Skip to main content

Dlaczego testy A/B i personalizacja są razem silniejsze?

Chociaż odzwierciedlają dwa różne podejścia do poprawy doświadczenia użytkownika, ich połączenie może zaoferować wykładnicze korzyści, których firmy nie chcą przegapić.

 

Yaniv Navot

 

CMO, Dynamic Yield

Oto, co musisz wiedzieć:

  • Testy A/B i personalizacja, w połączeniu, mogą znacznie poprawić wrażenia użytkowników, dostarczając najbardziej odpowiednie doświadczenia dla każdej osoby.
  • Testy A/B pomagają zidentyfikować najlepiej działające warianty elementów kreatywnych, podczas gdy personalizacja dostosowuje doświadczenie do indywidualnych klientów.
  • Połączenie tych podejść usprawnia procesy, wzmacnia wyniki i zwiększa zadowolenie klientów.
  • Marketerzy mogą wykorzystać tę moc, segmentując odbiorców do testów A/B, testując strategie personalizacji i wykorzystując dane w czasie rzeczywistym do ciągłej optymalizacji.

Testy A/B i personalizacja to dwie różne metodologie. Podczas gdy testy A/B koncentrują się na eksperymentowaniu z różnymi elementami kreatywnymi, tekstem, układami, a nawet algorytmami w celu poprawy kluczowych wskaźników biznesowych, a także ogólnego doświadczenia użytkownika, personalizacja ma na celu dopasowanie najbardziej odpowiedniego doświadczenia do indywidualnego klienta we właściwym momencie.

Choć zasadniczo różnią się podejściem, połączenie tych dwóch strategii może w rzeczywistości przynieść wykładnicze korzyści. W tym poście zbadamy, dlaczego tak jest, a także jak zespoły mogą to zrobić.

Ograniczenia testów A/B

Założenie testów A/B jest proste:

Porównaj dwie (lub więcej) różne wersje czegoś, aby zobaczyć, która działa lepiej, a następnie wdróż zwycięzcę wszystkim użytkownikom, aby uzyskać najbardziej optymalne ogólne wrażenia.

Praktyką zespołów zajmujących się testami A/B i CRO było zatem znaczne inwestowanie w uruchamianie wszelkiego rodzaju eksperymentów w celu ulepszenia różnych obszarów i doświadczeń w witrynie, aplikacji natywnej, e-mailu lub innym kanale cyfrowym, a następnie ciągłe ich optymalizowanie w celu zwiększenia liczby konwersji i określonych wskaźników KPI w miarę upływu czasu.

Jednakże, o ile firma nie generuje ton ruchu i nie ma ogromnego cyfrowego krajobrazu, z którego można eksperymentować, może nadejść punkt malejących zysków, w którym wyniki eksperymentów (bez względu na to, ile testów lub jak duży i wyrafinowany może być eksperyment) osiągają maksymalną wydajność pod względem wkładu tych zespołów.

W dużej mierze ma to związek z faktem, że klasyczne podejście do testów A/B oferuje binarne spojrzenie na preferencje odwiedzających i często nie pozwala uchwycić pełnego zakresu czynników i zachowań, które określają, kim są jako jednostki.

Co więcej, testy A/B dają uogólnione wyniki w oparciu o preferencje większości segmentów. I chociaż marka może uznać, że określone doświadczenie przynosi średnio większe przychody, wdrożenie go dla wszystkich użytkowników byłoby niedźwiedzią przysługą dla znacznej części konsumentów o różnych preferencjach.

Zilustruję to kilkoma przykładami:

Jeśli majątek netto mój i Warrena Buffeta wynosiłby średnio 117,3 mld USD, to czy polecanie nam tych samych produktów miałoby sens?

Prawdopodobnie nie.

Albo jeśli sprzedawca detaliczny, który oferuje zarówno produkty męskie, jak i damskie, zdecyduje się przeprowadzić klasyczny test A / B na swojej stronie głównej, aby zidentyfikować najskuteczniejszą odmianę banera głównego, ale ponieważ 70% ich odbiorców to kobiety, odmiana damska przewyższa męską.

Ten test sugerowałby, że sztandar bohatera kobiet można zastosować do całej populacji, ale z pewnością nie byłaby to właściwa decyzja.

Mówiąc prościej:

  • Średnie są często mylące, gdy są używane do porównywania różnych grup użytkowników
  • Najskuteczniejsza odmiana zmienia się dla każdego segmentu klientów i użytkowników.
  • Na wyniki mogą również wpływać czynniki kontekstowe, takie jak położenie geograficzne, pogoda i inne.

