Zum Hauptinhalt wechseln

Warum A/B-Testing und Personalisierung gemeinsam so wirkungsvoll sind

Obwohl sie zwei unterschiedliche Ansätze zur Verbesserung des Nutzererlebnisses widerspiegeln, kann ihre Kombination exponentielle Vorteile bieten, die Unternehmen nicht verpassen sollten.

 

Yaniv Navot

 

CMO, Dynamische Rendite

Hier ist, was Sie wissen müssen:

  • Die Kombination von A/B-Testing und Personalisierung kann die Benutzererfahrung deutlich verbessern, indem jedem einzelnen Nutzer das relevanteste Erlebnis geboten wird.
  • A/B-Tests helfen dabei, die leistungsstärksten Varianten kreativer Elemente zu ermitteln, während die Personalisierung das Nutzererlebnis auf einzelne Kunden zuschneidet.
  • Die Kombination dieser Ansätze optimiert Prozesse, verstärkt Ergebnisse und steigert die Kundenzufriedenheit.
  • Marketingfachleute können diese Stärke nutzen, indem sie Zielgruppen für A/B-Tests segmentieren, Personalisierungsstrategien testen und Echtzeitdaten zur kontinuierlichen Optimierung verwenden.

A/B-Testing und Personalisierung stellen zwei unterschiedliche Methoden dar. Während sich A/B-Tests auf das Experimentieren mit verschiedenen kreativen Elementen, Texten, Layouts und sogar Algorithmen konzentrieren, um wichtige Geschäftskennzahlen sowie das gesamte Benutzererlebnis zu verbessern, zielt die Personalisierung darauf ab, dem einzelnen Kunden zum richtigen Zeitpunkt das relevanteste Erlebnis zu bieten.

Obwohl sie sich in ihrer Herangehensweise grundlegend unterscheiden, kann die Kombination dieser beiden Strategien tatsächlich exponentielle Vorteile bieten. In diesem Beitrag gehen wir der Frage nach, warum das so ist und wie Teams dabei vorgehen können.

Grenzen von A/B-Tests

Das Grundprinzip von A/B-Tests ist einfach:

Vergleiche zwei (oder mehr) verschiedene Versionen von etwas, um zu sehen, welche besser funktioniert, und stelle dann die Gewinnerversion allen Benutzern zur Verfügung, um ein optimales Gesamterlebnis zu gewährleisten.

Die Praxis von A/B-Testing- und CRO-Teams besteht daher darin, erheblich in die Durchführung aller Arten von Experimenten zu investieren, um verschiedene Bereiche und Erfahrungen auf der Website, in der nativen App, in E-Mails oder auf anderen digitalen Kanälen zu verbessern und diese dann kontinuierlich zu optimieren, um im Laufe der Zeit eine schrittweise Steigerung der Konversionsraten und bestimmter KPIs zu erzielen.

Sofern ein Unternehmen jedoch nicht Unmengen an Traffic generiert und über eine riesige digitale Landschaft verfügt, in der es experimentieren kann, kann es zu einem Punkt kommen, an dem der Nutzen der Experimente abnimmt und der Output (egal wie viele Tests es gibt oder wie groß und ausgefeilt ein Experiment ist) in Bezug auf den Input dieser Teams ein Maximum erreicht.

Dies liegt vor allem daran, dass der klassische Ansatz beim A/B-Testing eine binäre Sicht auf die Präferenzen der Besucher bietet und oft nicht die gesamte Bandbreite an Faktoren und Verhaltensweisen erfasst, die sie als Individuen ausmachen.

Darüber hinaus liefern A/B-Tests verallgemeinerte Ergebnisse, die auf den Präferenzen der Mehrheit eines Segments basieren. Und obwohl eine Marke feststellen mag, dass ein bestimmtes Nutzererlebnis im Durchschnitt höhere Umsätze generiert, wäre es ein Nachteil für einen erheblichen Teil der Verbraucher mit anderen Vorlieben, dieses Nutzererlebnis allen Nutzern anzubieten.

