Skip to main content

Miért az A/B tesztelés és a személyre szabás együtt még erősebbek

Bár a felhasználói élmény javításának két különböző megközelítését tükrözik, kombinációjuk olyan exponenciális előnyöket kínálhat, amelyeket a vállalkozások nem akarnak kihagyni.

 

Yaniv Navot

 

CMO, dinamikus hozam

A következőket kell tudnia:

  • Az A/B tesztelés és a személyre szabás kombinálva jelentősen javíthatja a felhasználói élményt, mivel minden egyes felhasználó számára a legmegfelelőbb élményt nyújtja.
  • Az A/B tesztelés segít azonosítani a kreatív elemek legjobban teljesítő variációit, míg a személyre szabás az élményt az egyes ügyfelekhez igazítja.
  • E megközelítések kombinálása racionalizálja a folyamatokat, fokozza az eredményeket és növeli az ügyfelek elégedettségét.
  • A marketingesek kihasználhatják ezt az erőt a közönség szegmentálásával az A/B teszteléshez, a személyre szabási stratégiák tesztelésével és a valós idejű adatok folyamatos optimalizálásához.

Az A/B tesztelés és a személyre szabás két különböző módszertant képvisel. Míg az A/B tesztelés a különböző kreatív elemekkel, szövegekkel, elrendezésekkel, sőt algoritmusokkal való kísérletezésre összpontosít, hogy javítsa a kulcsfontosságú üzleti mutatókat és az általános felhasználói élményt, addig a személyre szabás célja, hogy a megfelelő pillanatban a legmegfelelőbb élményt hozza az egyes ügyfelek számára.

Bár a megközelítés alapvetően eltérő, e két stratégia kombinálása exponenciális előnyökkel járhat. Ebben a bejegyzésben megvizsgáljuk, hogy miért van ez így, és azt is, hogy a csapatok hogyan tehetnek így.

Az A/B tesztelés korlátai

Az A/B tesztelés alapfeltevése egyszerű:

Hasonlítsa össze valaminek két (vagy több) különböző verzióját, hogy megnézze, melyik teljesít jobban, majd a győztes változatot telepítse az összes felhasználóhoz a legoptimálisabb általános élmény érdekében.

Az A/B tesztelés és a CRO-csapatok gyakorlata tehát az, hogy jelentős összegeket fektetnek be mindenféle kísérlet elindításába, hogy javítsák a különböző területeket és élményeket a webhelyen, a natív alkalmazásban, az e-mailben vagy bármely más digitális csatornán, majd folyamatosan optimalizálják őket, hogy idővel növeljék a konverziók és a konkrét KPI-k növekedését.

Ha azonban egy vállalat nem generál rengeteg forgalmat, és nem rendelkezik hatalmas digitális tájképpel, ahol kísérletezhet, akkor elérkezhet a csökkenő hozam egy pontja, ahol a kísérletezés kimenete (függetlenül attól, hogy hány teszt, vagy milyen nagy és kifinomult kísérletről van szó) eléri a maximális hozamot e csapatok inputjainak tekintetében.

Ez nagyrészt azzal a ténnyel függ össze, hogy az A/B tesztelés klasszikus megközelítése a látogatói preferenciák bináris nézetét kínálja, és gyakran nem képes megragadni a tényezők és viselkedés teljes skáláját, amelyek meghatározzák, hogy kik is ők, mint egyének.

Az A/B tesztek továbbá általánosított eredményeket adnak egy szegmens többségi preferenciái alapján. És bár egy márka úgy találhatja, hogy egy adott élmény átlagosan több bevételt hoz, ha azt az összes felhasználóra kiterjeszti, az rossz szolgálatot tenne a fogyasztók jelentős részének, akiknek más preferenciái vannak.

Hadd illusztráljam néhány példával:

Ha az én és Warren Buffet nettó vagyona átlagosan 117,3 milliárd USD lenne, lenne értelme ugyanazokat a termékeket ajánlani nekünk?

Valószínűleg nem.

Vagy mi a helyzet akkor, ha egy kiskereskedő, amely férfi és női termékeket egyaránt kínál, úgy dönt, hogy klasszikus A/B tesztet futtat a honlapján, hogy meghatározza a legjobban teljesítő hero banner variációt, de mivel a közönségük 70% része nő, a női variáció felülmúlja a férfi variációt.

Ez a teszt azt sugallná, hogy a női hős bannert a teljes lakosságra alkalmazni kell, de ez biztosan nem lenne helyes döntés.

Egyszerűen fogalmazva:

  • Az átlagok gyakran félrevezetőek, ha különböző felhasználói csoportok összehasonlítására használják őket.
  • A legjobban teljesítő variáció változik az egyes ügyfélszegmensek és felhasználók esetében.
  • Az eredményeket olyan kontextuális tényezők is befolyásolhatják, mint a földrajzi, időjárási és egyéb tényezők.

