Skip to main content

Porque é que os testes A/B e a personalização são mais poderosos juntos?

Embora reflitam duas abordagens distintas para melhorar a experiência do utilizador, a sua combinação pode oferecer benefícios exponenciais que as empresas não vão querer perder.

 

Yaniv Navot

 

CMO, Rendimento Dinâmico

Eis o que precisa de saber:

  • Os testes A/B e a personalização, quando combinados, podem melhorar significativamente a experiência do utilizador, oferecendo a experiência mais relevante para cada indivíduo.
  • Os testes A/B ajudam a identificar as variações de melhor desempenho dos elementos criativos, enquanto a personalização adapta a experiência a cada cliente individualmente.
  • A combinação destas abordagens simplifica os processos, amplia os resultados e aumenta a satisfação do cliente.
  • Os profissionais de marketing podem aproveitar este poder segmentando o público para testes A/B, testando estratégias de personalização e utilizando dados em tempo real para otimização contínua.

Os testes A/B e a personalização representam duas metodologias distintas. Enquanto os testes A/B se concentram em experimentar diferentes elementos criativos, textos, layouts e até algoritmos para melhorar as principais métricas de negócio, bem como a experiência geral do utilizador, a personalização visa oferecer a experiência mais relevante para cada cliente no momento certo.

Embora fundamentalmente diferentes na sua abordagem, a combinação destas duas estratégias pode, na realidade, oferecer benefícios exponenciais. Neste post, vamos explorar o porquê disto, bem como a forma como as equipas o podem fazer.

Limitações dos testes A/B

A premissa dos testes A/B é simples:

Compare duas (ou mais) versões diferentes de algo para ver qual tem o melhor desempenho e, em seguida, implemente a versão vencedora para todos os utilizadores, de forma a obter a experiência global mais otimizada.

A prática das equipas de testes A/B e CRO consiste, portanto, em investir significativamente no lançamento de todos os tipos de experiências para melhorar diferentes áreas e experiências em todo o website, aplicação nativa, e-mail ou qualquer outro canal digital e, em seguida, otimizá-los continuamente para gerar um aumento incremental nas conversões e em KPIs específicos ao longo do tempo.

No entanto, a menos que uma empresa gere toneladas de tráfego e tenha um vasto ambiente digital para experimentar, pode chegar um ponto de retorno decrescente, onde o resultado da experimentação (independentemente da quantidade de testes ou da dimensão e sofisticação de uma experiência) atinge um rendimento máximo em termos do investimento destas equipas.

Isto deve-se, em grande parte, ao facto de a abordagem clássica dos testes A/B oferecer uma visão binária das preferências dos visitantes e, muitas vezes, não conseguir captar toda a gama de fatores e comportamentos que definem quem são enquanto indivíduos.

Além disso, os testes A/B produzem resultados generalizados com base nas preferências da maioria de um segmento. E embora uma marca possa descobrir que uma experiência específica gera mais receitas em média, implementá-la para todos os utilizadores seria uma injustiça para uma parte significativa de consumidores com preferências diferentes.

Permitam-me ilustrar com alguns exemplos:

Se o património líquido meu e de Warren Buffett fosse, em média, de 117,3 mil milhões de dólares, faria sentido recomendar os mesmos produtos para ambos?

Provavelmente não.

Ou imagine que um retalhista que vende produtos tanto para homens como para mulheres decide realizar um teste A/B clássico na sua página inicial para identificar a variação de banner principal com melhor desempenho, mas, como 70% do seu público é feminino, a variação feminina supera a masculina.

Este teste sugeriria que a bandeira das heroínas fosse aplicada a toda a população, mas não seria certamente a decisão correta.

Resumindo:

  • As médias são muitas vezes enganadoras quando utilizadas para comparar diferentes grupos de utilizadores.
  • A variação com melhor desempenho altera-se para cada segmento de clientes e utilizador.
  • Os resultados podem também ser influenciados por fatores contextuais como a geografia, o clima e outros.

