Ir para o conteúdo principal

Por que os testes A/B e a personalização são mais poderosos juntos?

Embora reflitam duas abordagens distintas para aprimorar a experiência do usuário, a combinação delas pode oferecer benefícios exponenciais que as empresas não vão querer perder.

 

Yaniv Navot

 

CMO, Rendimento Dinâmico

Eis o que você precisa saber:

  • Os testes A/B e a personalização, quando combinados, podem melhorar significativamente a experiência do usuário, oferecendo a experiência mais relevante para cada indivíduo.
  • Os testes A/B ajudam a identificar as variações de melhor desempenho dos elementos criativos, enquanto a personalização adapta a experiência a cada cliente individualmente.
  • A combinação dessas abordagens simplifica os processos, amplia os resultados e aumenta a satisfação do cliente.
  • Os profissionais de marketing podem aproveitar esse poder segmentando o público para testes A/B, testando estratégias de personalização e usando dados em tempo real para otimização contínua.

Os testes A/B e a personalização representam duas metodologias distintas. Enquanto os testes A/B se concentram em experimentar diferentes elementos criativos, textos, layouts e até algoritmos para melhorar as principais métricas de negócios, bem como a experiência geral do usuário, a personalização visa oferecer a experiência mais relevante para cada cliente no momento certo.

Embora fundamentalmente diferentes em sua abordagem, a combinação dessas duas estratégias pode, na verdade, oferecer benefícios exponenciais. Neste post, vamos explorar o porquê disso, bem como a forma como as equipes podem fazer isso.

Limitações dos testes A/B

A premissa dos testes A/B é simples:

Compare duas (ou mais) versões diferentes de algo para ver qual tem melhor desempenho e, em seguida, implemente a versão vencedora para todos os usuários, a fim de obter a experiência geral mais otimizada.

A prática das equipes de testes A/B e CRO consiste, portanto, em investir significativamente no lançamento de todos os tipos de experimentos para aprimorar diferentes áreas e experiências em todo o site, aplicativo nativo, e-mail ou qualquer outro canal digital e, em seguida, otimizá-los continuamente para gerar um aumento incremental nas conversões e em KPIs específicos ao longo do tempo.

No entanto, a menos que uma empresa gere toneladas de tráfego e tenha um vasto ambiente digital para experimentar, pode chegar um ponto de retorno decrescente, onde o resultado da experimentação (independentemente da quantidade de testes ou da dimensão e sofisticação de um experimento) atinge um rendimento máximo em termos do investimento dessas equipes.

Isso se deve, em grande parte, ao fato de a abordagem clássica de testes A/B oferecer uma visão binária das preferências dos visitantes e, muitas vezes, não conseguir capturar toda a gama de fatores e comportamentos que definem quem eles são como indivíduos.

Além disso, os testes A/B produzem resultados generalizados com base nas preferências da maioria de um segmento. E embora uma marca possa descobrir que uma experiência específica gera mais receita em média, implementá-la para todos os usuários seria uma injustiça para uma parcela significativa de consumidores com preferências diferentes.

Permita-me ilustrar com alguns exemplos:

Se o patrimônio líquido meu e de Warren Buffett fosse, em média, de US$ 117,3 bilhões, faria sentido recomendar os mesmos produtos para nós dois?

Provavelmente não.

Ou imagine que um varejista que vende produtos tanto para homens quanto para mulheres decida realizar um teste A/B clássico em sua página inicial para identificar a variação de banner principal com melhor desempenho, mas, como 70% de seu público é feminino, a variação feminina supera a masculina.

Este teste sugeriria que a bandeira de heroínas fosse aplicada a toda a população, mas certamente não seria a decisão correta.

Resumindo:

  • As médias costumam ser enganosas quando usadas para comparar diferentes grupos de usuários.
  • A variação com melhor desempenho muda para cada segmento de clientes e usuário.
  • Os resultados também podem ser influenciados por fatores contextuais como geografia, clima e outros.

Isso não significa, é claro, que não haja um momento e um lugar adequados para aproveitar resultados mais generalizados. Por exemplo, se você estivesse testando um novo design de site ou aplicativo, faria sentido buscar uma interface de usuário consistente que funcionasse melhor em média, em vez de dezenas, centenas ou até milhares de variações de interface para diferentes usuários.

No entanto, os dias de adotar fielmente uma abordagem de "tudo ou nada" para o layout de uma página, mensagens, conteúdo, recomendações, ofertas e outros elementos criativos acabaram – e isso é bom, porque significa que não haverá mais dinheiro perdido devido às oportunidades de personalização que se perdem ao não oferecer a melhor versão para cada usuário.

Aumentando a relevância com a personalização.

A personalização consiste em responder e ajustar a experiência do site aos consumidores, dependendo de seu comportamento, preferências e intenções individuais, o que se tornou uma expectativa no cenário digital atual. Só isso já comprovou aumentar a satisfação e a fidelização do cliente.

Embora não dependa necessariamente de testes A/B, pode ser surpreendente que as melhores práticas em personalização se baseiem nos fundamentos dos testes A/B – a única diferença é que a determinação de qual versão de uma experiência específica funciona melhor é feita no nível do público-alvo, em vez de na média.

Vamos analisar a estrutura básica de como isso se aplicaria a uma campanha de personalização. Em vez de incluir uma experiência com múltiplas variações para comparar com um grupo de controle, como em um teste A/B tradicional, damos um passo além, criando múltiplas experiências direcionadas a públicos diferentes e múltiplas variações dentro de cada uma delas, que podem ser testadas por meio de testes A/B para determinar a de melhor desempenho.

