Saltar al contenido principal

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

Si bien reflejan dos enfoques distintos para mejorar la experiencia del usuario, su combinación puede ofrecer beneficios exponenciales que las empresas no quieren perderse.

 

Yaniv Navot

 

CMO, Rendimiento dinámico

Esto es lo que necesitas saber:

  • Las pruebas A/B y la personalización, cuando se combinan, pueden mejorar significativamente la experiencia del usuario al brindar la experiencia más relevante para cada individuo.
  • Las pruebas A/B ayudan a identificar las variaciones de mejor rendimiento de los elementos creativos, mientras que la personalización adapta la experiencia a cada cliente.
  • La combinación de estos enfoques agiliza los procesos, amplifica los resultados y mejora la satisfacción del cliente.
  • Los especialistas en marketing pueden aprovechar este poder segmentando audiencias para realizar pruebas A/B, probando estrategias de personalización y utilizando 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 experiencia general del usuario, la personalización tiene como objetivo hacer coincidir la experiencia más relevante con un cliente individual en el momento adecuado.

Aunque el enfoque es fundamentalmente diferente, la combinación de estas dos estrategias puede ofrecer beneficios exponenciales. En esta publicación, exploraremos por qué es así 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 los equipos de pruebas A/B y CRO ha sido invertir significativamente en el lanzamiento de todo tipo de experimentos para mejorar diferentes áreas y experiencias en el sitio, la aplicación nativa, el correo electrónico o cualquier otro canal digital y luego optimizarlos continuamente para impulsar un aumento incremental en las conversiones y los KPI específicos a medida que pasa el tiempo.

Sin embargo, a menos que una empresa genere toneladas de tráfico y tenga un enorme panorama digital desde el cual experimentar, puede llegar un punto de rendimientos decrecientes donde el resultado de la experimentación (sin importar cuántas pruebas o cuán grande y sofisticado pueda ser el experimento) alcance un rendimiento máximo en términos del aporte de estos equipos.

Esto tiene que ver en gran medida con el hecho de que el enfoque clásico 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 los definen como individuos.

Además, las pruebas A/B producen resultados generalizados basados en las preferencias mayoritarias de un segmento. Y si bien una marca puede descubrir que una experiencia particular produce más ingresos en promedio, implementarla para todos los usuarios sería un perjuicio para una porción significativa de consumidores con preferencias diferentes.

Permítanme ilustrarlo con algunos ejemplos:

Si el patrimonio neto tanto mío como de Warren Buffet fuera de 117,3 mil millones de dólares en promedio, ¿tendría sentido recomendarnos los mismos productos?

Probablemente no.

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

Esta prueba sugeriría que la etiqueta de heroína femenina se aplicara a toda la población, pero seguramente no sería la decisión correcta.

En pocas palabras:

  • Los promedios suelen ser engañosos cuando se utilizan para comparar diferentes grupos de usuarios.
  • Los cambios de variación con mejor rendimiento para cada segmento de cliente y usuario
  • Los resultados también pueden verse influenciados por factores contextuales como la geografía, 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 estuviera probando el diseño de un nuevo sitio web o una nueva aplicación, tendría sentido apuntar a una interfaz de usuario consistente que funcionara mejor en promedio, en lugar de 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 han terminado, y eso está bien porque significa que ya no se perderá dinero por las oportunidades de personalización perdidas asociadas con no ofrecer la mejor variación a cada usuario individual.

Desbloquear una mayor relevancia con la personalización

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

Y si bien no depende necesariamente de las pruebas A/B, puede resultar sorprendente que las mejores prácticas en personalización se basen en fundamentos de pruebas A/B: la única diferencia es que determinar qué versión de una experiencia particular funciona mejor se hace a nivel de audiencia en lugar de hacerlo en promedio.

Analicemos la estructura básica de cómo se vería esto dentro de una campaña de personalización. En lugar de incluir una experiencia con múltiples variaciones para comparar contra un grupo de control, como en una prueba A/B tradicional, vamos un paso más allá con la creación de múltiples experiencias dirigidas a diferentes públicos y múltiples variaciones dentro de cada una que pueden probarse A/B para determinar cuál tiene mejor rendimiento.

Esto se puede lograr a través de una segmentación basada en reglas simples, que utiliza la lógica SI/Entonces para adaptar la experiencia del cliente de acuerdo con un conjunto de reglas programadas manualmente, con equipos capaces de realizar pruebas A/B de estas experiencias, validar sus resultados al alcanzar significancia estadística y luego iterar en consecuencia.

Sin embargo, la IA y el aprendizaje automático se han convertido en apuestas seguras cuando se trata de escalar la toma de decisiones de personalización, ya que el escenario mencionado anteriormente puede convertirse en un proceso con muchos datos que involucra numerosas implementaciones de prueba con mediciones granulares de cada variación probada contra cada segmento de audiencia para determinar las reglas óptimas de segmentación programática. También es útil para convertir pruebas “perdedoras” en oportunidades de personalización para variaciones específicas identificadas para funcionar mejor para una audiencia particular.

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 combinar algorítmicamente a cada persona con recomendaciones personalizadas, ofertas de productos y contenido.

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

Combinando las pruebas A/B con la personalización

Si le preguntaras a un equipo de pruebas A/B o CRO y a aquellos dedicados a la personalización más sobre los detalles específicos de su trabajo, descubrirías que sus respuestas serían inquietantemente similares.

Vea el diagrama revelador a continuación, que se mostró durante una conferencia magistral de JD Sports | Finish Line durante un evento de Personalization Pioneers (resumen completo aquí):

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

  • Compartir un enfoque en la creación de una experiencia positiva para el cliente
  • Buscan influir y mejorar los mismos KPI
  • Pueden 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, sino que se conviertan en parte de una hoja de ruta compartida con KPI alineados.

La combinación de ambos no sólo puede agilizar procesos y operaciones, sino también generar resultados exponenciales porque permite obtener conocimientos amplios y precisos sobre el comportamiento del consumidor.

A continuación 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 su audiencia, divídala en segmentos significativos según características compartidas (pruebe el enfoque de Audiencias primarias, que está diseñado para escalar de macro a micro). Luego, realice pruebas A/B en estos segmentos. Este enfoque de experimentación segmentado 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 solicitudes en un 4,5 % entre usuarios con alta intención de compra 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 empresa notó un cambio específico en la experiencia del usuario (eliminar el botón CTA “Reproducir video” de su banner) que impedía que los usuarios con altas intenciones se distrajeran, lo que les permitía aprender más sobre los numerosos servicios de Synchrony.

2. Estrategias de personalización de pruebas A/B

Utilice pruebas A/B para determinar qué estrategias de personalización funcionan mejor. Por ejemplo, puede probar algoritmos de recomendación de productos y ver si aquellos que están dirigidos a ciertas audiencias generan mejores tasas de clics o de agregar productos al carrito que otros.

3. Adaptación de la estrategia en tiempo real

A medida que recopila datos de sus pruebas A/B, utilice esta información para la optimización y el perfeccionamiento 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 a partir de recomendaciones al hacer esto, que comenzó con la implementación de una estrategia centrada en la audiencia (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 habían interactuado.

Utilizando 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 una de la otra

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

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