Skip to main content

Miksi A/B-testaus ja personointi ovat yhdessä tehokkaampia

Vaikka ne heijastavat kahta erillistä lähestymistapaa käyttäjäkokemuksen parantamiseksi, niiden yhdistelmä voi tarjota eksponentiaalisia etuja, joista yritykset eivät halua jäädä paitsi.

 

Yaniv Navot

 

Yhteismarkkinajärjestely, dynaaminen tuotto

Tässä on mitä sinun tarvitsee tietää:

  • A/B-testaus ja personointi yhdessä voivat parantaa merkittävästi käyttäjäkokemusta tarjoamalla jokaiselle yksilölle olennaisimman kokemuksen.
  • A/B-testaus auttaa tunnistamaan parhaiten toimivat luovien elementtien variaatiot, kun taas personointi räätälöi kokemuksen yksittäisille asiakkaille.
  • Näiden lähestymistapojen yhdistäminen tehostaa prosesseja, tehostaa tuloksia ja lisää asiakastyytyväisyyttä.
  • Markkinoijat voivat hyödyntää tätä voimaa segmentoimalla yleisöjä A/B-testausta varten, testaamalla personointistrategioita ja käyttämällä reaaliaikaista dataa jatkuvaan optimointiin.

A/B-testaus ja personointi edustavat kahta erillistä menetelmää. A/B-testaus keskittyy erilaisten luovien elementtien, tekstin, asettelujen ja jopa algoritmien kokeilemiseen keskeisten liiketoimintamittareiden ja yleisen käyttäjäkokemuksen parantamiseksi, kun taas personoinnin tavoitteena on tarjota yksittäiselle asiakkaalle olennaisin kokemus oikeaan aikaan.

Vaikka lähestymistavat ovat perustavanlaatuisesti erilaisia, näiden kahden strategian yhdistäminen voi itse asiassa tarjota eksponentiaalisia etuja. Tässä artikkelissa tarkastelemme, miksi näin on, ja miten tiimit voivat tehdä niin.

A/B-testauksen rajoitukset

A/B-testauksen lähtökohta on yksinkertainen:

Vertaile kahta (tai useampaa) eri versiota jostakin nähdäksesi, kumpi toimii paremmin, ja ota sitten voittaja käyttöön kaikille käyttäjille optimaalisen kokonaiskokemuksen saavuttamiseksi.

A/B-testaus- ja CRO-tiimien käytäntönä on siis ollut investoida merkittävästi kaikenlaisten kokeilujen käynnistämiseen parantaakseen eri osa-alueita ja kokemuksia sivustolla, natiivisovelluksessa, sähköpostissa tai missä tahansa muussa digitaalisessa kanavassa ja optimoida niitä sitten jatkuvasti konversioiden ja tiettyjen KPI-mittareiden asteittaiseksi parantamiseksi ajan myötä.

Ellei yritys kuitenkaan tuota valtavasti liikennettä ja sillä ole valtavaa digitaalista maisemaa kokeilujen tekemiseen, voi tulla piste, jossa tuotot alkavat laskea ja kokeilujen tuotos (riippumatta siitä, kuinka monta testiä tai kuinka suuri ja monimutkainen kokeilu on) saavuttaa maksimituoton näiden tiimien panoksen perusteella.

Tämä liittyy suurelta osin siihen, että klassinen A/B-testaustapa tarjoaa binäärisen kuvan kävijöiden mieltymyksistä eikä useinkaan onnistu kuvaamaan kaikkia tekijöitä ja käyttäytymistä, jotka määrittelevät heidät yksilöinä.

Lisäksi A/B-testit tuottavat yleistettyjä tuloksia segmentin enemmistön mieltymysten perusteella. Ja vaikka brändi saattaa havaita tietyn kokemuksen tuottavan keskimäärin enemmän tuloja, sen tarjoaminen kaikille käyttäjille olisi karhunpalvelus merkittävälle osalle kuluttajia, joilla on erilaiset mieltymykset.

Havainnollistan asiaa muutamalla esimerkillä:

Jos sekä minun että Warren Buffetin nettovarallisuus olisi keskimäärin 117,3 miljardia Yhdysvaltain dollaria, olisiko järkevää suositella meille samoja tuotteita?

Todennäköisesti ei.

Entä jos jälleenmyyjä, joka tarjoilee sekä miesten että naisten tuotteita, päättää suorittaa klassisen A/B-testin kotisivullaan tunnistaakseen parhaiten menestyvän pääbannerivariaation, mutta koska 70 % heidän yleisöstään on naisia, naisten variaatio toimii miesten variaatiota paremmin.

Tämä testi viittaisi siihen, että naisten sankarilippua sovellettaisiin koko väestöön, mutta se ei varmasti olisi oikea päätös.

Yksinkertaisesti sanottuna:

  • Keskiarvot ovat usein harhaanjohtavia, kun niitä käytetään eri käyttäjäryhmien vertailuun
  • Parhaiten suoriutuva variaatio muuttuu kullekin asiakassegmentille ja käyttäjälle
  • Tuloksiin voivat vaikuttaa myös kontekstuaaliset tekijät, kuten maantiede, sää ja muut.

