التوزيع قبل النتيجة: نحو 6% من التجارب في Microsoft أظهرت عدم تطابق في نسبة العيّنة (sample ratio mismatch) (Lukas Vermeer).
مقياس رئيسي واحد، وبضعة مقاييس حماية، وتاريخ انتهاء مكتوب، وملاحظة بعد الاختبار عن السبب: هذا هو الانضباط كله.
ما اختبار A/B لمديري المنتج ومتى تستخدمه؟
استخدم اختبار A/B عندما تتحقق أربعة أمور:
لديك الزيارات الكافية. يوصي Kohavi وTang وXu بآلاف الوحدات التجريبية؛ وكلما زاد عددها صغر الأثر الذي يمكنك اكتشافه.
النتيجة تظهر بسرعة. ينصحون بمعيار تقييم شامل (OEC) يمكن قياسه خلال أسبوع إلى أسبوعين.
التغيير قابل للتراجع. يمكنك إطلاق أي من النسختين والتراجع.
أنتم مختلفون على الأثر. إذا كان الجميع متفقين أصلًا والمخاطرة منخفضة، فأطلق التغيير وراقبه.
قد يكون العائد كبيرًا. ففي Bing عام 2012 بقيت فكرة تطويل أسطر عناوين الإعلانات في قائمة المهام المؤجلة (backlog) أكثر من ستة أشهر. وعندما اختبرها مطوّر برمجيات أخيرًا ارتفعت الإيرادات 12%، أي أكثر من 100 مليون دولار سنويًا في الولايات المتحدة وحدها (Kohavi, Tang and Xu, 2020). لم يتوقع أحد ذلك.
إذا كانت زياراتك قليلة أو كان السؤال «هل يريد أحد هذا أصلًا؟» فاختبار A/B هو الأداة الخطأ. اختر طريقة أخرى من ، مثل .
يحدث الفشل في مرحلة الفرضية، أو بالأحرى بغيابها. عبارة «لنختبر زر الدعوة إلى الإجراء» ليست فرضية. إنها مهمة.
صياغة كمهمة: اختبار الزر الأخضر مقابل الزر الأزرق.
صياغة كفرضية: نعتقد أن «ابدأ التجربة المجانية» سيتفوق على «سجّل» لأن المستخدمين في شريحتنا يتجنبون المخاطرة، ولأن كلمة «مجانية» تقلل الالتزام المدرَك. سنقيس معدل النقر وتفعيل التجربة لاحقًا.
صيغة الفرضية تخبرك بثلاثة أمور لا تخبرك بها صيغة المهمة: ما تعتقده، ولماذا تعتقده، وأي أدلة ستغيّر رأيك. بدون فرضية قابلة للدحض يمكنك أن تتصرف بناءً على اختبار، لكنك لا تستطيع أن تتعلم منه.
وينبغي أيضًا أن يعود كل اختبار إلى مشكلة لدى المستخدم لا إلى رأي حول المنتج. قبل أن تكتب الفرضية، أسّسها على أدلة:
بماذا يقول المستخدمون إنهم يواجهون صعوبة؟
أين يتسربون؟
ماذا يفعل المستخدمون الناجحون ولا يفعله غير الناجحين؟
كيف تكتب فرضية اختبار A/B؟
استخدم هذا القالب:
نعتقد أن [التغيير] سيؤدي إلى [النتيجة] لدى [الشريحة]، لأن [المبرر]. سنعرف أن هذا صحيح إذا تحرك [المقياس] بمقدار [العتبة] خلال [الإطار الزمني].
وهو يوسّع صيغة التطوير المقاد بالفرضيات التي نشرها Barry O'Reilly في Thoughtworks عام 2014: نعتقد أن هذه القدرة ستؤدي إلى هذه النتيجة، وسنعرف أننا نجحنا عندما نرى إشارة قابلة للقياس (Thoughtworks, 2014). ويضيف فريق التجارب في Microsoft قاعدتين: أبقِ الفرضية بسيطة (قسّم التغيير المعقد إلى عدة اختبارات)، وتأكد من أن المقاييس المختارة تستطيع فعلًا دحضها (Microsoft Research, 2020).
