Skip to main content

Zašto su A/B testiranje i personalizacija moćniji zajedno

Iako odražavaju dva različita pristupa poboljšanju korisničkog iskustva, njihova kombinacija može ponuditi eksponencijalne koristi koje preduzeća ne žele propustiti.

 

Janiv Navot

 

Direktor marketinga, Dinamički prinos

Evo šta trebate znati:

  • A/B testiranje i personalizacija, kada se kombiniraju, mogu značajno poboljšati korisničko iskustvo pružanjem najrelevantnijeg iskustva svakoj osobi.
  • A/B testiranje pomaže u identifikaciji najuspješnijih varijacija kreativnih elemenata, dok personalizacija prilagođava iskustvo pojedinačnim kupcima.
  • Kombinacija ovih pristupa pojednostavljuje procese, pojačava rezultate i povećava zadovoljstvo kupaca.
  • Marketinški stručnjaci mogu iskoristiti ovu moć segmentiranjem publike za A/B testiranje, testiranjem strategija personalizacije i korištenjem podataka u stvarnom vremenu za kontinuiranu optimizaciju.

A/B testiranje i personalizacija predstavljaju dvije različite metodologije. Dok se A/B testiranje fokusira na eksperimentiranje s različitim kreativnim elementima, tekstom, rasporedom, pa čak i algoritmima kako bi se poboljšale ključne poslovne metrike, kao i cjelokupno korisničko iskustvo, personalizacija ima za cilj usklađivanje najrelevantnijeg iskustva s pojedinačnim kupcem u pravom trenutku.

Iako se pristupi fundamentalno razlikuju, kombinovanje ove dvije strategije zapravo može ponuditi eksponencijalne koristi. U ovom postu ćemo istražiti zašto je to tako, kao i kako timovi mogu to učiniti.

Ograničenja A/B testiranja

Premisa A/B testiranja je jednostavna:

Uporedite dvije (ili više) različitih verzija nečega da biste vidjeli koja bolje funkcioniše, a zatim implementirajte pobjednika svim korisnicima za najoptimalnije cjelokupno iskustvo.

Praksa A/B testiranja i CRO timova je stoga bila da značajno ulažu u pokretanje svih vrsta eksperimenata kako bi poboljšali različita područja i iskustva na web stranici, nativnoj aplikaciji, e-pošti ili bilo kojem drugom digitalnom kanalu, a zatim ih kontinuirano optimiziraju kako bi s vremenom povećali konverzije i specifične KPI-jeve.

Međutim, osim ako kompanija ne generira ogroman promet i nema ogroman digitalni pejzaž za eksperimentiranje, može doći do tačke opadanja prinosa gdje učinak eksperimentiranja (bez obzira na broj testova ili koliko velik i sofisticiran eksperiment može biti) dostiže maksimalni prinos u smislu doprinosa ovih timova.

To uglavnom ima veze s činjenicom da klasični pristup A/B testiranju nudi binarni pogled na preferencije posjetitelja i često ne uspijeva obuhvatiti cijeli niz faktora i ponašanja koji definiraju ko su oni kao pojedinci.

Štaviše, A/B testovi daju generalizovane rezultate zasnovane na preferencijama većine segmenta. I dok brend može smatrati da određeno iskustvo u prosjeku donosi veći prihod, njegova primjena na sve korisnike bila bi šteta za značajan dio potrošača s različitim preferencijama.

Dozvolite mi da ilustrujem s nekoliko primjera:

Ako bi neto vrijednost i mene i Warrena Buffetta u prosjeku iznosila 117,3 milijarde američkih dolara, bi li imalo smisla preporučivati nam iste proizvode?

Vjerovatno ne.

Ili šta ako trgovac koji nudi i muške i ženske proizvode odluči provesti klasični A/B test na svojoj početnoj stranici kako bi identificirao najuspješniju varijaciju banera, ali budući da 70% njihove publike čine žene, ženska varijacija nadmašuje mušku.

Ovaj test bi sugerirao da se zastava ženskih heroja primijeni na cijelu populaciju, ali to sigurno ne bi bila ispravna odluka.

