Skip to main content

Zakaj sta A/B testiranje in personalizacija skupaj močnejša

Čeprav odražata dva različna pristopa k izboljšanju uporabniške izkušnje, lahko njuna kombinacija ponudi eksponentne koristi, ki jih podjetja ne želijo zamuditi.

 

Janiv Navot

 

Direktor marketinga, dinamični donos

Tukaj je tisto, kar morate vedeti:

  • A/B testiranje in personalizacija lahko v kombinaciji znatno izboljšata uporabniško izkušnjo, saj vsakemu posamezniku zagotovita najustreznejšo izkušnjo.
  • A/B testiranje pomaga prepoznati najuspešnejše različice kreativnih elementov, medtem ko personalizacija prilagodi izkušnjo posameznim strankam.
  • Združevanje teh pristopov poenostavi procese, izboljša rezultate in poveča zadovoljstvo strank.
  • Tržniki lahko to moč izkoristijo s segmentacijo občinstva za A/B testiranje, testiranjem strategij personalizacije in uporabo podatkov v realnem času za nenehno optimizacijo.

A/B testiranje in personalizacija predstavljata dve različni metodologiji. Medtem ko se A/B testiranje osredotoča na eksperimentiranje z različnimi kreativnimi elementi, besedilom, postavitvami in celo algoritmi za izboljšanje ključnih poslovnih meritev in celotne uporabniške izkušnje, je cilj personalizacije uskladiti najustreznejšo izkušnjo s posamezno stranko v pravem trenutku.

Čeprav se pristopa bistveno razlikujeta, lahko kombinacija teh dveh strategij dejansko prinese eksponentne koristi. V tej objavi bomo raziskali, zakaj je tako, in kako lahko ekipe to storijo.

Omejitve A/B testiranja

Predpostavka A/B testiranja je preprosta:

Primerjajte dve (ali več) različnih različic nečesa, da vidite, katera deluje bolje, nato pa zmagovalno različico namestite vsem uporabnikom za najbolj optimalno splošno izkušnjo.

Praksa ekip za A/B testiranje in CRO je bila torej, da znatno vlagajo v izvajanje vseh vrst eksperimentov za izboljšanje različnih področij in izkušenj na spletnem mestu, v izvorni aplikaciji, e-pošti ali katerem koli drugem digitalnem kanalu, nato pa jih nenehno optimizirajo, da sčasoma povečajo število konverzij in določenih ključnih kazalnikov uspešnosti.

Vendar pa lahko pride do točke zmanjševanja donosov, ko rezultati eksperimentiranja (ne glede na število testov ali velikost in sofisticiranost eksperimenta) dosežejo največji izkupiček glede na prispevek teh ekip, razen če podjetje ustvari ogromno prometa in ima ogromno digitalno pokrajino, na kateri lahko eksperimentira.

To je v veliki meri povezano z dejstvom, da klasični pristop k A/B testiranju ponuja binarni pogled na preference obiskovalcev in pogosto ne zajame celotnega nabora dejavnikov in vedenja, ki opredeljujejo, kdo so kot posamezniki.

Poleg tega A/B testi dajejo posplošene rezultate, ki temeljijo na večinskih preferencah segmenta. In čeprav blagovna znamka lahko ugotovi, da ji določena izkušnja v povprečju prinaša več prihodkov, bi bila njena uvedba za vse uporabnike škoda za pomemben del potrošnikov z različnimi preferencami.

Naj ponazorim z nekaj primeri:

Če bi bila neto vrednost mene in Warrena Buffetta v povprečju 117,3 milijarde ameriških dolarjev, ali bi bilo smiselno, da nama priporočamo iste izdelke?

Verjetno ne.

Ali pa, če se trgovec, ki ponuja tako moške kot ženske izdelke, odloči za izvedbo klasičnega A/B testa na svoji domači strani, da bi ugotovil najuspešnejšo različico glavne pasice, vendar ker je 70 % njihove publike žensk, ženska različica prekaša moško.

Ta preizkus bi nakazoval, da bi se zastava ženskih junakinj uporabila za celotno populacijo, vendar to zagotovo ne bi bila prava odločitev.

Preprosto povedano:

  • Povprečja so pogosto zavajajoča, če se uporabljajo za primerjavo različnih uporabniških skupin.
  • Najbolj uspešne različice se spreminjajo za vsak segment strank in uporabnika
  • Na rezultate lahko vplivajo tudi kontekstualni dejavniki, kot so geografski podatki, vreme in drugo.

