Kom i gang med test af produktanbefalinger og personalisering

Personalisation er et stort ord, hvilket ofte får teams til at føle sig overvældede, når de skal beslutte, hvor de skal starte, da der er så mange forskellige måder at skræddersy den digitale kundeoplevelse på.

Men ud over at være en af de mest ligetil former for personalisering kan produktanbefalinger også skabe nogle af de mest meningsfulde resultater for virksomheder, hvilket er grunden til, at så mange vælger at tage dem i brug fra starten (og endda langt hen ad vejen i deres personaliseringsrejse). Produktanbefalinger kan f.eks. implementeres på hele websitet (på forside-, kategori- og produktsider samt i søge- og betalingsflowet) for at forbedre mulighederne for opdagelse samt mersalg og krydssalg. 

Så hvordan kan teams omsætte dette grundlæggende element af personalisering til praksis og begynde at se resultaterne i form af konverteringer, gennemsnitlig ordreværdi og omsætning?

Kort sagt vil teams i sidste ende opnå følgende, når de har fulgt de trin, der er beskrevet i dette indlæg:

1. Prioritering af produktanbefalingstests baseret på effekt 

2. Test af algoritmer for at fastslå den bedste pr. målgruppe 

3. Finjustering af ydeevnen ved at teste andre oplevelseselementer

Lad os nu dykke ned i det arbejde, der ligger bag.

Da vi ved, at vi ønsker at lancere en kampagne for produktanbefalinger, er vores næste naturlige skridt at vælge det publikum, vi ønsker at levere oplevelsen til.

Er du i tvivl om, hvordan du prioriterer den rette?

Ved hjælp af rammeverket for primære målgrupper kan teams identificere 3-4 primære målgrupper, der dækker 100 % af webstedets trafik og er baseret på et enkelt segmenteringsprincip for at sikre præcis og konsistent kommunikation samt skalerbarhed i både udførelse og læring.

Læs mere om hvordan man vælger et sæt af primære målgrupper.

Et, som følge af forbrugeradfærdens naturlige udvikling over tid, stadigt mere populært segmenteringsprincip er at opdele en række målgrupper efter lav, medium og høj købsintention.

Her er nogle kendetegn/observationer, som vi kan knytte til de enkelte målgrupper:

• Lav hensigt:
  • Ny bruger af brandet eller sitet
    
  • Ubekendt med webstedets produktudvalg
  • Begrænset tid på websitet og minimal dataindsigt baseret på browserdata
  • Har ikke tilføjet nogen varer til kurven
• Medium hensigt:
  • Kendskab til virksomheden
  • Kan være i gang med at vælge mellem brands eller produkter
  • Kan have tilmeldt sig e-mail eller loyalitetsmedlemskab
  • Har tilføjet en vare til indkøbskurven, men har endnu ikke købt
• Høj købsintention:
  • Har en god fornemmelse af, hvad de vil have
  • Forstår, hvorfor de skal handle hos virksomheden
  • Enten er produktet ikke fundet endnu, eller der er brug for et sidste skub
  • Masser af databaseret indsigt fra webstedets aktivitet
  • Længere nede i tragten

For at gøre det enkelt vil vi fokusere på målgruppen med høj intention og tage dig igennem processen med, hvordan du opstiller en hypotese, opsætter og skaber et eksperiment for den pågældende målgruppe af brugere.

Vidste du, at anbefalinger, der implementeres på produktdetaljesider (PDP'er), genererer størstedelen af den direkte omsætning, når man ser på det samlede afkast af disse kampagner i forhold til virksomhedens større personaliseringsprogram?

Faktisk 60-70 % eller mere i gennemsnit.

Det giver mening, da områder på websitet som f.eks. produktsider (PDP'er) enten har meget trafik (får stor eksponering) eller ligger længere nede i tragten, hvor produktanbefalinger er særligt velegnede, da brugere på det stadie i købsprocessen typisk er mere klar til at konvertere.

Så vi starter der for at garantere maksimal indvirkning tidligt i vores eksperimenter med produktanbefalinger, hvilket gør det lettere at vise værdi og frigøre interne ressourcer og støtte til yderligere test. 

Anbefalingsstrategier udgør logikken bag valg af varer i widgetten baseret på en bestemt algoritme (f.eks. de mest populære varer, varer som brugeren tidligere har set osv.). Og ligesom der er mange forskellige typer af personlige oplevelser, et brand kan levere, er der også et utal af anbefalingsstrategier at eksperimentere med.

Lad os prøve at indsnævre vores muligheder ved at opstille en hypotese om, hvad vi mener vil fungere bedst for hver enkelt målgruppe generelt, og hvorfor. En god måde at gribe udarbejdelsen af en hypotese an på er at bruge følgende udsagn og udfylde de manglende oplysninger:

HVIS vi [foreslået ændring af webstedet eller den digitale oplevelse] FOR [målgruppe], SÅ vil vi [indvirkning på KPI] FORDI [årsagen til, at vi tror, resultatet vil være positivt].

Ved hjælp af nogle af de indledende observationer, vi allerede har gjort i vores målgruppeudvælgelsesproces, hvordan kan vores målgruppe med "høj hensigt" så passe godt sammen med forskellige anbefalingsalgoritmer?

Målgruppe

• Høj intention

Webstedets placering: Produktdetaljeside

• Lighed
• Affinitet

Ovenstående indstillinger repræsenterer nogle grundlæggende, indledende algoritmer, der kan afprøves på PDP'en – vindere kan variere meget afhængigt af brand, brugerbase og målgruppe, hvilket netop er grunden til, at vi tester til at begynde med.

