Skip to main content

Waarom A/B-testen en personalisatie samen krachtiger zijn

Hoewel ze een afspiegeling zijn van twee verschillende benaderingen om de gebruikerservaring te verbeteren, kan hun combinatie exponentiële voordelen bieden die bedrijven niet willen missen.

 

Yaniv Navot

 

CMO, dynamisch rendement

Dit is wat je moet weten:

  • A/B-testen en personalisatie kunnen, wanneer ze worden gecombineerd, de gebruikerservaring aanzienlijk verbeteren door elk individu de meest relevante ervaring te bieden.
  • A/B-testen helpt bij het identificeren van de best presterende variaties van creatieve elementen, terwijl personalisatie de ervaring afstemt op individuele klanten.
  • De combinatie van deze benaderingen stroomlijnt processen, versterkt de resultaten en verhoogt de klanttevredenheid.
  • Marketeers kunnen deze kracht benutten door doelgroepen te segmenteren voor A/B-testen, personalisatiestrategieën te testen en realtime gegevens te gebruiken voor continue optimalisatie.

A/B testen en personalisatie zijn twee verschillende methodes. Terwijl A/B-testen zich richt op het experimenteren met verschillende creatieve elementen, teksten, lay-outs en zelfs algoritmes om belangrijke bedrijfsgegevens en de algehele gebruikerservaring te verbeteren, is personalisatie erop gericht om de meest relevante ervaring op het juiste moment aan een individuele klant te geven.

Hoewel ze fundamenteel verschillen in aanpak, kan het combineren van deze twee strategieën exponentiële voordelen bieden. In dit bericht zullen we onderzoeken waarom dat zo is en hoe teams dit kunnen doen.

De beperkingen van A/B-testen

Het uitgangspunt van A/B-testen is eenvoudig:

Vergelijk twee (of meer) verschillende versies van iets om te zien welke beter presteert en implementeer vervolgens de winnaar voor alle gebruikers voor de meest optimale algehele ervaring.

De praktijk van A/B-test- en CRO-teams is dus om aanzienlijk te investeren in het lanceren van allerlei experimenten om verschillende gebieden en ervaringen op de site, native app, e-mail of een ander digitaal kanaal te verbeteren en deze vervolgens continu te optimaliseren om in de loop van de tijd een incrementele toename van conversies en specifieke KPI's te stimuleren.

Tenzij een bedrijf echter tonnen verkeer genereert en een enorm digitaal landschap heeft om te experimenteren, kan er een punt van afnemende opbrengsten komen waarop de output van experimenten (ongeacht hoeveel tests of hoe groot en geavanceerd een experiment ook is) een maximale opbrengst bereikt in termen van de input van deze teams.

Dit heeft grotendeels te maken met het feit dat de klassieke benadering van A/B-testen een binair beeld biedt van de voorkeuren van bezoekers en er vaak niet in slaagt het volledige scala aan factoren en gedrag vast te leggen die bepalen wie ze zijn als individuen.

Bovendien leveren A/B-tests gegeneraliseerde resultaten op op basis van de meerderheidsvoorkeuren van een segment. En hoewel een merk een bepaalde ervaring gemiddeld meer inkomsten kan opleveren, zou het een slechte dienst zijn om deze voor alle gebruikers in te zetten voor een aanzienlijk deel van de consumenten met andere voorkeuren.

Laat me dit illustreren met een paar voorbeelden:

Als het vermogen van zowel mijzelf als Warren Buffet gemiddeld $ 117.3 miljard USD zou zijn, zou het dan zinvol zijn om dezelfde producten aan ons aan te bevelen?

Waarschijnlijk niet.

Of wat dacht je ervan als een detailhandelaar die zowel heren- als damesproducten serveert, besluit een klassieke A/B-test op hun homepage uit te voeren om de best presterende hero-bannervariant te identificeren, maar aangezien 70% van hun publiek uit vrouwen bestaat, presteert de vrouwenvariant beter dan de mannenvariant.

Deze test zou suggereren dat de heldenvlag van de vrouw op de hele bevolking wordt toegepast, maar het zou zeker niet de juiste beslissing zijn.