Ich möchte dies an einigen Beispielen verdeutlichen:

Wenn das durchschnittliche Nettovermögen von mir und Warren Buffett jeweils 117,3 Milliarden US-Dollar betragen würde, wäre es dann sinnvoll, uns dieselben Produkte zu empfehlen?

Vermutlich nicht.

Oder was wäre, wenn ein Einzelhändler, der sowohl Herren- als auch Damenprodukte anbietet, beschließt, einen klassischen A/B-Test auf seiner Homepage durchzuführen, um die leistungsstärkste Hero-Banner-Variante zu ermitteln? Da aber 70 % seiner Zielgruppe Frauen sind, schneidet die Damenvariante besser ab als die Herrenvariante.

Dieser Test würde nahelegen, dass das Banner der weiblichen Heldin auf die gesamte Bevölkerung angewendet werden sollte, aber das wäre sicherlich nicht die richtige Entscheidung.

Einfach ausgedrückt:

  • Durchschnittswerte sind oft irreführend, wenn sie zum Vergleich verschiedener Nutzergruppen herangezogen werden.
  • Die leistungsstärkste Variante variiert je nach Kundensegment und Nutzer.
  • Die Ergebnisse können auch durch Kontextfaktoren wie Geografie, Wetter und mehr beeinflusst werden.

Das soll natürlich nicht heißen, dass es nicht auch Situationen gibt, in denen allgemeinere Ergebnisse von Nutzen sind. Wenn Sie beispielsweise ein neues Website- oder App-Design testen würden, wäre es sinnvoll, eine einheitliche Benutzeroberfläche anzustreben, die im Durchschnitt am besten funktioniert, anstatt Dutzende, Hunderte oder sogar Tausende von UI-Variationen für verschiedene Benutzer zu erstellen.

Die Zeiten, in denen man beim Layout einer Seite, bei Botschaften, Inhalten, Empfehlungen, Angeboten und anderen kreativen Elementen getreu dem Motto „Der Gewinner bekommt alles“ folgte, sind jedoch vorbei – und das ist gut so, denn es bedeutet, dass kein Geld mehr verschenkt wird, weil man Personalisierungsmöglichkeiten verpasst, indem man nicht jedem einzelnen Nutzer die beste Variante liefert.

Mehr Relevanz durch Personalisierung

Bei der Personalisierung geht es darum, auf das individuelle Verhalten, die Vorlieben und die Absichten der Verbraucher einzugehen und das Website-Erlebnis entsprechend anzupassen – was in der heutigen digitalen Welt zur Erwartung geworden ist. Allein dies steigert nachweislich die Kundenzufriedenheit und -loyalität.

Und obwohl es nicht unbedingt von A/B-Tests abhängt, mag es überraschen, dass die Best Practices bei der Personalisierung auf den Grundlagen von A/B-Tests basieren – der einzige Unterschied besteht darin, dass die Ermittlung, welche Version eines bestimmten Erlebnisses am besten funktioniert, auf Zielgruppenebene und nicht im Durchschnitt erfolgt.

Lassen Sie uns die grundlegende Struktur dessen, wie dies im Rahmen einer Personalisierungskampagne aussehen würde, genauer betrachten. Anstatt wie bei einem traditionellen A/B-Test eine einzige Nutzererfahrung mit mehreren Varianten zum Vergleich mit einer Kontrollgruppe zu verwenden, gehen wir noch einen Schritt weiter: Wir erstellen mehrere Nutzererfahrungen, die auf unterschiedliche Zielgruppen ausgerichtet sind, und innerhalb jeder dieser Erfahrungen mehrere Varianten, die per A/B-Test geprüft werden können, um die leistungsstärkste zu ermitteln.

