Passa al contenuto principale

Perché i test A/B e la personalizzazione sono più potenti insieme

Pur riflettendo due approcci distinti per migliorare l'esperienza dell'utente, la loro combinazione può offrire vantaggi esponenziali che le aziende non vogliono perdere.

 

Yaniv Navot

 

CMO, rendimento dinamico

Ecco cosa devi sapere:

  • I test A/B e la personalizzazione, se combinati, possono migliorare significativamente l'esperienza dell'utente offrendo l'esperienza più pertinente a ciascun individuo.
  • I test A/B aiutano a identificare le varianti più performanti degli elementi creativi, mentre la personalizzazione adatta l'esperienza ai singoli clienti.
  • La combinazione di questi approcci semplifica i processi, amplifica i risultati e aumenta la soddisfazione del cliente.
  • I professionisti del marketing possono sfruttare questo potere segmentando il pubblico per i test A/B, testando le strategie di personalizzazione e utilizzando dati in tempo reale per l'ottimizzazione continua.

I test A/B e la personalizzazione rappresentano due metodologie distinte. Mentre i test A/B si concentrano sulla sperimentazione di diversi elementi creativi, testi, layout e persino algoritmi per migliorare le metriche aziendali chiave e quella dell'esperienza utente complessiva, la personalizzazione mira ad abbinare l'esperienza più pertinente a un singolo cliente al momento giusto.

Sebbene l'approccio sia fondamentalmente diverso, la combinazione di queste due strategie può effettivamente offrire vantaggi esponenziali. In questo post, esploreremo il motivo e come i team possono farlo.

Limiti dei test A/B

La premessa dei test A/B è semplice:

Confronta due (o più) versioni diverse di qualcosa per vedere quale funziona meglio e poi distribuisci il vincitore a tutti gli utenti per un'esperienza complessiva ottimale.

La pratica dei team di test A/B e CRO è stata quindi quella di investire in modo significativo nel lancio di tutti i tipi di esperimenti per migliorare diverse aree ed esperienze sul sito, sull'app nativa, sull'e-mail o su qualsiasi altro canale digitale e quindi ottimizzarli continuamente per aumentare le conversioni e i KPI specifici con il passare del tempo.

Tuttavia, a meno che un'azienda non generi tonnellate di traffico e non disponga di un enorme panorama digitale da cui sperimentare, potrebbe arrivare un punto di rendimenti decrescenti in cui l'output della sperimentazione (non importa quanti test o quanto grande e sofisticato possa essere un esperimento) raggiunge il massimo rendimento in termini di input da parte di questi team.

Ciò ha in gran parte a che fare con il fatto che l'approccio classico ai test A/B offre una visione binaria delle preferenze dei visitatori e spesso non riesce a cogliere l'intera gamma di fattori e comportamenti che definiscono chi sono come individui.

Inoltre, i test A/B producono risultati generalizzati basati sulle preferenze di maggioranza di un segmento. E mentre un marchio può trovare che una particolare esperienza produca in media più entrate, distribuirla a tutti gli utenti sarebbe un disservizio per una parte significativa di consumatori con preferenze diverse.

Permettetemi di illustrare con alcuni esempi:

Se il patrimonio netto di me e Warren Buffet fosse in media di 117,3 miliardi di dollari, avrebbe senso consigliarci gli stessi prodotti?

Probabilmente no.

O che ne dici se un rivenditore che serve sia prodotti da uomo che da donna decide di eseguire un classico test A/B sulla propria homepage per identificare la variante del banner dell'eroe con le migliori prestazioni, ma poiché il 70% del loro pubblico è costituito da donne, la variante femminile supera quella maschile.

Questo test suggerirebbe di applicare lo stendardo delle eroine femminili a tutta la popolazione, ma sicuramente non sarebbe la decisione giusta.

Per dirla semplicemente:

  • Le medie sono spesso fuorvianti quando vengono utilizzate per confrontare diversi gruppi di utenti
  • La variazione con le migliori prestazioni cambia per ogni segmento di clienti e utente
  • I risultati possono anche essere influenzati da fattori contestuali come l'area geografica, il tempo e altro ancora

Questo non vuol dire, ovviamente, che non ci sia un tempo e un luogo per sfruttare risultati più generalizzati. Ad esempio, se stavi testando un nuovo sito Web o il design di un'app, avrebbe senso puntare a un'interfaccia utente coerente che funzionasse meglio in media rispetto a decine, centinaia o addirittura migliaia di varianti dell'interfaccia utente per utenti diversi.

Tuttavia, i giorni in cui si adottava fedelmente un approccio «chi vince prende tutto» al layout di una pagina, ai messaggi, ai contenuti, ai consigli, alle offerte e ad altri elementi creativi sono finiti, e questo va bene perché significa che non saranno più lasciati soldi sul tavolo a causa delle mancate opportunità di personalizzazione associate alla mancata offerta della migliore variante a ogni singolo utente.

Ottenere una maggiore rilevanza con la personalizzazione

La personalizzazione consiste nel rispondere e adattare l'esperienza del sito ai consumatori in base al loro comportamento, alle loro preferenze e alle loro intenzioni uniche, cosa che è diventata un'aspettativa nel panorama digitale odierno. Questo da solo è dimostrato di aumentare la soddisfazione e la fidelizzazione dei clienti.

E sebbene non dipenda necessariamente dai test A/B, potrebbe sorprendere che le migliori pratiche di personalizzazione si basino sui fondamenti dei test A/B: l'unica differenza è che determinare quale versione di una particolare esperienza funziona meglio viene fatto a livello di pubblico rispetto alla media.

Analizziamo la struttura di base di come apparirebbe all'interno di una campagna di personalizzazione. Invece di includere un'esperienza con più varianti da confrontare con un gruppo di controllo, come quella di un test A/B tradizionale, facciamo un ulteriore passo avanti con la creazione di più esperienze mirate a pubblici diversi e più varianti all'interno di ciascuna che possono essere testate A/B per determinare quella con le migliori prestazioni.

Questo può essere fatto attraverso un semplice targeting basato su regole, che utilizza la logica IF/Then per personalizzare il percorso del cliente in base a una serie di regole programmate manualmente, con i team in grado di testare A/B queste esperienze, convalidare i risultati al raggiungimento della significatività statistica e quindi iterare di conseguenza.

Tuttavia, l'intelligenza artificiale e l'apprendimento automatico sono diventati una posta in gioco quando si tratta di scalare il processo decisionale di personalizzazione, poiché lo scenario di cui sopra può diventare un processo ricco di dati che coinvolge numerose implementazioni di test con misurazioni granulari di ogni variazione testata rispetto a ciascun segmento di pubblico per determinare le regole di targeting programmatico ottimali. È anche utile per convertire i test "perdenti" in opportunità di personalizzazione per varianti specifiche identificate per ottenere prestazioni migliori per un particolare pubblico.

Queste tecnologie avanzate analizzano le prestazioni di ogni variazione in ogni segmento di traffico in tempo reale per offrire i contenuti più pertinenti a gruppi di pubblico selezionati. Inoltre, la personalizzazione 1:1 può essere realizzata con funzionalità di personalizzazione basate sull'affinità, che sfruttano il processo di profilazione dell'affinità per abbinare algoritmicamente ogni persona con consigli, offerte di prodotti e contenuti personalizzati.

Questo livello di personalizzazione consente alle aziende di essere più efficaci e mirate con la loro strategia di marketing, coinvolgendo al contempo i consumatori in modo più sfumato, significativo e pertinente.

Accoppiamento di test A/B con personalizzazione

Se chiedessi a un team di test A/B o CRO e a quelli dedicati alla personalizzazione di più su quali fossero le specifiche del loro lavoro, troveresti le loro risposte stranamente simili.

Prendi il diagramma illuminante qui sotto, illustrato durante un keynote di JD Sports | Finish Line durante un evento Personalization Pioneers (riepilogo completo qui):

È un sentimento condiviso da molti altri che stanno iniziando a rendersi conto che sia i test A/B che la personalizzazione:

  • Condividere l'attenzione sulla creazione di un'esperienza cliente positiva
  • Stanno cercando di influenzare e migliorare gli stessi KPI
  • Può beneficiare degli stessi apprendimenti raccolti

Inoltre, spesso, questi team richiedono le stesse risorse interne e persino gli stessi strumenti! Questo è il motivo per cui è così importante che i test A/B e la personalizzazione non vivano nel vuoto e diventino invece parte di una roadmap condivisa con KPI allineati.

La combinazione dei due può non solo semplificare i processi e le operazioni, ma anche generare risultati esponenziali perché consente di ottenere informazioni ampie e precise sul comportamento dei consumatori.

Ecco come puoi incorporare il loro potere combinato nella tua strategia di marketing per ottenere risultati migliori:

1. Test A/B basati su segmenti

Invece di eseguire test A/B su tutto il tuo pubblico, dividi il tuo pubblico in segmenti significativi in base a caratteristiche condivise (prova l'approccio del pubblico primario, che ha lo scopo di scalare da macro a micro). Quindi, esegui i test A/B su questi segmenti. Questo approccio di sperimentazione segmentato può fornire una comprensione più sfumata dei diversi comportamenti dei consumatori e aiutare a personalizzare le esperienze per gruppi specifici.

Ad esempio, Synchrony ha aumentato il tasso di invio delle domande del 4,5% tra gli utenti con intenzioni elevate eseguendo un esperimento per questo segmento che ha testato la rimozione di pulsanti di invito all'azione estranei dal banner.

Dopo l'analisi, l'azienda ha notato una specifica modifica all'UX, la rimozione del pulsante CTA «Riproduci video» dal banner, che ha impedito agli utenti più intenzionati di distrarsi, consentendo loro di saperne di più sui numerosi servizi di Synchrony.

2. Strategie di personalizzazione dei test A/B

Utilizza i test A/B per determinare quali strategie di personalizzazione funzionano meglio. Ad esempio, potresti testare gli algoritmi di raccomandazione dei prodotti e verificare se quelli mirati a determinati segmenti di pubblico portano a migliori percentuali di clic o di aggiunta al carrello rispetto ad altri.

3. Adattamento della strategia in tempo reale

Man mano che raccogli i dati dai tuoi test A/B, utilizza queste informazioni per l'ottimizzazione e il perfezionamento continui della tua strategia di personalizzazione. Questo adattamento in tempo reale consente una strategia di marketing più dinamica ed efficace che si evolve continuamente per soddisfare le esigenze dei consumatori.

Ad esempio, Build with Ferguson ha generato un aumento dell'89% degli acquisti dai consigli in questo modo, che è iniziato con l'implementazione di una strategia incentrata sul pubblico (basata sul framework Rooted Personalization).

Il team ha testato varie strategie di raccomandazione e alla fine ha scoperto che il suo segmento di pubblico «Consumer» tendeva a interagire con gli articoli consigliati con cui altri utenti con comportamenti e interessi simili hanno interagito.

Utilizzando questi risultati, Build with Ferguson ha ottimizzato le prestazioni dei suoi consigli in tutto il sito e ha anche scoperto che gli utenti che interagiscono con i consigli spendono in media il 13% in più e acquistano in media 2,4 articoli in più.

Test A/B e personalizzazione: estensioni naturali l'uno dell'altro

I test A/B sono storicamente stati quelli di determinare la migliore esperienza complessiva, mentre la personalizzazione mira a fornire la migliore esperienza a livello di pubblico o individuale. E mentre c'è un tempo e un luogo per entrambi, la combinazione dei due può tradursi in una maggiore soddisfazione e fedeltà dei clienti per le aziende, con esperienze chiave rese più rilevanti attraverso la personalizzazione e risultati massimi prodotti per strategia attraverso i test A/B.

P.S. Per ulteriori informazioni su come queste due pratiche si uniscono, ti suggerisco di dare un'occhiata a questo corso A/B Testing & Optimization, che spiega come impostare le giuste configurazioni di attribuzione, selezionare l'obiettivo giusto, analizzare i risultati dei test di personalizzazione e assicurarsi che ognuna produca risultatisignificativi.