Skip to main content

Hvorfor A/B-testning og personalisering er mere effektive sammen

Selvom de afspejler to forskellige tilgange til at forbedre brugeroplevelsen, kan kombinationen af dem tilbyde eksponentielle fordele, som virksomheder ikke ønsker at gå glip af.

 

Yaniv Navot

 

CMO, dynamisk udbytte

Her er hvad du behøver at vide:

  • A/B-testning og personalisering kan, når de kombineres, forbedre brugeroplevelsen betydeligt ved at levere den mest relevante oplevelse til hver enkelt person.
  • A/B-testning hjælper med at identificere de bedst performende variationer af kreative elementer, mens personalisering skræddersyr oplevelsen til den enkelte kunde.
  • Kombinationen af disse tilgange strømliner processer, forstærker resultater og øger kundetilfredsheden.
  • Marketingfolk kan udnytte denne styrke ved at segmentere målgrupper til A/B-testning, teste personaliseringsstrategier og bruge realtidsdata til løbende optimering.

A/B-testning og personalisering repræsenterer to forskellige metoder. Mens A/B-testning fokuserer på at eksperimentere med forskellige kreative elementer, tekst, layouts og endda algoritmer for at forbedre vigtige forretningsmålinger samt den samlede brugeroplevelse, sigter personalisering mod at matche den mest relevante oplevelse til en individuel kunde på det rette tidspunkt.

Selvom tilgangen er fundamentalt forskellig, kan en kombination af disse to strategier faktisk give eksponentielle fordele. I dette indlæg vil vi undersøge hvorfor det er tilfældet, samt hvordan teams kan gøre det.

A/B-testnings begrænsninger

Præmissen bag A/B-testning er enkel:

Sammenlign to (eller flere) forskellige versioner af noget for at se, hvilken der klarer sig bedst, og distribuer derefter vinderen til alle brugere for at opnå den mest optimale samlede oplevelse.

Praksissen for A/B-test- og CRO-teams har derfor været at investere betydeligt i at lancere alle mulige slags eksperimenter for at forbedre forskellige områder og oplevelser på tværs af webstedet, native apps, e-mails eller andre digitale kanaler og derefter løbende optimere dem for at drive en gradvis stigning i konverteringer og specifikke KPI'er over tid.

Men medmindre en virksomhed genererer tonsvis af trafik og har et enormt digitalt landskab at eksperimentere fra, kan der komme et punkt med aftagende afkast, hvor outputtet af eksperimentering (uanset hvor mange tests eller hvor stort og sofistikeret et eksperiment måtte være) når et maksimalt udbytte med hensyn til input fra disse teams.

Dette hænger i høj grad sammen med, at den klassiske tilgang til A/B-testning tilbyder et binært overblik over de besøgendes præferencer og ofte ikke formår at indfange hele spektret af faktorer og adfærd, der definerer, hvem de er som individer.

Derudover giver A/B-tests generaliserede resultater baseret på et segments majoritetspræferencer. Og selvom et brand måske oplever, at en bestemt oplevelse i gennemsnit giver mere omsætning, ville det være en bjørnetjeneste for en betydelig del af forbrugerne med forskellige præferencer at implementere den til alle brugere.

Lad mig illustrere med et par eksempler:

Hvis både min og Warren Buffets nettoformue i gennemsnit var 117,3 milliarder USD, ville det så give mening at anbefale de samme produkter til os?

Sandsynligvis ikke.

Eller hvad nu hvis en detailhandler, der tilbyder både herre- og dameprodukter, beslutter sig for at køre en klassisk A/B-test på deres hjemmeside for at identificere den bedst performende hero-bannervariant, men da 70 % af deres målgruppe er kvinder, klarer kvindernes variant sig bedre end mændenes.

Denne test ville antyde, at kvindernes heltebanner skulle anvendes på hele befolkningen, men det ville bestemt ikke være den rigtige beslutning.