Seveda to ne pomeni, da ni časa in prostora za uporabo bolj posplošenih rezultatov. Na primer, če bi testirali novo spletno mesto ali zasnovo aplikacije, bi bilo smiselno, da si prizadevate za en dosleden uporabniški vmesnik, ki bi v povprečju deloval najbolje, v primerjavi z desetinami, stotinami ali celo tisoči različic uporabniškega vmesnika za različne uporabnike.

Vendar so dnevi, ko smo pri postavitvi strani, sporočilih, vsebini, priporočilih, ponudbah in drugih ustvarjalnih elementih zvesto uporabljali pristop »zmagovalec vzame vse«, mimo – in to je v redu, saj pomeni, da ne bo več denarja, ki bi ga izgubili zaradi zamujenih priložnosti za personalizacijo, povezanih z neizpolnjevanjem najboljših različic za vsakega posameznega uporabnika.

Odklepanje večje ustreznosti s personalizacijo

Prilagoditev uporabniške izkušnje je v odzivanju nanje in prilagajanju le-te glede na njihovo edinstveno vedenje, preference in namene, kar je v današnji digitalni krajini postalo pričakovanje. Že samo to dokazano povečuje zadovoljstvo in zvestobo strank.

In čeprav ni nujno odvisno od A/B testiranja, je morda presenetljivo, da najboljše prakse pri personalizaciji temeljijo na temeljih A/B testiranja – edina razlika je v tem, da se določanje, katera različica določene izkušnje deluje najbolje, izvaja na ravni občinstva v primerjavi s povprečjem.

Oglejmo si osnovno strukturo, kako bi to izgledalo znotraj personalizacijske kampanje. Namesto da bi vključili eno izkušnjo z več različicami za primerjavo s kontrolno skupino, kot pri tradicionalnem A/B testu, gremo še korak dlje z ustvarjanjem več izkušenj, namenjenih različnim občinstvom, in več različic znotraj vsake, ki jih je mogoče A/B testirati, da se določi najuspešnejša.

To je mogoče doseči s preprostim ciljanjem na podlagi pravil, ki uporablja logiko ČE/NATO za prilagajanje poti strank v skladu z naborom ročno programiranih pravil, pri čemer lahko ekipe izvajajo A/B testiranje teh izkušenj, potrjujejo rezultate, ko dosežejo statistično pomembnost, in nato ustrezno ponavljajo.

Vendar pa sta umetna inteligenca in strojno učenje postala ključnega pomena pri odločanju o prilagajanju, saj lahko zgornji scenarij postane podatkovno zahteven proces, ki vključuje številne testne uvedbe z natančnimi meritvami vsake preizkušene različice za vsak segment občinstva, da se določijo optimalna pravila programskega ciljanja. Prav tako je koristno pri pretvorbi »neuspešnih« testov v priložnosti za personalizacijo za specifične različice, za katere je bilo ugotovljeno, da bodo bolje delovale za določeno občinstvo.

Te napredne tehnologije analizirajo uspešnost vsake različice v vsakem segmentu prometa v realnem času, da bi izbranim skupinam občinstva ponudile najustreznejšo vsebino. Poleg tega je mogoče personalizacijo 1:1 doseči z zmogljivostmi personalizacije na podlagi afinitete, ki izkoriščajo proces profiliranja afinitete za algoritemsko povezovanje vsake osebe s personaliziranimi priporočili, ponudbami izdelkov in vsebino.

Ta raven personalizacije omogoča podjetjem, da so učinkovitejša in ciljno usmerjena s svojo trženjsko strategijo, hkrati pa potrošnike angažirajo na bolj niansiran, smiseln in relevanten način.

Združevanje A/B testiranja s personalizacijo

Če bi ekipo za A/B testiranje ali CRO in tiste, ki se ukvarjajo s personalizacijo, podrobneje vprašali o posebnostih njihovega dela, bi ugotovili, da so si njihovi odgovori nenavadno podobni.

