Skip to main content

Prečo sú A/B testovanie a personalizácia spoločne silnejšie

Hoci odrážajú dva odlišné prístupy k zlepšeniu používateľskej skúsenosti, ich kombinácia môže ponúknuť exponenciálne výhody, o ktoré si firmy nechcú prísť.

 

Janiv Navot

 

Riaditeľ marketingu, dynamický výnos

Tu je to, čo potrebujete vedieť:

  • A/B testovanie a personalizácia v kombinácii môžu výrazne zlepšiť používateľskú skúsenosť tým, že každému jednotlivcovi poskytnú najrelevantnejší zážitok.
  • A/B testovanie pomáha identifikovať najvýkonnejšie variácie kreatívnych prvkov, zatiaľ čo personalizácia prispôsobuje zážitok jednotlivým zákazníkom.
  • Kombinácia týchto prístupov zefektívňuje procesy, zosilňuje výsledky a zvyšuje spokojnosť zákazníkov.
  • Marketéri môžu túto silu využiť segmentáciou publika pre A/B testovanie, testovaním stratégií personalizácie a používaním údajov v reálnom čase na nepretržitú optimalizáciu.

A/B testovanie a personalizácia predstavujú dve odlišné metodiky. Zatiaľ čo A/B testovanie sa zameriava na experimentovanie s rôznymi kreatívnymi prvkami, textom, rozložením a dokonca aj algoritmami s cieľom zlepšiť kľúčové obchodné metriky, ako aj celkovú používateľskú skúsenosť, personalizácia sa zameriava na to, aby sa najrelevantnejšia skúsenosť priradila k jednotlivému zákazníkovi v správnom okamihu.

Hoci sa prístupy zásadne líšia, kombinácia týchto dvoch stratégií môže v skutočnosti priniesť exponenciálne výhody. V tomto príspevku preskúmame, prečo je to tak, a tiež ako to môžu tímy dosiahnuť.

Obmedzenia A/B testovania

Princíp A/B testovania je jednoduchý:

Porovnajte dve (alebo viac) rôznych verzií niečoho, aby ste zistili, ktorá funguje lepšie, a potom nasaďte víťaznú verziu všetkým používateľom pre čo najoptimálnejší celkový zážitok.

Prax tímov A/B testovania a CRO preto spočíva v tom, že výrazne investujú do spustenia všetkých druhov experimentov na zlepšenie rôznych oblastí a skúseností na webe, v natívnej aplikácii, e-maile alebo akomkoľvek inom digitálnom kanáli a následne ich neustále optimalizujú s cieľom postupne zvyšovať konverzie a špecifické KPI.

Pokiaľ však spoločnosť negeneruje obrovské množstvo návštevnosti a nemá obrovské digitálne prostredie, v ktorom môže experimentovať, môže nastať bod klesajúcej návratnosti, keď výstup experimentovania (bez ohľadu na to, koľko testov alebo aký veľký a sofistikovaný experiment môže byť) dosiahne maximálny výnos z hľadiska vstupov od týchto tímov.

To do značnej miery súvisí s tým, že klasický prístup k A/B testovaniu ponúka binárny pohľad na preferencie návštevníkov a často nedokáže zachytiť celú škálu faktorov a správania, ktoré definujú, kým sú ako jednotlivci.

Navyše, A/B testy prinášajú zovšeobecnené výsledky založené na preferenciách väčšiny segmentu. A hoci značka môže zistiť, že konkrétny zážitok jej v priemere prináša vyššie príjmy, jeho nasadenie pre všetkých používateľov by bolo nevýhodou pre značnú časť spotrebiteľov s rôznymi preferenciami.

Dovoľte mi to ilustrovať niekoľkými príkladmi:

Ak by čistý majetok mňa aj Warrena Buffetta bol v priemere 117,3 miliardy USD, malo by zmysel odporúčať nám rovnaké produkty?

Pravdepodobne nie.

Alebo čo keby sa predajca, ktorý ponúka pánske aj dámske produkty, rozhodl spustiť klasický A/B test na svojej domovskej stránke, aby identifikoval najvýkonnejšiu variáciu hero bannera, ale keďže 70 % ich publika tvoria ženy, dámska variácia prevyšuje pánsku.

Tento test by naznačoval, že vlajka hrdiniek by sa mala vzťahovať na celú populáciu, ale určite by to nebolo správne rozhodnutie.

