Skip to main content

Hvorfor A/B-testing og personalisering er kraftigere sammen

Selv om de gjenspeiler to forskjellige tilnærminger for å forbedre brukeropplevelsen, kan kombinasjonen av dem gi eksponentielle fordeler som bedrifter ikke vil gå glipp av.

 

Yaniv Navot

 

CMO, dynamisk avkastning

Her er hva du trenger å vite:

  • A/B-testing og personalisering kan, når de kombineres, forbedre brukeropplevelsen betydelig ved å levere den mest relevante opplevelsen til hver enkelt person.
  • A/B-testing bidrar til å identifisere de beste variantene av kreative elementer, mens personalisering skreddersyr opplevelsen til individuelle kunder.
  • Ved å kombinere disse tilnærmingene effektiviseres prosesser, forbedres resultatene og kundetilfredsheten økes.
  • Markedsførere kan utnytte denne kraften ved å segmentere målgrupper for A/B-testing, teste personaliseringsstrategier og bruke sanntidsdata for kontinuerlig optimalisering.

A/B-testing og personalisering representerer to forskjellige metoder. Mens A/B-testing fokuserer på å eksperimentere med ulike kreative elementer, tekst, layout og til og med algoritmer for å forbedre viktige forretningsmålinger så vel som den generelle brukeropplevelsen, har personalisering som mål å matche den mest relevante opplevelsen til en individuell kunde til riktig tidspunkt.

Selv om de er fundamentalt forskjellige i tilnærming, kan en kombinasjon av disse to strategiene faktisk gi eksponentielle fordeler. I dette innlegget skal vi utforske hvorfor det er slik, samt hvordan team kan gå frem for å gjøre det.

Begrensninger ved A/B-testing

Forutsetningen for A/B-testing er enkel:

Sammenlign to (eller flere) forskjellige versjoner av noe for å se hvilken som presterer best, og distribuer deretter vinneren til alle brukere for den mest optimale totalopplevelsen.

Praksisen bak A/B-testing og CRO-team har derfor vært å investere betydelig i å lansere alle slags eksperimenter for å forbedre ulike områder og opplevelser på tvers av nettstedet, native apper, e-post eller andre digitale kanaler, og deretter kontinuerlig optimalisere dem for å drive trinnvis økning i konverteringer og spesifikke KPI-er over tid.

Men med mindre et selskap genererer tonnevis av trafikk og har et enormt digitalt landskap å eksperimentere fra, kan det komme et punkt med avtagende avkastning der resultatet av eksperimenteringen (uansett hvor mange tester eller hvor stort og sofistikert et eksperiment måtte være) når et maksimalt utbytte når det gjelder innspill fra disse teamene.

Dette har i stor grad å gjøre med det faktum at den klassiske tilnærmingen til A/B-testing tilbyr et binært bilde av besøkendes preferanser og ofte ikke klarer å fange opp hele spekteret av faktorer og atferd som definerer hvem de er som individer.

Dessuten gir A/B-tester generaliserte resultater basert på et segments majoritetspreferanser. Og selv om et merke kan oppleve at en bestemt opplevelse gir mer inntekter i gjennomsnitt, ville det å distribuere den til alle brukere være en bjørnetjeneste for en betydelig andel forbrukere med forskjellige preferanser.

La meg illustrere med noen få eksempler:

Hvis min og Warren Buffets nettoformue i gjennomsnitt var 117,3 milliarder dollar, ville det være fornuftig å anbefale de samme produktene til oss?

Sannsynligvis ikke.

Eller hva om en forhandler som tilbyr både herre- og dameprodukter bestemmer seg for å kjøre en klassisk A/B-test på hjemmesiden sin for å identifisere den mest effektive hero-bannervarianten, men siden 70 % av publikummet deres er kvinner, yter kvinnevarianten bedre enn menns.

Denne testen ville antyde at kvinnenes heltebanner skulle brukes på hele befolkningen, men det ville absolutt ikke være den riktige avgjørelsen.

