Skip to main content

為什麼 A/B 測試和個人化結合起來會更強大？

儘管這兩種改善使用者體驗的方法截然不同，但它們的結合卻能為企業帶來無法錯過的效益。

 

Yaniv Navot

 

CMO、動態收益率

以下是您需要知道的資訊：

  • A/B 測試與個人化結合後，可向每個人提供最相關的體驗，大幅改善使用者體驗。
  • A/B 測試有助於找出表現最佳的創意元素變化，而個人化則可為個別客戶量身打造體驗。
  • 結合這些方法可簡化流程、擴大成果，並提升客戶滿意度。
  • 行銷人員可以利用這股力量，細分受眾進行 A/B 測試、測試個人化策略，並使用即時資料進行持續最佳化。

A/B 測試與個人化是兩種截然不同的方法。A/B 測試的重點在於嘗試使用不同的創意元素、文案、版面甚至演算法來改善關鍵業務指標以及整體使用者體驗，而個人化的目的則是在適當的時刻為個別客戶提供最相關的體驗。

雖然在方法上有根本的不同，但結合這兩種策略實際上可以提供指數級的效益。在這篇文章中，我們將探討為何如此，以及團隊該如何進行。

A/B 測試的限制

A/B 測試的前提很簡單：

比較兩個（或更多）不同版本的東西，看看哪個表現更好，然後將勝利者部署給所有使用者，以獲得最佳的整體體驗。

因此，A/B 測試和 CRO 團隊的做法是投入大量資金進行各種實驗，以改善網站、原生應用程式、電子郵件或任何其他數位通路的不同區域和體驗，然後持續進行優化，以隨著時間的推移逐步提升轉換率和特定 KPI。

然而，除非公司產生大量的流量，並擁有龐大的數位環境可供實驗，否則可能會出現回報遞減的情況，即實驗的產出（無論測試的次數或實驗的規模有多大、多複雜）會達到這些團隊投入的最大產出。

這主要是因為經典的 A/B 測試方法提供了二元化的訪客偏好觀點，往往無法捕捉到訪客個人的各種因素和行為。

此外，A/B 測試會根據大多數人的喜好，產生概括性的結果。儘管品牌可能會發現某種特定的體驗平均可帶來更多收益，但若將其部署給所有使用者，則會對具有不同偏好的大部分消費者造成傷害。

讓我舉幾個例子來說明：

如果我和 Warren Buffet 的淨值平均都是 1,173 億美元，向我們推薦相同的產品是否合理？

可能不會

或者，如果一家同時提供男性和女性產品的零售商決定在其首頁執行經典的 A/B 測試，以找出表現最佳的英雄橫幅變化，但由於 70% 的受眾為女性，因此女性的變化優於男性的變化。

這項測試會建議將巾帼英雄的旗幟套用在所有人口身上，但這肯定不會是正確的決定。

簡單來說

  • 用平均值來比較不同使用者群組時，往往會產生誤導。
  • 每個客戶群和使用者的最佳變異變化
  • 結果也會受到地理、天氣等情境因素的影響。

當然，這並不是說沒有利用更廣泛結果的時間和地點。舉例來說，如果您要測試一個新的網站或應用程式設計，那麼您可以將目標放在平均效果最佳的一致 UI 上，而不是針對不同使用者的數十、數百甚至數千種 UI 變化。

然而，對於頁面佈局、訊息傳遞、內容、推薦、優惠和其他創意元素忠實地採取「贏者通吃」方式的日子已經結束了 - 這也沒關係，因為這意味著不再會因為沒有為每個使用者提供最佳的變化而錯失個性化機會，也就不會再有金錢留在桌上。

透過個人化發掘更大的相關性

個人化就是根據消費者獨特的行為、偏好和意圖，回應和調整他們的網站體驗，這已經成為現今數位環境中的一種期望。單是這一點就已經證明可以提升客戶的滿意度和忠誠度。

雖然不一定要依賴 A/B 測試，但個人化的最佳作法是建立在 A/B 測試的基礎上，這可能會讓人感到驚訝 - 唯一的差別在於，決定特定體驗的最佳版本是在受眾層級上進行，而不是在平均層級上。

我們來分析一下個人化活動的基本結構。我們不像傳統的 A/B 測試一樣，將一個體驗與多個變體與一個對照組進行比較，而是更進一步，針對不同的受眾創造多個體驗，每個體驗中的多個變體都可以進行 A/B 測試，以確定表現最好的一個。