Zjednodušene povedané:

  • Priemery sú často zavádzajúce pri porovnávaní rôznych skupín používateľov.
  • Najvýkonnejšie zmeny variácií pre každý segment zákazníkov a používateľa
  • Výsledky môžu byť ovplyvnené aj kontextovými faktormi, ako je geografia, počasie a ďalšie

To samozrejme neznamená, že nie je čas a miesto na využitie všeobecnejších výsledkov. Napríklad, ak by ste testovali nový dizajn webovej stránky alebo aplikácie, malo by zmysel zamerať sa na jedno konzistentné používateľské rozhranie, ktoré by v priemere fungovalo najlepšie, v porovnaní s desiatkami, stovkami alebo dokonca tisíckami variácií používateľského rozhrania pre rôznych používateľov.

Časy, keď sa pri rozložení stránky, správ, obsahu, odporúčaní, ponukách a ďalších kreatívnych prvkoch dôsledne uplatňoval prístup „víťaz berie všetko“, sú však preč – a to je v poriadku, pretože to znamená, že už nebudú chýbať peniaze z premeškaných príležitostí na personalizáciu spojených s neposkytnutím najlepšej variácie každému jednotlivému používateľovi.

Odomknutie väčšej relevantnosti s personalizáciou

Personalizácia je o reagovaní na potreby zákazníkov a prispôsobovaní ich zážitku z webu v závislosti od ich jedinečného správania, preferencií a zámeru, čo sa v dnešnej digitálnej krajine stalo očakávaním. Už len toto dokázateľne zvyšuje spokojnosť a lojalitu zákazníkov.

A hoci to nemusí nevyhnutne závisieť od A/B testovania, môže byť prekvapujúce, že osvedčené postupy v oblasti personalizácie sú založené na základoch A/B testovania – jediný rozdiel spočíva v tom, že určenie, ktorá verzia konkrétneho zážitku funguje najlepšie, sa vykonáva na úrovni publika oproti priemeru.

Poďme si rozobrať základnú štruktúru toho, ako by to vyzeralo v rámci personalizačnej kampane. Namiesto zahrnutia jedného zážitku s viacerými variáciami na porovnanie s kontrolnou skupinou, ako je to v prípade tradičného A/B testu, ideme o krok ďalej a vytvárame viacero zážitkov zameraných na rôzne publikum a viacero variácií v rámci každého z nich, ktoré je možné A/B testovať, aby sa určila tá s najlepšími výsledkami.

To sa dá dosiahnuť jednoduchým zacielením na základe pravidiel, ktoré využíva logiku IF/Then na prispôsobenie cesty zákazníka podľa súboru manuálne naprogramovaných pravidiel, pričom tímy môžu tieto skúsenosti A/B testovať, overiť svoje výsledky po dosiahnutí štatistickej významnosti a potom podľa toho iterovať.

Umelá inteligencia a strojové učenie sa však stali kľúčovými faktormi pri rozhodovaní o škálovaní personalizácie, pretože vyššie uvedený scenár sa môže stať procesom náročným na dáta, ktorý zahŕňa početné testovacie nasadenia s podrobnými meraniami každej testovanej variácie voči každému segmentu publika s cieľom určiť optimálne pravidlá programatického zacielenia. Je to tiež užitočné pri premene „prehrávajúcich“ testov na príležitosti na personalizáciu pre konkrétne variácie identifikované tak, aby dosahovali lepší výkon pre konkrétne publikum.

Tieto pokročilé technológie analyzujú výkonnosť každej variácie v každom segmente návštevnosti v reálnom čase, aby vybraným skupinám publika poskytovali najrelevantnejší obsah. Okrem toho je možné dosiahnuť personalizáciu 1:1 pomocou funkcií personalizácie založených na afinite, ktoré využívajú proces profilovania afinity na algoritmické priradenie každej osobe personalizovaných odporúčaní, ponúk produktov a obsahu.

Táto úroveň personalizácie umožňuje spoločnostiam byť efektívnejšie a cielenejšie vo svojej marketingovej stratégii a zároveň oslovovať spotrebiteľov diferencovanejším, zmysluplnejším a relevantnejším spôsobom.

Spojenie A/B testovania s personalizáciou

Ak by ste sa tímu A/B testovania alebo CRO a tímov zameraných na personalizáciu opýtali viac na špecifiká ich práce, zistili by ste, že ich odpovede sú až zvláštne podobné.

