Saltar al contenido principal

Por qué las pruebas A/B y la personalización son más poderosas juntas.

Si bien refleja dos enfoques distintos para mejorar la experiencia del usuario, su combinación puede ofrecer beneficios exponenciales que las compañías no quieren perder.

 

Yaniv Navot

 

CMO, rendimiento dinámico

Esto es lo que necesita saber:

  • Las pruebas A/B y la personalización, cuando se combinan, pueden mejorar significativamente la experiencia del usuario al ofrecer la experiencia más relevante para cada individuo.
  • Las pruebas A/B ayudan a identificar las variaciones de elementos creativos con mejor rendimiento, mientras que la personalización adapta la experiencia a cada cliente.
  • La combinación de estos enfoques agiliza los procesos, amplifica los resultados y aumenta la satisfacción del cliente.
  • Los profesionales del marketing pueden aprovechar este poder segmentando las audiencias para realizar pruebas A/B, probando estrategias de personalización y empleando datos en tiempo real para una optimización continua.

Las pruebas A/B y la personalización representan dos metodologías distintas. Mientras que las pruebas A/B se centran en experimentar con diferentes elementos creativos, textos, diseños e incluso algoritmos para mejorar las métricas comerciales clave, así como la de la experiencia general del usuario, la personalización tiene como objetivo hacer coincidir la experiencia más relevante con un cliente individual en el momento adecuado.

Aunque su enfoque es fundamentalmente diferente, la combinación de estas dos estrategias puede ofrecer beneficios exponenciales. En este artículo, exploraremos por qué sucede esto y cómo los equipos pueden lograrlo.

Limitaciones de las pruebas A/B

La premisa de las pruebas A/B es simple:

Compare dos (o más) versiones diferentes de algo para ver cuál funciona mejor y luego implemente la ganadora para todos los usuarios para obtener la experiencia general más óptima.

Por lo tanto, la práctica de las pruebas A / B y los equipos de CRO fue invertir significativamente en el lanzamiento de todo tipo de experimentos para mejorar diferentes áreas y experiencias en el sitio, la aplicación nativa, el email o cualquier otro canal digital y luego optimizarlos continuamente para impulsar un aumento incremental en las conversiones y KPI específicos a medida que pasa el tiempo.

Sin embargo, a menos que una compañía genere toneladas de tráfico y tenga un enorme entorno digital desde el cual experimentar, puede llegar un punto de rendimientos decrecientes donde el resultado de la experimentación (sin importar cuántas pruebas haya o cuán grande y sofisticado sea un experimento) alcanza un rendimiento máximo en términos de la inversión de estos equipos.

Esto tiene que ver en gran medida con el hecho de que el enfoque tradicional de las pruebas A/B ofrece una visión binaria de las preferencias de los visitantes y, a menudo, no logra capturar la gama completa de factores y comportamientos que definen quiénes son como individuos.

Además, las pruebas A/B generan resultados generalizados basados en las preferencias mayoritarias de un segmento. Y si bien una marca puede descubrir que una experiencia particular genera más ingresos en promedio, implementarla para todos los usuarios sería un flaco favor a una parte importante de los consumidores con preferencias diferentes.

Permítanme ilustrarlo con algunos ejemplos:

Si mi patrimonio neto y el de Warren Buffett fueran de 117.300 millones de dólares de media, ¿tendría sentido recomendarnos los mismos productos?

Probablemente no.

¿O qué tal si un minorista que ofrece productos tanto para hombres como para mujeres decide realizar una prueba A/B tradicional en su página de inicio para identificar la variación de banner principal con mejor rendimiento, pero dado que el 70% de su audiencia son mujeres, la variación para mujeres supera a la de hombres?

Esta prueba sugeriría que el estandarte de héroe femenino se aplique a toda la población, pero seguramente no sería la decisión correcta.