For at sige det enkelt:

  • Gennemsnit er ofte misvisende, når de bruges til at sammenligne forskellige brugergrupper
  • De bedst performende variationsændringer for hvert kundesegment og bruger
  • Resultaterne kan også påvirkes af kontekstuelle faktorer som geografi, vejr og mere

Det betyder selvfølgelig ikke, at der ikke er tid og sted til at udnytte mere generaliserede resultater. Hvis du for eksempel testede et nyt website- eller appdesign, ville det give mening at sigte mod én ensartet brugergrænseflade, der fungerede bedst i gennemsnit, sammenlignet med snesevis, hundredvis eller endda tusindvis af brugergrænsefladevariationer for forskellige brugere.

Men dagene med trofast at have en "vinderen tager det hele"-tilgang til layout af en side, beskeder, indhold, anbefalinger, tilbud og andre kreative elementer er forbi – og det er okay, for det betyder, at der ikke længere vil være penge tilbage på bordet fra de mistede personaliseringsmuligheder, der er forbundet med ikke at levere den bedste variation til hver enkelt bruger.

Få større relevans med personalisering

Personalisering handler om at reagere på og tilpasse webstedsoplevelsen til forbrugerne afhængigt af deres unikke adfærd, præferencer og intention, hvilket er blevet en forventning i dagens digitale landskab. Alene dette er bevist at øge kundetilfredsheden og loyaliteten.

Og selvom det ikke nødvendigvis er afhængigt af A/B-test, kan det komme som en overraskelse, at bedste praksis inden for personalisering er baseret på fundamentet for A/B-test – den eneste forskel er, at bestemmelsen af, hvilken version af en bestemt oplevelse der fungerer bedst, sker på målgruppeniveau kontra i gennemsnit.

Lad os gennemgå den grundlæggende struktur for, hvordan dette ville se ud i en personaliseringskampagne. I stedet for at inkludere én oplevelse med flere variationer for at sammenligne med en kontrolgruppe, som i en traditionel A/B-test, går vi et skridt videre med at skabe flere oplevelser målrettet mod forskellige målgrupper og flere variationer inden for hver, der kan A/B-testes for at bestemme den bedst ydende.

Dette kan gøres gennem simpel regelbaseret målretning, der bruger HVIS/Så-logik til at skræddersy kunderejsen i henhold til et sæt manuelt programmerede regler, hvor teams kan A/B-teste disse oplevelser, validere deres resultater, når de når statistisk signifikans, og derefter iterere i overensstemmelse hermed.

AI og maskinlæring er imidlertid blevet afgørende faktorer, når det kommer til at skalere beslutningstagning om personalisering, da ovenstående scenarie kan blive en datatung proces, der involverer adskillige testimplementeringer med detaljerede målinger af hver testet variation mod hvert målgruppesegment for at bestemme de optimale programmatiske målretningsregler. Det er også nyttigt til at konvertere "tabende" tests til personaliseringsmuligheder for specifikke variationer, der er identificeret for at præstere bedre for en bestemt målgruppe.

Disse avancerede teknologier analyserer præstationen af hver variation på tværs af hvert trafiksegment i realtid for at levere det mest relevante indhold til udvalgte målgrupper. Derudover kan 1:1-personalisering opnås med affinitetsbaserede personaliseringsfunktioner, der udnytter processen med affinitetsprofilering til algoritmisk at matche hver person med personlige anbefalinger, produkttilbud og indhold.

Dette niveau af personalisering gør det muligt for virksomheder at være mere effektive og målrettede med deres markedsføringsstrategi, samtidig med at de engagerer forbrugerne på en mere nuanceret, meningsfuld og relevant måde.

Kombination af A/B-testning og personalisering

Hvis du spurgte et A/B-test- eller CRO-team og dem, der er dedikeret til personalisering, mere om detaljerne i deres arbejde, ville du opdage, at deres svar var uhyggeligt ens.