Tämä ei tietenkään tarkoita, etteikö yleisempien tulosten hyödyntämiselle olisi aikaa ja paikkaa. Jos esimerkiksi testaat uutta verkkosivuston tai sovelluksen ulkoasua, olisi järkevää pyrkiä yhteen yhdenmukaiseen käyttöliittymään, joka toimii keskimäärin parhaiten, toisin kuin kymmeniin, satoihin tai jopa tuhansiin käyttöliittymävariaatioihin eri käyttäjille.

Kuitenkin ne ajat, jolloin sivun ulkoasuun, viestittelyyn, sisältöön, suosituksiin, tarjouksiin ja muihin luoviin elementteihin sovellettiin uskollisesti "voittaja vie kaiken" -lähestymistapaa, ovat ohi – eikä se haittaa, koska se tarkoittaa, että rahaa ei enää jää käyttämättä menetettyjen personointimahdollisuuksien vuoksi, jotka liittyvät parhaan mahdollisen variaation toimittamatta jättämiseen jokaiselle yksittäiselle käyttäjälle.

Parempaa relevanttiutta personoinnin avulla

Personoinnissa on kyse sivustokokemuksen mukauttamisesta ja siihen vastaamisesta kuluttajien ainutlaatuisen käyttäytymisen, mieltymysten ja tarkoitusperien perusteella, mikä on muodostunut odotukseksi nykypäivän digitaalisessa maisemassa. Pelkästään tämän on todistettu lisäävän asiakastyytyväisyyttä ja -uskollisuutta.

Vaikka personoinnin parhaat käytännöt eivät välttämättä ole riippuvaisia A/B-testauksesta, saattaa tulla yllätyksenä, että ne perustuvat A/B-testauksen perusteisiin – ainoa ero on se, että parhaiten toimivan version määrittäminen tietyn kokemuksen osalta tehdään yleisötasolla verrattuna keskimääräiseen.

Puretaanpa perusrakenne, miltä tämä näyttäisi personointikampanjassa. Sen sijaan, että vertailuun käytettäisiin yhtä kokemusta useilla variaatioilla verrattuna kontrolliryhmään, kuten perinteisessä A/B-testissä, menemme askeleen pidemmälle luomalla useita kokemuksia, jotka on suunnattu eri yleisöille, ja useita variaatioita kussakin, joita voidaan A/B-testata parhaiten toimivan määrittämiseksi.

Tämä voidaan tehdä yksinkertaisella sääntöpohjaisella kohdentamisella, joka hyödyntää JOS/Sitten-logiikkaa räätälöidäkseen asiakaspolun manuaalisesti ohjelmoitujen sääntöjen mukaisesti. Tiimit voivat A/B-testata näitä kokemuksia, validoida tulokset tilastollisen merkitsevyyden saavuttamisen jälkeen ja sitten iteroida vastaavasti.

Tekoälystä ja koneoppimisesta on kuitenkin tullut ratkaisevia tekijöitä personoinnin skaalautumispäätöksenteossa, sillä yllä olevasta skenaariosta voi tulla datapainotteinen prosessi, johon liittyy lukuisia testikäyttöönottoja, joissa jokaista testattua variaatiota mitataan yksityiskohtaisesti kutakin kohderyhmäsegmenttiä vasten optimaalisten ohjelmallisten kohdistussääntöjen määrittämiseksi. Se on myös hyödyllinen "häviävien" testien muuntamisessa personointimahdollisuuksiksi tietyille variaatioille, jotka toimivat paremmin tietylle yleisölle.

Nämä edistyneet teknologiat analysoivat jokaisen muunnelman suorituskykyä jokaisessa liikennesegmentissä reaaliajassa, jotta valituille kohderyhmille voidaan tarjota olennaisinta sisältöä. Lisäksi henkilökohtainen personointi voidaan toteuttaa affiniteettipohjaisilla personointiominaisuuksilla, jotka hyödyntävät affiniteettiprofilointiprosessia yhdistääkseen algoritmisesti jokaisen henkilön yksilöllisiin suosituksiin, tuotetarjouksiin ja sisältöön.

Tämän tason personointi antaa yrityksille mahdollisuuden olla tehokkaampia ja kohdennetumpia markkinointistrategiassaan ja samalla sitouttaa kuluttajia vivahteikkaammin, merkityksellisemmin ja relevantimmin.

A/B-testauksen yhdistäminen personointiin

Jos kysyisit A/B-testaus- tai CRO-tiimiltä ja personointiin erikoistuneilta tiimiltä lisää heidän työnsä yksityiskohdista, huomaisit heidän vastaustensa olevan aavemaisen samankaltaisia.