Nie oznacza to oczywiście, że nie ma czasu i miejsca na wykorzystanie bardziej uogólnionych wyników. Na przykład, gdybyś testował nową stronę internetową lub projekt aplikacji, sensowne byłoby dążenie do jednego spójnego interfejsu użytkownika, który działałby najlepiej w porównaniu z dziesiątkami, setkami, a nawet tysiącami odmian interfejsu użytkownika dla różnych użytkowników.

Jednak czasy wiernego przyjmowania podejścia "zwycięzca bierze wszystko" do układu strony, komunikatów, treści, rekomendacji, ofert i innych elementów kreatywnych dobiegły końca - i to dobrze, ponieważ oznacza to, że nie będzie już pieniędzy na stole z powodu utraconych możliwości personalizacji związanych z niedostarczaniem najlepszych wariantów dla każdego użytkownika.

Odblokowanie większej trafności dzięki personalizacji

Personalizacja polega na reagowaniu i dostosowywaniu doświadczeń na stronie do konsumentów w zależności od ich unikalnych zachowań, preferencji i intencji, co stało się oczekiwaniem w dzisiejszym cyfrowym krajobrazie. Udowodniono, że już samo to zwiększa zadowolenie i lojalność klientów.

I choć niekoniecznie zależy to od testów A/B, może być zaskoczeniem, że najlepsze praktyki w personalizacji opierają się na podstawach testów A/B - jedyną różnicą jest to, że określenie, która wersja konkretnego doświadczenia działa najlepiej, odbywa się na poziomie odbiorców, a nie średnio.

Przeanalizujmy podstawową strukturę tego, jak wyglądałoby to w kampanii personalizacyjnej. Zamiast uwzględniać jedno doświadczenie z wieloma wariantami do porównania z grupą kontrolną, tak jak w przypadku tradycyjnego testu A/B, idziemy o krok dalej, tworząc wiele doświadczeń skierowanych do różnych odbiorców i wiele wariantów w ramach każdego z nich, które można przetestować A/B w celu określenia najlepszego z nich.

Można to zrobić za pomocą prostego targetowania opartego na regułach, które wykorzystuje logikę IF/Then do dostosowania podróży klienta zgodnie z zestawem ręcznie zaprogramowanych reguł, a zespoły mogą testować te doświadczenia A/B, weryfikować ich wyniki po osiągnięciu istotności statystycznej, a następnie odpowiednio iterować.

Jednak sztuczna inteligencja i uczenie maszynowe stały się podstawą, jeśli chodzi o skalowanie podejmowania decyzji dotyczących personalizacji, ponieważ powyższy scenariusz może stać się procesem wymagającym dużej ilości danych, który obejmuje liczne wdrożenia testowe z szczegółowymi pomiarami każdej testowanej odmiany dla każdego segmentu odbiorców w celu określenia optymalnych zasad kierowania programatycznego. Jest to również pomocne w przekształcaniu "przegranych" testów w możliwości personalizacji dla określonych odmian zidentyfikowanych jako lepsze dla określonej grupy odbiorców.

Te zaawansowane technologie analizują wydajność każdej odmiany w każdym segmencie ruchu w czasie rzeczywistym, aby wyświetlać najbardziej odpowiednie treści wybranym grupom odbiorców. Co więcej, personalizację 1:1 można osiągnąć dzięki funkcjom personalizacji opartym na powinowactwie, które wykorzystują proces profilowania powinowactwa w celu algorytmicznego dopasowania każdej osoby do spersonalizowanych rekomendacji, ofert produktów i treści.

Ten poziom personalizacji pozwala firmom być bardziej skutecznymi i ukierunkowanymi w swojej strategii marketingowej, jednocześnie angażując konsumentów w bardziej zniuansowany, znaczący i odpowiedni sposób.

Łączenie testów A/B z personalizacją

Gdybyś zapytał zespół zajmujący się testami A/B lub CRO i osoby zajmujące się personalizacją o specyfikę ich pracy, odpowiedzi byłyby bardzo podobne.

