Skip to main content

Защо A/B тестването и персонализацията са по-мощни заедно

Въпреки че отразяват два различни подхода за подобряване на потребителското изживяване, комбинацията им може да предложи експоненциални ползи, които фирмите не искат да пропуснат.

 

Янив Навот

 

ООП, Dynamic Yield

Ето какво трябва да знаете:

  • Комбинирането на A/B тестването и персонализацията може значително да подобри потребителското изживяване, като предостави най-подходящото изживяване за всеки отделен потребител.
  • A/B тестването помага да се определят най-добре работещите варианти на творческите елементи, а персонализирането адаптира изживяването към отделните клиенти.
  • Комбинирането на тези подходи оптимизира процесите, подобрява резултатите и повишава удовлетвореността на клиентите.
  • Маркетолозите могат да се възползват от тази сила, като сегментират аудиториите за A/B тестване, тестват стратегии за персонализация и използват данни в реално време за непрекъсната оптимизация.

A/B тестването и персонализирането представляват две различни методологии. Докато A/B тестването се фокусира върху експериментирането с различни творчески елементи, копия, оформления и дори алгоритми, за да се подобрят ключови бизнес показатели, както и цялостното потребителско изживяване, персонализирането има за цел да подбере най-подходящото изживяване за отделния клиент в точния момент.

Въпреки че подходът към тях е коренно различен, съчетаването на тези две стратегии може да донесе експоненциални ползи. В тази публикация ще разгледаме причините за това, както и начините, по които екипите могат да го направят.

Ограничения на A/B тестването

Предпоставката на A/B тестването е проста:

Сравнявайте две (или повече) различни версии на нещо, за да видите коя от тях е по-добра, и след това внедрете победителя сред всички потребители за най-оптимално цялостно изживяване.

Затова практиката на екипите, занимаващи се с A/B тестване и CRO, е да инвестират значителни средства в стартирането на всякакви експерименти за подобряване на различни области и преживявания в сайта, родното приложение, имейла или друг цифров канал и след това непрекъснато да ги оптимизират, за да постигнат постепенно повишаване на конверсиите и конкретните KPI с течение на времето.

Въпреки това, ако компанията не генерира тонове трафик и не разполага с огромен дигитален пейзаж, в който да експериментира, може да настъпи момент на намаляваща възвръщаемост, в който резултатите от експериментирането (без значение колко много тестове или колко голям и сложен може да бъде експериментът) достигат максимален резултат по отношение на приноса на тези екипи.

Това до голяма степен е свързано с факта, че класическият подход към A/B тестването предлага двоичен поглед върху предпочитанията на посетителите и често не успява да обхване пълния набор от фактори и поведение, които определят кои са те като личности.

Освен това A/B тестовете дават обобщени резултати въз основа на предпочитанията на мнозинството от сегмента. И макар че дадена марка може да установи, че определено изживяване носи повече приходи средно, внедряването му при всички потребители би било лоша услуга за значителна част от потребителите с различни предпочитания.

Нека илюстрирам с няколко примера:

Ако нетното състояние на мен и Уорън Бъфет е средно 117,3 милиарда щатски долара, би ли имало смисъл да ни препоръчваме едни и същи продукти?

Вероятно не.

Или ако търговец на дребно, който предлага продукти за мъже и жени, реши да проведе класически A/B тест на началната си страница, за да определи най-добре представящата се вариация на банера с герои, но тъй като 70% от аудиторията му са жени, вариацията за жени превъзхожда тази за мъже.

Този тест би подсказал, че знамето на женския герой трябва да се приложи към цялото население, но това със сигурност не би било правилното решение.

Казано по-просто:

  • Средните стойности често са подвеждащи, когато се използват за сравняване на различни групи потребители.
  • Промяна на най-добре представящата се вариация за всеки сегмент на клиента и потребител
  • Резултатите могат да бъдат повлияни и от контекстуални фактори като географски, метеорологични и други.

Това, разбира се, не означава, че няма време и място за използване на по-обобщени резултати. Например, ако тествате нов уебсайт или дизайн на приложение, би било логично да се стремите към един последователен потребителски интерфейс, който работи най-добре средно, в сравнение с десетки, стотици или дори хиляди варианти на потребителски интерфейс за различните потребители.

Дните, в които вярно се прилага подходът "победител-всичко" по отношение на оформлението на страницата, съобщенията, съдържанието, препоръките, офертите и други творчески елементи, обаче отминаха - и това е добре, защото означава, че вече няма да се оставят пари на масата от пропуснатите възможности за персонализация, свързани с непредоставянето на най-добрите варианти за всеки отделен потребител.

Отключване на по-голяма релевантност с персонализация

Персонализацията е свързана с реагиране и адаптиране на опита на потребителите в сайта в зависимост от тяхното уникално поведение, предпочитания и намерения, което се е превърнало в очакване в днешния цифров пейзаж. Доказано е, че само това повишава удовлетвореността и лоялността на клиентите.

И макар че не е задължително да зависи от A/B тестването, може би ще ви изненада, че най-добрите практики в персонализирането се основават на основите на A/B тестването - единствената разлика е, че определянето на това коя версия на дадено преживяване работи най-добре се извършва на ниво аудитория, а не средно.

Нека да разбием основната структура на това, което би изглеждало в рамките на една кампания за персонализиране. Вместо да включим едно преживяване с множество варианти, които да сравним с контролна група, както е при традиционния A/B тест, ние отиваме още по-далеч със създаването на множество преживявания, насочени към различни аудитории, и множество варианти във всяко от тях, които могат да бъдат тествани A/B, за да се определи най-добре представящото се преживяване.

