למרות שהם משקפים שתי גישות שונות לשיפור חוויית המשתמש, השילוב ביניהן יכול להציע יתרונות אקספוננציאליים שעסקים לא רוצים לפספס.
הנה מה שאתם צריכים לדעת:
בדיקות A/B והתאמה אישית מייצגות שתי מתודולוגיות שונות. בעוד שבדיקות A/B מתמקדות בניסויים עם אלמנטים קריאייטיבים שונים, טקסט, פריסות ואפילו אלגוריתמים כדי לשפר מדדים עסקיים מרכזיים כמו גם את חוויית המשתמש הכוללת, התאמה אישית שואפת להתאים את החוויה הרלוונטית ביותר ללקוח בודד ברגע הנכון.
למרות השוני המהותי בגישתם, שילוב של שתי האסטרטגיות הללו יכול להציע יתרונות אקספוננציאליים. בפוסט הזה נחקור את הסיבה לכך, וגם כיצד צוותים יכולים לעשות זאת.
העיקרון של בדיקות A/B הוא פשוט:
השווה שתי גרסאות שונות (או יותר) של משהו כדי לראות איזו מהן מתפקדת טוב יותר ולאחר מכן לפרוס את המנצחת לכל המשתמשים לקבלת החוויה הכוללת האופטימלית ביותר.
הפרקטיקה של צוותי A/B ו-CRO הייתה אפוא להשקיע משמעותית בהשקת כל מיני ניסויים כדי לשפר תחומים וחוויות שונים באתר, באפליקציה המקורית, בדוא"ל או בכל ערוץ דיגיטלי אחר, ולאחר מכן לבצע אופטימיזציה מתמדת שלהם כדי להניע עלייה הדרגתית בהמרות ובמדדי KPI ספציפיים עם הזמן.
עם זאת, אלא אם כן חברה מייצרת המון תנועה ויש לה נוף דיגיטלי עצום שממנו ניתן להתנסות, ייתכן שתגיע נקודה של תשואות פוחתות שבה התפוקה של הניסויים (לא משנה כמה בדיקות או כמה גדול ומתוחכם הניסוי) תגיע לתפוקה מקסימלית מבחינת הקלט של צוותים אלה.
זה קשור במידה רבה לעובדה שהגישה הקלאסית לבדיקות A/B מציעה תצוגה בינארית של העדפות המבקרים ולעתים קרובות נכשלת בללכוד את מלוא מגוון הגורמים וההתנהגויות המגדירים מי הם כפרטים.
יתר על כן, מבחני A/B מניבים תוצאות כלליות המבוססות על העדפות הרוב של פלח שוק. ובעוד שמותג עשוי לגלות שחוויית משתמש מסוימת מניבה בממוצע יותר הכנסות, פריסתה לכל המשתמשים תהיה עוול לחלק משמעותי מהצרכנים בעלי העדפות שונות.
הרשו לי להמחיש זאת באמצעות כמה דוגמאות:
אם השווי הנקי הממוצע שלי ושל וורן באפט היה 117.3 מיליארד דולר, האם יהיה הגיוני להמליץ לנו על אותם מוצרים?
כנראה שלא.
או מה דעתכם על קמעונאי שמציע מוצרים לגברים ולנשים כאחד, שמחליט להריץ מבחן A/B קלאסי בדף הבית שלו כדי לזהות את גרסת הבאנר הפותח בעלת הביצועים הגבוהים ביותר, אבל מכיוון ש-70% מהקהל שלו הן נשים, גרסת הנשים עולה על זו של הגברים.
מבחן זה היה מציע להחיל את דגל גיבורת הנשים על כלל האוכלוסייה, אך זו בוודאי לא תהיה ההחלטה הנכונה.
במילים פשוטות:
אין פירוש הדבר, כמובן, שאין זמן ומקום למינוף תוצאות כלליות יותר. לדוגמה, אם אתם בודקים עיצוב חדש של אתר אינטרנט או אפליקציה, הגיוני לשאוף לממשק משתמש עקבי אחד שעובד בצורה הטובה ביותר בממוצע לעומת עשרות, מאות או אפילו אלפי וריאציות של ממשק משתמש עבור משתמשים שונים.
עם זאת, הימים של נקיטת גישת "המנצח לוקח הכל" לעיצוב העמוד, המסרים, התוכן, ההמלצות, ההצעות ואלמנטים יצירתיים אחרים חלפו - וזה בסדר כי זה אומר שלא יישאר עוד כסף על השולחן מהחמצת הזדמנויות התאמה אישית הקשורות לאי אספקת הגרסה הטובה ביותר לכל משתמש בנפרד.
