Skip to main content

Zašto su A/B testiranje i personalizacija zajedno moćniji

Iako odražavaju dva različita pristupa poboljšanju korisničkog iskustva, njihova kombinacija može ponuditi eksponencijalne prednosti koje tvrtke ne žele propustiti.

 

Janiv Navot

 

Direktor marketinga, Dinamički prinos

Evo što trebate znati:

  • A/B testiranje i personalizacija, kada se kombiniraju, mogu značajno poboljšati korisničko iskustvo pružanjem najrelevantnijeg iskustva svakoj osobi.
  • A/B testiranje pomaže u identificiranju najuspješnijih varijacija kreativnih elemenata, dok personalizacija prilagođava iskustvo pojedinačnim korisnicima.
  • Kombiniranjem ovih pristupa pojednostavljuju se procesi, pojačavaju rezultati i povećava zadovoljstvo kupaca.
  • Marketinški stručnjaci mogu iskoristiti ovu moć segmentiranjem publike za A/B testiranje, testiranjem strategija personalizacije i korištenjem podataka u stvarnom vremenu za kontinuiranu optimizaciju.

A/B testiranje i personalizacija predstavljaju dvije različite metodologije. Dok se A/B testiranje fokusira na eksperimentiranje s različitim kreativnim elementima, tekstom, izgledom, pa čak i algoritmima kako bi se poboljšale ključne poslovne metrike, kao i cjelokupno korisničko iskustvo, personalizacija ima za cilj uskladiti najrelevantnije iskustvo s pojedinim kupcem u pravom trenutku.

Iako se pristupi temeljno razlikuju, kombiniranje ove dvije strategije zapravo može ponuditi eksponencijalne koristi. U ovom postu istražit ćemo zašto je to tako, kao i kako timovi mogu to učiniti.

Ograničenja A/B testiranja

Premisa A/B testiranja je jednostavna:

Usporedite dvije (ili više) različitih verzija nečega kako biste vidjeli koja ima bolje performanse, a zatim pobjednika implementirajte svim korisnicima za najoptimalnije cjelokupno iskustvo.

Praksa A/B testiranja i CRO timova stoga je bila značajno ulaganje u pokretanje svih vrsta eksperimenata za poboljšanje različitih područja i iskustava na web-mjestu, nativnoj aplikaciji, e-pošti ili bilo kojem drugom digitalnom kanalu, a zatim njihovo kontinuirano optimiziranje kako bi se s vremenom povećalo broja konverzija i specifičnih KPI-jeva.

Međutim, osim ako tvrtka ne generira tone prometa i nema ogroman digitalni krajolik za eksperimentiranje, može doći do točke smanjenja prinosa gdje učinak eksperimentiranja (bez obzira na broj testova ili koliko velik i sofisticiran eksperiment može biti) doseže maksimalni prinos u smislu doprinosa tih timova.

To je uvelike povezano s činjenicom da klasični pristup A/B testiranju nudi binarni pogled na preferencije posjetitelja i često ne uspijeva obuhvatiti cijeli niz čimbenika i ponašanja koji definiraju tko su oni kao pojedinci.

Štoviše, A/B testovi daju generalizirane rezultate temeljene na preferencijama većine segmenta. I dok brend može pronaći određeno iskustvo koje u prosjeku donosi veći prihod, njegova primjena na sve korisnike bila bi medvjeđa usluga značajnom dijelu potrošača s različitim preferencijama.

Dopustite mi da ilustriram s nekoliko primjera:

Ako bi neto vrijednost i mene i Warrena Buffetta u prosjeku iznosila 117,3 milijarde američkih dolara, bi li imalo smisla preporučiti nam iste proizvode?

Vjerojatno ne.

Ili što ako trgovac koji nudi i muške i ženske proizvode odluči provesti klasični A/B test na svojoj početnoj stranici kako bi identificirao najuspješniju varijaciju glavnog bannera, ali budući da 70% njihove publike čine žene, ženska varijacija nadmašuje mušku.

Ovaj test bi sugerirao da se zastava ženskih heroja primijeni na cijelu populaciju, ali to sigurno ne bi bila ispravna odluka.

