Skip to main content

Proč jsou A/B testování a personalizace dohromady ještě účinnější?

Ačkoli se jedná o dva odlišné přístupy ke zlepšení uživatelské zkušenosti, jejich kombinace může nabídnout exponenciální výhody, které si firmy nechtějí nechat ujít.

 

Yaniv Navot

 

CMO, Dynamic Yield

Tady je to, co byste měli vědět:

  • Kombinace A/B testování a personalizace může výrazně zlepšit uživatelskou zkušenost tím, že každému jednotlivci poskytne co nejrelevantnější zážitek.
  • A/B testování pomáhá identifikovat nejvýkonnější varianty kreativních prvků, zatímco personalizace přizpůsobuje zážitek jednotlivým zákazníkům.
  • Kombinace těchto přístupů zefektivňuje procesy, zlepšuje výsledky a zvyšuje spokojenost zákazníků.
  • Tuto sílu mohou marketéři využít při segmentaci publika pro A/B testování, testování personalizačních strategií a využívání dat v reálném čase pro průběžnou optimalizaci.

A/B testování a personalizace představují dvě odlišné metodiky. Zatímco A/B testování se zaměřuje na experimentování s různými kreativními prvky, kopiemi, rozvržením a dokonce i algoritmy s cílem zlepšit klíčové obchodní ukazatele i celkovou uživatelskou zkušenost, cílem personalizace je přizpůsobit nejrelevantnější zkušenost jednotlivým zákazníkům ve správný okamžik.

Ačkoli se přístup k těmto dvěma strategiím zásadně liší, jejich kombinace může přinést exponenciální výhody. V tomto příspěvku se podíváme na to, proč tomu tak je, a také na to, jak toho mohou týmy dosáhnout.

Omezení A/B testování

Princip A/B testování je jednoduchý:

Porovnejte dvě (nebo více) různých verzí, abyste zjistili, která z nich funguje lépe, a poté vítěznou verzi nasaďte všem uživatelům, abyste dosáhli co nejoptimálnějšího celkového zážitku.

Praxe A/B testování a CRO týmů proto spočívá ve významných investicích do spouštění nejrůznějších experimentů s cílem zlepšit různé oblasti a zkušenosti na webu, v nativní aplikaci, e-mailu nebo jiném digitálním kanálu a následně je průběžně optimalizovat, aby se postupně zvyšovaly konverze a konkrétní KPI.

Pokud však společnost negeneruje tuny návštěvnosti a nemá k dispozici obrovské digitální prostředí, na kterém může experimentovat, může nastat bod klesající návratnosti, kdy výstupy experimentů (bez ohledu na to, kolik testů nebo jak velký a sofistikovaný experiment může být) dosáhnou maximálního výnosu, pokud jde o vstupy těchto týmů.

To do značné míry souvisí se skutečností, že klasický přístup k A/B testování nabízí binární pohled na preference návštěvníků a často nedokáže zachytit celou škálu faktorů a chování, které určují, kdo jsou návštěvníci jako jednotlivci.

A/B testy navíc přinášejí zobecněné výsledky založené na většinových preferencích segmentu. A i když značka může zjistit, že určitá zkušenost přináší v průměru vyšší příjmy, její nasazení u všech uživatelů by bylo nevýhodné pro značnou část spotřebitelů s odlišnými preferencemi.

Dovolte mi, abych to ilustroval na několika příkladech:

Pokud by čisté jmění mé i Warrena Buffeta činilo v průměru 117,3 miliardy USD, mělo by smysl doporučovat nám stejné produkty?

Pravděpodobně ne.

Nebo co když se maloobchodní prodejce, který nabízí jak pánské, tak dámské produkty, rozhodne provést klasický A/B test na své domovské stránce, aby zjistil nejvýkonnější variantu hrdinského banneru, ale protože 70% jeho publika tvoří ženy, dámská varianta překoná tu pánskou.

Tento test by naznačoval, že se prapor hrdinek vztahuje na celou populaci, ale jistě by to nebylo správné rozhodnutí.