התאמה אישית עוסקת כולה בתגובה והתאמת חוויית האתר לצרכנים בהתאם להתנהגותם, להעדפותיהם ולכוונתם הייחודית, דבר שהפך לציפייה בנוף הדיגיטלי של ימינו. זה לבדו הוכח כמגביר את שביעות רצון הלקוחות ונאמנותם.
ולמרות שזה לא בהכרח תלוי בבדיקות A/B, אולי יפתיע לגלות ששיטות עבודה מומלצות בהתאמה אישית מבוססות על יסודות בדיקות A/B - ההבדל היחיד הוא שקביעת הגרסה של חוויה מסוימת עובדת הכי טוב נעשית ברמת הקהל לעומת בממוצע.
בואו נפרק את המבנה הבסיסי של איך זה ייראה בתוך קמפיין התאמה אישית. במקום לכלול חוויה אחת עם מספר וריאציות להשוואה מול קבוצת ביקורת, כמו בבדיקת A/B מסורתית, אנו הולכים צעד קדימה עם יצירת חוויות מרובות המכוונות לקהלים שונים וריאציות מרובות בתוך כל אחת מהן שניתן לבצע בדיקת A/B כדי לקבוע את החוויה בעלת הביצועים הטובים ביותר.
ניתן לעשות זאת באמצעות מיקוד פשוט מבוסס-כללים, המשתמש בלוגיקת IF/Then כדי להתאים את מסע הלקוח בהתאם לקבוצת כללים מתוכנתים ידנית, כאשר צוותים מסוגלים לבצע בדיקות A/B לחוויות אלו, לאמת את תוצאותיהן עם הגעה למשמעות סטטיסטית, ולאחר מכן לבצע איטרציות בהתאם.
עם זאת, בינה מלאכותית ולמידת מכונה הפכו לגורמים מרכזיים בכל הנוגע להרחבת קבלת החלטות בנוגע להתאמה אישית, שכן התרחיש הנ"ל יכול להפוך לתהליך עתיר נתונים הכולל פריסות בדיקות רבות עם מדידות מפורטות של כל וריאציה שנבדקה כנגד כל פלח קהל, כדי לקבוע את כללי המיקוד הפרוגרמטיים האופטימליים. זה גם מועיל בהמרת מבחנים "מפסידים" להזדמנויות התאמה אישית עבור וריאציות ספציפיות שזוהו כדי לבצע ביצועים טובים יותר עבור קהל מסוים.
טכנולוגיות מתקדמות אלו מנתחות את הביצועים של כל וריאציה על פני כל פלח תנועה בזמן אמת כדי להגיש את התוכן הרלוונטי ביותר לקבוצות קהל נבחרות. יתר על כן, ניתן להשיג התאמה אישית 1:1 באמצעות יכולות התאמה אישית מבוססות זיקה, אשר ממנפות את תהליך פרופיל הזיקה כדי להתאים באופן אלגוריתמי כל אדם עם המלצות מותאמות אישית, הצעות מוצרים ותוכן.
רמה זו של התאמה אישית מאפשרת לחברות להיות יעילות וממוקדות יותר באסטרטגיית השיווק שלהן, תוך כדי יצירת מעורבות עם הצרכנים בצורה מעודנת, משמעותית ורלוונטית יותר.
שילוב בדיקות A/B עם התאמה אישית
אם הייתם שואלים צוות בדיקות A/B או CRO ואלו המתמחים בהתאמה אישית יותר על הפרטים הספציפיים של עבודתם, הייתם מגלים שתשובותיהם דומות באופן מוזר.
הנה הדיאגרמה המרגשת למטה, אשר הוצגה במהלך נאום מרכזי של JD Sports | Finish Line באירוע של Personalization Pioneers (סיכום מלא כאן):
זוהי תחושה שחולקים רבים אחרים שמתחילים להבין שגם בדיקות A/B וגם התאמה אישית:
בנוסף, לעתים קרובות, צוותים אלה דורשים את אותם משאבים פנימיים ואפילו כלים! זו הסיבה שחשוב כל כך שבדיקות A/B והתאמה אישית לא יחיו בוואקום, אלא יהפכו לחלק ממפת דרכים משותפת עם מדדי ביצועים (KPIs) תואמים.
השילוב של השניים יכול לא רק לייעל תהליכים ותפעול, אלא גם לייצר תוצאות אקספוננציאליות, משום שהוא מאפשר תובנות רחבות ומעודנות לגבי התנהגות הצרכנים.