En pocas palabras:

  • Los promedios a menudo son engañosos cuando se usan para comparar diferentes grupos de usuarios
  • La variación de mejor rendimiento cambia para cada segmento de clientes y usuario
  • Los resultados también pueden ver influenciados por factores contextuales como la ubicación geográfica, el clima y más

Esto no quiere decir, por supuesto, que no haya un momento y un lugar para aprovechar resultados más generalizados. Por ejemplo, si estuvieras probando un nuevo diseño de sitio web o aplicación, tendría sentido apuntar a una interfaz de usuario consistente que funcionara mejor en promedio frente a docenas, cientos o incluso miles de variaciones de interfaz de usuario para diferentes usuarios.

Sin embargo, los días de adoptar fielmente un enfoque de "el ganador se lo lleva todo" para el diseño de una página, mensajes, contenido, recomendaciones, ofertas y otros elementos creativos terminaron, y eso está bien porque significa que ya no se dejará dinero sobre la mesa por las oportunidades de personalización perdidas asociadas con no ofrecer la mejor variación a cada usuario individual.

Desbloqueando una mayor relevancia con la personalización

La personalización consiste en responder y ajustar la experiencia del sitio web a los consumidores en función de su comportamiento, preferencias e intenciones únicas, lo que se convirtió en una expectativa en el panorama digital actual. Esto, por sí solo, ha demostrado aumentar la satisfacción y la fidelidad del cliente.

Y aunque no depende necesariamente de las pruebas A/B, puede sorprender que las mejores prácticas en personalización se basen en los fundamentos de las pruebas A/B: la única diferencia es determinar qué versión de una experiencia en individua funciona mejor a nivel de audiencia frente a la media.

Vamos a analizar la estructura básica de cómo se vería esto dentro de una campaña de personalización. En lugar de incluir una experiencia con múltiples variaciones para compararla con un grupo de control, como en una prueba A/B tradicional, vamos un paso más allá creando múltiples experiencias dirigidas a diferentes audiencias y múltiples variaciones dentro de cada una que se pueden someter a pruebas A/B para determinar la que mejor funciona.

Esto se puede lograr mediante una segmentación sencilla basada en reglas, que emplea la lógica SI/ENTONCES para adaptar la experiencia del cliente según un conjunto de reglas programadas manualmente, de modo que los equipos puedan realizar pruebas A/B de estas experiencias, validar sus resultados una vez alcanzada la significación estadística y, a continuación, iterar en consecuencia.

Sin embargo, la IA y el aprendizaje automático se convirtieron en apuestas cuando se trata de escalar la toma de decisiones de personalización, ya que el escenario anterior puede convertir en un proceso pesado de datos que involucra numerosas implementaciones de prueba con mediciones granulares de cada variación probada contra cada segmento de audiencia para determinar las reglas de orientación programática óptimas. También es útil para convertir las pruebas "perdedoras" en oportunidades de personalización para variaciones específicas identificadas para funcionar mejor para una audiencia en individua.

Estas tecnologías avanzadas analizan el rendimiento de cada variación en cada segmento de tráfico en tiempo real para ofrecer el contenido más relevante a grupos de audiencia seleccionados. Además, la personalización 1:1 se puede lograr con capacidades de personalización basadas en afinidad, que aprovechan el proceso de creación de perfiles de afinidad para hacer coincidir algorítmicamente a cada persona con recomendaciones, ofertas de productos y contenido personalizados.

Este nivel de personalización permite a las compañías ser más efectivas y específicas con su estrategia de marketing y, al mismo tiempo, involucrar a los consumidores de una manera más matizada, significativa y relevante.

Acoplamiento de pruebas A/B con personalización

Si le preguntara a un equipo de pruebas A / B o CRO y a aquellos dedicados a la personalización más sobre lo que implicaban los detalles de su trabajo, encontraría que sus respuestas son inquietantemente similares.