مثال توضيحي:
نعتقد أن عرض عدد الفرق النشطة التي تستخدم Specky في صفحة الأسعار سيزيد عمليات بدء التجربة لدى الزوار الذين شاهدوا العرض التوضيحي للمنتج، لأن الإثبات الاجتماعي يقلل التردد في قرارات الشراء بين الشركات (B2B). سنعرف أن هذا صحيح إذا ارتفع معدل بدء التجربة بنسبة ≥10% لدى هذه الشريحة خلال 14 يومًا.
لاحظ بماذا تلتزم هذه الجملة الأخيرة: مقياس وشريحة وعتبة وموعد نهائي. ويتحقق القسم التالي عن حجم العيّنة مما إذا كانت 14 يومًا واقعية.
كم مقياسًا ينبغي أن يكون لاختبار A/B؟
مقياس رئيسي واحد. وكل ما عداه مقاييس حماية.
الخطيئة الكبرى أن تكون لديك عدة مقاييس للنجاح. افحص خمسة مقاييس وسيبدو أحدها ذا دلالة بالصدفة على الأرجح، وستقنع نفسك بأنه هو المقياس الذي كان مهمًا.
يسمّي Kohavi وTang وXu المقياس الرئيسي معيار التقييم الشامل (OEC): مقياس كمّي لهدف التجربة. أما مقاييس الحماية فتحمي ما لا تقبل المؤسسة التضحية به. ويحسب فريق ExP في Microsoft مجموعة أساسية لكل تجربة بصرف النظر عن الميزة: رضا المستخدمين، والحماية، والميزة والتفاعل، وجودة البيانات (Microsoft Research, 2020).
المقياس الرئيسي
مقياس الحماية
لماذا يهم مقياس الحماية
معدل التسجيل
معدل التفعيل
لا تريد اجتذاب مستخدمين يغادرون فورًا
مدة الجلسة
معدل إتمام المهام
الجلسات الأطول يجب ألا تعني مستخدمين مرتبكين
تبنّي الميزة
تذاكر الدعم
يجب ألا يأتي التبنّي على حساب الارتباك
بدء التجارب
التحويل من التجربة إلى الدفع
مزيد من التجارب بنية أضعف قد يخفض الإيرادات
الإيراد لكل زائر
زمن تحميل الصفحة ومعدل الأخطاء
تراجعات الأداء تضر بكل مقياس آخر
إذا كان مقياسك الرئيسي بعيدًا عن الإيرادات أو الاحتفاظ، فتأكد من أنه يتنبأ بهما. ويتناول دليلنا عن مقاييس النمو المقاد بالمنتج السلوكيات التي تميل إلى ذلك.
كيف تحسب حجم عيّنة اختبار A/B؟
هنا يمرّر معظم مديري المنتج المشكلة إلى عالم بيانات ويتوقفون عن التفكير. لا تفعل ذلك. تحتاج إلى ثلاثة مفاهيم ورقم واحد.
الدلالة الإحصائية (α). معدل الإيجابيات الكاذبة الذي تقبله. المعيار 5%: إذا لم يكن هناك فرق حقيقي فستعلن خطأً عن فائز بنسبة 5% من الحالات. والدلالة لا تقول شيئًا عن كون الأثر كبيرًا بما يكفي ليهم.
القوة الإحصائية (1 − β). احتمال أن يكتشف اختبارك أثرًا حقيقيًا بالحجم الذي يهمك. الهدف المعتاد 80%. القوة المنخفضة تعني أنك ستستنتج كثيرًا «لا فائز» بينما كان هناك فائز.
أصغر أثر يمكن اكتشافه (MDE). أصغر تحسّن يستحق الاكتشاف. هذا قرار تجاري لا إحصائي. إذا كانت زيادة قدرها 0.1 نقطة لا تستحق كلفة الهندسة، فلا تصمّم اختبارًا حساسًا بما يكفي لاكتشافها.