Weźmy pod uwagę poniższy diagram, który został przedstawiony podczas przemówienia JD Sports | Finish Line podczas wydarzenia Personalization Pioneers (pełne podsumowanie tutaj):

Jest to zdanie podzielane przez wielu innych, którzy zaczynają zdawać sobie sprawę, że zarówno testy A/B, jak i personalizacja:

  • Wspólne skupienie się na tworzeniu pozytywnych doświadczeń klientów
  • Chcą wpływać na te same wskaźniki KPI i je poprawiać
  • Może korzystać z tych samych zebranych informacji

Co więcej, często zespoły te wymagają tych samych zasobów wewnętrznych, a nawet narzędzi! Dlatego tak ważne jest, aby testy A/B i personalizacja nie działały w próżni, a zamiast tego stały się częścią wspólnej mapy drogowej z dopasowanymi wskaźnikami KPI.

Połączenie tych dwóch elementów może nie tylko usprawnić procesy i operacje, ale także wygenerować wykładnicze wyniki, ponieważ pozwala zarówno na szeroki, jak i precyzyjny wgląd w zachowania konsumentów.

Oto, w jaki sposób można włączyć ich połączoną moc do strategii marketingowej, aby uzyskać lepsze wyniki:

1. Testy A/B oparte na segmentach

Zamiast przeprowadzać testy A/B na wszystkich odbiorcach, podziel swoich odbiorców na znaczące segmenty w oparciu o wspólne cechy (wypróbuj podejście Primary Audiences, które ma na celu skalowanie od makro do mikro). Następnie przeprowadź testy A/B na tych segmentach. Takie segmentowe podejście do eksperymentów może zapewnić bardziej szczegółowe zrozumienie różnych zachowań konsumentów i pomóc w dostosowaniu doświadczeń do określonych grup.

Dla przykładu, Synchrony zwiększyło wskaźnik składania wniosków o 4,5% wśród użytkowników o wysokich intencjach, przeprowadzając eksperyment dla tego segmentu, który testował usunięcie obcych przycisków wezwania do działania z banera.

Po analizie firma zauważyła, że jedna konkretna zmiana UX - usunięcie przycisku CTA "Odtwórz wideo" z banera - powstrzymała użytkowników o wysokiej intensywności przed rozpraszaniem się, umożliwiając im faktycznie dowiedzenie się więcej o licznych usługach Synchrony.

2. Strategie personalizacji w testach A/B

Użyj testów A/B, aby określić, które strategie personalizacji działają najlepiej. Możesz na przykład przetestować algorytmy rekomendacji produktów i sprawdzić, czy te, które są skierowane do określonych odbiorców, prowadzą do lepszych współczynników klikalności lub dodawania do koszyka niż inne.

3. Dostosowanie strategii w czasie rzeczywistym

Gromadząc dane z testów A/B, wykorzystaj te informacje do ciągłej optymalizacji i udoskonalania strategii personalizacji. Ta adaptacja w czasie rzeczywistym pozwala na bardziej dynamiczną i skuteczną strategię marketingową, która stale ewoluuje, aby zaspokoić potrzeby konsumentów.

Na przykład firma Build with Ferguson wygenerowała wzrost zakupów o 89% dzięki rekomendacjom, które najpierw zaczęły się od wdrożenia strategii opartej na odbiorcach (opartej na strukturze Rooted Personalization ).

Zespół przetestował różne strategie rekomendacji i ostatecznie odkrył, że jego segment odbiorców "konsumenckich" miał tendencję do angażowania się w rekomendowane elementy, z którymi wchodzili w interakcje inni użytkownicy o podobnych zachowaniach i zainteresowaniach.

Korzystając z tych ustaleń, firma Build with Ferguson zoptymalizowała działanie swoich rekomendacji w całej witrynie, a także odkryła, że użytkownicy, którzy wchodzą w interakcję z rekomendacjami, wydają o 13% więcej i kupują średnio o 2,4 więcej produktów.

Testy A/B i personalizacja - naturalne rozszerzenia siebie nawzajem

Testy A/B historycznie dotyczyły określenia najlepszego ogólnego doświadczenia, podczas gdy personalizacja ma na celu zapewnienie najlepszego doświadczenia na poziomie odbiorców lub jednostki. I choć jest czas i miejsce na jedno i drugie, połączenie tych dwóch elementów może przełożyć się na zwiększenie satysfakcji i lojalności klientów - dzięki personalizacji kluczowych doświadczeń i maksymalnym wynikom uzyskanym dzięki testom A/B.

P.S. Aby uzyskać więcej informacji na temat tego, jak te dwie praktyki łączą się ze sobą, proponuję zapoznać się z kursem Testy A/B & Optymalizacja, w którym omówiono, jak skonfigurować odpowiednie konfiguracje atrybucji, wybrać właściwy cel, przeanalizować wyniki testów personalizacji i upewnić się, że każdy z nich przynosi znaczące wyniki .