Skip to main content

Varför A/B-testning och personalisering är kraftfullare tillsammans

Även om de återspeglar två distinkta metoder för att förbättra användarupplevelsen, kan kombinationen av dem erbjuda exponentiella fördelar som företag inte vill missa.

 

Yaniv Navot

 

CMO, dynamisk avkastning

Här är vad du behöver veta:

  • A/B-testning och personalisering kan, i kombination, avsevärt förbättra användarupplevelsen genom att leverera den mest relevanta upplevelsen till varje individ.
  • A/B-testning hjälper till att identifiera de bäst presterande varianterna av kreativa element, medan personalisering skräddarsyr upplevelsen till enskilda kunder.
  • Genom att kombinera dessa metoder effektiviseras processer, förstärks resultaten och ökar kundnöjdheten.
  • Marknadsförare kan utnyttja denna kraft genom att segmentera målgrupper för A/B-testning, testa personaliseringsstrategier och använda realtidsdata för kontinuerlig optimering.

A/B-testning och personalisering representerar två olika metoder. Medan A/B-testning fokuserar på att experimentera med olika kreativa element, text, layouter och till och med algoritmer för att förbättra viktiga affärsmått såväl som den övergripande användarupplevelsen, syftar personalisering till att matcha den mest relevanta upplevelsen för en enskild kund vid rätt tidpunkt.

Även om de skiljer sig fundamentalt åt i tillvägagångssätt kan en kombination av dessa två strategier faktiskt ge exponentiella fördelar. I det här inlägget ska vi utforska varför det är så, samt hur team kan gå tillväga för att göra det.

A/B-testningens begränsningar

Premissen för A/B-testning är enkel:

Jämför två (eller fler) olika versioner av något för att se vilken som presterar bäst och distribuera sedan vinnaren till alla användare för den mest optimala helhetsupplevelsen.

Praxisen för A/B-testnings- och CRO-team har således varit att investera avsevärt i att lansera alla möjliga typer av experiment för att förbättra olika områden och upplevelser på webbplatsen, i native-appen, e-posten eller någon annan digital kanal, och sedan kontinuerligt optimera dem för att driva en stegvis ökning av konverteringar och specifika KPI:er över tid.

Men om inte ett företag genererar massor av trafik och har ett enormt digitalt landskap att experimentera från, kan det komma en punkt med minskande avkastning där resultatet av experiment (oavsett hur många tester eller hur stort och sofistikerat ett experiment än må vara) når maximal avkastning när det gäller input från dessa team.

Detta har till stor del att göra med det faktum att den klassiska metoden för A/B-testning erbjuder en binär bild av besökarnas preferenser och ofta misslyckas med att fånga hela spektrumet av faktorer och beteenden som definierar vilka de är som individer.

Dessutom ger A/B-tester generaliserade resultat baserade på ett segments majoritetspreferenser. Och även om ett varumärke kan uppleva att en viss upplevelse i genomsnitt ger mer intäkter, skulle det vara en otjänst för en betydande del av konsumenterna med olika preferenser att distribuera den till alla användare.

Låt mig illustrera med några exempel:

Om både jag och Warren Buffets nettoförmögenhet i genomsnitt var 117,3 miljarder USD, skulle det vara vettigt att rekommendera samma produkter till oss?

Förmodligen inte.

Eller hur är det om en återförsäljare som säljer både herr- och damprodukter bestämmer sig för att köra ett klassiskt A/B-test på sin hemsida för att identifiera den bäst presterande hero-bannervarianten, men eftersom 70 % av deras publik är kvinnor, presterar damvarianten bättre än mäns.

Detta test skulle tyda på att kvinnornas hjältefana skulle tillämpas på hela befolkningen, men det skulle säkerligen inte vara rätt beslut.