這可以透過簡單的基於規則的目標定位來實現，即利用 IF/Then 邏輯根據一套手動編程的規則來定制客戶旅程，團隊能夠對這些體驗進行 A/B 測試，在達到統計顯著性時驗證其結果，然後據此進行迭代。

然而，在擴展個人化決策時，人工智能和機器學習已經成為了砧板上的肉，因為上述情況可能會成為一個數據繁重的過程，涉及大量的測試部署，針對每個受眾群的每個測試變異進行細粒度測量，以確定最佳的程式化定位規則。它也有助於將「失敗」的測試轉換成個人化的機會，針對特定的受眾，找出表現較佳的特定變化。

這些先進的技術會即時分析每個流量區塊中每個變化的表現，以提供最相關的內容給選定的受眾群組。此外，1:1 個人化可透過親和性個人化功能來實現，此功能可利用親和性剖析過程，以演算法為每個人匹配個人化的建議、產品優惠和內容。

這種個人化的層級讓公司的行銷策略更有效、更有針對性，同時也能以更細膩、更有意義、更相關的方式吸引消費者。

將 A/B 測試與個人化結合

如果您詢問 A/B 測試或 CRO 團隊，以及那些致力於個人化的團隊，關於他們工作的具體內容，您會發現他們的答案非常相似。

下圖是 JD Sports | Finish Line 在個人化先鋒活動的主題演講中所描述的圖表，令人大開眼界(完整重溫請按此)：

許多人也有同感，他們開始意識到 A/B 測試和個人化的重要性：

  • 共同專注於創造正面的客戶體驗
  • 希望影響和改善相同的 KPI
  • 可從相同的收集學習中獲益

此外，這些團隊通常需要相同的內部資源甚至工具！這就是為什麼 A/B 測試和個人化不能活在真空中，而要成為具有一致 KPI 的共同路線圖的一部分。

兩者的結合不僅可以簡化流程和作業，還可以產生指數級的成果，因為它可以同時對消費者行為進行廣泛和微調的洞察。

以下是如何將它們的聯合力量融入您的行銷策略，以獲得更好的結果：

1.基於區段的 A/B 測試

與其對所有受眾進行 A/B 測試，不如根據共同特徵將受眾劃分為有意義的細分受眾群（嘗試主要受眾方法，旨在從宏觀擴展到微觀）。然後，對這些細分受眾群進行 A/B 測試。這種細分實驗方法可更深入地了解不同的消費者行為，並有助於為特定群體量身打造體驗。

例如，Synchrony 將高意向用戶的申請提交率提高了 4.5%，方法是針對這個客群進行實驗，測試從橫幅中移除多餘的行動呼籲按鈕。

經過分析，該公司注意到一個特定的 UX 變更 - 移除廣告橫幅上的 「播放視訊 」CTA 按鈕 - 阻止了高意向用戶分心，使他們能夠真正了解 Synchrony 的眾多服務。

2.A/B 測試個人化策略

利用 A/B 測試以判斷哪種個人化策略效果最佳。舉例而言，您可能會測試產品推薦演算法，以及針對特定受眾的演算法是否比其他演算法帶來更好的點擊率或加到購物車率。

3.即時策略調整

當您從 A/B 測試中收集數據時，請使用這些資訊進行持續優化和完善您的個人化策略。這種即時調整可實現更具動態和效益的營銷策略，並持續演變以滿足消費者需求。

例如，Build with Ferguson 透過此方法，將來自推薦的購買量提升了 89%，而這始於實施受眾優先策略（基於 Rooted Personalization 框架）。

該團隊測試了各種推薦策略，最終發現其「消費者」受眾群傾向於參與具有類似行為和興趣的其他使用者曾互動過的推薦項目。

利用這些發現，Build with Ferguson 優化了整個網站的推薦效能，也發現與推薦互動的使用者平均多花 13% ，並多購買 2.4 件商品。

A/B 測試與個人化 - 彼此的自然延伸

A/B 測試歷來都是為了確定整體的最佳體驗，而個人化則是為了提供受眾或個人層面的最佳體驗。儘管兩者都有其適用的時機與場所，但結合兩者可提升企業的客戶滿意度與忠誠度 - 透過個人化讓關鍵體驗更具相關性，並透過 A/B 測試讓每項策略產生最大效果。

附註：如需更多有關這兩種做法如何結合的資訊，我建議您查看此 A/B 測試& 優化課程，其中涉及如何設定正確的歸因配置、選擇正確的目標、分析個人化測試結果，並確保每次測試都能產生有意義的結果 。