Jednostavno rečeno:

  • Prosjeci su često zavaravajući kada se koriste za usporedbu različitih korisničkih skupina
  • Varijacije s najboljim rezultatima mijenjaju se za svaki segment kupaca i korisnika
  • Na rezultate mogu utjecati i kontekstualni čimbenici poput geografskih podataka, vremena i drugih

To, naravno, ne znači da nema vremena i mjesta za korištenje općenitijih rezultata. Na primjer, ako testirate novi dizajn web stranice ili aplikacije, imalo bi smisla ciljati na jedno dosljedno korisničko sučelje koje u prosjeku najbolje funkcionira u odnosu na desetke, stotine ili čak tisuće varijacija korisničkog sučelja za različite korisnike.

Međutim, dani vjernog prihvaćanja pristupa "pobjednik uzima sve" u pogledu izgleda stranice, poruka, sadržaja, preporuka, ponuda i drugih kreativnih elemenata su prošli - i to je u redu jer znači da više neće ostati novca na stolu zbog propuštenih prilika za personalizaciju povezanih s neisporučivanjem najbolje varijacije svakom pojedinom korisniku.

Otključavanje veće relevantnosti personalizacijom

Personalizacija se odnosi na reagiranje na i prilagođavanje iskustva web-mjesta potrošačima ovisno o njihovom jedinstvenom ponašanju, preferencijama i namjeri, što je postalo očekivanje u današnjem digitalnom krajoliku. Samo to je dokazano učinkovit način za povećanje zadovoljstva i lojalnosti kupaca.

I premda ne nužno ovisi o A/B testiranju, moglo bi biti iznenađenje da se najbolja praksa u personalizaciji temelji na temeljima A/B testiranja – jedina razlika je u tome što se određivanje koja verzija određenog iskustva najbolje funkcionira vrši na razini publike, a ne u prosjeku.

Analizirajmo osnovnu strukturu kako bi to izgledalo unutar kampanje personalizacije. Umjesto uključivanja jednog iskustva s više varijacija za usporedbu s kontrolnom skupinom, kao što je to slučaj s tradicionalnim A/B testiranjem, idemo korak dalje stvaranjem više iskustava usmjerenih na različitu publiku i više varijacija unutar svakog od njih koje se mogu A/B testirati kako bi se odredilo ono s najboljom izvedbom.

To se može postići jednostavnim ciljanjem temeljenim na pravilima, koje koristi AKO/ONDA logiku za prilagođavanje korisničkog putovanja prema skupu ručno programiranih pravila, s timovima koji mogu A/B testirati ta iskustva, validirati svoje rezultate nakon postizanja statističke značajnosti, a zatim iterirati u skladu s tim.

Međutim, umjetna inteligencija i strojno učenje postali su ključni faktori kada je u pitanju donošenje odluka o skaliranju personalizacije, jer gore navedeni scenarij može postati proces opterećen podacima koji uključuje brojne implementacije testova s detaljnim mjerenjima svake testirane varijacije u odnosu na svaki segment publike kako bi se odredila optimalna pravila programskog ciljanja. Također je korisno u pretvaranju „gubitničkih“ testova u prilike za personalizaciju za specifične varijacije identificirane kako bi se bolje pokazale za određenu publiku.

Ove napredne tehnologije analiziraju učinkovitost svake varijacije u svakom segmentu prometa u stvarnom vremenu kako bi odabranim skupinama publike posluživale najrelevantniji sadržaj. Nadalje, personalizacija 1:1 može se postići mogućnostima personalizacije temeljenim na afinitetu, koje iskorištavaju proces profiliranja afiniteta kako bi algoritamski povezale svaku osobu s personaliziranim preporukama, ponudama proizvoda i sadržajem.

Ova razina personalizacije omogućuje tvrtkama da budu učinkovitije i ciljanije sa svojom marketinškom strategijom, a istovremeno angažiraju potrošače na nijansiraniji, smisleniji i relevantniji način.

Spajanje A/B testiranja s personalizacijom

Kad biste tim za A/B testiranje ili CRO i one posvećene personalizaciji pitali više o specifičnostima njihovog posla, otkrili biste da su im odgovori zastrašujuće slični.

