Skip to main content

Zašto su A / B testiranje i personalizacija moćniji zajedno

Iako odražava dva različita pristupa poboljšanju korisničkog iskustva, njihova kombinacija može ponuditi eksponencijalne koristi koje preduzeća ne žele da propuste.

 

Яniv Navot

 

CMO, dinamički prinos

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 varijacija kreativnih elemenata sa najboljim performansama, dok personalizacija prilagođava iskustvo pojedinačnim kupcima.
  • Kombinovanje ovih pristupa pojednostavljuje procese, pojačava rezultate i povećava zadovoljstvo kupaca.
  • Trgovci mogu iskoristiti ovu moć segmentiranjem publike za A/B testiranje, testiranjem strategija personalizacije i korišćenjem podataka u realnom vremenu za kontinuiranu optimizaciju.

A/B testiranje i personalizacija predstavljaju dve različite metodologije. Dok se A/B testiranje fokusira na eksperimentisanje sa različitim kreativnim elementima, kopijama, rasporedima, pa čak i algoritmima za poboljšanje ključnih poslovnih metrika, kao i celokupnog korisničkog iskustva, personalizacija ima za cilj da uskladi najrelevantnije iskustvo pojedinačnom kupcu u pravom trenutku.

Iako se fundamentalno razlikuje u pristupu, kombinovanje ove dve strategije zapravo može ponuditi eksponencijalne koristi. U ovom postu ćemo istražiti zašto je to tako, kao i kako timovi to mogu učiniti.

Ograničenja A / B testiranja

Pretpostavka A/B testiranja je jednostavna:

Uporedite dve (ili više) različitih verzija nečega da biste videli koja ima bolji učinak, a zatim primenite pobednika svim korisnicima za najoptimalnije sveukupno iskustvo.

Praksa A / B testiranja i CRO timova je stoga bila da se značajno uloži u pokretanje svih vrsta eksperimenata kako bi se poboljšale različite oblasti i iskustva na sajtu, izvornoj aplikaciji, e-pošti ili bilo kom drugom digitalnom kanalu, a zatim ih kontinuirano optimizuju kako bi se povećalo inkrementalno povećanje konverzija i specifičnih KPI-a kako vreme prolazi.

Međutim, osim ako kompanija ne generiše tone saobraćaja i nema ogroman digitalni pejzaž iz kojeg može eksperimentirati, može doći do tačke smanjenja prinosa gde rezultat eksperimentisanja (bez obzira koliko testova ili koliko veliki i sofisticiran eksperiment može biti) dostigne maksimalni prinos u smislu unosa ovih timova.

Ovo u velikoj meri ima veze sa činjenicom da klasični pristup A/B testiranju nudi binarni prikaz preferencija posetilaca i često ne uspeva da obuhvati čitav niz 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 pronaći određeno iskustvo koje će u prose ku donijeti veći prihod, njegovo primenu svim korisnicima bila bi loša usluga značajnom delu potrošača sa različitim preferencijama.

Dozvolite mi da ilustrujem sa nekoliko primera:

Ako je neto vrednost i mene i Varrena Buffeta u proseku iznosila 117,3 milijarde dolara, da li bi imalo smisla preporučiti nam iste proizvode?

Verovatno ne.

Ili kako bi bilo ako prodavac koji služi i muške i ženske proizvode odluči da izvrši klasični A/B test na svojoj početnoj stranici kako bi identifikovao varijaciju banera heroja sa najboljim performansama, ali pošto su 70% njihove publike žene, ženska varijacija nadmašuje mušku.

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

Jednostavno rečeno:

  • Proseci su često pogrešni kada se koriste za upoređivanje različitih korisničkih grupa
  • Varijacije sa najboljim performansama menjaju se za svaki segment kupaca i korisnika
  • Na rezultate mogu uticati i kontekstualni faktori kao što su geo, vreme i još mnogo toga

To, naravno, ne znači da nema vremena i mesta za korišćenje generalizovanijih rezultata. Na primer, ako testirate novi dizajn veb stranice ili aplikacije, imalo bi smisla ciljati na jedan dosledan korisnički interfejs koji je najbolje funkcionisao u proseku u odnosu na desetine, stotine ili čak hiljade varijacija korisničkog interfejsa za različite korisnike.