For å si det enkelt:

  • Gjennomsnitt er ofte misvisende når de brukes til å sammenligne ulike brukergrupper
  • De beste variasjonsendringene for hvert kundesegment og bruker
  • Resultatene kan også påvirkes av kontekstuelle faktorer som geografi, vær og mer

Dette betyr selvfølgelig ikke at det ikke finnes tid og sted for å utnytte mer generaliserte resultater. Hvis du for eksempel testet et nytt nettsted eller en ny appdesign, ville det være fornuftig å sikte mot ett konsistent brukergrensesnitt som fungerte best i gjennomsnitt kontra dusinvis, hundrevis eller til og med tusenvis av brukergrensesnittvariasjoner for forskjellige brukere.

Men dagene med trofast en «vinneren tar alt»-tilnærming til sideoppsett, budskap, innhold, anbefalinger, tilbud og andre kreative elementer er over – og det er greit, for det betyr at det ikke lenger vil bli penger igjen på bordet fra tapte personaliseringsmuligheter knyttet til å ikke levere den beste variasjonen til hver enkelt bruker.

Lås opp større relevans med personalisering

Personalisering handler om å respondere på og tilpasse nettstedsopplevelsen til forbrukerne, avhengig av deres unike atferd, preferanser og intensjoner, noe som har blitt en forventning i dagens digitale landskap. Dette alene er bevist å øke kundetilfredshet og lojalitet.

Og selv om det ikke nødvendigvis er avhengig av A/B-testing, kan det komme som en overraskelse at beste praksis innen personalisering er basert på grunnlaget for A/B-testing – den eneste forskjellen er at det å avgjøre hvilken versjon av en bestemt opplevelse som fungerer best, gjøres på målgruppenivå kontra i gjennomsnitt.

La oss se på den grunnleggende strukturen for hvordan dette ville se ut i en personaliseringskampanje. I stedet for å inkludere én opplevelse med flere varianter for å sammenligne mot en kontrollgruppe, slik som i en tradisjonell A/B-test, går vi et skritt videre med å lage flere opplevelser rettet mot forskjellige målgrupper og flere varianter innenfor hver av dem som kan A/B-testes for å bestemme den som yter best.

Dette kan gjøres gjennom enkel regelbasert målretting, som bruker HVIS/Så-logikk for å skreddersy kundereisen i henhold til et sett med manuelt programmerte regler, der team kan A/B-teste disse opplevelsene, validere resultatene når de når statistisk signifikans, og deretter iterere deretter.

Imidlertid har kunstig intelligens og maskinlæring blitt viktige faktorer når det gjelder skalering av beslutningstaking om personalisering, ettersom scenariet ovenfor kan bli en datatung prosess som involverer en rekke testimplementeringer med detaljerte målinger av hver testede variant mot hvert målgruppesegment for å bestemme de optimale programmatiske målrettingsreglene. Det er også nyttig for å konvertere «tapende» tester til personaliseringsmuligheter for spesifikke variasjoner som er identifisert for å yte bedre for en bestemt målgruppe.

Disse avanserte teknologiene analyserer ytelsen til hver variant på tvers av hvert trafikksegment i sanntid for å servere det mest relevante innholdet til utvalgte målgrupper. Videre kan 1:1-personalisering oppnås med affinitetsbaserte personaliseringsfunksjoner, som utnytter prosessen med affinitetsprofilering for algoritmisk å matche hver person med personlige anbefalinger, produkttilbud og innhold.

Dette nivået av personalisering gjør at bedrifter kan være mer effektive og målrettede med markedsføringsstrategien sin, samtidig som de engasjerer forbrukerne på en mer nyansert, meningsfull og relevant måte.

Koble A/B-testing med personalisering

Hvis du spurte et A/B-testings- eller CRO-team og de som er dedikert til personalisering mer om hva detaljene i arbeidet deres innebar, ville du oppdaget at svarene deres var uhyggelig like.

