Skip to main content

Zašto su A/B testiranje i personalizacija snažniji zajedno

Dok su odraz dva različita pristupa za poboljšanje korisničkog iskustva, njihova kombinacija može ponuditi eksponencijalne koristi od kojih biznisi ne žele odustati.

 

Yaniv Navot

 

CMO, Dynamic Yield

Evo šta treba da znate:

  • A/B testiranje i personalizacija, kada se kombinuju, mogu značajno poboljšati korisničko iskustvo pružanjem najrelevantnijeg iskustva svakom pojedincu.
  • A/B testiranje pomaže u identifikaciji najbolje performiranih varijacija kreativnih elemenata, dok personalizacija prilagođava iskustvo pojedinačnim kupcima.
  • Kombinovanje ovih pristupa usmjerava procese, pojačava rezultate i poboljšava zadovoljstvo kupaca.
  • Marketari mogu iskoristiti ovu moć segmentiranjem publika za A/B testiranje, testiranje strategija personalizacije i korišćenje stvarnih podataka za kontinuiranu optimizaciju.

Las pruebas A/B y la personalización representan dos metodologías distintas. Mientras que las pruebas A/B se centran en experimentar con diferentes elementos creativos, textos, diseños e incluso algoritmos para mejorar los métricas de negocio clave y la experiencia general del usuario, la personalización busca ofrecer la experiencia más relevante a un cliente individual en el momento adecuado.

Iako su po pristupu fundamentalno različite, kombinovanje ove dve strategije zapravo može ponuditi eksponencijalne koristi. U ovom postu ćemo istražiti zašto je to tako, kao i kako timovi to mogu postići.

Ograničenja A/B testiranja

Premisa A/B testiranja je jednostavna:

Uporediti dvije (ili više) različite verzije nečega kako bi se vidjelo koja bolje performira, a zatim primijeniti pobjedničku verziju na sve korisnike za najoptimalnije ukupno iskustvo.

Praksa A/B testiranja i CRO timova je da značajno investiraju u lansiranje svih vrsta eksperimenata kako bi poboljšali različite oblasti i iskustva na sajtu, u aplikacijama, putem emaila, ili bilo kojeg drugog digitalnog kanala i zatim ih kontinuirano optimizuju za postizanje inkrementalnog povećanja u konverzijama i specifičnim KPI-jevima kroz vrijeme.

Međutim, ako kompanija ne generiše mnogo saobraćaja i nema ogromni digitalni krajolik za eksperimentisanje, može doći do tačke opadajuće dobiti gde rezultat eksperimentisanja (bez obzira koliko testova ili koliko velika i sofisticirana eksperimenta mogu biti) doseže maksimalan prinos u smislu doprinosa ovih timova.

Uglavnom se radi o tome da klasičan pristup A/B testiranju nudi binaran pogled na preferencije posetilaca i često ne uspeva da obuhvati potpuni spektar faktora i ponašanja koji definišu ko su oni kao pojedinci.

Štaviše, A/B testovi daju generalizovane rezultate zasnovane na većinskim preferencijama segmenta. I dok brend može otkriti da određeno iskustvo donosi više prihoda u proseku, primena istog za sve korisnike bila bi loša usluga značajnom delu potrošača s različitim preferencijama.

Dopusti mi da ilustrujem sa nekoliko primjera:

Ako bi neto vrednost i moja i Warren Buffet-a bila prosečno 117,3 milijardi američkih dolara, da li bi imalo smisla da nam se preporuče isti proizvodi?

Vjerovatno ne.

Ili šta ako trgovac koji pruža proizvode za muškarce i žene odluči da sprovede klasičan A/B test na svojoj početnoj stranici kako bi identifikovao najbolje varijacije hero bannera, ali pošto je 70% njegove publike žene, ženska varijanta nadmašuje mušku.

Ovaj test bi sugerisao da se hero baner za žene primeni na celu populaciju, ali to sigurno ne bi bila prava odluka.

Jednostavno rečeno:

  • Proseci često zavaravaju kada se koriste za poređenje različitih korisničkih grupa
  • Promjene najbolje performirajuće varijacije se mijenjaju za svaki segment korisnika i kupaca.
  • Rezultati mogu biti pod uticajem kontekstualnih faktora kao što su geolokacija, vreme i drugo.