أدخل معدلك الأساسي وMDE والدلالة والقوة في حاسبة مثل حاسبة حجم العيّنة من Evan Miller. وللتقدير السريع يقدّم Evan Miller قاعدة تقريبية: n = 16 × σ² ÷ δ² لكل نسخة، حيث δ هو الأثر الأدنى وσ² = p × (1 − p) لمعدل تحويل p (Evan Miller, 2010).
مثال محلول: هل 14 يومًا واقعية؟
خذ فرضية صفحة الأسعار أعلاه. لنفترض أن معدل بدء التجربة الأساسي في تلك الشريحة 4%. باستخدام معادلة الحاسبة عند دلالة 5% وقوة 80%:
الزيادة النسبية المراد اكتشافها
التغيّر المطلق
المستخدمون لكل نسخة
إجمالي المستخدمين
الأسابيع عند 4,000 زائر أسبوعيًا
5%
4.0% ← 4.2%
~151,800
~303,600
~76
10%
4.0% ← 4.4%
~38,200
~76,400
~19
20%
4.0% ← 4.8%
~9,700
~19,400
~5
وتتوافق القاعدة التقريبية: 16 × 0.04 × 0.96 ÷ 0.004² = 38,400 لكل نسخة للزيادة البالغة 10%.
لإنهاء الاختبار في 14 يومًا تحتاج الشريحة إلى نحو 76,400 ÷ 14 ≈ 5,460 زائرًا مؤهلًا يوميًا. وأمام فريق لديه 4,000 أسبوعيًا ثلاثة خيارات صادقة:
ارفع MDE. اختبر فقط التغييرات الجريئة بما يكفي لتحريك المقياس 20% فأكثر.
انقل المقياس إلى مرحلة أسبق. اختبر عند خطوة ذات حجم أكبر، مثل النقرات على صفحة الأسعار، وعامل بدء التجارب كمقياس حماية.
لا تُجرِ اختبار A/B. أطلق وراقب وتعلّم بدلًا من ذلك من محادثات العملاء.
إذا لم تستطع الوصول إلى العيّنة المطلوبة في وقت معقول فالاختبار لا يستحق التنفيذ.
كم ينبغي أن يستمر اختبار A/B، ولماذا لا ينبغي التلصّص؟
حدّد تاريخ الانتهاء قبل الإطلاق، انطلاقًا من حساب حجم العيّنة. ثم شغّل الاختبار أسابيع كاملة بحيث يكون مستخدمو أيام الأسبوع ومستخدمو عطلة نهاية الأسبوع ممثَّلين معًا.
لا تفحص النتائج كل يوم وتتوقف حين تبدو جيدة. هذا يسمى التلصّص (peeking) ويُفسد معدل الإيجابيات الكاذبة لديك. أظهر Evan Miller أنك إذا فحصت بعد كل مشاهدة وتوقفت عند أول نتيجة ذات دلالة، فإن تغييرًا لا يفعل شيئًا يُعلَن فائزًا بنسبة 26.1% من الحالات لا 5%. وإذا تلصّصت 10 مرات فإن نتيجة تُبلَّغ عند دلالة 1% تكون فعليًا عند 5% (Evan Miller, 2010).
اكتب تاريخ الانتهاء وقاوم الرغبة. وإذا احتجت فعلًا إلى التوقف مبكرًا بسبب فائز، فاستخدم طريقة مصمَّمة لذلك، مثل الاختبار التتابعي أو التصميم البايزي، مُعدّة قبل الإطلاق.
هناك استثناء واحد: راقب مقاييس الحماية بحثًا عن ضرر جسيم. إذا تسبب اختبار في هبوط 40% في مقياس حرج، فأوقفه بسبب مقياس الحماية، لا لأن المقياس الرئيسي يتأرجح.