Enkelt uttryckt:

  • Genomsnitt är ofta missvisande när de används för att jämföra olika användargrupper
  • De bäst presterande variationsändringarna för varje kundsegment och användare
  • Resultaten kan också påverkas av kontextuella faktorer som geografi, väder och mer

Detta betyder naturligtvis inte att det inte finns en tid och plats för att utnyttja mer generaliserade resultat. Om du till exempel testar en ny webbplats- eller appdesign vore det klokt att sikta på ett enhetligt användargränssnitt som fungerar bäst i genomsnitt jämfört med dussintals, hundratals eller till och med tusentals UI-variationer för olika användare.

Men dagarna då vi troget hade en "vinnaren tar allt"-strategi för layout av en sida, budskap, innehåll, rekommendationer, erbjudanden och andra kreativa element är över – och det är okej eftersom det betyder att det inte längre kommer att finnas pengar kvar på bordet från missade personaliseringsmöjligheter i samband med att man inte levererar den bästa variationen till varje enskild användare.

Få större relevans med personalisering

Personalisering handlar om att anpassa webbplatsupplevelsen till konsumenter beroende på deras unika beteende, preferenser och avsikt, vilket har blivit en förväntan i dagens digitala landskap. Detta ensamt har bevisats öka kundnöjdheten och lojaliteten.

Och även om det inte nödvändigtvis är beroende av A/B-testning, kan det komma som en överraskning att bästa praxis inom personalisering bygger på grunderna i A/B-testning – den enda skillnaden är att avgöra vilken version av en viss upplevelse som fungerar bäst på målgruppsnivå jämfört med i genomsnitt.

Låt oss bryta ner den grundläggande strukturen för hur detta skulle se ut inom en personaliseringskampanj. Istället för att inkludera en upplevelse med flera varianter för att jämföra mot en kontrollgrupp, som i ett traditionellt A/B-test, går vi ett steg längre genom att skapa flera upplevelser riktade mot olika målgrupper och flera varianter inom varje grupp som kan A/B-testas för att avgöra vilken som presterar bäst.

Detta kan göras genom enkel regelbaserad målgruppsinriktning, som använder OM/Sen-logik för att skräddarsy kundresan enligt en uppsättning manuellt programmerade regler, där team kan A/B-testa dessa upplevelser, validera deras resultat när de uppnår statistisk signifikans och sedan iterera därefter.

AI och maskininlärning har dock blivit viktiga faktorer när det gäller att skala beslutsfattande om personalisering, eftersom ovanstående scenario kan bli en datatung process som involverar många testimplementeringar med detaljerade mätningar av varje testad variant mot varje målgruppssegment för att fastställa de optimala programmatiska inriktningsreglerna. Det är också användbart för att omvandla "förlorande" tester till personaliseringsmöjligheter för specifika varianter som identifierats för att prestera bättre för en viss målgrupp.

Dessa avancerade tekniker analyserar prestandan för varje variant över varje trafiksegment i realtid för att leverera det mest relevanta innehållet till utvalda målgrupper. Vidare kan individuell personalisering åstadkommas med affinitetsbaserade personaliseringsfunktioner, som utnyttjar processen med affinitetsprofilering för att algoritmiskt matcha varje person med personliga rekommendationer, produkterbjudanden och innehåll.

Denna nivå av personalisering gör det möjligt för företag att vara mer effektiva och målinriktade med sin marknadsföringsstrategi samtidigt som de engagerar konsumenterna på ett mer nyanserat, meningsfullt och relevant sätt.

Koppla A/B-testning med personalisering

Om du frågade ett A/B-testnings- eller CRO-team och de som arbetar med personalisering mer om vad deras arbete innebär, skulle du upptäcka att deras svar är kusligt lika.