Isto não significa, naturalmente, que não exista um momento e um local adequados para tirar partido de resultados mais generalizados. Por exemplo, se estivesse a testar um novo design de website ou aplicação, faria sentido procurar uma interface de utilizador consistente que funcionasse melhor em média, em vez de dezenas, centenas ou mesmo milhares de variações de interface para diferentes utilizadores.

No entanto, os dias de adotar fielmente uma abordagem de "tudo ou nada" para o layout de uma página, mensagens, conteúdo, recomendações, ofertas e outros elementos criativos acabaram – e isso é bom, porque significa que não haverá mais dinheiro perdido devido às oportunidades de personalização que se perdem ao não oferecer a melhor versão para cada utilizador.

Aumentar a relevância com a personalização

A personalização consiste em responder e ajustar a experiência do website aos consumidores, dependendo do seu comportamento, preferências e intenções individuais, o que se tornou uma expectativa no panorama digital atual. Só isso já comprovou aumentar a satisfação e a fidelização do cliente.

Embora não dependa necessariamente de testes A/B, pode ser surpreendente que as melhores práticas em personalização se baseiem nos fundamentos dos testes A/B – a única diferença é que a determinação de qual a versão de uma experiência específica que funciona melhor é feita ao nível do público-alvo, em vez de na média.

Vamos analisar a estrutura básica de como isto se aplicaria a uma campanha de personalização. Em vez de incluir uma experiência com múltiplas variações para comparar com um grupo de controlo, como num teste A/B tradicional, damos um passo mais além, criando múltiplas experiências dirigidas a públicos diferentes e múltiplas variações dentro de cada uma delas, que podem ser testadas através de testes A/B para determinar a de melhor desempenho.

Isto pode ser feito através de uma segmentação simples baseada em regras, que utiliza a lógica "SE/ENTÃO" para personalizar a jornada do cliente de acordo com um conjunto de regras programadas manualmente. As equipas podem realizar testes A/B destas experiências, validar os seus resultados ao atingir significância estatística e, em seguida, iterar conforme necessário.

No entanto, a IA e a aprendizagem automática tornaram-se requisitos básicos quando se trata de escalar a tomada de decisões de personalização, dado que o cenário acima pode tornar-se um processo com um grande volume de dados, envolvendo inúmeras implementações de testes com medições detalhadas de cada variação testada em relação a cada segmento de público, de forma a determinar as regras ideais de segmentação programática. É também útil para converter testes "ineficazes" em oportunidades de personalização para variações específicas identificadas como tendo um melhor desempenho para um determinado público.

Estas tecnologias avançadas analisam o desempenho de cada variação em todos os segmentos de tráfego em tempo real para fornecer o conteúdo mais relevante a grupos de audiência selecionados. Além disso, a personalização individualizada pode ser conseguida com capacidades de personalização baseadas na afinidade, que utilizam o processo de criação de perfis de afinidade para combinar algoritmicamente cada pessoa com recomendações, ofertas de produtos e conteúdos personalizados.

Este nível de personalização permite que as empresas sejam mais eficazes e direcionadas nas suas estratégias de marketing, ao mesmo tempo que envolvem os consumidores de uma forma mais subtil, significativa e relevante.

Combinando testes A/B com personalização

Se perguntasse a uma equipa de testes A/B ou de otimização da taxa de conversão (CRO) e a profissionais dedicados à personalização sobre os detalhes específicos do seu trabalho, descobriria que as respostas são assustadoramente semelhantes.

Observe o diagrama revelador abaixo, apresentado durante uma palestra da JD Sports | Finish Line num evento Personalization Pioneers (resumo completo aqui):

É um sentimento partilhado por muitos outros que começam a perceber que tanto os testes A/B como a personalização:

  • Partilhe o foco na criação de uma experiência positiva para o cliente.
  • Estão a procurar influenciar e melhorar os mesmos KPIs.
  • Podem beneficiar dos mesmos aprendizados recolhidos.