وماذا عن أثر الجِدّة؟
يتصرف المستخدمون بشكل مختلف عندما يبدو شيء ما جديدًا. قد ترفع واجهة جديدة التفاعل لفترة قصيرة ثم يتلاشى الأثر مع زوال الجِدّة. وقد يحدث العكس: يحذّر Kohavi وTang وXu من أن إعادة التصميم تواجه أثر الأسبقية (primacy)، حيث يتفاعل المستخدمون المعتادون على النسخة القديمة بشكل سيئ في البداية (Kohavi, Tang and Xu, 2020). في تغييرات الواجهات كثيرة الاستخدام ارسم الأثر يومًا بيوم. فإذا كان يتقلص أو ينمو باطّراد فشغّل الاختبار مدة أطول قبل أن تقرر.
كيف تقرأ نتائج اختبار A/B دون أن تخدع نفسك؟
افحص التوزيع قبل النتيجة
إذا خصّصت 50/50 لكنك ترى 52/48 مع أعداد كبيرة، فهناك شيء معطوب: إعادة توجيه أو مرشِّح روبوتات أو خطأ في التسجيل. هذا هو عدم تطابق نسبة العيّنة (SRM). نحو 6% من التجارب في Microsoft ونحو 10% من التجارب المُفعَّلة في LinkedIn أظهرته، ويمكن لمنتج يجري 10,000 تجربة سنويًا أن يتوقع واحدة على الأقل يوميًا (Lukas Vermeer). لا يمكن الوثوق باختبار فيه SRM مهما كانت قيمة p لديه.
تعامل مع المكاسب المفاجئة بشك
يؤيد Kohavi وTang وXu قانون Twyman: «أي رقم يبدو مثيرًا أو مختلفًا يكون خاطئًا في الغالب». زيادة 40% من تغيير في النص هي على الأرجح خطأ برمجي لا اختراق. أعد فحص البيانات ثم أعد تشغيل الاختبار.
اختر واحدة من ثلاث نتائج
تفوز النسخة المتغيرة. تحسّن المقياس الرئيسي بدلالة، وتحققت العيّنة، ولم يُنتهك أي مقياس حماية. أطلقها واكتب لماذا تعتقد أنها نجحت.
يفوز الضابط، أو لا فرق. التغيير لم يحرّك شيئًا. وهذا ما زال مكسبًا: لقد تجنبت إطلاق شيء عديم الفائدة. دوّن لماذا كانت الفرضية خاطئة.
غير حاسم. لم تبلغ العيّنة المخططة، أو الأثر أصغر من أن يهم. لا تعلن فائزًا. أكمل حتى تاريخ الانتهاء المخطط أو أوقف الاختبار وتقبّل أنك لا تستطيع استنتاج شيء.
اسأل لماذا فازت
النسخة الفائزة تخبرك أن شيئًا نجح، ونادرًا لماذا. وبدون السبب لا تستطيع تعميم ما تعلمته. بعد الفوز:
أجرِ مقابلات أو استطلاعات مع المستخدمين الذين تعرضوا للنسخة المتغيرة.
افحص التفصيلات بحسب الشرائح، وعاملها كفرضيات جديدة لا كدليل؛ فالتقطيع إلى شرائح كثيرة يخلق فائزين بالصدفة.
انظر إلى المسار كاملًا لا إلى المقياس الرئيسي فقط.
اكتب خلاصة بعد الاختبار: «نعتقد أن هذا نجح بسبب X. الدليل: Y. الاختبار التالي: Z».
ما أكثر أخطاء اختبار A/B شيوعًا؟
1. اختبار أشياء كثيرة معًا. الاختبارات متعددة المتغيرات تحتاج زيارات أكثر بكثير لتحقيق الدلالة لكل تركيبة وتُخفي أي تغيير أنتج النتيجة. ما لم تكن لديك زيارات ضخمة، اختبر تغييرًا واحدًا في كل مرة.
2. تشغيل اختبارات متداخلة على المستخدمين أنفسهم دون خطة. إذا كان اختبار يغيّر الإعداد الأولي وآخر يغيّر الأسعار للمستخدمين أنفسهم، فقد تختلط الآثار. شغّلها بالتتابع أو استخدم منصة تدير التخصيص المتداخل.
3. تجاهل الجِدّة والأسبقية. الاختبارات القصيرة على شاشات مألوفة تبالغ في تقدير الأثر طويل الأمد أو تقلل منه.