Pozrite si nižšie uvedený prevratný diagram, ktorý bol zobrazený počas úvodného prejavu JD Sports | Finish Line na podujatí Personalization Pioneers (úplné zhrnutie tu):

Je to pocit, ktorý zdieľajú mnohí ďalší, ktorí si začínajú uvedomovať, že A/B testovanie aj personalizácia:

  • Zdieľajte zameranie na vytváranie pozitívnej zákazníckej skúsenosti
  • Snažia sa ovplyvniť a zlepšiť rovnaké kľúčové ukazovatele výkonnosti (KPI)
  • Môže ťažiť z rovnakých zozbieraných poznatkov

Navyše, tieto tímy často vyžadujú rovnaké interné zdroje a dokonca aj nástroje! Preto je také dôležité, aby A/B testovanie a personalizácia neexistovali vo vákuu, ale aby sa stali súčasťou spoločného plánu so zosúladenými kľúčovými ukazovateľmi výkonnosti (KPI).

Kombinácia týchto dvoch faktorov môže nielen zefektívniť procesy a operácie, ale aj priniesť exponenciálne výsledky, pretože umožňuje široké aj precízne poznatky o správaní spotrebiteľov.

Tu je návod, ako môžete zakomponovať ich spoločnú silu do svojej marketingovej stratégie a dosiahnuť lepšie výsledky:

1. A/B testovanie založené na segmentoch

Namiesto vykonávania A/B testov na celom publiku rozdeľte svoje publikum na zmysluplné segmenty na základe spoločných charakteristík (vyskúšajte prístup Primárne publikum, ktorý je určený na škálovanie od makro po mikro). Potom vykonajte A/B testy na týchto segmentoch. Tento segmentovaný experimentálny prístup môže poskytnúť podrobnejšie pochopenie rôzneho správania spotrebiteľov a pomôcť prispôsobiť skúsenosti konkrétnym skupinám.

Napríklad spoločnosť Synchrony zvýšila mieru odoslania žiadostí o 4,5 % medzi používateľmi s vysokým zámerom vykonať experiment pre tento segment, ktorý testoval odstránenie nepotrebných tlačidiel s výzvou na akciu z bannera.

Po analýze si spoločnosť všimla jednu konkrétnu zmenu v používateľskom rozhraní – odstránenie tlačidla s výzvou na akciu „Prehrať video“ z bannera – ktorá zabránila rozptýleniu používateľov s vysokým zámerom sledovať video a umožnila im dozvedieť sa viac o početných službách spoločnosti Synchrony.

2. Stratégie personalizácie A/B testov

Na určenie, ktoré stratégie personalizácie fungujú najlepšie, použite A/B testovanie. Napríklad môžete otestovať algoritmy odporúčania produktov a to, či tie, ktoré sú zamerané na určité publikum, vedú k lepšej miere prekliknutia alebo pridania do košíka ako iné.

3. Adaptácia stratégie v reálnom čase

Pri zhromažďovaní údajov z A/B testov používajte tieto informácie na priebežnú optimalizáciu a zdokonaľovanie svojej stratégie personalizácie. Táto adaptácia v reálnom čase umožňuje dynamickejšiu a efektívnejšiu marketingovú stratégiu, ktorá sa neustále vyvíja tak, aby vyhovovala potrebám spotrebiteľov.

Napríklad, Build with Ferguson dosiahol 89 % nárast nákupov z odporúčaní týmto spôsobom, ktorý sa najprv začal implementáciou stratégie zameranej na publikum (na základe rámca Rooted Personalization ).

Tím testoval rôzne stratégie odporúčaní a nakoniec zistil, že jeho segment publika „Spotrebitelia“ mal tendenciu interagovať s odporúčanými položkami, s ktorými interagovali iní používatelia s podobným správaním a záujmami.

Na základe týchto zistení spoločnosť Build with Ferguson optimalizovala výkonnosť svojich odporúčaní na celom webe a tiež zistila, že používatelia, ktorí interagujú s odporúčaniami, minú v priemere o 13 % viac a kúpia si o 2,4 viac položiek.

A/B testovanie a personalizácia – prirodzené rozšírenia jeden druhého

A/B testovanie sa historicky zameriavalo na určenie najlepšieho celkového zážitku, zatiaľ čo personalizácia sa zameriava na poskytnutie najlepšieho zážitku na úrovni publika alebo jednotlivca. A hoci pre obe možnosti existuje svoj čas a miesto, ich kombinácia sa môže premietnuť do zvýšenej spokojnosti a lojality zákazníkov pre firmy – kľúčové skúsenosti sa stanú relevantnejšími prostredníctvom personalizácie a maximálne výsledky dosiahnuté na stratégiu prostredníctvom A/B testovania.

PS Pre viac informácií o tom, ako tieto dva postupy fungujú spoločne, vám odporúčam pozrieť si tento kurz A/B testovania a optimalizácie, ktorý sa zaoberá nastavením správnych konfigurácií atribucie, výberom správneho cieľa, analýzou výsledkov testov personalizácie a zabezpečením toho, aby každý z nich priniesol zmysluplné výsledky.