Ez persze nem jelenti azt, hogy nincs helye és ideje az általánosíthatóbb eredmények kihasználásának. Ha például egy új weboldal vagy alkalmazás dizájnját tesztelné, akkor érdemes lenne egy konzisztens felhasználói felületre törekedni, amely átlagosan a legjobban működik, szemben a több tucat, száz vagy akár ezer különböző felhasználói felületváltozattal.

Az oldal elrendezésének, az üzenetküldésnek, a tartalomnak, az ajánlásoknak, az ajánlatoknak és más kreatív elemeknek a hűséges "mindent a győztes kap" megközelítése azonban már a múlté - és ez nem baj, mert ez azt jelenti, hogy többé nem marad pénz az asztalon az elszalasztott személyre szabási lehetőségek miatt, amelyek azzal járnak, hogy nem a legjobb variációt kínáljuk minden egyes felhasználónak.

Nagyobb relevancia felszabadítása a személyre szabással

A személyre szabás lényege, hogy reagáljunk a fogyasztók egyedi viselkedésére, preferenciáira és szándékaira, és a honlapon nyújtott élményt a fogyasztókhoz igazítsuk, ami a mai digitális környezetben elvárássá vált. Ez önmagában bizonyítottan növeli az ügyfelek elégedettségét és hűségét.

És bár nem feltétlenül függ az A/B teszteléstől, meglepő lehet, hogy a személyre szabás legjobb gyakorlata az A/B tesztelés alapjaira épül - az egyetlen különbség, hogy annak meghatározása, hogy egy adott élmény melyik verziója működik a legjobban, a közönség szintjén történik, nem pedig az átlagon.

Bontsuk le az alapvető struktúrát, hogy ez hogyan nézne ki egy személyre szabott kampányon belül. Ahelyett, hogy egy élményt tartalmazna több variációval, amelyet egy kontrollcsoporttal kell összehasonlítani, mint egy hagyományos A/B teszt esetében, egy lépéssel tovább megyünk, és több, különböző célközönségnek szánt élményt és több variációt hozunk létre, amelyeket A/B-teszteléssel lehet tesztelni, hogy meghatározzuk a legjobban teljesítő élményt.

Ez egyszerű szabályalapú célzással érhető el, amely az IF/Then logikát használja az ügyfélútvonal kézzel programozott szabályok alapján történő testreszabására, a csapatok pedig képesek A/B tesztelni ezeket a tapasztalatokat, validálni az eredményeket a statisztikai szignifikancia elérésekor, majd ennek megfelelően iterálni.

A mesterséges intelligencia és a gépi tanulás azonban a személyre szabott döntéshozatal skálázása során tétjeivé váltak, mivel a fenti forgatókönyv egy olyan adatnehéz folyamattá válhat, amely számos teszttelepítést foglal magában, minden egyes tesztelt variáció granuláris méréseivel az egyes közönségszegmensekkel szemben, hogy meghatározzák az optimális programozási célzási szabályokat. A "vesztes" tesztek személyre szabási lehetőséggé alakításában is hasznos, az adott célközönség számára jobban teljesítő, meghatározott variációk esetében.

Ezek a fejlett technológiák valós időben elemzik az egyes variációk teljesítményét minden forgalmi szegmensben, hogy a legrelevánsabb tartalmat kínálhassák a kiválasztott közönségcsoportoknak. Továbbá az 1:1 személyre szabás megvalósítható az affinitás alapú személyre szabási képességekkel, amelyek az affinitásprofilozás folyamatát kihasználva algoritmikusan illesztenek minden egyes személyhez személyre szabott ajánlásokat, termékajánlatokat és tartalmakat.

A személyre szabás ezen szintje lehetővé teszi a vállalatok számára, hogy marketingstratégiájuk hatékonyabb és célzottabb legyen, miközben a fogyasztókat árnyaltabb, értelmesebb és relevánsabb módon vonzzák be.

Az A/B tesztelés és a személyre szabás összekapcsolása

Ha megkérdezne egy A/B teszteléssel vagy CRO-val foglalkozó csapatot és a személyre szabással foglalkozókat arról, hogy mi a munkájuk sajátossága, a válaszaik kísértetiesen hasonlóak lennének.