4. تحسين مرحلة خاطئة من المسار. إذا كانت المشكلة الحقيقية في التفعيل، فإن معدل تسجيل أفضل لا يصلح شيئًا. اسأل هل يتنبأ المقياس بالاحتفاظ والإيرادات؛ ويبيّن دليل التفعيل في SaaS كيف تتحقق من ذلك.
5. تشغيل اختبارات ضعيفة القوة. اختبار لا يستطيع إلا اكتشاف زيادة 50% سيعيد «لا فرق» لمعظم التحسينات الحقيقية، وسيستنتج الفريق خطأً أن الفكرة فشلت.
6. إطلاق الفائز دون الدرس. هدف الاختبار أن تتعلم شيئًا صحيحًا عن المستخدمين. فائز لا يستطيع أحد تفسيره فرصة ضائعة؛ وخاسر يفهمه مدير المنتج تمامًا نجاح.
كيف تبني ثقافة اختبار تتراكم ثمارها؟
القيمة الحقيقية لاختبار A/B لمديري المنتج تتراكم عبر اختبارات كثيرة، فتوقّع أن تخطئ معظم الوقت. وبما أن ثلث الأفكار فقط يحسّن مقياسه المستهدف في Microsoft، فإن فريقًا بمعدل فوز 30% طبيعي لا فاشل.
وثّق كل اختبار، بما فيها الإخفاقات. الاختبارات الفاشلة كثيرًا ما تساوي أكثر: فهي تدحض معتقدات كانت ستدفع الفريق في الاتجاه الخطأ.
صنّف الاختبارات بحسب الاعتقاد الكامن عن المستخدمين. «المستخدمون يتجنبون المخاطرة عند التسجيل.» «المستخدمون المتمرسون لا يقرؤون التلميحات.» «تثبيت السعر (anchoring) ينجح في شريحتنا.» ومع الوقت تبني خريطة لما تعرفه عن مستخدميك.
أجرِ مراجعة ربع سنوية للتجارب. ما الأنماط التي ظهرت؟ ماذا تعتقد الآن مما لم تكن تعتقده؟ أي اعتقاد قديم نُقض؟
اربط النتائج بقرارات المنتج. عندما تكتب مواصفات، استشهد بالاختبارات التي تقف خلفها. وقبل تشغيل اختبار، تحقق مما إذا كان اختبار سابق قد أجاب عن السؤال. وسجل قرارات المنتج هو أبسط مكان للحفاظ على هذا الربط.
يعمل اختبار A/B لمديري المنتج على أفضل وجه مع التغييرات القابلة للتراجع ذات الزيارات الكثيرة والنتائج السريعة. وهو الأداة الخطأ في أربع حالات:
قلة الزيارات. معظم منتجات B2B في مراحلها المبكرة لا تستطيع بلوغ عشرات الآلاف من المستخدمين لكل نسخة. استخدم بدلًا من ذلك البحث النوعي والتغييرات الجريئة.
النتائج بعيدة المدى. التجديد السنوي أو الاحتفاظ بعد 12 شهرًا لن يظهرا في اختبار مدته أسبوعان.
آثار الشبكة. عندما يتفاعل المستخدمون معًا، كما في أدوات التعاون أو الأسواق الإلكترونية، قد يتسرب أثر المعالجة إلى الضابط.
الأسئلة التي لا رجعة فيها أو الأخلاقية. التسعير الذي يراه بعض العملاء غير عادل، أو التغييرات التي لا تستطيع التراجع عنها، تحتاج إلى عملية قرار مختلفة.
أين يندرج Specky
تعيش معظم نتائج التجارب في أداة تحليلات أو جدول بيانات، منفصلة عن أسباب إجرائها. في واجهة التجارب في Specky تربط كل اختبار بالافتراض أو الفرصة التي يفحصها، وتكتب معايير النجاح قبل أن يبدأ، وتسجّل النتيجة بوصفها مؤكَّدة أو مدحوضة. يُحفظ الدرس في Product Graph ويُسجَّل القرار، فبعد ستة أشهر، عندما يحدّد أحدهم نطاق ميزة مرتبطة، يظهر الاختبار السابق وأدلته بدلًا من إعادته. وهو لا يحل محل أداة الاختبار لديك ولا إحصاءاتها؛ إنه يُبقي ما تعلمته مرتبطًا بما تقرره.