כך תוכלו לשלב את הכוח המשולב שלהם באסטרטגיית השיווק שלכם לקבלת תוצאות טובות יותר:
1. בדיקות A/B מבוססות פלחים
במקום לבצע מבחני A/B על כל קהל היעד שלכם, חלקו אותו לפלח משמעותי המבוסס על מאפיינים משותפים (נסו את גישת הקהלים העיקריים, שנועדה להתאים את הקהל ממאקרו למיקרו). לאחר מכן, בצעו בדיקות A/B על פלחים אלה. גישת ניסויים מפולחת זו יכולה לספק הבנה מעמיקה יותר של התנהגויות צרכנים שונות ולסייע בהתאמת חוויות לקבוצות ספציפיות.
לדוגמה, Synchrony הגדילה את שיעור הגשת הבקשות שלה ב-4.5% בקרב משתמשים בעלי כוונה גבוהה על ידי הפעלת ניסוי עבור פלח זה שבדק את הסרת כפתורי קריאה לפעולה מיותרים מהבאנר.
לאחר ניתוח, החברה שמה לב לשינוי ספציפי אחד בחוויית המשתמש - הסרת כפתור הקריאה לפעולה "הפעל סרטון" מהבאנר שלה - מנעה מהמשתמשים בעלי כוונה גבוהה להיות מוסחים, ואפשרה להם ללמוד עוד על השירותים הרבים של Synchrony.
2. אסטרטגיות התאמה אישית של בדיקות A/B
השתמשו בבדיקות A/B כדי לקבוע אילו אסטרטגיות התאמה אישית עובדות בצורה הטובה ביותר. לדוגמה, ייתכן שתבדקו אלגוריתמים של המלצות מוצרים ולבדוק האם אלו המכוונים לקהלים מסוימים מובילים לשיעורי קליקים או הוספה לעגלה טובים יותר מאחרים.
3. התאמת אסטרטגיה בזמן אמת
בזמן שאתם אוספים נתונים מבדיקות A/B שלכם, השתמשו במידע זה לצורך אופטימיזציה ושיפור מתמידים של אסטרטגיית ההתאמה האישית שלכם. התאמה בזמן אמת זו מאפשרת אסטרטגיית שיווק דינמית ויעילה יותר, שמתפתחת ללא הרף כדי לענות על צרכי הצרכנים.
לדוגמה, Build with Ferguson יצר עלייה של 89% ברכישות מהמלצות על ידי כך, שהחלה בתחילה ביישום אסטרטגיה המתמקדת בקהל (המבוססת על מסגרת Rooted Personalization ).
הצוות בדק אסטרטגיות המלצה שונות ובסופו של דבר גילה שפלח קהל היעד שלו, המהווה "צרכן", נוטה לגשת לפריטים מומלצים שמשתמשים אחרים בעלי התנהגויות ותחומי עניין דומים ביצעו איתם אינטראקציה.
באמצעות ממצאים אלו, Build with Ferguson ביצעה אופטימיזציה של ביצועי ההמלצות שלה באתר, וגם גילתה שמשתמשים המקיימים אינטראקציה עם המלצות מוציאים 13% יותר ורוכשים 2.4 פריטים נוספים בממוצע.
בדיקות A/B התמקדו באופן היסטורי בקביעת החוויה הטובה ביותר באופן כללי, בעוד שהתאמה אישית שואפת לספק את החוויה הטובה ביותר ברמת הקהל או ברמת הפרט. ובעוד שיש זמן ומקום לשניהם, שילוב של השניים יכול לתרגם לשביעות רצון ונאמנות מוגברת של לקוחות עבור עסקים - כאשר חוויות מפתח הופכות לרלוונטיות יותר באמצעות התאמה אישית ותוצאות מקסימליות המניבות לכל אסטרטגיה באמצעות בדיקות A/B שלהם.
נ.ב. למידע נוסף על האופן שבו שתי הפרקטיקות הללו משתלבות, אני מציע לכם לבדוק את קורס בדיקות A/B ואופטימיזציההזה, אשר עוסק באופן שבו מגדירים את תצורות הייחוס הנכונות, בוחרים את המטרה הנכונה, מנתחים תוצאות של בדיקות התאמה אישית, ומוודאים שכל אחת מהן מניבה תוצאות משמעותיות.
תגיות: פילוח קהל · אסטרטגיות שיווק · התאמה אישית בתוך הארגון