Simpel gezegd:

  • Gemiddelden zijn vaak misleidend wanneer ze worden gebruikt om verschillende gebruikersgroepen te vergelijken
  • De best presterende variant verandert voor elk klantsegment en elke gebruiker
  • Resultaten kunnen ook worden beïnvloed door contextuele factoren zoals geo, weer en meer

Dit wil natuurlijk niet zeggen dat er geen tijd en plaats is om meer algemene resultaten te gebruiken. Als je bijvoorbeeld een nieuwe website of app aan het testen bent, zou het zinvol zijn om te streven naar één consistente UI die gemiddeld het beste werkt in plaats van tientallen, honderden of zelfs duizenden UI-variaties voor verschillende gebruikers.

De dagen van trouw een "winner-take-all"-benadering van de lay-out van een pagina, berichten, inhoud, aanbevelingen, aanbiedingen en andere creatieve elementen zijn echter voorbij - en dat is oké, want het betekent dat er niet langer geld op tafel blijft liggen voor de gemiste personalisatiemogelijkheden die gepaard gaan met het niet leveren van de beste variatie aan elke individuele gebruiker.

Meer relevantie ontsluiten met personalisatie

Personalisatie heeft alles te maken met het reageren op en het aanpassen van de site-ervaring aan consumenten op basis van hun unieke gedrag, voorkeuren en intenties, wat een verwachting is geworden in het huidige digitale landschap. Het is bewezen dat dit alleen al de klanttevredenheid en -loyaliteit verhoogt.

En hoewel het niet noodzakelijkerwijs afhankelijk is van A/B-testen, kan het als een verrassing komen dat de beste praktijken op het gebied van personalisatie gebaseerd zijn op de fundamenten van A/B-testen - het enige verschil is dat het bepalen welke versie van een bepaalde ervaring het beste werkt, wordt gedaan op publieksniveau versus gemiddeld.

Laten we de basisstructuur van een personalisatiecampagne eens uitwerken. In plaats van één ervaring met meerdere variaties om te vergelijken met een controlegroep, zoals bij een traditionele A/B-test, gaan we een stap verder met het creëren van meerdere ervaringen gericht op verschillende doelgroepen en meerdere variaties binnen elke ervaring die A/B-getest kunnen worden om de best presterende te bepalen.

Dit kan worden gedaan door middel van eenvoudige, op regels gebaseerde targeting, waarbij IF/Then-logica wordt gebruikt om het klanttraject aan te passen aan een reeks handmatig geprogrammeerde regels, waarbij teams in staat zijn om deze ervaringen te A/B-testen, hun resultaten te valideren bij het bereiken van statistische significantie, en vervolgens dienovereenkomstig te itereren.

AI en machine learning zijn echter een belangrijke rol gaan spelen als het gaat om het opschalen van besluitvorming over personalisatie, aangezien het bovenstaande scenario een gegevenszwaar proces kan worden dat talloze testimplementaties omvat met gedetailleerde metingen van elke geteste variant tegen elk doelgroepsegment om de optimale programmatische targetingregels te bepalen. Het is ook nuttig om "verliezende" tests om te zetten in personalisatiemogelijkheden voor specifieke variaties waarvan is vastgesteld dat ze beter presteren voor een bepaald publiek.

Deze geavanceerde technologieën analyseren de prestaties van elke variatie in elk verkeerssegment in realtime om de meest relevante inhoud aan geselecteerde doelgroepen te leveren. Verder kan 1:1-personalisatie worden bereikt met op affiniteit gebaseerde personalisatiemogelijkheden, die gebruikmaken van het proces van affiniteitsprofilering om elke persoon algoritmisch te matchen met gepersonaliseerde aanbevelingen, productaanbiedingen en inhoud.

Dit niveau van personalisatie stelt bedrijven in staat om effectiever en gerichter te zijn met hun marketingstrategie, terwijl ze ook consumenten op een meer genuanceerde, betekenisvolle en relevante manier betrekken.

A/B-testen koppelen aan personalisatie

Als je een A/B-test- of CRO-team en degenen die zich toeleggen op personalisatie meer zou vragen over wat de specifieke kenmerken van hun werk inhouden, zou je merken dat hun antwoorden griezelig veel op elkaar lijken.