Dies kann durch einfaches regelbasiertes Targeting erfolgen, das mithilfe von WENN/Dann-Logik die Customer Journey nach einer Reihe manuell programmierter Regeln anpasst. Die Teams können diese Erfahrungen per A/B-Test überprüfen, ihre Ergebnisse nach Erreichen statistischer Signifikanz validieren und dann entsprechend iterieren.

Allerdings sind KI und maschinelles Lernen mittlerweile unerlässlich, wenn es um die Skalierung von Personalisierungsentscheidungen geht, da das oben beschriebene Szenario zu einem datenintensiven Prozess werden kann, der zahlreiche Testimplementierungen mit detaillierten Messungen jeder getesteten Variante gegenüber jedem Zielgruppensegment erfordert, um die optimalen programmatischen Targeting-Regeln zu ermitteln. Es ist außerdem hilfreich, um „verlierende“ Tests in Personalisierungsmöglichkeiten für spezifische Varianten umzuwandeln, die sich für eine bestimmte Zielgruppe als besser geeignet erwiesen haben.

Diese fortschrittlichen Technologien analysieren die Leistung jeder Variante in jedem Verkehrssegment in Echtzeit, um ausgewählten Zielgruppen die relevantesten Inhalte bereitzustellen. Darüber hinaus kann eine 1:1-Personalisierung durch affinitätsbasierte Personalisierungsfunktionen erreicht werden, die den Prozess der Affinitätsprofilierung nutzen, um jede Person algorithmisch mit personalisierten Empfehlungen, Produktangeboten und Inhalten abzugleichen.

Dieses Maß an Personalisierung ermöglicht es Unternehmen, ihre Marketingstrategie effektiver und zielgerichteter zu gestalten und gleichzeitig die Verbraucher auf eine differenziertere, aussagekräftigere und relevantere Weise anzusprechen.

Verknüpfung von A/B-Tests mit Personalisierung

Wenn Sie ein A/B-Testing- oder CRO-Team und diejenigen, die sich mit Personalisierung beschäftigen, genauer nach den Einzelheiten ihrer Arbeit fragen würden, würden Sie feststellen, dass ihre Antworten verblüffend ähnlich sind.

Betrachten Sie das untenstehende, aufschlussreiche Diagramm, das während einer Keynote von JD Sports | Finish Line im Rahmen einer Veranstaltung der Personalization Pioneers vorgestellt wurde (vollständige Zusammenfassung hier):

Diese Ansicht teilen viele andere, die allmählich erkennen, dass sowohl A/B-Testing als auch Personalisierung:

  • Gemeinsamer Fokus auf die Schaffung eines positiven Kundenerlebnisses
  • Sie möchten dieselben KPIs beeinflussen und verbessern.
  • Kann von den gleichen gesammelten Erkenntnissen profitieren

Darüber hinaus benötigen diese Teams oft die gleichen internen Ressourcen und sogar die gleichen Werkzeuge! Deshalb ist es so wichtig, dass A/B-Tests und Personalisierung nicht isoliert betrachtet werden, sondern Teil einer gemeinsamen Roadmap mit abgestimmten KPIs werden.

Die Kombination beider Ansätze ermöglicht nicht nur eine Optimierung von Prozessen und Abläufen, sondern auch exponentielle Ergebnisse, da sie sowohl umfassende als auch fein abgestimmte Einblicke in das Verbraucherverhalten erlaubt.

So können Sie deren gebündelte Stärke in Ihre Marketingstrategie einbeziehen, um bessere Ergebnisse zu erzielen:

1. Segmentbasiertes A/B-Testing

Anstatt A/B-Tests an Ihrer gesamten Zielgruppe durchzuführen, teilen Sie Ihre Zielgruppe anhand gemeinsamer Merkmale in sinnvolle Segmente auf (versuchen Sie es mit dem Ansatz der primären Zielgruppen, der für die Skalierung von Makro- zu Mikroebene ausgelegt ist). Führen Sie anschließend A/B-Tests an diesen Segmenten durch. Dieser segmentierte Experimentieransatz ermöglicht ein differenzierteres Verständnis der unterschiedlichen Verbraucherverhaltensweisen und hilft dabei, Erlebnisse auf spezifische Gruppen zuzuschneiden.