Jednoduše řečeno:

  • Průměrné hodnoty jsou často zavádějící, pokud se používají k porovnání různých skupin uživatelů.
  • Změny nejvýkonnější varianty pro jednotlivé segmenty zákazníků a uživatelů
  • Výsledky mohou být také ovlivněny kontextovými faktory, jako je zeměpisná poloha, počasí a další.

To samozřejmě neznamená, že není čas a místo pro využití obecnějších výsledků. Například při testování nového designu webových stránek nebo aplikací by bylo rozumné usilovat o jedno konzistentní uživatelské rozhraní, které by v průměru fungovalo nejlépe, oproti desítkám, stovkám nebo dokonce tisícům variant uživatelského rozhraní pro různé uživatele.

Doby, kdy se k rozvržení stránky, sdělení, obsahu, doporučení, nabídkám a dalším kreativním prvkům přistupovalo věrně podle principu "vítěz bere vše", jsou však pryč - a to je dobře, protože to znamená, že už nebudou zůstávat na stole peníze z promarněných příležitostí k personalizaci, které souvisejí s tím, že se každému uživateli neposkytne ta nejlepší varianta.

Odemykání větší relevance pomocí personalizace

Personalizace spočívá v tom, že reaguje na zákazníky a přizpůsobuje jim prostředí webu v závislosti na jejich jedinečném chování, preferencích a záměrech, což se v dnešním digitálním prostředí stalo očekáváním. Už jen to prokazatelně zvyšuje spokojenost a loajalitu zákazníků.

A ačkoli to nemusí nutně záviset na A/B testování, možná vás překvapí, že osvědčené postupy v personalizaci jsou založeny na základech A/B testování - jediný rozdíl je v tom, že určení, která verze určitého zážitku funguje nejlépe, se provádí na úrovni publika a která na úrovni průměru.

Pojďme si rozebrat základní strukturu, jak by to mohlo vypadat v rámci personalizační kampaně. Místo toho, abychom zahrnuli jednu zkušenost s několika variantami, které bychom porovnávali s kontrolní skupinou, jako je tomu u tradičního A/B testu, jdeme ještě o krok dál a vytváříme více zkušeností zaměřených na různá publika a více variant v rámci každé z nich, které lze testovat A/B a určit tak tu nejvýkonnější.

Toho lze dosáhnout pomocí jednoduchého cílení založeného na pravidlech, které využívá logiku IF/Then k přizpůsobení cesty zákazníka podle sady ručně naprogramovaných pravidel, přičemž týmy mohou tyto zkušenosti testovat metodou A/B, ověřovat jejich výsledky při dosažení statistické významnosti a poté je odpovídajícím způsobem opakovat.

Umělá inteligence a strojové učení se však staly sázkou na jistotu, pokud jde o škálování personalizačního rozhodování, protože výše uvedený scénář se může stát datově náročným procesem, který zahrnuje četná testovací nasazení s podrobným měřením každé testované varianty na každém segmentu publika, aby se určila optimální pravidla programového cílení. Je také užitečný při přeměně "ztrátových" testů na možnosti personalizace pro konkrétní varianty, které jsou pro určité publikum výkonnější.

Tyto pokročilé technologie analyzují výkonnost jednotlivých variant v každém segmentu návštěvnosti v reálném čase, aby mohly vybraným skupinám publika zobrazovat co nejrelevantnější obsah. Personalizace 1:1 lze dále dosáhnout pomocí personalizačních funkcí založených na afinitě, které využívají proces profilování afinity k algoritmickému přiřazení personalizovaných doporučení, nabídek produktů a obsahu každé osobě.

Tato úroveň personalizace umožňuje společnostem efektivnější a cílenější marketingovou strategii a zároveň zapojení spotřebitelů do procesu více diferencovaným, smysluplným a relevantním způsobem.

Propojení A/B testování s personalizací

Kdybyste se zeptali týmu A/B testování nebo CRO a týmu, který se věnuje personalizaci, na specifika jejich práce, zjistili byste, že jejich odpovědi jsou až děsivě podobné.