Se det oppsiktsvekkende diagrammet nedenfor, som ble vist under en hovedtale fra JD Sports | Finish Line under et Personalization Pioneers -arrangement (fullstendig oppsummering her):

Det er en følelse som deles av mange andre som begynner å innse at både A/B-testing og personalisering:

  • Del fokus på å skape en positiv kundeopplevelse
  • Ønsker å påvirke og forbedre de samme KPI-ene
  • Kan dra nytte av de samme innsamlede lærdommene

I tillegg krever disse teamene ofte de samme interne ressursene og til og med verktøyene! Derfor er det så viktig at A/B-testing og personalisering ikke lever i et vakuum, men i stedet blir en del av en felles veikart med samsvarende KPI-er.

Kombinasjonen av de to kan ikke bare effektivisere prosesser og drift, men også generere eksponentielle resultater fordi den gir mulighet for både bred og finjustert innsikt i forbrukeratferd.

Slik kan du integrere deres samlede kraft i markedsføringsstrategien din for bedre resultater:

1. Segmentbasert A/B-testing

I stedet for å utføre A/B-tester på hele målgruppen din, kan du dele den inn i meningsfulle segmenter basert på felles egenskaper (prøv primærmålgrupper-tilnærmingen, som er ment å skalere fra makro til mikro). Utfør deretter A/B-tester på disse segmentene. Denne segmenterte eksperimenteringstilnærmingen kan gi en mer nyansert forståelse av ulik forbrukeratferd og bidra til å skreddersy opplevelser til spesifikke grupper.

For eksempel økte Synchrony innsendingsraten for søknader med 4,5 % blant brukere med høy søknadsintensjon ved å kjøre et eksperiment for dette segmentet som testet fjerning av unødvendige handlingsfremmende knapper fra banneret.

Ved analyse la selskapet merke til én spesifikk UX-endring – fjerning av «Spill av video»-knappen for handlingsfremmende oppfordringer fra banneret – som hindret brukere med høy interesse i å bli distrahert, slik at de faktisk kunne lære mer om Synchronys mange tjenester.

2. Strategier for personalisering av A/B-testing

Bruk A/B-testing for å finne ut hvilke personaliseringsstrategier som fungerer best. For eksempel kan du teste algoritmer for produktanbefalinger og om de som er rettet mot bestemte målgrupper fører til bedre klikk- eller legg-i-handlekurv-rater enn andre.

3. Strategitilpasning i sanntid

Når du samler inn data fra A/B-testene dine, bruk denne informasjonen til kontinuerlig optimalisering og forbedring av personaliseringsstrategien din. Denne tilpasningen i sanntid muliggjør en mer dynamisk og effektiv markedsføringsstrategi som kontinuerlig utvikler seg for å møte forbrukernes behov.

For eksempel genererte Build with Ferguson en økning på 89 % i kjøp fra anbefalinger ved å gjøre dette, som først startet med implementering av en målgruppefokusert strategi (basert på Rooted Personalization- rammeverket).

Teamet testet ulike anbefalingsstrategier og fant til slutt ut at målgruppen «Forbruker» hadde en tendens til å engasjere seg med anbefalte elementer som andre brukere med lignende atferd og interesser har samhandlet med.

Ved å bruke disse funnene optimaliserte Build with Ferguson ytelsen til anbefalingene sine på tvers av nettstedet, og oppdaget også at brukere som samhandler med anbefalinger bruker 13 % mer og kjøper 2,4 flere varer i gjennomsnitt.

A/B-testing og personalisering – naturlige forlengelser av hverandre

A/B-testing har historisk sett handlet om å bestemme den beste opplevelsen totalt sett, mens personalisering har som mål å gi den beste opplevelsen på målgruppe- eller individnivå. Og selv om det finnes en tid og et sted for begge deler, kan en kombinasjon av de to føre til økt kundetilfredshet og lojalitet for bedrifter – med viktige opplevelser som blir mer relevante gjennom personalisering og maksimale resultater per strategi via A/B-testing.

PS. Hvis du vil ha mer informasjon om hvordan disse to praksisene kombineres, foreslår jeg at du sjekker ut dette kurset i A/B-testing og optimalisering, som tar for seg hvordan du konfigurerer de riktige attribusjonskonfigurasjonene, velger riktig mål, analyserer resultater fra personaliseringstester og sørger for at hver enkelt gir meningsfulle resultater.