Synchrony konnte beispielsweise die Einreichungsrate von Anwendungen bei Nutzern mit hoher Kaufabsicht um 4,5 % steigern, indem für dieses Segment ein Experiment durchgeführt wurde, bei dem die Entfernung überflüssiger Call-to-Action-Schaltflächen aus dem Banner getestet wurde.

Bei der Analyse stellte das Unternehmen fest, dass eine bestimmte Änderung der Benutzerfreundlichkeit – das Entfernen des „Video abspielen“-Buttons aus dem Banner – verhinderte, dass Nutzer mit hoher Kaufabsicht abgelenkt wurden, und ermöglichte es ihnen, tatsächlich mehr über die zahlreichen Dienstleistungen von Synchrony zu erfahren.

2. Personalisierungsstrategien für A/B-Tests

Nutzen Sie A/B-Tests, um herauszufinden, welche Personalisierungsstrategien am besten funktionieren. Man könnte beispielsweise Produktempfehlungsalgorithmen testen und herausfinden, ob diejenigen, die auf bestimmte Zielgruppen ausgerichtet sind, zu besseren Klick- oder Warenkorb-Hinzufügungsraten führen als andere.

3. Strategieanpassung in Echtzeit

Nutzen Sie die Daten, die Sie aus Ihren A/B-Tests sammeln, zur kontinuierlichen Optimierung und Verfeinerung Ihrer Personalisierungsstrategie. Diese Echtzeit-Anpassung ermöglicht eine dynamischere und effektivere Marketingstrategie, die sich kontinuierlich weiterentwickelt, um den Bedürfnissen der Verbraucher gerecht zu werden.

Beispielsweise konnte Build with Ferguson durch diese Vorgehensweise eine Steigerung der Käufe durch Empfehlungen um 89 % erzielen. Ausgangspunkt war die Implementierung einer Audience-First-Strategie (basierend auf dem Rooted Personalization- Framework).

Das Team testete verschiedene Empfehlungsstrategien und stellte schließlich fest, dass das Zielgruppensegment „Konsument“ eher zu empfohlenen Artikeln tendierte, mit denen andere Nutzer mit ähnlichem Verhalten und ähnlichen Interessen bereits interagiert hatten.

Auf Basis dieser Erkenntnisse optimierte Build with Ferguson die Performance seiner Empfehlungen auf der gesamten Website und stellte außerdem fest, dass Nutzer, die mit Empfehlungen interagieren, durchschnittlich 13 % mehr ausgeben und 2,4 Artikel mehr kaufen.

A/B-Testing und Personalisierung – natürliche Erweiterungen voneinander

Bei A/B-Tests ging es in der Vergangenheit darum, das beste Gesamterlebnis zu ermitteln, während die Personalisierung darauf abzielt, das beste Erlebnis auf Zielgruppen- oder individueller Ebene zu bieten. Und obwohl es für beides eine Zeit und einen Ort gibt, kann die Kombination der beiden zu einer gesteigerten Kundenzufriedenheit und -loyalität für Unternehmen führen – indem wichtige Kundenerlebnisse durch Personalisierung relevanter gestaltet und durch A/B-Tests maximale Ergebnisse pro Strategie erzielt werden.

PS: Weitere Informationen darüber, wie diese beiden Vorgehensweisen zusammenwirken, finden Sie in diesem Kurs zu A/B-Testing und -Optimierung. Darin wird unter anderem erklärt, wie man die richtigen Attributionskonfigurationen einrichtet, das richtige Ziel auswählt, die Ergebnisse von Personalisierungstests analysiert und sicherstellt, dass jeder Test aussagekräftige Ergebnisse liefert.