Međutim, dani vernog zauzimanja pristupa „pobednik uzme sve“ izgledu stranice, porukama, sadržaju, preporukama, ponudama i drugim kreativnim elementima su prošli - i to je u redu jer to znači da više neće ostati novac na stolu od propuštenih mogućnosti personalizacije povezanih sa neisporukom najbolje varijacije svakom pojedinačnom korisniku.

Otključavanje veće relevantnosti sa personalizacijom

Personalizacija se odnosi na reagovanje i prilagođavanje iskustva sajta potrošačima u zavisnosti od njihovog jedinstvenog ponašanja, sklonosti i namere, što je postalo očekivanje u današnjem digitalnom pejzažu. Dokaz ano je da samo ovo povećava zadovoljstvo i lojalnost kupaca.

I iako ne zavisi nužno od A/B testiranja, moglo bi biti iznenađenje da se najbolja praksa u personalizaciji zasniva na osnovama A/B testiranja - jedina razlika je u tome što određivanje koja verzija određenog iskustva najbolje funkcioniše vrši se na nivou publike u odnosu na prosečno.

Razložimo osnovnu strukturu kako bi ovo izgledalo u okviru kampanje personalizacije. Umesto da uključimo jedno iskustvo sa više varijacija za poređenje sa kontrolnom gru pom, poput onog tradicionalnog A/B testa, idemo korak dalje stvaranjem višestrukih iskustava usmerenih na različitu publiku i više varijacija unutar svake od njih koje se mogu testirati A/B da bi se odredio najbolji učinak.

To se može uraditi jednostavnim ciljanjem zasnovanom na pravilima, koje koristi logiku Af/then da prilagodi putovanje korisnika prema skupu ručno programiranih pravila, pri čemu timovi mogu A/B testirati ova iskustva, potvrditi svoje rezultate nakon postizanja statisti čke značajnosti, a zatim ponoviti u skladu s tim.

Međutim, AI i mašinsko učenje postali su ulozi u tabeli kada je u pitanju skaliranje odlučivanja o personaliz aciji, jer gornji scenario može postati proces težak podacima koji uključuje brojne primene testa sa detaljnim merenjima svake testirane varijacije u odnosu na svaki segment publike kako bi se odredila optimalna pravila programskog ciljanja. Takođe je korisno u pretvaranju "gubitničkih" testova u mogućnosti personalizacije za specifične varijacije identifikovane da bolje rade za određenu publiku.

Ove napredne tehnologije analiziraju performanse svake varijacije u svakom segmentu saobraćaja u realnom vremenu kako bi poslužile najrelevantniji sadržaj za odabir grupa publike. Dalje, personalizacija 1:1 može se postići pomoću mogućnosti personalizacije zasnovanih na afinit etu, koje koriste proces profilisanja af initeta kako bi algoritamski uskladile svaku osobu sa personalizovanim preporukama, ponudama proizvoda i sadržajem.

Ovaj nivo personalizacije omogućava kompanijama da budu efikasnije i ciljane sa svojom marketinškom strategijom, a istovremeno angažuju potrošače na nijansiraniji, smisleniji i relevantniji način.

Spajanje A/B testiranja sa personalizacijom

Ako biste pitali A/B tim za testiranje ili CRO i one koji su posvećeni personaliz aciji više o specifičnostima njihovog rada, smatrali biste da su njihovi odgovori jezivo slični.