Ota alla oleva silmiä avaava kaavio, joka esitettiin JD Sportsin Finish Line -tapahtuman avajaispuheenvuorossa Personalization Pioneers -tapahtumassa (täydellinen yhteenveto täällä):

Tämän ajatuksen jakavat monet muutkin, jotka alkavat ymmärtää, että sekä A/B-testaus että personointi:

  • Jaa keskittyminen positiivisen asiakaskokemuksen luomiseen
  • Haluavat vaikuttaa samoihin KPI-mittareihin ja parantaa niitä
  • Voivat hyötyä samoista kerätyistä oppeista

Lisäksi usein nämä tiimit tarvitsevat samoja sisäisiä resursseja ja jopa työkaluja! Siksi on niin tärkeää, että A/B-testaus ja personointi eivät elä tyhjiössä, vaan niistä tulee osa yhteistä etenemissuunnitelmaa ja niiden keskeiset suorituskykyindikaattorit ovat yhdenmukaisia.

Näiden kahden yhdistelmä voi paitsi virtaviivaistaa prosesseja ja toimintoja, myös tuottaa eksponentiaalisia tuloksia, koska se mahdollistaa sekä laaja-alaisen että hienosäädetyn näkemyksen kuluttajakäyttäytymisestä.

Näin voit yhdistää niiden yhdistetyn voiman markkinointistrategiaasi parempien tulosten saavuttamiseksi:

1. Segmenttipohjainen A/B-testaus

Sen sijaan, että suorittaisit A/B-testejä koko yleisöllesi, jaa yleisösi mielekkäisiin segmentteihin yhteisten ominaisuuksien perusteella (kokeile ensisijaisten yleisöjen lähestymistapaa, jonka on tarkoitus skaalata makrotasolta mikrotasolle). Suorita sitten A/B-testejä näille segmenteille. Tämä segmentoitu kokeilumenetelmä voi tarjota vivahteikkaamman ymmärryksen erilaisista kuluttajakäyttäytymisistä ja auttaa räätälöimään kokemuksia tietyille ryhmille.

Esimerkiksi Synchrony nosti hakemusten lähetysprosenttiaan 4,5 % korkean aikomuksen omaavien käyttäjien keskuudessa suorittamalla tälle segmentille kokeen, jossa testattiin ylimääräisten toimintakehotuspainikkeiden poistamista bannerista.

Analysoidessaan yritys huomasi yhden tietyn käyttökokemusmuutoksen – ”Toista video” -kehotuspainikkeen poistamisen banneristaan – joka esti tarkkojen käyttäjien keskittymisen häiriintymisen ja mahdollisti heille lisätietoa Synchronyn lukuisista palveluista.

2. A/B-testien personointistrategiat

Käytä A/B-testausta selvittääksesi, mitkä personointistrategiat toimivat parhaiten. Voit esimerkiksi testata tuotesuositusalgoritmeja ja sitä, johtavatko tietyille yleisöille kohdistetut tuotteet parempiin klikkaus- tai ostoskoriin lisäysprosentteihin kuin toiset.

3. Reaaliaikainen strategian mukauttaminen

Kun keräät dataa A/B-testeistäsi, käytä näitä tietoja personointistrategiasi jatkuvaan optimointiin ja tarkentamiseen. Tämä reaaliaikainen mukautuminen mahdollistaa dynaamisemman ja tehokkaamman markkinointistrategian, joka kehittyy jatkuvasti vastaamaan kuluttajien tarpeisiin.

Esimerkiksi Build with Ferguson -kampanjan avulla suositusten kautta tehtyjen ostojen määrä kasvoi 89 % . Aloitus oli yleisökeskeinen strategia ( Rooted Personalization -kehyksen pohjalta).

Tiimi testasi erilaisia suositusstrategioita ja havaitsi lopulta, että sen "kuluttaja"-yleisösegmentti oli taipuvainen sitoutumaan suositeltuihin tuotteisiin, joiden kanssa muut samanlaisen käyttäytymisen ja kiinnostuksen kohteiden omaavat käyttäjät olivat olleet vuorovaikutuksessa.

Näiden havaintojen avulla Build with Ferguson optimoi suositustensa suorituskykyä koko sivustolla ja havaitsi myös, että suositusten kanssa vuorovaikutuksessa olevat käyttäjät käyttävät keskimäärin 13 % enemmän rahaa ja ostavat 2,4 tuotetta enemmän.

A/B-testaus ja personointi – toistensa luonnollisia jatkeita

A/B-testauksessa on perinteisesti keskitytty parhaan kokonaisvaltaisen kokemuksen määrittämiseen, kun taas personoinnilla pyritään tarjoamaan paras kokemus yleisö- tai yksilötasolla. Ja vaikka molemmille on aikansa ja paikkansa, niiden yhdistäminen voi parantaa yritysten asiakastyytyväisyyttä ja -uskollisuutta – personoinnin avulla keskeiset kokemukset voidaan tehdä merkityksellisemmiksi ja A/B-testauksen avulla voidaan saavuttaa maksimaalisia tuloksia strategiaa kohden.

PS. Lisätietoja näiden kahden käytännön yhdistämisestä saat tutustumalla tähän A/B-testaus ja optimointi -kurssiin, jossa käsitellään oikeiden attribuutiomääritysten määrittämistä, oikean tavoitteen valitsemista, personointitestien tulosten analysointia ja sen varmistamista, että jokainen tuottaa merkityksellisiä tuloksia.