Isso pode ser feito por meio de segmentação simples baseada em regras, que utiliza a lógica "SE/ENTÃO" para personalizar a jornada do cliente de acordo com um conjunto de regras programadas manualmente. As equipes podem realizar testes A/B dessas experiências, validar seus resultados ao atingir significância estatística e, em seguida, iterar conforme necessário.

No entanto, a IA e o aprendizado de máquina tornaram-se requisitos básicos quando se trata de escalar a tomada de decisões de personalização, visto que o cenário acima pode se tornar um processo com grande volume de dados, envolvendo inúmeras implementações de teste com medições detalhadas de cada variação testada em relação a cada segmento de público, a fim de determinar as regras ideais de segmentação programática. Também é útil para converter testes "ineficazes" em oportunidades de personalização para variações específicas identificadas como tendo melhor desempenho para um determinado público.

Essas tecnologias avançadas analisam o desempenho de cada variação em todos os segmentos de tráfego em tempo real para fornecer o conteúdo mais relevante a grupos de público selecionados. Além disso, a personalização individualizada pode ser alcançada com recursos de personalização baseados em afinidade, que utilizam o processo de criação de perfis de afinidade para combinar algoritmicamente cada pessoa com recomendações, ofertas de produtos e conteúdo personalizados.

Esse nível de personalização permite que as empresas sejam mais eficazes e direcionadas em suas estratégias de marketing, ao mesmo tempo que envolvem os consumidores de uma maneira mais sutil, significativa e relevante.

Combinando testes A/B com personalização

Se você perguntasse a uma equipe de testes A/B ou de otimização da taxa de conversão (CRO) e a profissionais dedicados à personalização sobre os detalhes específicos do trabalho deles, descobriria que as respostas são assustadoramente semelhantes.

Observe o diagrama revelador abaixo, apresentado durante uma palestra da JD Sports | Finish Line em um evento Personalization Pioneers (resumo completo aqui):

É um sentimento compartilhado por muitos outros que estão começando a perceber que tanto os testes A/B quanto a personalização:

  • Compartilhe o foco na criação de uma experiência positiva para o cliente.
  • Estão buscando influenciar e melhorar os mesmos KPIs.
  • Podem se beneficiar dos mesmos aprendizados coletados.

Além disso, muitas vezes, essas equipes precisam dos mesmos recursos internos e até mesmo das mesmas ferramentas! Por isso, é tão importante que os testes A/B e a personalização não sejam tratados isoladamente, mas sim integrados a um roteiro compartilhado com KPIs alinhados.

A combinação dos dois não só pode agilizar processos e operações, como também gerar resultados exponenciais, pois permite obter insights amplos e precisos sobre o comportamento do consumidor.

Veja como você pode incorporar o poder combinado deles em sua estratégia de marketing para obter melhores resultados:

1. Teste A/B baseado em segmentos

Em vez de realizar testes A/B com todo o seu público, divida-o em segmentos relevantes com base em características compartilhadas (experimente a abordagem de Públicos Primários, que visa escalar do macro ao micro). Em seguida, realize testes A/B nesses segmentos. Essa abordagem de experimentação segmentada pode proporcionar uma compreensão mais detalhada dos diferentes comportamentos do consumidor e ajudar a adaptar as experiências a grupos específicos.

Por exemplo, a Synchrony aumentou sua taxa de envio de aplicativos em 4,5% entre usuários com alta intenção de compra, realizando um experimento para esse segmento que testou a remoção de botões de chamada para ação desnecessários do banner.

Após análise, a empresa percebeu que uma mudança específica na experiência do usuário – a remoção do botão de chamada para ação "Reproduzir vídeo" do banner – impedia que usuários com alta intenção de compra se distraíssem, permitindo que eles realmente aprendessem mais sobre os diversos serviços da Synchrony.

2. Estratégias de personalização para testes A/B

Utilize testes A/B para determinar quais estratégias de personalização funcionam melhor. Por exemplo, você pode testar algoritmos de recomendação de produtos e verificar se aqueles direcionados a determinados públicos geram taxas de cliques ou de adição ao carrinho melhores do que outros.

3. Adaptação de estratégia em tempo real

Ao coletar dados de seus testes A/B, use essas informações para a otimização e o aprimoramento contínuos de sua estratégia de personalização. Essa adaptação em tempo real permite uma estratégia de marketing mais dinâmica e eficaz, que evolui continuamente para atender às necessidades do consumidor.

Por exemplo, a Build with Ferguson gerou um aumento de 89% nas compras a partir de recomendações ao fazer isso, o que começou com a implementação de uma estratégia centrada no público-alvo (baseada na estrutura de Personalização Enraizada ).

A equipe testou diversas estratégias de recomendação e, por fim, descobriu que seu segmento de público "Consumidor" tendia a interagir com itens recomendados com os quais outros usuários com comportamentos e interesses semelhantes já haviam interagido.

Com base nessas descobertas, a Build with Ferguson otimizou o desempenho de suas recomendações em todo o site e também descobriu que os usuários que interagem com as recomendações gastam 13% a mais e compram, em média, 2,4 itens a mais.

Testes A/B e personalização – extensões naturais um do outro

Historicamente, os testes A/B têm como objetivo determinar a melhor experiência geral, enquanto a personalização visa proporcionar a melhor experiência para um público específico ou para um indivíduo em particular. Embora haja um momento e um lugar para ambos, combinar os dois pode se traduzir em maior satisfação e fidelidade do cliente para as empresas – com experiências-chave tornadas mais relevantes por meio da personalização e resultados máximos obtidos por estratégia através de seus testes A/B.

PS: Para obter mais informações sobre como essas duas práticas se combinam, sugiro que você confira este curso de Teste A/B e Otimização, que aborda como configurar a atribuição correta, selecionar o objetivo adequado, analisar os resultados dos testes de personalização e garantir que cada um produza resultados significativos.