Além disso, muitas vezes, estas equipas precisam dos mesmos recursos internos e até das mesmas ferramentas! Por isso, é tão importante que os testes A/B e a personalização não sejam tratados isoladamente, mas sim integrados num roteiro partilhado com KPIs alinhados.

A combinação dos dois não só pode agilizar processos e operações, como também gerar resultados exponenciais, uma vez que permite obter insights amplos e precisos sobre o comportamento do consumidor.

Veja como pode incorporar o poder combinado dos mesmos na sua estratégia de marketing para obter melhores resultados:

1. Teste A/B baseado em segmentos

Em vez de realizar testes A/B com todo o seu público, divida-o em segmentos relevantes com base em características partilhadas (experimente a abordagem dos Públicos Primários, que visa a escalabilidade do macro ao micro). De seguida, realize testes A/B nesses segmentos. Esta abordagem de experimentação segmentada pode proporcionar uma compreensão mais detalhada dos diferentes comportamentos do consumidor e ajudar a adaptar as experiências a grupos específicos.

Por exemplo, a Synchrony aumentou a sua taxa de envio de aplicações em 4,5% entre os utilizadores com elevada intenção de compra, realizando uma experiência para este segmento que testou a remoção de botões de chamada para ação desnecessários do banner.

Após análise, a empresa percebeu que uma mudança específica na experiência do utilizador – a remoção do botão de chamada para ação "Reproduzir vídeo" do banner – impedia os utilizadores com elevada intenção de compra de se distraírem, permitindo-lhes realmente aprender mais sobre os vários serviços da Synchrony.

2. Estratégias de personalização para testes A/B

Utilize testes A/B para determinar quais as estratégias de personalização que funcionam melhor. Por exemplo, pode testar algoritmos de recomendação de produtos e verificar se aqueles que são direcionados para determinados públicos geram melhores taxas de cliques ou de adição ao carrinho do que outros.

3. Adaptação da estratégia em tempo real

Ao recolher dados dos seus testes A/B, utilize estas informações para a otimização e melhoria contínua da sua estratégia de personalização. Esta adaptação em tempo real permite uma estratégia de marketing mais dinâmica e eficaz, que evolui continuamente para ir ao encontro das necessidades do consumidor.

Por exemplo, a Build with Ferguson gerou um aumento de 89% nas compras a partir de recomendações ao fazê-lo, o que começou com a implementação de uma estratégia centrada no público-alvo (baseada na estrutura de Personalização Enraizada ).

A equipa testou diversas estratégias de recomendação e, por fim, descobriu que o seu segmento de público "Consumidor" tendia a interagir com itens recomendados com os quais outros utilizadores com comportamentos e interesses semelhantes já tinham interagido.

Com base nestas conclusões, a Build with Ferguson otimizou o desempenho das suas recomendações em todo o website e descobriu também que os utilizadores que interagem com as recomendações gastam mais 13% e compram, em média, mais 2,4 artigos.

Testes A/B e personalização – extensões naturais um do outro

Historicamente, os testes A/B têm como objetivo determinar a melhor experiência global, enquanto a personalização visa proporcionar a melhor experiência a um público específico ou a um indivíduo em particular. Embora haja um momento e um lugar para ambos, combinar os dois pode traduzir-se numa maior satisfação e lealdade do cliente para com as empresas – com experiências-chave tornadas mais relevantes através da personalização e resultados máximos obtidos por estratégia através dos seus testes A/B.

PS: Para mais informações sobre como estas duas práticas se combinam, sugiro que consulte este curso de Teste A/B e Otimização, que aborda como configurar a atribuição correta, selecionar o objetivo adequado, analisar os resultados dos testes de personalização e garantir que cada um produz resultados significativos.