Få mere at vide om det væsentlige ved at vælge den rette strategi for produktanbefalinger.

Generelt betragter vi produktanbefalinger som tidløse elementer på sitet, så det er vigtigt at fastsætte de rette KPI'er for at forstå effekten på den lange bane. Selvom enhver test af produktanbefalinger vil være forskellig afhængigt af, hvilken side widgetten placeres på (og endda hvordan widgetten er designet, f.eks. omfatter en opfordring til handling (CTA) om at lægge i kurv), er en god tommelfingerregel at se på det næste logiske skridt i tragten. 

For eksempel vil det for forsiden være klikrate (CTR) eller sidevisninger, hvorimod produktvisning eller tilføj til kurv ville give mening for en produktoversigtsside (PLP) og omsætning pr. bruger for selve indkøbskurven. Da vi fokuserer på produktsiden, vil den relevante KPI i vores tilfælde være tilføj til kurv af køb pr. bruger.

Nu vil vi gennemgå vores hypotese for "Similarity-strategien", som passer bedst sammen med "High intent"-målgruppen, og se, hvordan den modtages:

HVIS vi viser lignende produkter på produktsiden FOR brugere med høj købshensigt, SÅ vil vi se en stigning i køb pr. bruger, FORDI vi viser dem varer, der er en mere passende version af det produkt, de kigger på.

Vi anbefaler dog altid at teste mindst to anbefalingsstrategier op mod hinanden (samt en kontrolgruppe), hvis vores oprindelige hypotese ikke viser sig at holde stik. 

Derfor kan vores anden hypotese for "Affinity"-strategien (som også er velegnet til denne målgruppe) se omtrent sådan ud:

HVIS vi viser affinitetsbaserede produkter på produktsiden FOR brugere med høj intention, SÅ vil vi se en stigning i køb pr. bruger FORDI vi leverer holistiske produktanbefalinger, der er mere personaliserede i forhold til deres præferencer.

Videre til at teste disse teorier.

Når et eksperiment er sat i gang, er det vigtigt at lade testen køre i mindst to uger for både at opnå statistisk signifikans og mindske eventuelle effekter fra sæsonudsving.

Ud over statistisk signifikans anbefaler vi også at vurdere en bestemt variations Probability to Be Best (P2BB). Dette indikerer dens langsigtede sandsynligheid for at overgå alle andre aktive variationer, hvilket i vores tilfælde omfatter de anbefalinger, der leveres med en "Similarity"-strategi versus "Affinity"-strategien og derefter versus vores kontrol.

Det er standardpraksis, at hvis P2BB for den førende variation kommer over 95 %, kan den erklæres som vinder. Ikke desto mindre er 80 % typisk en sund nok tærskel at handle på – hvilket er endnu mere sandt for websteder med mindre trafik, som kan kræve mere tid til at generere resultater.

I denne sammenhæng antager vi, at "Affinity"-algoritmen opnåede en P2BB på 80 %. Vi ønsker derefter at fastslå dens vinderposition og fravælge den tabende algoritme, idet vi noterer os, hvorfor vores "High intent"-målgruppe foretrukne den frem for "Similarity"-strategien. 

I dette tilfælde vil det blive konkluderet, at personlige anbefalinger baseret på en enkeltpersons tidligere udtrykte præferencer var mere virkningsfulde end at vise en vare, der lignede den, som dette publikum allerede havde i søgelyset. Og med denne indsigt vil der derefter blive testet en anden algoritme op imod den vindende "Affinity"-strategi.

Vores næste test kan være en helt anden algoritme, såsom "Set sammen", eller der kan foretages ændringer i det eksisterende eksperiment. For eksempel at tilføje dynamiske filtreringsregler for inklusion/eksklusion, såsom "vis kun produkter over $25" eller "vis kun varer inden for samme kategori".

Denne proces kan fortsættes på ubestemt tid for yderligere at maksimere resultaterne, men det er altid godt at opstille et benchmark, som man kan stræbe efter, og som giver plads til yderligere forbedringer af oplevelsen, såsom meddelelseselementet i anbefalingswidgetten.

Det kan virke trivielt i betragtning af, at anbefalingswidgettens titel normalt kun består af et par ord, men det er helt afgørende at forklare målgruppen, hvorfor et bestemt udvalg af produkter vises.

Ved hjælp af vores effektive "Affinity"-algoritme kan vi sammensætte en række beskedmuligheder for at teste og udrulle den bedst præsterende variant:

• Kontrol – Anbefalet til dig

• Variation A – Kun til dig 

• Variation B – Skræddersyet til dig

• Variation C – Udvalgt til dig

• Variation D – Baseret på dine visninger

Ud over budskabet kan teamene også eksperimentere med anbefalingswidgettens overordnede udseende og fornemmelse samt dens placering på siden. 

Den eneste måde at overvinde det valg-paradoks, der er forbundet med personalisering, er simpelthen at gå i gang. Og selvom der ikke er nogen facitliste, når det gælder, hvor en virksomheds rejse begynder, er der indsatser med større effekt, som teams kan prioritere med det samme for at skabe meningsfulde hurtige sejre, der danner fundamentet for resten af programmet.

Forhåbentlig vil ovenstående proces gøre det en smule nemmere for dig at nå dertil!