Jednostavno rečeno:

  • Prosjeci često zavaravaju kada se koriste za poređenje različitih korisničkih grupa.
  • Varijacije s najboljim učinkom mijenjaju se za svaki segment kupaca i korisnika
  • Na rezultate mogu utjecati i kontekstualni faktori poput geografskih podataka, vremena i drugih

To, naravno, ne znači da nema vremena i mjesta za korištenje općenitijih rezultata. Na primjer, ako testirate novi dizajn web stranice ili aplikacije, imalo bi smisla ciljati na jedan konzistentan korisnički interfejs koji u prosjeku najbolje funkcionira u odnosu na desetine, stotine ili čak hiljade varijacija korisničkog interfejsa za različite korisnike.

Međutim, dani vjernog primjenjivanja pristupa "pobjednik uzima sve" na izgled stranice, poruke, sadržaj, preporuke, ponude i druge kreativne elemente su prošli - i to je u redu jer znači da više neće ostati novac na stolu zbog propuštenih prilika za personalizaciju povezanih s neisporučivanjem najbolje varijacije svakom pojedinačnom korisniku.

Otključavanje veće relevantnosti uz personalizaciju

Personalizacija se odnosi na prilagođavanje iskustva na web stranici potrošačima, ovisno o njihovom jedinstvenom ponašanju, preferencijama i namjeri, što je postalo očekivanje u današnjem digitalnom okruženju. Samo ovo je dokazano da povećava zadovoljstvo i lojalnost kupaca.

I iako ne nužno zavisi od A/B testiranja, moglo bi biti iznenađujuće da se najbolja praksa u personalizaciji zasniva na osnovama A/B testiranja – jedina razlika je u tome što se određivanje koja verzija određenog iskustva najbolje funkcioniše vrši na nivou publike, a ne u prosjeku.

Hajde da analiziramo osnovnu strukturu kako bi ovo izgledalo unutar kampanje personalizacije. Umjesto uključivanja jednog iskustva s više varijacija za usporedbu s kontrolnom grupom, kao što je to slučaj s tradicionalnim A/B testiranjem, idemo korak dalje s kreiranjem više iskustava usmjerenih na različitu publiku i više varijacija unutar svakog od njih koje se mogu A/B testirati kako bi se odredilo ono s najboljim učinkom.

To se može postići jednostavnim ciljanjem zasnovanim na pravilima, koje koristi AKO/Onda logiku za prilagođavanje korisničkog iskustva prema skupu ručno programiranih pravila, pri čemu timovi mogu A/B testirati ova iskustva, validirati svoje rezultate nakon postizanja statističke značajnosti, a zatim iterirati u skladu s tim.

Međutim, vještačka inteligencija i mašinsko učenje postali su ključni faktori kada je u pitanju skaliranje donošenja odluka o personalizaciji, jer gore navedeni scenario može postati proces koji zahtijeva mnogo podataka i uključuje brojne testne implementacije s detaljnim mjerenjima svake testirane varijacije u odnosu na svaki segment publike kako bi se odredila optimalna pravila programskog ciljanja. Također je korisno u pretvaranju „gubitničkih“ testova u prilike za personalizaciju za specifične varijacije identificirane kako bi se bolje performanse pokazale za određenu publiku.

Ove napredne tehnologije analiziraju performanse svake varijacije u svakom segmentu prometa u stvarnom vremenu kako bi odabranim grupama publike ponudile najrelevantniji sadržaj. Nadalje, personalizacija 1:1 može se postići mogućnostima personalizacije zasnovane na afinitetu, koje koriste proces profiliranja afiniteta kako bi algoritamski povezale svaku osobu s personaliziranim preporukama, ponudama proizvoda i sadržajem.

Ovaj nivo personalizacije omogućava kompanijama da budu efikasnije i ciljanije sa svojom marketinškom strategijom, a istovremeno da angažuju potrošače na nijansiraniji, smisleniji i relevantniji način.

Spajanje A/B testiranja s personalizacijom

Ako biste pitali tim za A/B testiranje ili CRO i one posvećene personalizaciji detaljnije o specifičnostima njihovog posla, otkrili biste da su im odgovori zastrašujuće slični.