Neem het oogverblindende diagram hieronder, dat werd afgebeeld tijdens een keynote van JD Sports | Finish Line tijdens een Personalisatie Pioneers event (volledige samenvatting hier):

Het is een gevoel dat wordt gedeeld door vele anderen die zich beginnen te realiseren dat zowel A/B-testen als personalisatie:

  • Deel een focus op het creëren van een positieve klantervaring
  • Dezelfde KPI's willen beïnvloeden en verbeteren
  • Kan profiteren van dezelfde verzamelde lessen

Bovendien hebben deze teams vaak dezelfde interne middelen en zelfs hulpmiddelen nodig! Daarom is het zo belangrijk dat A/B-testen en personalisatie niet in een vacuüm leven, maar onderdeel worden van een gezamenlijke routekaart met op elkaar afgestemde KPI's.

De combinatie van de twee kan niet alleen processen en operaties stroomlijnen, maar ook exponentiële resultaten opleveren, omdat het zowel brede als verfijnde inzichten in consumentengedrag mogelijk maakt.

Hier leest u hoe u hun gecombineerde kracht in uw marketingstrategie kunt opnemen voor betere resultaten:

1. Segmentgebaseerde A/B-testen

In plaats van A/B-tests uit te voeren op uw hele publiek, verdeelt u uw publiek in zinvolle segmenten op basis van gedeelde kenmerken (probeer de Primary Audiences-benadering, die bedoeld is om te schalen van macro naar micro). Voer vervolgens A/B-tests uit op deze segmenten. Deze gesegmenteerde experimenteerbenadering kan een meer genuanceerd begrip van verschillende consumentengedragingen bieden en helpen ervaringen af te stemmen op specifieke groepen.

Synchrony verhoogde bijvoorbeeld het percentage inzendingen van toepassingen met 4,5% onder gebruikers met een hoge intentie door een experiment uit te voeren voor dit segment waarin de verwijdering van externe call-to-action-knoppen van de banner werd getest.

Na analyse merkte het bedrijf dat één specifieke UX-wijziging - het verwijderen van de CTA-knop "Video afspelen" uit de banner - ervoor zorgde dat gebruikers met een hoge intentie niet werden afgeleid, zodat ze meer te weten konden komen over de talloze diensten van Synchrony.

2. Strategieën voor personalisatie van A/B-tests

Gebruik A/B-testen om te bepalen welke personalisatiestrategieën het beste werken. Je kunt bijvoorbeeld algoritmes voor productaanbevelingen testen en kijken of de algoritmes die gericht zijn op bepaalde doelgroepen tot betere doorklik- of invoegpercentages leiden dan andere.

3. Real-time aanpassing van de strategie

Terwijl u gegevens verzamelt uit uw A/B-tests, gebruikt u deze informatie voor de voortdurende optimalisatie en verfijning van uw personalisatiestrategie. Deze real-time aanpassing zorgt voor een meer dynamische en effectieve marketingstrategie die voortdurend evolueert om aan de behoeften van de consument te voldoen.

Build with Ferguson genereerde bijvoorbeeld een 89% uplift in aankopen door aanbevelingen, wat eerst begon met het implementeren van een audience-first strategie (gebaseerd op het Rooted Personalization framework).

Het team testte verschillende aanbevelingsstrategieën en kwam er uiteindelijk achter dat het doelgroepsegment 'Consument' de neiging had om zich bezig te houden met aanbevolen items waarmee andere gebruikers met vergelijkbaar gedrag en vergelijkbare interesses interactie hebben gehad.

Met behulp van deze bevindingen optimaliseerde Build with Ferguson de prestaties van zijn aanbevelingen op de hele site en ontdekte ook dat gebruikers die interactie hebben met aanbevelingen 13% meer uitgeven en gemiddeld 2,4 meer items kopen.

A/B-testen en personalisatie – natuurlijke verlengstukken van elkaar

A/B-testen gaan van oudsher over het bepalen van de beste ervaring in het algemeen, terwijl personalisatie gericht is op het bieden van de beste ervaring op publieks- of individueel niveau. En hoewel er een tijd en een plaats is voor beide, kan de combinatie van de twee zich vertalen in een grotere klanttevredenheid en loyaliteit voor bedrijven - waarbij belangrijke ervaringen relevanter worden door personalisatie en maximale resultaten per strategie worden behaald via hun A/B-tests.

P.S. Voor meer informatie over hoe deze twee praktijken samenkomen, raad ik je aan deze A/B-cursus Testen en Optimaliserente bekijken, die ingaat op het instellen van de juiste attributieconfiguraties, het selecteren van de juiste doelstelling, het analyseren van personalisatietestresultaten en ervoor zorgen dat elke doelstelling zinvolle resultaten oplevert.