Zum Hauptinhalt wechseln

Warum A/B-Tests und Personalisierung zusammen leistungsfähiger sind

Ihre Kombination spiegelt zwar zwei unterschiedliche Ansätze zur Verbesserung der Benutzererfahrung wider, kann aber exponentielle Vorteile bieten, die Unternehmen nicht verpassen möchten.

 

Yaniv Navot

 

CMO, Dynamischer Ertrag

Hier ist, was Sie wissen müssen:

  • A/B-Tests und Personalisierung können in Kombination die Benutzererfahrung erheblich verbessern, indem sie jedem Einzelnen die relevanteste Erfahrung bieten.
  • A/B-Tests helfen dabei, die leistungsstärksten Variationen kreativer Elemente zu identifizieren, während die Personalisierung das Erlebnis auf einzelne Kunden zuschneidet.
  • Die Kombination dieser Ansätze rationalisiert Prozesse, verbessert die Ergebnisse und steigert die Kundenzufriedenheit.
  • Marketer können diese Leistungsfähigkeit nutzen, indem sie Zielgruppen für A/B-Tests segmentieren, Personalisierungsstrategien testen und Echtzeitdaten für eine kontinuierliche Optimierung verwenden.

A/B-Tests und Personalisierung stellen zwei unterschiedliche Methoden dar. Während sich A/B-Tests auf das Experimentieren mit verschiedenen kreativen Elementen, Texten, Layouts und sogar Algorithmen konzentrieren, um wichtige Geschäftskennzahlen sowie die der gesamten Benutzererfahrung zu verbessern, zielt die Personalisierung darauf ab, das relevanteste Erlebnis für einen einzelnen Kunden zum richtigen Zeitpunkt bereitzustellen.

Obwohl sich der Ansatz grundlegend unterscheidet, kann die Kombination dieser beiden Strategien tatsächlich exponentielle Vorteile bieten. In diesem Beitrag gehen wir der Frage nach, warum das so ist und wie Teams dabei vorgehen können.

Die Grenzen von A/B-Tests

Die Prämisse von A/B-Tests ist einfach:

Vergleichen Sie zwei (oder mehr) verschiedene Versionen von etwas, um zu sehen, welche besser funktioniert, und stellen Sie dann den Gewinner für alle Benutzer bereit, um das optimalste Gesamterlebnis zu erzielen.

Die Praxis von A/B-Tests und CRO-Teams bestand daher darin, erheblich in die Einführung aller Arten von Experimenten zu investieren, um verschiedene Bereiche und Erfahrungen auf der Website, in der nativen App, per E-Mail oder über andere digitale Kanäle zu verbessern und sie dann kontinuierlich zu optimieren, um im Laufe der Zeit eine inkrementelle Steigerung der Conversions und spezifischer KPIs zu erzielen.

Wenn ein Unternehmen jedoch nicht tonnenweise Traffic generiert und nicht über eine riesige digitale Landschaft verfügt, in der es experimentieren kann, kann es zu einem Punkt kommen, an dem die Rendite abnimmt, an dem die Ergebnisse der Experimente (unabhängig davon, wie viele Tests oder wie groß und anspruchsvoll ein Experiment sein mag) eine maximale Ausbeute in Bezug auf den Input dieser Teams erreichen.

Dies hat vor allem damit zu tun, dass der klassische Ansatz für A/B-Tests eine binäre Sicht auf die Präferenzen der Besucher bietet und oft nicht die gesamte Bandbreite der Faktoren und Verhaltensweisen erfasst, die sie als Individuen definieren.

Darüber hinaus liefern A/B-Tests verallgemeinerte Ergebnisse, die auf den Mehrheitspräferenzen eines Segments basieren. Und während eine Marke im Durchschnitt feststellen kann, dass ein bestimmtes Erlebnis mehr Umsatz bringt, wäre die Bereitstellung für alle Nutzer ein Bärendienst für einen erheblichen Teil der Verbraucher mit unterschiedlichen Präferenzen.