Naravno, to ne znači da nema vremena i mjesta za korišćenje generičkih rezultata. Na primjer, ako ste testirali novi dizajn web stranice ili aplikacije, imalo bi smisla ciljati konzistentan korisnički interfejs koji najbolje funkcionira u prosjeku, umjesto na desetke, stotine ili čak hiljade varijacija korisničkog interfejsa za različite korisnike.

Međutim, dani lojalnog pristupa "pobednik uzima sve" na dizajn stranice, poruke, sadržaj, preporuke, ponude i druge kreativne elemente su prošli - što je u redu jer to znači da neće više biti ostavljen novac na stolu zbog propuštenih prilika za personalizaciju povezanih s neisporučivanjem najbolje varijacije za svakog pojedinačnog korisnika.

Otključavanje veće relevantnosti kroz personalizaciju

Personalizacija se bavi odgovaranjem na i prilagođavanjem iskustva na sajtu potrošačima u zavisnosti od njihovog jedinstvenog ponašanja, preferencija i namera, što je postalo očekivanje u današnjem digitalnom okruženju. Ovo samo je dokazano da povećava zadovoljstvo i lojalnost kupaca.

I dok ne zavisi nužno od A/B testiranja, možda će vas iznenaditi da najbolja praksa u personalizaciji počiva na osnovama A/B testiranja - jedina razlika je u određivanju koja verzija određene doživljaja najbolje funkcioniše na nivou publike, a ne u proseku.

Razložimo osnovnu strukturu kako bi ovo izgledalo unutar personalizacione kampanje. Umjesto da uključimo jedno iskustvo s više varijacija za usporedbu s kontrolnom grupom, kao u tradicionalnom A/B testiranju, idemo korak dalje kreiranjem višestrukih iskustava ciljanih na različite publike i višestrukih varijacija unutar svakog koje se mogu testirati A/B testiranjem kako bi se odredila najbolja opcija.

Ovo se može učiniti putem jednostavnog ciljanja koje se temelji na pravilima i koristi IF/Then logiku za prilagođavanje putovanja korisnika prema setu ručno programiranih pravila, s timovima koji mogu testirati ova iskustva putem A/B testiranja, potvrditi njihove rezultate po dostizanju statističke značajnosti, te zatim iterirati u skladu s tim.

Međutim, vještačka inteligencija i mašinsko učenje su postali ključni elementi kada je u pitanju skaliranje donošenja odluka o personalizaciji, jer gornji scenarij može postati proces težak s podacima koji uključuje brojne testne implementacije sa detaljnim mjerama svakog testiranog varijanta u odnosu na svaki segment publike kako bi se odredila optimalna programatska pravila ciljana na određene korisnike. Također je korisno u pretvorbi "gubitničkih" testova u prilike za personalizaciju za specifične varijante identificirane kao bolje performanse za određenu publiku.

Ove napredne tehnologije analiziraju performanse svake varijacije kroz svaki segment saobraćaja u stvarnom vremenu kako bi pružile najrelevantniji sadržaj odabranim grupama publike. Dalje, personalizacija 1:1 se može postići s mogućnostima personalizacije zasnovanim na afinitetu, koje koriste proces profiliranja afiniteta za algoritamsko podudaranje svake osobe s personalizovanim preporukama, ponudama proizvoda i sadržajem.

Ovaj nivo personalizacije omogućava kompanijama da budu efikasnije i ciljanje s njihovom marketinškom strategijom, dok također angažuju potrošače na suvremeniji, smisleniji i relevantniji način.

Povezivanje A/B testiranja s personalizacijom

Ako biste pitali tim za A/B testiranje ili CRO tim i one posvećene personalizaciji više o specifičnostima njihove posla, otkrili biste da su njihovi odgovori izuzetno slični.

Pogledajte dijagram ispod koji otvara oči, prikazan tokom ključnog govora JD Sports | Finish Line na događaju Personalization Pioneers (pogledajte cjelokupan osvrt ovdje):

To je osećaj koji dele mnogi drugi koji počinju da shvataju da i A/B testiranje i personalizacija:

  • Podijelite fokus na stvaranje pozitivnog iskustva korisnika.
  • Traže da utiču i poboljšaju iste KPI-jeve
  • Puede beneficiarse de los mismos aprendizajes acumulados

Pored toga, često puta, ovi timovi zahtijevaju iste unutrašnje resurse pa čak i alate! Zato je važno da A/B testiranje i personalizacija ne žive izolovano, već da postanu dio zajedničke mape puta sa usklađenim KPI-ovima.

Kombinacija ova dva ne samo da može pojednostaviti procese i operacije, već i proizvesti eksponencijalne rezultate jer omogućava i široke i precizno podešene uvide u ponašanje potrošača.

Evo kako možete integrisati njihovu kombinovanu moć u vašu marketing strategiju za bolje rezultate:

1. A/B testiranje zasnovano na segmentima

Umjesto da izvodite A/B testove na cjelokupnoj publici, podijelite svoju publiku u značajne segmente zasnovane na zajedničkim karakteristikama (probajte pristup Primarne publike, koji je namijenjen da se skalira od makro do mikro). Onda, izvršite A/B testove na ovim segmentima. Ovaj pristup segmentirane eksperimentacije može pružiti nijansiranije razumijevanje različitih ponašanja potrošača i pomoći u prilagođavanju iskustava specifičnim grupama.

Na primjer, Synchrony je povećao stopu podnošenja prijava za 4.5% među korisnicima sa visokim namjerama, izvodeći eksperiment za ovaj segment koji je testirao uklanjanje suvišnih poziva na akciju iz banera.

Nakon analize, kompanija je primijetila jednu specifičnu promjenu u UX-u – uklanjanje dugmeta "Play Video" CTA s njegovog banera – spriječilo je korisnike s visokom namjerom da budu ometani, omogućujući im da zaista nauče više o brojnim uslugama Synchrony.

2. A/B testirajte strategije personalizacije

Koristite A/B testiranje da odredite koje strategije za personalizaciju najbolje funkcionišu. Na primjer, možete testirati algoritme za preporuku proizvoda i da li oni, koji su ciljani na određene publike, vode do boljih stopa klikanja ili dodavanja u korpu od drugih.

3. Adaptacija strategije u stvarnom vremenu

Dok prikupljate podatke iz vaših A/B testova, koristite ove informacije za kontinuiranu optimizaciju i usavršavanje vaše strategije personalizacije. Ova prilagodba u stvarnom vremenu omogućava dinamičniju i efikasniju marketinšku strategiju koja se stalno razvija kako bi zadovoljila potrebe potrošača.

Na primer, Build with Ferguson je generisao 89% povećanje kupovina iz preporuka primenjujući ovu strategiju, koja je prvobitno počela implementacijom strategije usmerene na publiku (zasnovane na okviru za Korenitu Personalizaciju).

Tim je testirao različite strategije preporuka i na kraju otkrio da se segment publike 'Potrošači' obično angažuje s preporučenim artiklima s kojima su interagirali drugi korisnici sa sličnim ponašanjem i interesima.

Koristeći ova saznanja, Build with Ferguson je optimizovao performanse svojih preporuka na celom sajtu i takođe je otkrio da korisnici koji interaguju s preporukama troše 13% više i u proseku kupuju 2.4 puta više artikala.

Pruebas A/B y personalización: extensiones naturales entre sí.

A/B testiranje je historijski bilo o određivanju najboljeg iskustva uopšte, dok personalizacija ima za cilj pružiti najbolje iskustvo na nivou publike ili pojedinca. Iako postoji vrijeme i mjesto za oboje, kombinovanje ova dva može rezultirati povećanim zadovoljstvom i lojalnošću kupaca za poslove – s ključnim iskustvima koja postaju relevantnija putem personalizacije i maksimalnim rezultatima dobivenim putem njihovog A/B testiranja.

P.S. Za više informacija o tome kako se ove dvije prakse spajaju, predlažem da pogledate ovaj A/B Testing & Optimization kurs, koji razmatra kako postaviti odgovarajuće konfiguracije atribucije, odabrati pravi cilj, analizirati rezultate testova personalizacije, i osigurati da svaki donese značajne rezultate.