Pogledajte donji dijagram koji otvara oči, a prikazan je tijekom glavnog govora JD Sports | Finish Line na događaju Personalization Pioneers (cijeli sažetak ovdje):

To je osjećaj koji dijele mnogi drugi koji počinju shvaćati da i A/B testiranje i personalizacija:

  • Podijelite fokus na stvaranju pozitivnog korisničkog iskustva
  • Žele utjecati na iste KPI-jeve i poboljšati ih
  • Može imati koristi od istih prikupljenih saznanja

Osim toga, tim timovima često su potrebni isti interni resursi, pa čak i alati! Zato je toliko važno da A/B testiranje i personalizacija ne žive u vakuumu, već da postanu dio zajedničkog plana s usklađenim KPI-jevima.

Kombinacija ta dva ne samo da može pojednostaviti procese i operacije, već i generirati eksponencijalne rezultate jer omogućuje i široke i precizne uvide u ponašanje potrošača.

Evo kako možete uključiti njihovu zajedničku snagu u svoju marketinšku strategiju za bolje rezultate:

1. A/B testiranje temeljeno na segmentima

Umjesto provođenja A/B testova na cijeloj publici, podijelite publiku na smislene segmente na temelju zajedničkih karakteristika (isprobajte pristup Primarne publike, koji je namijenjen skaliranju od makro do mikro razine). Zatim provedite A/B testove na tim segmentima. Ovaj pristup segmentiranog eksperimentiranja može pružiti nijansiranije razumijevanje različitih ponašanja potrošača i pomoći u prilagođavanju iskustava specifičnim skupinama.

Na primjer, Synchrony je povećao stopu slanja aplikacija za 4,5% među korisnicima s visokom namjerom provođenjem eksperimenta za ovaj segment u kojem je testirano uklanjanje nepotrebnih gumba s poziva na akciju s bannera.

Nakon analize, tvrtka je primijetila jednu specifičnu UX promjenu – uklanjanje gumba za poziv na akciju „Reproduciraj video“ s bannera – što je spriječilo korisnike s visokom namjerom da budu ometeni, omogućujući im da zapravo saznaju više o brojnim Synchronyjevim uslugama.

2. Strategije personalizacije A/B testiranja

Koristite A/B testiranje kako biste utvrdili koje strategije personalizacije najbolje funkcioniraju. Na primjer, možete testirati algoritme za preporuke proizvoda i hoće li oni koji su usmjereni na određenu publiku dovesti do boljih stopa klikanja ili dodavanja u košaricu od drugih.

3. Prilagodba strategije u stvarnom vremenu

Dok prikupljate podatke iz A/B testova, koristite te informacije za kontinuiranu optimizaciju i usavršavanje svoje strategije personalizacije. Ova prilagodba u stvarnom vremenu omogućuje dinamičniju i učinkovitiju marketinšku strategiju koja se kontinuirano razvija kako bi zadovoljila potrebe potrošača.

Na primjer, Build with Ferguson je na ovaj način generirao porast kupnji na temelju preporuka od 89% , što je prvo započelo implementacijom strategije usmjerene na publiku (na temelju okvira Rooted Personalization ).

Tim je testirao različite strategije preporučivanja i na kraju otkrio da je njegov segment publike "Potrošač" imao tendenciju interakcije s preporučenim artiklima s kojima su već komunicirali drugi korisnici sa sličnim ponašanjem i interesima.

Koristeći ove nalaze, Build with Ferguson optimizirao je učinkovitost svojih preporuka na cijeloj web stranici i također otkrio da korisnici koji stupaju u interakciju s preporukama troše 13% više i kupuju 2,4 više artikala u prosjeku.

A/B testiranje i personalizacija – prirodni produžeci jedno drugog

A/B testiranje se povijesno svodilo na određivanje najboljeg iskustva općenito, dok personalizacija ima za cilj pružiti najbolje iskustvo na razini publike ili pojedinca. I premda postoji vrijeme i mjesto za oboje, njihovo kombiniranje može rezultirati povećanim zadovoljstvom kupaca i lojalnošću tvrtki – s ključnim iskustvima koja su relevantnija kroz personalizaciju i maksimalnim rezultatima postignutim po strategiji putem A/B testiranja.

P.S. Za više informacija o tome kako se ove dvije prakse spajaju, predlažem da pogledate ovaj tečaj A/B testiranja i optimizacije, koji se bavi postavljanjem pravih konfiguracija atribucije, odabirom pravog cilja, analizom rezultata testova personalizacije i osiguravanjem da svaka od njih daje značajne rezultate.