Skip to main content

A/B Testi ve Kişiselleştirme Neden Birlikte Daha Güçlü?

Kullanıcı deneyimini iyileştirmeye yönelik iki farklı yaklaşımı yansıtsa da, bunların kombinasyonu işletmelerin kaçırmak istemeyeceği üstel faydalar sunabilir.

 

Yaniv Navot

 

CMO, Dinamik Verim

İşte bilmeniz gerekenler:

  • A/B testi ve kişiselleştirme birleştirildiğinde, her bireye en uygun deneyimi sunarak kullanıcı deneyimini önemli ölçüde iyileştirebilir.
  • A/B testi, yaratıcı öğelerin en iyi performans gösteren varyasyonlarını belirlemeye yardımcı olurken kişiselleştirme, deneyimi bireysel müşterilere göre uyarlıyor.
  • Bu yaklaşımları birleştirmek süreçleri kolaylaştırır, sonuçları güçlendirir ve müşteri memnuniyetini artırır.
  • Pazarlamacılar, A/B testi için kitleleri segmentlere ayırarak, kişiselleştirme stratejilerini test ederek ve sürekli optimizasyon için gerçek zamanlı verileri kullanarak bu güçten yararlanabilir.

A/B testi ve kişiselleştirme iki farklı metodolojiyi temsil eder. A/B testi, temel işletme metriklerinin yanı sıra genel kullanıcı deneyimini iyileştirmek için farklı yaratıcı öğeleri, metinleri, düzenleri ve hatta algoritmaları denemeye odaklanırken, kişiselleştirme, doğru zamanda bireysel bir müşteriyle en alakalı deneyimi eşleştirmeyi amaçlar.

Yaklaşım olarak temelde farklı olsalar da, bu iki stratejiyi birleştirmek aslında katlanarak artan faydalar sağlayabilir. Bu yazıda, bunun nedenini ve ekiplerin bunu nasıl yapabileceğini inceleyeceğiz.

A/B testinin sınırlamaları

A/B testinin temeli basittir:

Hangisinin daha iyi performans gösterdiğini görmek için bir şeyin iki (veya daha fazla) farklı sürümünü karşılaştırın ve ardından en uygun genel deneyim için kazananı tüm kullanıcılara dağıtın.

Bu nedenle A/B testi ve CRO ekiplerinin uygulaması, site, yerel uygulama, e-posta veya başka herhangi bir dijital kanaldaki farklı alanları ve deneyimleri iyileştirmek için her türlü deneyi başlatmaya önemli ölçüde yatırım yapmak ve ardından zaman geçtikçe dönüşümlerde ve belirli KPI'larda artan artış sağlamak için bunları sürekli olarak optimize etmek olmuştur.

Bununla birlikte, bir şirket tonlarca trafik üretmiyorsa ve deney yapabileceği devasa bir dijital ortama sahip değilse, deney çıktısının (ne kadar çok test olursa olsun veya bir deney ne kadar büyük ve sofistike olursa olsun) bu ekiplerden gelen girdi açısından maksimum verime ulaştığı bir azalan getiri noktası gelebilir.

Bu büyük ölçüde, A/B testine yönelik klasik yaklaşımın ziyaretçi tercihlerine ilişkin ikili bir bakış açısı sunması ve genellikle ziyaretçilerin birey olarak kim olduklarını tanımlayan tüm faktörleri ve davranışları yakalayamamasıyla ilgilidir.

Dahası, A/B testleri bir segmentin çoğunluk tercihlerine dayalı olarak genelleştirilmiş sonuçlar verir. Bir marka belirli bir deneyimin ortalama olarak daha fazla gelir getirdiğini düşünse de, bunu tüm kullanıcılara uygulamak, farklı tercihlere sahip tüketicilerin önemli bir kısmına kötülük olacaktır.

Birkaç örnekle açıklayayım:

Hem benim hem de Warren Buffet'ın net serveti ortalama 117,3 milyar ABD doları olsaydı, aynı ürünleri bize tavsiye etmek mantıklı olur muydu?

Muhtemelen hayır.

Ya da hem erkek hem de kadın ürünleri sunan bir perakendeci, en iyi performans gösteren kahraman banner varyasyonunu belirlemek için ana sayfasında klasik bir A/B testi yapmaya karar verirse, ancak kitlesinin 70% 'i kadın olduğundan, kadın varyasyonu erkeklerinkinden daha iyi performans gösterirse ne olur?

Bu test, kadın kahraman bayrağının tüm nüfusa uygulanmasını önerecektir, ancak bu kesinlikle doğru bir karar olmayacaktır.

