Välja rätt mål för konverteringsoptimering

En konverteringsoptimeringsprocess kan misslyckas av en mängd olika anledningar. En av de viktigaste övervägandena vid körning av experiment kretsar kring att välja rätt optimeringsmål. Generellt sett mäts konverteringar när en besökare utför åtgärder som definieras som värdefulla för din verksamhet. Konvertering kan mätas som ett klick på ett element, slutförande av ett mål eller någon annan åtgärd på nätet som har en direkt inverkan på intäkterna. Oavsett om du försöker förbättra klick på displayannonser med CTR-baserad optimering, generera fler leads med målbaserad optimering eller öka försäljningen med intäktsbaserad optimering kan valet av rätt mål för dina optimeringsinitiativ göra en enorm skillnad för om de misslyckas eller lyckas. 

Det räcker dock inte med ett specifikt och mätbart mål, och det är det första du måste inse innan du planerar ett test. Många andra variabler är inblandade, till exempel vilken typ av experiment du kör, urvalsstorlek för målgruppen, experimentets längd, konverteringsattribuering, antalet innehållsvariationer som testas och hur framträdande de ändringar som testas är. Det handlar inte bara om att mäta resultaten – det handlar om att optimera datainsikterna så effektivt som möjligt med rätt optimeringsmetod. 

Nedan finns en tabell som illustrerar detta. Använd den för att få en bättre uppfattning om vad optimeringsmålet för dina experiment bör vara, baserat på urvalsstorlek och experimentets uppskattade längd. Det finns naturligtvis ingen universalmedicin, och den här tabellen kan bara fungera som vägledning för att fatta rätt beslut. 

Tiden är av stor vikt, och det är en av de huvudsakliga faktorer som påverkar beslutet att välja rätt mål för dina experiment. Om du driver en e-handelswebbplats och har för avsikt att få snabba resultat för ett experiment som du håller på att lansera ska du komma ihåg följande: Intäktsbaserad optimering kräver större köpcykler än klickfrekvens- (CTR) eller målbaserad optimering. 

Med intäktsbaserad optimering är det betydligt mer komplicerat att tillskriva den faktiska konverteringen till en enskild experimentvariation. Det tar längre tid för en slumpmässig besökare som exponeras för ett experiment att slutföra ett köp än det tar att slutföra ett klick på ett element. Vissa kunder jämför priser, medan andra helt enkelt är långsamma köpare. 

Det kan faktiskt hända mycket mellan det första intrycket av ett live-experiment och det slutliga målet att slutföra ett köp. Som en generell tumregel gäller därför att om du är ute efter snabba resultat kan du glömma att optimera för intäkter och i stället hålla dig till kortare och enklare konverteringscykler, till exempel klickbaserad optimering eller optimering för slutförda mål. 

Att dra slutsatser för snabbt är också ett stort problem. Det kan vara svårt att behålla lugnet och ignorera en (påstått) uppenbar vinnare några dagar in i ett test. Även om resultaten varierar mellan branscher och urvalsstorlekar är det helt avgörande att vänta på att optimeringsprocessen samlar in tillräckligt med datainsikter för att uppnå statistisk signifikans. Även om ditt testverktyg förutspår en otrolig ökning bör du låta testet köra i åtminstone några veckor eller några köpcykler innan du börjar analysera resultaten. 

Vissa experiment visar visserligen på stora förbättringar tidigt i testprocessen, men resultaten kan variera kraftigt över tid, vilket gör att många marknadsförare drar fel slutsatser och till och med förlorar pengar om de genomför ändringar baserat på de första resultaten. 

Alla tester är ofullkomliga. Om du inte kan skicka tillräckligt med trafik och generera konverteringar till alla variationer kommer dina ansträngningar att vara förgäves. Bara för att du kan testa ett element på en sida betyder det inte att du bör göra det. Ju större urvalsstorlek, desto fler datainsikter blir ju faktiskt tillgängliga för systemet att optimera. Se till att du testar märkbara förändringar som är tillräckligt stora för att ha en verklig inverkan på resultatet. Utan tillräckliga datainsikter (t.ex. trafik eller konverteringar) kommer dina experiment aldrig att nå det statistiska signifikansminimum på 95 % och är därmed dömda att misslyckas. 

Alla tester kräver avsevärda resurser (budget, tid och personal), så håll dig till de element som du vet gör skillnad, till exempel budskap, huvudsidor och uppmaning till handling (CTA). Börja testa mindre funktioner och du kommer att märka att du går vilse i datainsikter som du inte kan använda. Det är ingen vits med att köra kortsiktiga optimeringsinitiativ för webbplatser med lite trafik. Om urvalsstorleken är liten kommer systemet att kämpa med att optimera och uppnå verkliga förbättringar. Det skulle ta mycket tid och kan till och med komma att misslyckas. 

Liksom med alla verktyg eller metoder kommer ett enskilt experiment inte att revolutionera din verksamhet, så förvänta dig inte att testet ska producera någon ”silverkula”. Genom att integrera testning över tid och implementera insikter på webbplatsen uppnår man dock gradvisa förbättringar som kan (och gör det) nå en vändpunkt. Arbeta detaljerat, välj rätt mål och driv era optimeringsinitiativ intelligent och metodiskt. Planera för små framsteg, så kommer de att leda till en stor skillnad i det långa loppet.