Vzemimo si spodnji diagram, ki je bil prikazan med glavnim govorom JD Sports | Finish Line na dogodku Personalization Pioneers (celoten povzetek tukaj):

To je mnenje, ki ga delijo mnogi drugi, ki se začenjajo zavedati, da tako A/B testiranje kot personalizacija:

  • Delite poudarek na ustvarjanju pozitivne uporabniške izkušnje
  • Želijo vplivati na iste ključne kazalnike uspešnosti in jih izboljšati
  • Lahko imajo koristi od istih zbranih spoznanj

Poleg tega te ekipe pogosto potrebujejo enake notranje vire in celo orodja! Zato je tako pomembno, da A/B testiranje in personalizacija ne delujeta v vakuumu, temveč postaneta del skupnega načrta z usklajenimi ključnimi kazalniki uspešnosti.

Kombinacija obeh ne le poenostavi procese in poslovanje, temveč ustvari tudi eksponentne rezultate, saj omogoča tako širok kot natančen vpogled v vedenje potrošnikov.

Takole lahko njihovo skupno moč vključite v svojo marketinško strategijo za boljše rezultate:

1. A/B testiranje na podlagi segmentov

Namesto izvajanja A/B testov na celotnem občinstvu, ga razdelite na smiselne segmente na podlagi skupnih značilnosti (poskusite s pristopom Primarnih občinstev, ki je namenjen skaliranju od makro do mikro ravni). Nato na teh segmentih izvedite A/B teste. Ta segmentirani pristop eksperimentiranja lahko zagotovi bolj niansirano razumevanje različnih vedenj potrošnikov in pomaga prilagoditi izkušnje specifičnim skupinam.

Na primer, Synchrony je povečal stopnjo oddaje vlog za 4,5 % med uporabniki z visoko namero, tako da je za ta segment izvedel poskus, v katerem je preizkusil odstranitev nepotrebnih gumbov s pozivom k dejanju iz pasice.

Po analizi je podjetje opazilo eno specifično spremembo uporabniške izkušnje – odstranitev gumba za poziv k dejanju »Predvajaj video« z oglasne pasice – ki je preprečila, da bi se uporabniki z visoko namero zmotili, in jim omogočila, da dejansko izvedo več o številnih storitvah Synchronyja.

2. Strategije personalizacije A/B testov

Z A/B testiranjem ugotovite, katere strategije personalizacije delujejo najbolje. Na primer, lahko preizkusite algoritme za priporočanje izdelkov in ali tisti, ki so namenjeni določenim občinstvom, vodijo do boljših stopenj klikov ali dodajanja v košarico kot drugi.

3. Prilagajanje strategije v realnem času

Ko zbirate podatke iz A/B testov, te informacije uporabite za nenehno optimizacijo in izpopolnjevanje svoje strategije personalizacije. To prilagajanje v realnem času omogoča bolj dinamično in učinkovito trženjsko strategijo, ki se nenehno razvija, da bi zadovoljila potrebe potrošnikov.

Na primer, Build with Ferguson je s tem ustvaril 89-odstotno povečanje nakupov na podlagi priporočil , kar se je najprej začelo z uvedbo strategije, osredotočene na občinstvo (na podlagi ogrodja Rooted Personalization ).

Ekipa je preizkusila različne strategije priporočanja in na koncu ugotovila, da je njen segment občinstva »Potrošniki« običajno uporabljal priporočene izdelke, s katerimi so že sodelovali drugi uporabniki s podobnim vedenjem in interesi.

S pomočjo teh ugotovitev je Build with Ferguson optimiziral učinkovitost svojih priporočil na celotnem spletnem mestu in ugotovil tudi, da uporabniki, ki uporabljajo priporočila, v povprečju porabijo 13 % več in kupijo 2,4 več artiklov.

A/B testiranje in personalizacija – naravna podaljška drug drugega

A/B testiranje je bilo v preteklosti namenjeno določanju najboljše izkušnje na splošno, medtem ko je cilj personalizacije zagotoviti najboljšo izkušnjo na ravni občinstva ali posameznika. Čeprav obstaja čas in prostor za oboje, lahko kombinacija obeh privede do večjega zadovoljstva strank in zvestobe podjetij – ključne izkušnje so s personalizacijo bolj relevantne, A/B testiranje pa zagotavlja maksimalne rezultate na strategijo.

PS Za več informacij o tem, kako se ti dve praksi združita, predlagam, da si ogledate ta tečaj A/B testiranja in optimizacije, ki obravnava, kako nastaviti prave konfiguracije atribucije, izbrati pravi cilj, analizirati rezultate testov personalizacije in zagotoviti, da vsaka od njih prinese smiselne rezultate.