Това може да стане чрез просто таргетиране, базирано на правила, което използва логиката IF/Then, за да адаптира пътуването на клиента в съответствие с набор от ръчно програмирани правила, като екипите могат да тестват тези преживявания, да валидират резултатите при достигане на статистическа значимост и след това да ги актуализират по съответния начин.

ИИ и машинното обучение обаче се превърнаха в залог за мащабиране на решенията за персонализация, тъй като горният сценарий може да се превърне в процес, който изисква многобройни тестове с подробни измервания на всяка тествана вариация спрямо всеки сегмент на аудиторията, за да се определят оптималните правила за програмно таргетиране. Той е полезен и при превръщането на "губещите" тестове във възможности за персонализиране на конкретни варианти, които се представят по-добре за определена аудитория.

Тези усъвършенствани технологии анализират представянето на всяка вариация във всеки сегмент на трафика в реално време, за да предоставят най-подходящото съдържание на избрани групи от аудиторията. Освен това персонализацията 1:1 може да бъде осъществена с възможности за персонализация, базирани на афинитет, които използват процеса на профилиране на афинитета, за да подберат алгоритмично всеки човек с персонализирани препоръки, оферти за продукти и съдържание.

Това ниво на персонализация позволява на компаниите да бъдат по-ефективни и целенасочени в маркетинговата си стратегия, като същевременно ангажират потребителите по по-различен, смислен и подходящ начин.

Съчетаване на A/B тестване с персонализация

Ако попитате екипа за A/B тестване или CRO и тези, които се занимават с персонализация, какво включва спецификата на тяхната работа, ще откриете, че отговорите им са страшно сходни.

Вземете например диаграмата по-долу, която беше представена по време на изказване на JD Sports | Finish Line по време на събитието Personalization Pioneers (пълно резюме тук):

Това е мнение, споделяно от много други хора, които започват да осъзнават, че както A/B тестовете, така и персонализацията:

  • Споделяте фокус върху създаването на положително преживяване за клиентите
  • Искате да повлияете и да подобрите същите ключови показатели за ефективност
  • Може да се възползвате от същите събрани знания

Освен това често тези екипи се нуждаят от едни и същи вътрешни ресурси и дори инструменти! Ето защо е толкова важно A/B тестването и персонализацията да не живеят във вакуум, а да станат част от обща пътна карта със съгласувани ключови показатели за ефективност.

Комбинацията от двете може не само да рационализира процесите и операциите, но и да генерира експоненциални резултати, тъй като позволява както широка, така и прецизна информация за поведението на потребителите.

Ето как можете да включите комбинираната им сила в маркетинговата си стратегия, за да постигнете по-добри резултати:

1. Сегментно базирано A/B тестване

Вместо да провеждате A/B тестове върху цялата си аудитория, разделете я на значими сегменти въз основа на общи характеристики (опитайте подхода Primary Audiences, който е предназначен за мащабиране от макро до микро ниво). След това извършете A/B тестове върху тези сегменти. Този сегментиран подход за експериментиране може да осигури по-различно разбиране на различните потребителски поведения и да помогне за адаптиране на опита към конкретни групи.

Например Synchrony увеличи процента на подадените заявления с 4,5% сред потребителите с висок интензитет, като проведе експеримент за този сегмент, при който се тества премахването на чужди бутони за призив към действие от банера.

След анализ компанията забелязва, че една конкретна промяна в UX - премахването на CTA бутона "Play Video" от банера - спира разсейването на потребителите с висок интензитет, като им позволява да научат повече за многобройните услуги на Synchrony.

2. Стратегии за персонализация чрез A/B тестове

Използвайте A/B тестване, за да определите кои стратегии за персонализация работят най-добре. Например можете да тествате алгоритмите за препоръчване на продукти и да проверите дали тези, които са насочени към определени аудитории, водят до по-добри проценти на кликване или добавяне към количката, отколкото други.

3. Адаптиране на стратегията в реално време

Докато събирате данни от A/B тестовете, използвайте тази информация за непрекъснато оптимизиране и усъвършенстване на стратегията си за персонализиране. Това адаптиране в реално време позволява по-динамична и ефективна маркетингова стратегия, която непрекъснато се развива, за да отговори на нуждите на потребителите.

Например, Build with Ferguson генерира 89% увеличение на покупките от препоръки, като направи това, което първо започна с прилагането на стратегия, ориентирана към аудиторията (въз основа на рамката Rooted Personalization ).

Екипът тества различни стратегии за препоръчване и в крайна сметка установи, че сегментът на аудиторията "Потребители" е склонен да се ангажира с препоръчани продукти, с които са взаимодействали други потребители със сходно поведение и интереси.

Използвайки тези констатации, Build with Ferguson оптимизира работата на препоръките си в сайта и откри, че потребителите, които взаимодействат с препоръките, харчат средно с 13% повече и купуват 2,4 продукта повече.

A/B тестване и персонализация - естествено продължение едно на друго

Исторически A/B тестването е свързано с определянето на най-доброто изживяване като цяло, докато персонализацията има за цел да осигури най-доброто изживяване на ниво аудитория или отделен потребител. И макар че има време и място и за двете, комбинирането им може да доведе до повишаване на удовлетвореността и лоялността на клиентите на компаниите - с ключови преживявания, които са по-подходящи чрез персонализиране, и максимални резултати за всяка стратегия чрез A/B тестване.

P.S. За повече информация за това как тези две практики се съчетават, ви предлагам да разгледате този курс за A/B тестване & Optimization, в който се разглежда как да настроите правилните конфигурации за атрибуция, да изберете правилната цел, да анализирате резултатите от тестовете за персонализация и да гарантирате, че всеки от тях дава значими резултати .