Uzmite dijagram otvaranja očiju ispod, koji je prikazan tokom glavne reči iz JD Sports | Cilj linije tokom događaja Pion iri personalizacije (ceo rezime ovde):

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

  • Podelite fokus na stvaranje pozitivnog korisničkog iskustva
  • Žele da utiču i poboljšaju iste KPI
  • Može imati koristi od istih prikupljenih učenja

Pored toga, često ovi timovi zahtevaju iste interne resurse, pa čak i alate! Zbog toga je toliko važno da A/B testiranje i personalizacija ne žive u vakuumu, već umesto toga postanu deo zajedničke mape puta sa usklađenim KPI-ima.

Kombinacija ovo dvoje ne samo da može da pojednostavi procese i operacije, već i da generiše eksponencijalne rezultate jer omogućava široki i fino podešeni uvid u ponašanje potrošača.

Evo kako možete uključiti njihovu kombinovanu moć u svoju marketinšku strategiju za bolje rezultate:

1. Segmentno A / B testiranje

Umesto da izvodite A/B testove na celoj publici, podelite svoju publiku na značajne segmente zasnovane na zajedničkim karakteristikama (isprobajte pristup primarne publi ke, koji je namenjen skaliranju od makro do mikro). Zatim izvršite A/B testove na ovim segmentima. Ovaj segmentirani pristup eksperimentisanja može pružiti nijansiranije razumevanje različitih ponašanja potrošača i pomoći u prilagođavanju iskustava određenim grupama.

Na primer, Sinhroni je povećao stopu podnošenja aplikacija za 4,5% među korisnicima sa visokim namerama pokretanjem eksperimenta za ovaj segment koji je testirao uklanjanje stranih tastera za poziv na akciju sa banera.

Nakon analize, kompanija je primetila jednu specifičnu promenu UKS-a – uklanjanje CTA dugmeta "Play Video" sa svog banera – zaustavila je korisnike sa visokim namerama da se ometaju, omogućavajući im da zapravo saznaju više o brojnim uslugama Sinhroni-a.

2. Strategije personalizacije A/B testa

Koristite A / B testiranje da biste utvrdili koje strategije personalizacije najbolje funkcionišu. Na primer, možete testirati algoritme preporuka proizvoda i da li oni koji su usmereni na određenu publiku dovode do boljih stopa klikova ili dodavanja u korpu od drugih.

3. Adaptacija strategije u realnom vremenu

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

Na primer, Build with Ferguson je time generisao povećanje kupovine od 89% iz preporuka, što je prvo počelo sa primenom strategije prvenstveno za publiku (zasnovanu na okviru Rooted Personalizacije).

Tim je testirao različite strategije preporuka i na kraju otkrio da je njegov segment publike „potrošača“ imao tendenciju da se bavi preporučenim stavkama sa kojima su komunicirali drugi korisnici sa sličnim ponašanjem i interesima.

Koristeći ove nalaze, Build with Ferguson optimizovao je performanse svojih preporuka na celoj veb lokaciji, a takođe je otkrio da korisnici koji komuniciraju sa preporukama troše 13% više i kupuju 2,4 artikla u proseku.

A/B testiranje i personalizacija – prirodni produžeci jedni drugih

A/B testiranje se istorijski odnosilo na određivanje najboljeg iskustva u celini, dok personalizacija ima za cilj da pruži najbolje iskustvo na nivou publike ili pojedinca. I dok postoji vreme i mesto za oboje, kombinovanje ova dva može da se prevede u povećano zadovoljstvo kupaca i lojalnost za preduzeća – sa ključnim iskustvima koja su postala relevantnija kroz personalizaciju i maksimalne rezultate po strategiji putem njihovog A / B testiranja.

P.S. Za više informacija o tome kako se ove dve prakse spajaju, predlažem vam da pogledate ovaj kurs za optimizaciju A/B testiranja &, koji se dotiče kako postaviti prave konfiguracije atribucije, odabrati pravi cilj, analizirati rezultate testa personalizacije i osigurati da svaka od njih daje značajne rezultate.

Povezane priče