Tome el diagrama revelador a continuación, que se representó durante un discurso de apertura de JD Sports | Línea de meta durante un evento de Pioneros de la personalización (resumen completo aquí):

Es un sentimiento compartido por muchos otros que están comenzando a dar de que tanto las pruebas A / B como la personalización:

  • Compartir el enfoque en crear una experiencia positiva para el cliente
  • Buscan influir y mejorar los mismos KPI.
  • Puede beneficiarse de los mismos aprendizajes recopilados

Además, a menudo, estos equipos requieren los mismos recursos internos e incluso herramientas. Por eso es tan importante que las pruebas A/B y la personalización no vivan en el vacío y, en cambio, se conviertan en parte de una hoja de ruta compartida con KPI alineados.

La combinación de los dos no solo puede agilizar los procesos y las operaciones, sino también generar resultados exponenciales porque permite obtener información amplia y precisa sobre el comportamiento del consumidor.

Aquí te mostramos cómo puedes incorporar su poder combinado a tu estrategia de marketing para obtener mejores resultados:

1. Pruebas A/B basadas en segmentos

En lugar de realizar pruebas A/B en toda tu audiencia, divide tu audiencia en segmentos significativos basados en características compartidas (prueba el enfoque de audiencias primarias, que está destinado a escalar de macro a micro). Luego, realice pruebas A / B en estos segmentos. Este enfoque de experimentación segmentada puede proporcionar una comprensión más matizada de los diferentes comportamientos de los consumidores y ayudar a adaptar las experiencias a grupos específicos.

Por ejemplo, Synchrony aumentó su tasa de envío de aplicaciones en un 4,5% entre los usuarios de alta intención al ejecutar un experimento para este segmento que probó la eliminación de botones de llamada a la acción extraños del banner.

Tras el análisis, la compañía notó un cambio específico de UX, eliminar el botón CTA "Reproducir video" de su banner, evitó que los usuarios de alta intención se distrajieran, lo que les permitió aprender más sobre los numerosos servicios de Synchrony.

2. Estrategias de personalización de pruebas A/B

Emplee las pruebas A/B para determinar qué estrategias de personalización funcionan mejor. Por ejemplo, podrías probar algoritmos de recomendación de productos y comprobar si aquellos dirigidos a determinadas audiencias generan mejores tasas de clics o de adición al carrito que otros.

3. Adaptación de la estrategia en tiempo real

A medida que recopile datos de sus pruebas A/B, emplee esta información para la optimización y el refinamiento continuos de su estrategia de personalización. Esta adaptación en tiempo real permite una estrategia de marketing más dinámica y efectiva que evoluciona continuamente para satisfacer las necesidades de los consumidores.

Por ejemplo, Build with Ferguson generó un aumento del 89% en las compras de las recomendaciones al hacer esto, que comenzó con la implementación de una estrategia de audiencia primero (basada en el marco de personalización arraigada).

El equipo probó varias estrategias de recomendación y finalmente descubrió que su segmento de audiencia "Consumidor" tendía a interactuar con elementos recomendados con los que otros usuarios con comportamientos e intereses similares interactuaron.

Con estos hallazgos, Build with Ferguson optimizó el rendimiento de sus recomendaciones en todo el sitio y también descubrió que los usuarios que interactúan con las recomendaciones gastan un 13% más y compran 2.4 artículos más en promedio.

Pruebas A/B y personalización: extensiones naturales unas de otras.

Históricamente, las pruebas A / B se centraron en determinar la mejor experiencia en general, mientras que la personalización tiene como objetivo brindar la mejor experiencia a nivel de audiencia o individual. Y aunque hay un momento y un lugar para ambos, la combinación de los dos puede traducir en una mayor satisfacción y lealtad del cliente para las compañías, con experiencias clave que se vuelven más relevantes a través de la personalización y los máximos resultados obtenidos por estrategia a través de sus pruebas A / B.

P.D. Para obtener más información sobre cómo se unen estas dos prácticas, le sugiero que consulte este curso de Pruebas A / B y optimización, que aborda cómo configurar las configuraciones de atribución correctas, seleccionar el objetivo correcto, analizar los resultados de las pruebas de personalización y cerciorar de que cada una produzca resultados significativos.