Basitçe söylemek gerekirse:

  • Ortalamalar, farklı kullanıcı gruplarını karşılaştırmak için kullanıldığında genellikle yanıltıcıdır
  • Her müşteri segmenti ve kullanıcı için en iyi performans gösteren varyasyon değişiklikleri
  • Sonuçlar coğrafi konum, hava durumu ve daha fazlası gibi bağlamsal faktörlerden de etkilenebilir

Elbette bu, daha genelleştirilmiş sonuçlardan yararlanmanın yeri ve zamanı olmadığı anlamına gelmiyor. Örneğin, yeni bir web sitesi veya uygulama tasarımını test ediyorsanız, farklı kullanıcılar için düzinelerce, yüzlerce, hatta binlerce kullanıcı arayüzü varyasyonuna kıyasla ortalama olarak en iyi sonucu veren tutarlı bir kullanıcı arayüzünü hedeflemek mantıklı olacaktır.

Bununla birlikte, bir sayfanın düzenine, mesajlara, içeriğe, önerilere, tekliflere ve diğer yaratıcı unsurlara sadakatle "kazanan hepsini alır" yaklaşımını benimseme günleri sona erdi ve bu sorun değil çünkü artık her bir kullanıcıya en iyi varyasyonu sunmamakla ilişkili kaçırılan kişiselleştirme fırsatlarından masada para kalmayacağı anlamına geliyor.

Kişiselleştirme ile daha fazla alaka düzeyinin kilidini açma

Kişiselleştirme, günümüzün dijital ortamında bir beklenti haline gelen benzersiz davranışlarına, tercihlerine ve niyetlerine bağlı olarak tüketicilere yanıt vermek ve site deneyimini ayarlamakla ilgilidir. Sadece bunun bile müşteri memnuniyetini ve sadakatini artırdığı kanıtlanmıştır.

A/B testine bağlı olmak zorunda olmasa da, kişiselleştirmede en iyi uygulamanın A/B testinin temellerine dayanması şaşırtıcı gelebilir - tek fark, belirli bir deneyimin hangi versiyonunun en iyi sonucu verdiğinin belirlenmesinin ortalama yerine kitle düzeyinde yapılmasıdır.

Bunun bir kişiselleştirme kampanyası içinde nasıl görüneceğine dair temel yapıyı inceleyelim. Geleneksel bir A/B testinde olduğu gibi bir kontrol grubuyla karşılaştırmak için birden fazla varyasyona sahip tek bir deneyim eklemek yerine, farklı kitleleri hedefleyen birden fazla deneyim ve her birinde en iyi performansı göstereni belirlemek için A/B testine tabi tutulabilecek birden fazla varyasyon oluşturarak bir adım daha ileri gidiyoruz.

Bu, müşteri yolculuğunu manuel olarak programlanmış bir dizi kurala göre uyarlamak için IF / Then mantığını kullanan basit kural tabanlı hedefleme yoluyla yapılabilir ve ekipler bu deneyimleri A / B test edebilir, istatistiksel anlamlılığa ulaştıklarında sonuçlarını doğrulayabilir ve ardından buna göre yineleyebilir.

Bununla birlikte, yapay zeka ve makine öğrenimi,kişiselleştirme karar verme sürecini ölçeklendirmek söz konusu olduğunda, yukarıdaki senaryo, en uygun programatik hedefleme kurallarını belirlemek için her bir kitle segmentine karşı test edilen her varyasyonun ayrıntılı ölçümleriyle çok sayıda test dağıtımını içeren veri ağırlıklı bir süreç haline gelebilir. Ayrıca, belirli bir kitle için daha iyi performans gösterdiği belirlenen belirli varyasyonlar için "kaybetme" testlerini kişiselleştirme fırsatlarına dönüştürmede de yardımcı olur.

Bu gelişmiş teknolojiler, belirli kitle gruplarına en alakalı içeriği sunmak için her trafik segmentindeki her varyasyonun performansını gerçek zamanlı olarak analiz eder. Ayrıca, her bir kişiyi kişiselleştirilmiş öneriler, ürün teklifleri ve içerikle algoritmik olarak eşleştirmek için yakınlık profili oluşturma sürecinden yararlanan yakınlık temelli kişiselleştirme yetenekleriyle 1:1 kişiselleştirme gerçekleştirilebilir.

Bu kişiselleştirme düzeyi, şirketlerin pazarlama stratejilerinde daha etkili ve hedefe yönelik olmalarını sağlarken aynı zamanda tüketicilerle daha incelikli, anlamlı ve ilgili bir şekilde etkileşim kurmalarını sağlar.

A/B testini kişiselleştirme ile birleştirme

Bir A/B testi veya CRO ekibine ve kişiselleştirmeye kendini adamış olanlara yaptıkları işin özellikleri hakkında daha fazla soru sorsaydınız, cevaplarının ürkütücü derecede benzer olduğunu görürdünüz.

Kişiselleştirme Öncüleri etkinliği sırasında JD Sports | Finish Line tarafından yapılan bir açılış konuşması sırasında gösterilen aşağıdaki göz açıcı diyagramı ele alalım(tam özet burada):

Bu, hem A/B testinin hem de kişiselleştirmenin farkına varmaya başlayan birçok kişi tarafından paylaşılan bir duygu:

  • Olumlu bir müşteri deneyimi yaratmaya odaklanın
  • Aynı KPI'ları etkilemek ve geliştirmek istiyorlar
  • Aynı toplanan bilgilerden faydalanabilir

Ayrıca, çoğu zaman bu ekipler aynı iç kaynaklara ve hatta araçlara ihtiyaç duyarlar! Bu nedenle A/B testi ve kişiselleştirmenin bir boşlukta yaşamaması ve bunun yerine uyumlu KPI'larla paylaşılan bir yol haritasının parçası olması çok önemlidir.