Se det øjenåbnende diagram nedenfor, som blev vist under en hovedtale fra JD Sports | Finish Line under et Personalization Pioneers- arrangement (fuldstændig opsummering her):

Det er en følelse, der deles af mange andre, som er begyndt at indse, at både A/B-testning og personalisering:

  • Del fokus på at skabe en positiv kundeoplevelse
  • Ønsker at påvirke og forbedre de samme KPI'er
  • Kan drage fordel af de samme indsamlede erfaringer

Derudover kræver disse teams ofte de samme interne ressourcer og endda værktøjer! Derfor er det så vigtigt, at A/B-testning og personalisering ikke lever i et vakuum, men i stedet bliver en del af en fælles roadmap med afstemte KPI'er.

Kombinationen af de to kan ikke blot strømline processer og drift, men også generere eksponentielle resultater, fordi det giver mulighed for både bred og finjusteret indsigt i forbrugeradfærd.

Sådan kan du integrere deres samlede styrke i din marketingstrategi for at opnå bedre resultater:

1. Segmentbaseret A/B-testning

I stedet for at udføre A/B-tests på hele din målgruppe, så opdel din målgruppe i meningsfulde segmenter baseret på fælles karakteristika (prøv den primære målgruppetilgang, som er beregnet til at skalere fra makro til mikro). Udfør derefter A/B-tests på disse segmenter. Denne segmenterede eksperimenteringstilgang kan give en mere nuanceret forståelse af forskellige forbrugeradfærd og hjælpe med at skræddersy oplevelser til specifikke grupper.

For eksempel øgede Synchrony sin ansøgningsindsendelsesrate med 4,5 % blandt brugere med høj intention ved at køre et eksperiment for dette segment, der testede fjernelsen af uønskede call-to-action-knapper fra banneret.

Ved analyse bemærkede virksomheden én specifik UX-ændring – fjernelsen af knappen "Afspil video" fra banneret – hvilket forhindrede brugere med høj interesse i at blive distraheret, hvilket gjorde det muligt for dem rent faktisk at lære mere om Synchronys mange tjenester.

2. Strategier til personalisering af A/B-tests

Brug A/B-test til at finde ud af, hvilke personaliseringsstrategier der fungerer bedst. For eksempel kan du teste algoritmer til produktanbefalinger , og om de algoritmer, der er målrettet mod bestemte målgrupper, fører til bedre klik- eller tilføjelsesrater til indkøbskurven end andre.

3. Strategitilpasning i realtid

Når du indsamler data fra dine A/B-tests, skal du bruge disse oplysninger til løbende optimering og forfining af din personaliseringsstrategi. Denne tilpasning i realtid muliggør en mere dynamisk og effektiv markedsføringsstrategi, der løbende udvikler sig for at imødekomme forbrugernes behov.

For eksempel genererede Build with Ferguson en stigning på 89 % i køb fra anbefalinger ved at gøre dette, hvilket startede med implementeringen af en målgruppeorienteret strategi (baseret på Rooted Personalization- frameworket).

Teamet testede forskellige anbefalingsstrategier og fandt i sidste ende ud af, at deres 'forbruger'-målgruppe havde en tendens til at interagere med anbefalede varer, som andre brugere med lignende adfærd og interesser har interageret med.

Ved hjælp af disse resultater optimerede Build with Ferguson ydeevnen af sine anbefalinger på tværs af webstedet og opdagede også, at brugere, der interagerer med anbefalinger, bruger 13 % mere og køber 2,4 flere varer i gennemsnit.

A/B-test og personalisering – naturlige forlængelser af hinanden

A/B-testning har historisk set handlet om at bestemme den bedste oplevelse samlet set, mens personalisering sigter mod at give den bedste oplevelse på målgruppe- eller individuelt niveau. Og selvom der er en tid og et sted for begge dele, kan en kombination af de to resultere i øget kundetilfredshed og loyalitet for virksomheder – med nøgleoplevelser, der gøres mere relevante gennem personalisering og maksimale resultater opnået pr. strategi via deres A/B-test.

PS For mere information om, hvordan disse to praksisser kombineres, foreslår jeg, at du tjekker dette A/B-test- og optimeringskursus, som omhandler, hvordan man opsætter de rigtige attributionskonfigurationer, vælger det rigtige mål, analyserer resultater af personaliseringstests og sikrer, at hver enkelt giver meningsfulde resultater.