Vegyük például az alábbi, szemet nyitó ábrát, amelyet a JD Sports | Finish Line egy személyre szabási úttörő rendezvényen tartott előadásán mutattak be(a teljes összefoglaló itt található):

Ezt az érzést sokan mások is osztják, akik kezdik felismerni, hogy mind az A/B tesztelés, mind a személyre szabás:

  • Közös fókuszban a pozitív ügyfélélmény megteremtése
  • Ugyanezeket a KPI-ket szeretnék befolyásolni és javítani.
  • Ugyanazokból az összegyűjtött tanulságokból profitálhatnak

Ráadásul gyakran ezeknek a csapatoknak ugyanazokra a belső erőforrásokra, sőt eszközökre is szükségük van! Ezért olyan fontos, hogy az A/B tesztelés és a személyre szabás ne vákuumban éljen, hanem egy közös ütemterv részévé váljon, összehangolt KPI-kkel.

A kettő kombinációja nemcsak a folyamatokat és a műveleteket racionalizálhatja, hanem exponenciális eredményeket is hozhat, mivel lehetővé teszi a fogyasztói magatartás széles körű és finomhangolt megismerését.

Íme, hogyan építheted be a marketingstratégiádba az együttes erejüket a jobb eredmények érdekében:

1. Szegmens alapú A/B tesztelés

Ahelyett, hogy A/B teszteket végezne a teljes közönségén, ossza közönségét közös jellemzők alapján értelmes szegmensekre (próbálja ki az elsődleges célközönség megközelítést, amely a makroból a mikroba való skálázásra szolgál). Ezután végezzen A/B teszteket ezeken a szegmenseken. Ez a szegmentált kísérletezési megközelítés árnyaltabb képet adhat a különböző fogyasztói viselkedésekről, és segíthet a tapasztalatok bizonyos csoportokra való szabásában.

ASynchrony például 4,5 %-kal növelte a jelentkezések benyújtási arányát a % a magas érdeklődésű felhasználók körében, amikor egy kísérletet futtatott ebben a szegmensben, amely a bannerekből a felesleges call-to-action gombok eltávolítását tesztelte.

Az elemzés során a vállalat észrevette, hogy egy konkrét UX-változás - a "Play Video" CTA gomb eltávolítása a bannerről - megakadályozta, hogy a nagy érdeklődésű felhasználók figyelmét eltereljék, és lehetővé tette számukra, hogy többet tudjanak meg a Synchrony számos szolgáltatásáról.

2. A/B teszt személyre szabási stratégiák

Használja az A/B tesztelést annak meghatározására, hogy mely személyre szabási stratégiák működnek a legjobban. Például tesztelheti a termékajánló algoritmusokat, és azt, hogy a bizonyos célközönségre irányuló algoritmusok jobb átkattintási vagy add-to-cart arányt eredményeznek-e, mint mások.

3. Valós idejű stratégia adaptáció

Az A/B tesztekből származó adatok gyűjtése során használja fel ezeket az információkat a személyre szabási stratégia folyamatos optimalizálásához és finomításához. Ez a valós idejű alkalmazkodás dinamikusabb és hatékonyabb marketingstratégiát tesz lehetővé, amely folyamatosan fejlődik a fogyasztói igényeknek megfelelően.

A Build with Ferguson például az ajánlásokból származó vásárlások 89% növekedését generálta ezzel, ami először egy közönség-első stratégia megvalósításával kezdődött (a Rooted Personalization keretrendszer alapján).

A csapat különböző ajánlási stratégiákat tesztelt, és végül kiderült, hogy a "Fogyasztói" közönségszegmens inkább olyan ajánlott elemekkel foglalkozik, amelyekkel más, hasonló viselkedésű és érdeklődésű felhasználók már kapcsolatba léptek.

A Build with Ferguson ezeket az eredményeket felhasználva optimalizálta az ajánlások teljesítményét az egész oldalon, és azt is felfedezte, hogy az ajánlásokkal interakcióba lépő felhasználók 13% címen többet költenek, és átlagosan 2,4 termékkel többet vásárolnak.

A/B tesztelés és személyre szabás - egymás természetes kiterjesztései

Az A/B tesztelés történelmileg a legjobb általános élmény meghatározásáról szólt, míg a személyre szabás célja a legjobb élmény biztosítása közönség vagy egyéni szinten. És bár mindkettőnek megvan a maga helye és ideje, a kettő kombinálása a vállalkozások számára az ügyfelek elégedettségének és hűségének növekedését eredményezheti - a személyre szabással a kulcsfontosságú tapasztalatok relevánsabbá válnak, és az A/B teszteléssel stratégiánként maximális eredményeket érhetnek el.

P.S. Ha további információt szeretne kapni arról, hogyan jön össze ez a két gyakorlat, javaslom, hogy nézze meg ezt az A/B tesztelés & Optimalizálás tanfolyamot, amely kitér arra, hogyan állítsa be a megfelelő attribúciós konfigurációkat, válassza ki a megfelelő célt, elemezze a személyre szabási tesztek eredményeit, és biztosítsa, hogy mindegyik értelmes eredményeket adjon .