Segmenterade A/B-tester: Undvik genomsnittliga upplevelser

Ett av de största misstagen som företag gör när de på allvar sätter igång med A/B-testning är att hålla sig till en enda, enkel målgrupp. Problemet är att om du vill ha relevanta och insiktsfulla resultat behöver du ha en strategi för segmentering och personalisering på plats. 

Att rikta sig till den "genomsnittliga" personen, oftast i form av ”alla besökare”, är en lätt fälla att falla i. Tanken är att man genom att kasta ut ett stort nät kan fånga alla. I verkligheten finns det inget som heter en ”genomsnittlig” besökare. Visst har din webbplats en normalfördelningskurva av besökare, men den kurvan utgörs i stället av undergrupper av besökare som var och en har egna normalfördelningskurvor på olika ställen. 

En bra början är nog att ställa den här frågan: 

Är du genomsnittlig? 

Chances are that in some ways you’re average, but in some very important and distinct ways, you’re also not. 

När det gäller webbplatsbesökare är några vanliga exempel på undergrupper: 

• Nya jämfört med återkommande besökare 

• Män vs. kvinnor 

• Mobilbesökare vs. dator 

• Lojala kunder jämfört med engångskunder 

Var och en av dessa grupper kommer att ha distinkta preferenser, och genom att rikta sig specifikt till dessa grupper samtidigt som du utför experiment kan du öka sannolikheten för att du hittar den gruppens drivkrafter för högre konverteringsgrad eller ett ökat genomsnittligt ordervärde. 

För att illustrera varför det är en dålig idé att testa mot en enda enhetlig målgrupp kan vi tänka oss att du har en e-handelsbutik som säljer friluftskläder där 80 % av besökarna är män. Om du bestämmer dig för att testa en ny huvudbild högst upp på sidan – en som fokuserar på herrkläder och en som fokuserar på damkläder – är chansen stor att den mansfokuserade alltid vinner. Testet gav dig faktiskt inte veta något som du inte redan visste. 

Än värre är att samma resultat faktiskt kan dölja högre resultat än förväntat från kvinnornas bildelement. Den snabbaste vägen till en högre konverteringsgrad kan faktiskt handla om att identifiera kvinnliga besökare och skräddarsy relevant innehåll för dem, men det är knappast den slutsats du drar av ett enhetligt test för ”alla besökare”. Detta är bara ett exempel på varför segmentering är avgörande vid god testdesign. 

Det är en sak att betona vissa aspekter av webbplatsen för ett visst segment, men du vill inte gå till överdrift i dina tester. Om du vet att besökaren på din webbplats är en kvinna är det rimligt att tona ner mäns produkter. Samtidigt vill du inte helt ta bort de produkterna från webbplatsen, eftersom du inte vet vad hon letar efter. Hon kanske till exempel köper en present till sin pojkvän eller make. 

Det är till hjälp att börja med att gruppera dina största segment först och sedan arbeta dig vidare till mindre och mindre. Större segment kommer att ha mer trafik, vilket gör det snabbare och enklare att nå statistisk signifikans – så ta itu med den lågt hängande frukten först.

När det enkla är avklarat snabbt kan du ägna tid åt att utforma mer detaljerade tester för specifika segment. Samma sak gäller för olika delar av din webbplats – börja med sidor med högre trafik som din startsida och gå vidare till andra sidor med lägre trafik först därefter.

En av de mest grundläggande segmenteringsindelningarna är mellan nya och återkommande besökare. Det är en bra startpunkt, men dessa grupper kan också delas upp ytterligare. Du kan till exempel dela upp återkommande besökare i dem som har slutfört ett köp jämfört med dem som inte har gjort det. Du kan också segmentera ut kunder med högt värde – de som har ett högt genomsnittligt ordervärde i sin varukorg, slutför sina köp och gör färre returer – jämfört med "fönstershoppare" som mer sällan binder sig för ett köp. Ju tydligare era segment är, desto mer exakta Become era resultat.

En besökare som tittar in på din webbplats flera gånger i veckan är inte densamma som en besökare som inte har varit där under de senaste 90 dagarna. Även om båda rent tekniskt sett är ”återkommande” besökare är det troligt att de reagerar olika. 

Det är en sak att betona vissa aspekter av webbplatsen för ett visst segment, men du vill inte gå till överdrift i dina tester. Om du vet att besökaren på din webbplats är en kvinna är det rimligt att tona ner mäns produkter. Samtidigt vill du inte helt ta bort de produkterna från webbplatsen, eftersom du inte vet vad hon letar efter. Hon kanske till exempel köper en present till sin pojkvän eller make. 

Vissa stater tar ut moms för onlineköp medan andra inte gör det. Detta skapar två distinkta – och ofta förbisedda – kundsegment. Varför inte testa erbjudanden för kunder som bor i skattefria stater med budskap som framhäver det faktum att köpet kommer att vara skattefritt? Hur enkel taktiken än kan verka uppmuntrar den till att spendera lite mer. 

På samma sätt är väderbaserad personalisering värd att ha i åtanke. En person som bor i en stad som drabbas av en kraftfull snöstorm kommer till exempel förmodligen inte att shoppa trädgårdsmöbler. Samma målgrupp kan dock reagera starkt på erbjudanden om vinterkläder och fläktar.

När personer är nya inom A/B-testning tänker de i regel inte igenom testdesignen. De fokuserar på "vad"-aspekten av testet – till exempel vilken knappstorlek och färgkombination som genererar flest klick – samtidigt som de förbiser "varför" bakom det. Utan en central hypotes som driver dessa tester blir de enskilda testresultaten inte särskilt meningsfulla; testinitiativ baserade på "vad" får snabbt slut på idéer och tappar fart.

Det räcker inte att veta att ett erbjudande presterade bättre i ett A/B-test inom ett visst segment.

• Vilka är de psykologiska konsekvenserna av testet?
• Vad säger det om den här kundgruppen?
• Hur kan lärdomarna generaliseras eller användas som underlag för beslut i hela verksamheten?

De bättre och mer meningsfulla testerna har som regel de största och mest långtgående konsekvenserna för verksamheten som helhet.

Det är lätt att fastna i gamla hjulspår när det gäller teststrategier eller att märka att testidéerna samlas kring en viss typ av test. Designorienterade tänkare fastnar ofta i att testa oändliga variationer av en gränssnittsdesign, även om testerna ger allt mindre utdelning. Om du vill att dina tester ska generera tydliga och verkningsfulla insikter måste du prova olika typer av tester. Du kan testa vilket element som helst på din webbplats – erbjudanden, text, bilder, layout, användarupplevelse – och för valfri målgrupp, så varför inte dra nytta av det?

Bara för att ett test ger meningsfulla resultat innebär det inte att testet har något berättigande. Dina tester bör också ge handlingsbara insikter i såväl användarens psykologi som den övergripande affärsmodellen. Du kan skapa ett test som erbjuder designtröjor för 1 $ styck, och det kommer garanterat att ge tydliga resultat. Betyder det att det är ett bra affärsbeslut att sälja t-shirts med stor förlust? Självklart inte, men det finns otaliga exempel på marknadsförare som gör mycket strategiska drag baserat på optimeringstester som är precis lika bristfälliga. 

När det är möjligt bör dina A/B-tester göra mer än att bara utse en vinnare och en förlorare. De bör validera affärsmässiga antaganden, identifiera nya produktområden och berätta mer om de personer som tillbringar tid hos dig.