Podívejte se na níže uvedený diagram, který byl zobrazen během keynote společnosti JD Sports | Finish Line během akce Personalization Pioneers (celý přehled zde):

Tento názor sdílí i mnoho dalších lidí, kteří si začínají uvědomovat, že A/B testování i personalizace:

  • Sdílet zaměření na vytváření pozitivní zákaznické zkušenosti
  • Snažíte se ovlivnit a zlepšit stejné klíčové ukazatele výkonnosti.
  • Může těžit ze stejných shromážděných poznatků

Navíc tyto týmy často vyžadují stejné interní zdroje a dokonce i nástroje! Proto je tak důležité, aby A/B testování a personalizace nežily ve vzduchoprázdnu, ale aby se staly součástí společného plánu se sladěnými KPI.

Kombinace obou může nejen zefektivnit procesy a operace, ale také přinést exponenciální výsledky, protože umožňuje jak široký, tak jemně vyladěný vhled do chování spotřebitelů.

Zde se dozvíte, jak můžete jejich kombinovanou sílu zapojit do své marketingové strategie a dosáhnout lepších výsledků:

1. Testování A/B založené na segmentech

Namísto provádění A/B testů na celém publiku rozdělte své publikum na smysluplné segmenty na základě společných charakteristik (vyzkoušejte přístup Primary Audiences, který je určen pro škálování z makro na mikro). Poté na těchto segmentech proveďte A/B testy. Tento přístup založený na segmentovaném experimentování může umožnit lepší pochopení různého chování spotřebitelů a pomoci přizpůsobit zkušenosti konkrétním skupinám.

Například společnost Synchrony zvýšila míru odesílání žádostí o 4,5% mezi uživateli s vysokým zájmem o službu tím, že pro tento segment provedla experiment, při kterém testovala odstranění cizích tlačítek s výzvou k akci z banneru.

Po analýze si společnost všimla, že jedna konkrétní změna UX - odstranění tlačítka CTA "Přehrát video" z banneru - zabránila rozptylování uživatelů s vysokým zájmem a umožnila jim skutečně se dozvědět více o četných službách společnosti Synchrony.

2. A/B testování personalizačních strategií

Pomocí testování A/B zjistěte, které personalizační strategie fungují nejlépe. Můžete například testovat algoritmy doporučování produktů a zjistit, zda ty, které jsou zaměřené na určité publikum, vedou k lepšímu počtu kliknutí nebo přidání do košíku než jiné.

3. Přizpůsobení strategie v reálném čase

Při shromažďování dat z A/B testů využijte tyto informace k průběžné optimalizaci a zdokonalování své personalizační strategie. Toto přizpůsobení v reálném čase umožňuje dynamičtější a efektivnější marketingovou strategii, která se neustále vyvíjí podle potřeb spotřebitelů.

Například společnost Build with Ferguson tímto postupem, který začal nejprve zavedením strategie zaměřené na publikum (založené na rámci Rooted Personalization ),dosáhla 89% nárůstu nákupů na základě doporučení.

Tým testoval různé strategie doporučování a nakonec zjistil, že jeho segment publika "spotřebitelů" má tendenci zapojovat se do doporučování položek, se kterými interagovali jiní uživatelé s podobným chováním a zájmy.

Na základě těchto zjištění společnost Build with Ferguson optimalizovala výkonnost svých doporučení na celém webu a také zjistila, že uživatelé, kteří s doporučeními interagují, utratí v průměru o 13% více a nakoupí o 2,4 položky více.

A/B testování a personalizace - přirozené rozšíření jeden druhého

A/B testování se v minulosti zaměřovalo na určení nejlepšího celkového zážitku, zatímco cílem personalizace je poskytnout nejlepší zážitek na úrovni publika nebo jednotlivce. A přestože je čas a místo pro obojí, kombinace obou může vést ke zvýšení spokojenosti a loajality zákazníků - díky personalizaci se klíčové zážitky stanou relevantnějšími a díky A/B testování se dosáhne maximálních výsledků pro jednotlivé strategie.

P.S. Pro více informací o tom, jak se tyto dva postupy spojují, doporučuji podívat se na tento kurz A/B testování & Optimalizace, který se zabývá tím, jak nastavit správné konfigurace atribuce, vybrat správný cíl, analyzovat výsledky personalizačních testů a zajistit, aby každý z nich přinesl smysluplné výsledky .