Bu ikisinin birleşimi sadece süreçleri ve operasyonları kolaylaştırmakla kalmaz, aynı zamanda tüketici davranışına ilişkin hem geniş hem de ince ayarlı içgörülere olanak tanıdığı için üstel sonuçlar da üretir.

Daha iyi sonuçlar elde etmek için bu güçleri pazarlama stratejinize nasıl dahil edebileceğinizi aşağıda bulabilirsiniz:

1. Segment Bazlı A/B Testi

Tüm kitleniz üzerinde A/B testleri yapmak yerine, kitlenizi ortak özelliklere göre anlamlı segmentlere ayırın (makrodan mikroya ölçeklendirmeyi amaçlayan Birincil Kitleler yaklaşımını deneyin). Ardından, bu segmentler üzerinde A/B testleri gerçekleştirin. Bu segmentlere ayrılmış deneme yaklaşımı, farklı tüketici davranışlarının daha incelikli bir şekilde anlaşılmasını sağlayabilir ve deneyimlerin belirli gruplara göre uyarlanmasına yardımcı olabilir.

Örneğin Synchrony, bu segment için banner'dan gereksiz harekete geçirici mesaj düğmelerini kaldırmayı test eden bir deney gerçekleştirerek yüksek niyetli kullanıcılar arasındabaşvuru gönderme oranını 4,5% artırdı.

Analiz sonucunda şirket, "Videoyu Oynat" CTA düğmesini banner'ından kaldıran belirli bir UX değişikliğinin, yüksek niyetli kullanıcıların dikkatinin dağılmasını önlediğini ve Synchrony'nin sayısız hizmeti hakkında daha fazla bilgi edinmelerini sağladığını fark etti.

2. A/B Test Kişiselleştirme Stratejileri

Hangi kişiselleştirme stratejilerinin en iyi sonucu verdiğini belirlemek için A/B testini kullanın. Örneğin,ürün öneri algoritmalarını ve belirli kitleleri hedefleyenlerin diğerlerine göre daha iyi tıklama veya sepete ekleme oranları sağlayıp sağlamadığını test edebilirsiniz.

3. Gerçek Zamanlı Strateji Adaptasyonu

A/B testlerinizden veri topladıkça, bu bilgileri kişiselleştirme stratejinizin sürekli optimizasyonu ve iyileştirilmesi için kullanın. Bu gerçek zamanlı adaptasyon, tüketici ihtiyaçlarını karşılamak için sürekli olarak gelişen daha dinamik ve etkili bir pazarlama stratejisine olanak tanır.

Örneğin Build with Ferguson, ilk olarak kitle öncelikli bir strateji (Köklü Kişiselleştirme çerçevesine dayalı) uygulayarak başladığı bu uygulamayla tavsiyelerden yapılan satın alımlarda 89% artış sağladı.

Ekip çeşitli öneri stratejilerini test etti ve sonuçta 'Tüketici' kitle segmentinin benzer davranışlara ve ilgi alanlarına sahip diğer kullanıcıların etkileşime girdiği önerilen öğelerle etkileşime girme eğiliminde olduğunu keşfetti.

Bu bulguları kullanan Build with Ferguson, site genelinde tavsiyelerinin performansını optimize etti ve ayrıca tavsiyelerle etkileşime giren kullanıcıların 13% daha fazla harcama yaptığını ve ortalama 2,4 daha fazla ürün satın aldığını keşfetti.

A/B testi ve kişiselleştirme - birbirlerinin doğal uzantıları

A/B testi tarihsel olarak genel olarak en iyi deneyimi belirlemekle ilgiliyken, kişiselleştirme kitle veya bireysel düzeyde en iyi deneyimi sağlamayı amaçlamaktadır. Her ikisinin de yeri ve zamanı olsa da, ikisini birleştirmek işletmeler için daha fazla müşteri memnuniyeti ve sadakati anlamına gelebilir - kişiselleştirme yoluyla daha alakalı hale getirilen temel deneyimler ve A/B testleri yoluyla strateji başına elde edilen maksimum sonuçlar.

Not: Bu iki uygulamanın nasıl bir araya geldiği hakkında daha fazla bilgi için , doğru ilişkilendirme yapılandırmalarının nasıl kurulacağı, doğru hedefin nasıl seçileceği, kişiselleştirme testi sonuçlarının nasıl analiz edileceği ve her birinin anlamlı sonuçlar vermesinin nasıl sağlanacağı konularına değinen buA/B Testi & Optimizasyon kursunagöz atmanızı öneririm .