Lassen Sie mich dies anhand einiger Beispiele verdeutlichen:

Wenn das Nettovermögen von mir und Warren Buffet durchschnittlich 117,3 Milliarden US-Dollar betragen würde, wäre es dann sinnvoll, uns die gleichen Produkte zu empfehlen?

Wahrscheinlich nicht.

Oder wie wäre es, wenn ein Einzelhändler, der sowohl Männer- als auch Damenprodukte anbietet, beschließt, einen klassischen A/B-Test auf seiner Homepage durchzuführen, um die leistungsstärkste Hero-Banner-Variante zu identifizieren, aber da 70 % seines Publikums Frauen sind, übertrifft die weibliche Variante die der Männer.

Dieser Test würde darauf hindeuten, dass das Heldenbanner der Frauen auf die gesamte Bevölkerung angewendet wird, aber es wäre sicherlich nicht die richtige Entscheidung.

Um es einfach auszudrücken:

  • Durchschnittswerte sind oft irreführend, wenn sie zum Vergleich verschiedener Nutzergruppen herangezogen werden
  • Die leistungsstärksten Variantenänderungen für jedes Kundensegment und jeden Benutzer
  • Die Ergebnisse können auch durch Kontextfaktoren wie Geo, Wetter und mehr beeinflusst werden

Das soll natürlich nicht heißen, dass es nicht einen Zeitpunkt und einen Ort gibt, um allgemeinere Ergebnisse zu nutzen. Wenn Sie beispielsweise ein neues Website- oder App-Design testen, wäre es sinnvoll, eine konsistente Benutzeroberfläche anzustreben, die im Durchschnitt am besten funktioniert, im Gegensatz zu Dutzenden, Hunderten oder sogar Tausenden von UI-Variationen für verschiedene Benutzer.

Die Zeiten, in denen man beim Layout einer Seite, bei Nachrichten, Inhalten, Empfehlungen, Angeboten und anderen kreativen Elementen immer nach dem Motto „Der Gewinner bekommt alles“ vorging, sind jedoch vorbei – und das ist auch gut so, denn es bedeutet, dass kein Geld mehr durch verpasste Personalisierungsmöglichkeiten verschenkt wird, weil man nicht jedem einzelnen Benutzer die beste Variante liefert.

Mehr Relevanz durch Personalisierung

Bei der Personalisierung geht es darum, auf die Verbraucher zu reagieren und das Website-Erlebnis an sie anzupassen, abhängig von ihrem einzigartigen Verhalten, ihren Vorlieben und Absichten, was in der heutigen digitalen Landschaft zu einer Erwartung geworden ist. Allein dies steigert nachweislich die Kundenzufriedenheit und -loyalität.

Und obwohl es nicht unbedingt von A/B-Tests abhängt, mag es überraschen, dass Best Practices in der Personalisierung auf den Grundlagen von A/B-Tests basieren – der einzige Unterschied besteht darin, dass die Bestimmung, welche Version eines bestimmten Erlebnisses am besten funktioniert, auf Zielgruppenebene und nicht im Durchschnitt erfolgt.

Lassen Sie uns die Grundstruktur aufschlüsseln, wie dies innerhalb einer Personalisierungskampagne aussehen würde. Anstatt wie bei einem herkömmlichen A/B-Test ein Erlebnis mit mehreren Variationen zum Vergleich mit einer Kontrollgruppe einzubeziehen, gehen wir noch einen Schritt weiter und erstellen mehrere Erlebnisse, die sich an verschiedene Zielgruppen richten, und mehrere Variationen innerhalb jeder Variation, die A/B-getestet werden können, um die leistungsstärkste zu ermitteln.

Dies kann durch einfaches regelbasiertes Targeting erreicht werden, bei dem die Wenn/Dann-Logik verwendet wird, um die Customer Journey nach einer Reihe manuell programmierter Regeln anzupassen, wobei die Teams in der Lage sind, diese Erfahrungen A/B-Tests durchzuführen, ihre Ergebnisse bei Erreichen der statistischen Signifikanz zu validieren und dann entsprechend zu iterieren.

KI und maschinelles Lernen sind jedoch zu einem unverzichtbaren Bestandteil geworden, wenn es um die Skalierung von Personalisierungsentscheidungen geht, da das obige Szenario zu einem datenintensiven Prozess werden kann, der zahlreiche Testbereitstellungen mit granularen Messungen jeder getesteten Variation für jedes Zielgruppensegment umfasst, um die optimalen programmatischen Targeting-Regeln zu bestimmen. Es ist auch hilfreich , um "verlorene" Tests in Personalisierungsmöglichkeiten für bestimmte Variationen umzuwandeln, die identifiziert wurden, um für eine bestimmte Zielgruppe eine bessere Leistung zu erzielen.

Diese fortschrittlichen Technologien analysieren die Leistung jeder Variation in jedem Traffic-Segment in Echtzeit, um ausgewählten Zielgruppengruppen die relevantesten Inhalte bereitzustellen. Darüber hinaus kann eine 1:1-Personalisierung mit affinitätsbasierten Personalisierungsfunktionen erreicht werden, die den Prozess der Affinitätsprofilerstellung nutzen, um jede Person algorithmisch mit personalisierten Empfehlungen, Produktangeboten und Inhalten abzugleichen.

Dieses Maß an Personalisierung ermöglicht es Unternehmen, ihre Marketingstrategie effektiver und zielgerichteter zu gestalten und gleichzeitig die Verbraucher auf nuanciertere, aussagekräftigere und relevantere Weise anzusprechen.

A/B-Tests mit Personalisierung kombinieren

Wenn Sie ein A/B-Testing- oder CRO-Team und diejenigen, die sich der Personalisierung widmen, mehr darüber fragen, was die Besonderheiten ihrer Arbeit beinhalten, würden Sie feststellen, dass ihre Antworten unheimlich ähnlich sind.

Nehmen Sie das augenöffnende Diagramm unten, das während einer Keynote von JD Sports | Ziellinie während einer Veranstaltung der Personalization Pioneers (vollständige Zusammenfassung hier):

Diese Meinung wird von vielen anderen geteilt, die allmählich erkennen, dass sowohl A/B-Tests als auch Personalisierung:

  • Teilen Sie den Fokus auf die Schaffung eines positiven Kundenerlebnisses
  • Sie versuchen, dieselben KPIs zu beeinflussen und zu verbessern
  • Kann von den gleichen gesammelten Erkenntnissen profitieren

Darüber hinaus benötigen diese Teams oft die gleichen internen Ressourcen und sogar Tools! Aus diesem Grund ist es so wichtig, dass A/B-Tests und Personalisierung nicht in einem Vakuum leben, sondern Teil einer gemeinsamen Roadmap mit abgestimmten KPIs werden.

Die Kombination aus beidem kann nicht nur Prozesse und Abläufe rationalisieren, sondern auch exponentielle Ergebnisse erzielen, da sie sowohl umfassende als auch fein abgestimmte Einblicke in das Verbraucherverhalten ermöglicht.

Hier erfahren Sie, wie Sie ihre kombinierte Kraft in Ihre Marketingstrategie integrieren können, um bessere Ergebnisse zu erzielen:

1. Segmentbasierte A/B-Tests

Anstatt A/B-Tests für Ihre gesamte Zielgruppe durchzuführen, sollten Sie Ihre Zielgruppe basierend auf gemeinsamen Merkmalen in aussagekräftige Segmente unterteilen (probieren Sie den Ansatz der primären Zielgruppen aus, der von Makro nach Mikro skalieren soll). Führen Sie dann A/B-Tests für diese Segmente durch. Dieser segmentierte Experimentieransatz kann ein differenzierteres Verständnis der verschiedenen Verbraucherverhaltensweisen vermitteln und dazu beitragen, Erfahrungen auf bestimmte Gruppen zuzuschneiden.

Zum Beispiel erhöhte Synchrony seine Bewerbungseinreichungsrate um 4,5 % bei Nutzern mit hoher Kaufabsicht, indem es ein Experiment für dieses Segment durchführte, bei dem die Entfernung von irrelevanten Call-to-Action-Schaltflächen aus dem Banner getestet wurde.

Bei der Analyse stellte das Unternehmen fest, dass eine bestimmte UX-Änderung – das Entfernen des CTA-Buttons "Video abspielen" aus dem Banner – verhinderte, dass sich Benutzer mit hoher Kaufabsicht ablenken ließen, sodass sie tatsächlich mehr über die zahlreichen Dienste von Synchrony erfahren konnten.

2. A/B-Tests für Personalisierungsstrategien

Verwenden Sie A/B-Tests, um festzustellen, welche Personalisierungsstrategien am besten funktionieren. Sie können beispielsweise Produktempfehlungsalgorithmen testen und feststellen, ob Algorithmen, die auf bestimmte Zielgruppen ausgerichtet sind, zu besseren Klickraten oder Add-to-Cart-Raten führen als andere.

3. Strategieanpassung in Echtzeit

Wenn Sie Daten aus Ihren A/B-Tests sammeln, können Sie diese Informationen für die kontinuierliche Optimierung und Verfeinerung Ihrer Personalisierungsstrategie nutzen. Diese Echtzeit-Anpassung ermöglicht eine dynamischere und effektivere Marketingstrategie, die sich kontinuierlich weiterentwickelt, um den Bedürfnissen der Verbraucher gerecht zu werden.

Build with Ferguson erzielte beispielsweise auf diese Weise eine Steigerung der Käufe durch Empfehlungen um 89 %, was zunächst mit der Implementierung einer Audience-First-Strategie begann (basierend auf dem Rooted Personalization-Framework).

Das Team testete verschiedene Empfehlungsstrategien und fand schließlich heraus, dass das Zielgruppensegment "Verbraucher" dazu neigte, sich mit empfohlenen Artikeln zu beschäftigen, mit denen andere Nutzer mit ähnlichen Verhaltensweisen und Interessen interagiert haben.

Anhand dieser Ergebnisse optimierte Build with Ferguson die Leistung seiner Empfehlungen auf der gesamten Website und stellte außerdem fest, dass Benutzer, die mit Empfehlungen interagieren, durchschnittlich 13 % mehr ausgeben und 2,4 Artikel mehr kaufen.

A/B-Tests und Personalisierung – natürliche Erweiterungen voneinander

Bei A/B-Tests ging es in der Vergangenheit darum, das beste Erlebnis insgesamt zu bestimmen, während die Personalisierung darauf abzielt, das beste Erlebnis auf Zielgruppen- oder Einzelebene zu bieten. Und obwohl es für beides eine Zeit und einen Ort gibt, kann die Kombination beider Faktoren zu einer höheren Kundenzufriedenheit und -loyalität für Unternehmen führen – mit Schlüsselerlebnissen, die durch Personalisierung relevanter werden und maximale Ergebnisse pro Strategie über ihre A/B-Tests erzielt werden.

P.S. Für weitere Informationen darüber, wie diese beiden Praktiken zusammenkommen, empfehle ich Ihnen, sich diesen A/B-Testing- und Optimierungskursanzusehen, in dem es darum geht, wie Sie die richtigen Attributionskonfigurationen einrichten, das richtige Ziel auswählen, die Ergebnisse von Personalisierungstests analysieren und sicherstellen, dass jede einzelne aussagekräftige Ergebnisse liefert.