Pogledajte donji dijagram koji otvara oči, a koji je prikazan tokom glavnog govora JD Sports | Finish Line tokom događaja Personalization Pioneers (potpuni sažetak ovdje):

To je osjećaj koji dijele mnogi drugi koji počinju shvaćati da i A/B testiranje i personalizacija:

  • Podijelite fokus na stvaranju pozitivnog korisničkog iskustva
  • Žele uticati na iste KPI-jeve i poboljšati ih
  • Može imati koristi od istih prikupljenih saznanja

Osim toga, često su ovim timovima potrebni isti interni resursi, pa čak i alati! Zato je veoma važno da A/B testiranje i personalizacija ne žive u vakuumu, već da postanu dio zajedničkog plana s usklađenim KPI-jevima.

Kombinacija ta dva ne samo da može pojednostaviti procese i operacije, već i generirati eksponencijalne rezultate jer omogućava i širok i detaljan uvid u ponašanje potrošača.

Evo kako možete uključiti njihovu zajedničku snagu u svoju marketinšku strategiju za bolje rezultate:

1. A/B testiranje zasnovano na segmentima

Umjesto provođenja A/B testova na cijeloj publici, podijelite svoju publiku na smislene segmente na osnovu zajedničkih karakteristika (pokušajte pristup Primarnih publika, koji je namijenjen skaliranju od makro do mikro nivoa). Zatim, izvršite A/B testove na ovim segmentima. Ovaj pristup segmentiranog eksperimentiranja može pružiti nijansiranije razumijevanje različitih ponašanja potrošača i pomoći u prilagođavanju iskustava specifičnim grupama.

Na primjer, Synchrony je povećao stopu podnošenja aplikacija za 4,5% među korisnicima s visokom namjerom pokretanjem eksperimenta za ovaj segment u kojem je testirano uklanjanje nepotrebnih dugmadi za poziv na akciju s banera.

Nakon analize, kompanija je primijetila jednu specifičnu UX promjenu – uklanjanje dugmeta za poziv na akciju „Reproduciraj video“ sa svog banera – što je spriječilo korisnike s visokom namjerom da budu ometeni, omogućavajući im da zapravo saznaju više o brojnim uslugama kompanije Synchrony.

2. Strategije personalizacije A/B testiranja

Koristite A/B testiranje kako biste utvrdili koje strategije personalizacije najbolje funkcioniraju. Na primjer, možete testirati algoritme za preporuke proizvoda i utvrditi da li oni koji su usmjereni na određenu publiku vode do boljih stopa klikanja ili dodavanja u korpu od drugih.

3. Prilagođavanje strategije u realnom vremenu

Dok prikupljate podatke iz A/B testova, koristite te informacije za kontinuiranu optimizaciju i usavršavanje vaše strategije personalizacije. Ova adaptacija u realnom vremenu omogućava dinamičniju i efikasniju marketinšku strategiju koja se kontinuirano razvija kako bi zadovoljila potrebe potrošača.

Na primjer, Build with Ferguson je na ovaj način generirao porast kupovina na osnovu preporuka za 89% , što je prvo započelo implementacijom strategije usmjerene na publiku (na osnovu okvira Rooted Personalization ).

Tim je testirao različite strategije preporučivanja i na kraju otkrio da je njegov segment publike „Potrošači“ imao tendenciju interakcije s preporučenim artiklima s kojima su već komunicirali drugi korisnici sa sličnim ponašanjem i interesima.

Koristeći ove nalaze, Build with Ferguson je optimizirao performanse svojih preporuka na cijeloj web stranici i također otkrio da korisnici koji koriste preporuke troše 13% više i kupuju 2,4 više artikala u prosjeku.

A/B testiranje i personalizacija – prirodni produžeci jedno drugog

A/B testiranje se historijski svodilo na određivanje najboljeg iskustva u cjelini, dok personalizacija ima za cilj pružiti najbolje iskustvo na nivou publike ili pojedinca. I dok postoji vrijeme i mjesto za oboje, njihovo kombinovanje može dovesti do povećanog zadovoljstva kupaca i lojalnosti preduzeća – s ključnim iskustvima koja su relevantnija kroz personalizaciju i maksimalnim rezultatima postignutim po strategiji putem njihovog A/B testiranja.

P.S. Za više informacija o tome kako se ove dvije prakse spajaju, predlažem da pogledate ovaj kurs o A/B testiranju i optimizaciji, koji se bavi postavljanjem pravih konfiguracija atribucije, odabirom pravog cilja, analizom rezultata testova personalizacije i osiguravanjem da svaka od njih daje značajne rezultate.