الأسئلة الشائعة
كم ينبغي أن يستمر اختبار A/B؟
ينبغي أن يستمر اختبار A/B حتى يبلغ حجم العيّنة الذي حسبته قبل الإطلاق، مقرَّبًا إلى أسابيع كاملة بحيث يُغطى كل يوم من أيام الأسبوع. ويقترح Kohavi وTang وXu مقاييس يمكن قراءتها خلال أسبوع إلى أسبوعين. لا تتوقف مبكرًا لمجرد أن النتيجة تبدو ذات دلالة؛ فهذا يضخّم الإيجابيات الكاذبة.
ما حجم العيّنة الذي أحتاجه لاختبار A/B؟
يعتمد على معدلك الأساسي وأصغر زيادة تستحق الاكتشاف. عند أساس 4%، يحتاج اكتشاف زيادة نسبية قدرها 10% إلى نحو 38,200 مستخدم لكل نسخة عند دلالة 5% وقوة 80%؛ أما زيادة 20% فتحتاج إلى نحو 9,700. استخدم حاسبة مثل حاسبة Evan Miller، أو القاعدة التقريبية n = 16 × p(1 − p) ÷ δ².
هل يمكن إجراء اختبارات A/B بزيارات قليلة؟
فقط للآثار الكبيرة على الإجراءات الشائعة. عند أساس 20%، يحتاج اكتشاف زيادة نسبية قدرها 20% إلى نحو 1,600 مستخدم لكل نسخة، فيمكن لبضعة آلاف من المستخدمين الإجابة عن ذلك؛ أما التعديلات الصغيرة على إجراءات نادرة فلا يمكن اختبارها. وإلا فاستخدم الأساليب النوعية: اختبارات قابلية الاستخدام، ومقابلات العملاء، واختبارات الباب الوهمي، أو اختبارات الكونسييرج. فهي تجيب عن أسئلة مختلفة، لكنها تعطيك أدلة بدلًا من اختبار غير حاسم.
ما مقياس الحماية في اختبار A/B؟
مقياس الحماية هو مقياس يجب ألا يضرّ به التغيير، حتى لو تحسّن المقياس الرئيسي. من مقاييس الحماية المعتادة التفعيل والاحتفاظ ومعدلات الأخطاء وزمن تحميل الصفحة وتذاكر الدعم. اتفق عليها قبل الإطلاق، ولا توقف اختبارًا مبكرًا إلا إذا أظهر مقياس حماية ضررًا جسيمًا، لا لأن المقياس الرئيسي يبدو جيدًا.
ماذا يعني التلصّص (peeking) في اختبارات A/B؟
يعني التلصّص فحص الدلالة أثناء سير الاختبار والتوقف عندما تبدو ذات دلالة. وهذا يكسر افتراض حجم العيّنة الثابت. أظهر Evan Miller أن الفحص بعد كل مشاهدة والتوقف عند أول نتيجة ذات دلالة يعطي إيجابيات كاذبة بنسبة 26.1% بدل 5%. حدّد حجم العيّنة وتاريخ الانتهاء مسبقًا.
كيف تجري اختبار A/B لحملة استرجاع المستخدمين الذين غادروا؟
قسّم المستخدمين المنقطعين عشوائيًا إلى مجموعة تتلقى عرض الاسترجاع ومجموعة احتجاز لا تتلقى شيئًا. اجعل إعادة التفعيل ضمن نافذة ثابتة، مثل 30 يومًا، المقياس الرئيسي، وكلفة الخصم ومعدل إلغاء الاشتراك مقياسَي حماية. قوائم المستخدمين المنقطعين غالبًا صغيرة، لذا اختبر فروقًا جريئة وحدّد حجم العيّنة أولًا.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing