Ontgrendel belangrijke inzichten over je primaire doelgroepen met deze best practices voor het analyseren van je personalisatiecampagnes.
Gepubliceerd: 3 maart 2023 | Bijgewerkt: 29 juni 2026
Wanneer je begint met het segmenteren van tests per primaire doelgroep, begin je waardevolle inzichten te ontdekken over wat wel en niet aanslaat bij bepaalde segmenten. Deze inzichten kunnen je helpen een volledig en genuanceerd begrip op te bouwen van hoe je met je klanten moet communiceren.
Het analyseren en vastleggen van datagestuurde inzichten in de loop der tijd zal niet alleen je personalisatieprogramma versterken, maar het zal ook alle onderdelen van je bedrijf versterken en andere afdelingen helpen om strategischer te worden in hun interacties met verschillende klantgroepen. Hier delen we een aantal best practices om in gedachten te houden en leiden we je stap voor stap door een voorbeeld van hoe je je campagnes kunt analyseren op primaire doelgroepen.
Nauwkeurige rapportage begint altijd met nauwkeurige gegevensinzichten – wat je alleen kunt bereiken als je je experimenten correct instelt. We beginnen eerst met enkele best practices voor testen om te zorgen dat je gegevens geldig zijn voordat je ze gaat analyseren.
Houd er rekening mee dat de volgende best practices alleen van toepassing zijn op experimenten voor de langere termijn waarbij het doel is om statistische significantie te bereiken of daar dicht bij in de buurt te komen. Natuurlijk wil je soms een campagne voor korte tijd uitvoeren, bijvoorbeeld voor een Black Friday-actie die slechts enkele dagen duurt. In deze gevallen maak je gebruik van een Multi-Armed Bandit-methode, waarbij na verloop van tijd meer verkeer wordt toegewezen aan de winnende variant. Voor de rapportage gaan we kijken naar best practices voor handmatige verkeerstoewijzing: de klassieke A/B-testaanpak.
Lees ons artikel hier om meer te weten te komen over het kiezen van de juiste verkeerstoewijzingsmethode voor je tests.
Stel bijvoorbeeld dat je de impact wilt testen van social-proof-messaging in de vorm van sterbeoordelingen op PLP's. Het eerste wat je moet doen om je hypothese te testen en je resultaten nauwkeurig te analyseren, is het instellen van je variaties en je controlegroep.
In dit voorbeeld is de ervaring gericht op alle gebruikers met twee varianten: één met de sterrenbeoordelingen en één zonder (de controlegroep). In dit geval zouden we een verkeersverdeling van 50/50 instellen. Dit betekent dat 50% van het verkeer naar de variant met sterrenbeoordeling wordt gestuurd en de andere 50% naar de controlegroep.
Door 50% van het verkeer toe te wijzen aan je nieuwe variant en 50% aan je controlegroep krijg je helder inzicht in hoe je testvariant presteert bij je primaire doelgroepen. Deze methode laat geen ruimte voor fouten en kan je, als deze lang genoeg loopt, statistisch significante resultaten opleveren.
Most experimentation platforms have built-in analytics to track all relevant metrics and KPIs. Maar voordat je een A/B-testrapport analyseert, is het belangrijk dat je de volgende twee belangrijke statistieken begrijpt.
Uplift: Het verschil tussen de prestaties van een variant en de prestaties van een basislijnvariant (meestal de controlegroep). Bijvoorbeeld, als een variant een omzet per gebruiker heeft van $ 5 en de controlegroep een omzet per gebruiker heeft van $ 4, dan is de uplift 25%.
Kans op de beste prestatie: De kans dat een variant op de lange termijn de beste prestatie levert. Dit is de meest bruikbare metriek in het rapport, die wordt gebruikt om de winnaar van A/B-tests te bepalen. Waar de uplift op basis van toeval kan variëren bij kleine steekproeven, houdt de kans op de beste prestatie rekening met de steekproefomvang (op basis van de Bayesiaanse benadering). De kans op de beste prestatie wordt pas berekend nadat er 30 conversies of 1.000 steekproeven zijn geweest. Kort gezegd beantwoordt de kans op de beste prestatie de vraag 'Wie is beter?' en beantwoordt de uplift de vraag 'Hoeveel beter?'
Eerst wil je bekijken hoe het experiment voor alle gebruikers heeft gepresteerd. In ons voorbeeld van steraanduidingen op PLP's kun je zien dat de testvariatie zorgde voor een stijging in de primaire metriek die we voor de test hadden ingesteld (in dit geval aankopen per gebruiker).
Zoals je hier kunt zien, is de testvariant nog niet uitgeroepen tot de "winnaar". Meestal wordt er een winnaar uitgeroepen als aan de volgende voorwaarden wordt voldaan:
In ons voorbeeld zijn er, ondanks dat de echte statistische significantie niet is bereikt, duidelijke indicatoren dat de test uplift produceert en een kans van 79% heeft om als beste uit de bus te komen. Dit is bemoedigende informatie die ons ertoe aanzet om nog dieper in te gaan op hoe deze test presteert voor onze primaire doelgroepen.
De meeste experimenteerplatforms bieden een doelgroepuitsplitsing die laat zien hoe de resultaten van een test verschillen wanneer het verkeer wordt gesegmenteerd op basis van verschillende doelgroepen. We raden aan om te analyseren hoe de test presteert binnen je verschillende primaire doelgroepen om een dieper inzicht te krijgen in je primaire doelgroepen en om campagnes te gaan opbouwen die beter aansluiten bij de behoeften van elke groep.
Gezien de aard van primaire doelgroepen zie je bij het analyseren van de testresultaten per doelgroep hoogstwaarschijnlijk gedragsverschillen optreden. In ons voorbeeld laat de groep met een hoge intentie een voorkeur zien voor de controlegroep, ofwel geen sterbeoordelingen op de PLP.
Om het analyseren van je resultaten over primaire doelgroepen en het vergelijken van gedrag tussen je segmenten te vereenvoudigen, hebben we een sjabloon voor campagne-analyse van primaire doelgroepen gemaakt dat je kunt raadplegen en gebruiken.
Het sjabloon voor campagne-analyse voor primaire doelgroepen bevat twee tabbladen: een voorbeeld en een leeg sjabloon. In het voorbeeld wordt uitgelegd hoe het rekenblad werkt wanneer alle gegevens zijn ingevoerd. Op het tabblad met het lege sjabloon kun je je eigen gegevens invoeren om de impact van je campagnes en tests op je primaire doelgroepen eenvoudiger te analyseren.
Als je het lege sjabloon gebruikt, zie je drie categorieën invoer. De eerste invoer is de primaire statistiek, wat het onderwerp zal zijn van elke analyse die je uitvoert. Als je de impact van een test op het doorklikpercentage (CTR) analyseert in je primaire doelgroepen, voer je "CTR" in in dit veld.
In de volgende invoer vermeld je je primaire doelgroepen. Deze zijn bij elke tafel hetzelfde. We hebben in ons voorbeeld intentiegerichte doelgroepen gebruikt.
In het derde invoerveld leg je de prestaties van je campagne vast voor elke primaire doelgroep, voor zowel je controlegroep als je variatie(s). Deze informatie zou je uit je experimenteerplatform moeten kunnen halen.
Zodra je je gegevens hebt ingevoerd, berekent het rekenblad de delta en wordt er een grafiek gevuld om de prestaties te analyseren van elke primaire meting die je uitvoert binnen al je primaire doelgroepen. Door naar deze grafieken te kijken, krijg je een helder beeld van hoe het gedrag van je primaire doelgroepen verandert op basis van het experiment en de primaire meting. Gewapend met deze informatie kun je vervolgens beginnen met het institutionaliseren van je bevindingen om wijzigingen door te voeren op je hele site die de behoeften en voorkeuren van je primaire doelgroepen beter weerspiegelen.
Het bekijken van de grafieken in de sjabloon voor de analyse van campagnes voor primaire doelgroepen helpt je om beter inzicht te krijgen in hoe de resultaten van je tests belangrijke informatie signaleren over de psychologie en het gedrag van je primaire doelgroepen.
Zodra je de gedragsverschillen tussen je belangrijkste doelgroepen begrijpt, kun je deze inzichten vastleggen en in de toekomst gebruiken om je marketingcampagnes vorm te geven.
Deze data onthult inzichten over de behoeften van onze doelgroep. In ons voorbeeld beginnen we te zien dat gebruikers met een lage en gemiddelde intentie extra sociaal bewijs op PLP's nodig hebben om op ons merk te vertrouwen, door te gaan met browsen en uiteindelijk tot aankoop over te gaan. Aan de andere kant vertrouwen gebruikers met een hoge intentie ons merk al en geven daarom de voorkeur aan een overzichtelijkere PLP die leidt tot een gestroomlijndere aankoopervaring.
Zodra je een beter begrip hebt ontwikkeld van het gedrag van je primaire doelgroepen, kun je deze inzichten gebruiken als basis voor je volgende test.
Zodra je je gegevens hebt geanalyseerd en conclusies hebt getrokken over hoe de resultaten zich verhouden tot belangrijke gedragsverschillen binnen je primaire doelgroepen, kun je beginnen met het opzetten van je volgende test om verder actie te ondernemen op basis van je inzichten en een meer gepersonaliseerde ervaring te bieden aan je gebruikers.
In ons voorbeeld segmenteren we onze test dienovereenkomstig, omdat we ontdekten dat de aankoop per gebruiker alleen toenam voor gebruikers met een lage en gemiddelde intentie bij het bekijken van sterbeoordelingen op PLP's. Gebruikers met een lage en gemiddelde intentie krijgen de variant met sterbeoordeling te zien en gebruikers met een hoge intentie krijgen de variant zonder sterbeoordelingen te zien.
Deze tweede testfase is cruciaal, omdat deze je helpt meer inzichten te verkrijgen over je doelgroepen – in dit geval onze doelgroepen met een lage en gemiddelde intentie – en tegelijkertijd een meer gepersonaliseerde en relevante ervaring biedt aan elke doelgroep.
Naarmate je meer inzichten blijft verzamelen, kun je dit proces herhalen om continu meer te leren over je primaire doelgroepen, je ervaringen te verfijnen en de beste variant van je site aan elke primaire doelgroep aan te bieden.