Ta det ögonöppnande diagrammet nedan, som visades under ett huvudanförande från JD Sports | Finish Line under ett evenemang för Personalization Pioneers (fullständig sammanfattning här):

Det är en uppfattning som delas av många andra som börjar inse att både A/B-testning och personalisering:

  • Dela fokus på att skapa en positiv kundupplevelse
  • Vill påverka och förbättra samma nyckeltal
  • Kan dra nytta av samma insamlade lärdomar

Dessutom kräver dessa team ofta samma interna resurser och till och med verktyg! Det är därför så viktigt att A/B-testning och personalisering inte lever i ett vakuum, utan istället blir en del av en gemensam färdplan med harmoniserade KPI:er.

Kombinationen av de två kan inte bara effektivisera processer och verksamheter utan också generera exponentiella resultat eftersom det möjliggör både breda och finjusterade insikter i konsumentbeteende.

Så här kan du integrera deras kombinerade kraft i din marknadsföringsstrategi för bättre resultat:

1. Segmentbaserad A/B-testning

Istället för att utföra A/B-tester på hela din målgrupp, dela upp den i meningsfulla segment baserat på gemensamma egenskaper (prova den primära målgruppen, som är avsedd att skala från makro till mikro). Utför sedan A/B-tester på dessa segment. Denna segmenterade experimenteringsmetod kan ge en mer nyanserad förståelse av olika konsumentbeteenden och hjälpa till att skräddarsy upplevelser till specifika grupper.

Till exempel ökade Synchrony sin andel ansökningar som skickades in med 4,5 % bland användare med hög intresse genom att köra ett experiment för detta segment som testade borttagningen av onödiga uppmaningsknappar från bannern.

Vid analysen noterade företaget en specifik UX-förändring – att ta bort knappen "Spela upp video" från bannern – hindrade användare med hög intresse från att bli distraherade, vilket gjorde det möjligt för dem att faktiskt lära sig mer om Synchronys många tjänster.

2. Strategier för personalisering av A/B-test

Använd A/B-testning för att avgöra vilka personaliseringsstrategier som fungerar bäst. Du kan till exempel testa algoritmer för produktrekommendationer och se om de som riktar sig till vissa målgrupper leder till bättre klickfrekvens eller frekvenser för lägg till i varukorgen än andra.

3. Strategianpassning i realtid

När du samlar in data från dina A/B-tester, använd denna information för kontinuerlig optimering och förfining av din personaliseringsstrategi. Denna realtidsanpassning möjliggör en mer dynamisk och effektiv marknadsföringsstrategi som kontinuerligt utvecklas för att möta konsumenternas behov.

Till exempel genererade Build with Ferguson en ökning på 89 % i köp från rekommendationer genom att göra detta, vilket först började med att implementera en målgruppsfokuserad strategi (baserad på Rooted Personalization- ramverket).

Teamet testade olika rekommendationsstrategier och upptäckte slutligen att deras målgrupp ”konsument” tenderade att interagera med rekommenderade artiklar som andra användare med liknande beteenden och intressen har interagerat med.

Med hjälp av dessa resultat optimerade Build with Ferguson prestandan för sina rekommendationer på hela webbplatsen och upptäckte också att användare som interagerar med rekommendationer spenderar 13 % mer och köper 2,4 fler varor i genomsnitt.

A/B-testning och personalisering – naturliga förlängningar av varandra

A/B-testning har historiskt sett handlat om att fastställa den bästa upplevelsen totalt sett, medan personalisering syftar till att ge den bästa upplevelsen på målgrupps- eller individnivå. Och även om det finns en tid och en plats för båda, kan en kombination av de två leda till ökad kundnöjdhet och lojalitet för företag – med viktiga upplevelser som blir mer relevanta genom personalisering och maximala resultat per strategi via deras A/B-testning.

PS För mer information om hur dessa två metoder kombineras föreslår jag att du kollar in den här kursen i A/B-testning och optimering, som handlar om hur man konfigurerar rätt attributionskonfigurationer, väljer rätt mål, analyserar resultat från personaliseringstester och säkerställer att var och en ger meningsfulla resultat.