Skip to main content

Чому A/B-тестування та персоналізація є потужнішими разом

Хоча це відображає два різні підходи до покращення взаємодії з користувачем, їх поєднання може запропонувати експоненціальні переваги, які бізнес не хоче втратити.

 

Янів Навот

 

Директор з маркетингу, Динамічна прибутковість

Ось що вам потрібно знати:

  • A/B-тестування та персоналізація, у поєднанні, можуть значно покращити взаємодію з користувачем, забезпечуючи кожній людині найрелевантніший досвід.
  • A/B-тестування допомагає визначити найефективніші варіанти креативних елементів, а персоналізація адаптує досвід до окремих клієнтів.
  • Поєднання цих підходів оптимізує процеси, посилює результати та підвищує задоволеність клієнтів.
  • Маркетологи можуть використовувати цю силу, сегментуючи аудиторії для A/B-тестування, тестуючи стратегії персоналізації та використовуючи дані в режимі реального часу для постійної оптимізації.

A/B-тестування та персоналізація являють собою дві різні методології. У той час як A/B-тестування зосереджується на експериментуванні з різними креативними елементами, текстами, макетами та навіть алгоритмами для покращення ключових бізнес-показників, а також загального користувацького досвіду, персоналізація має на меті підібрати найбільш релевантний досвід для окремого клієнта у потрібний момент часу.

Хоча підходи принципово відрізняються, поєднання цих двох стратегій може фактично запропонувати експоненціальні переваги. У цій публікації ми розглянемо, чому це так, а також як команди можуть це зробити.

Обмеження A/B-тестування

Передумова A/B-тестування проста:

Порівняйте дві (або більше) різних версій чогось, щоб побачити, яка з них працює краще, а потім розгорніть переможну версію для всіх користувачів для найоптимальнішого загального досвіду.

Таким чином, практика команд A/B-тестування та CRO полягає в тому, щоб значними зусиллями інвестувати в запуск різноманітних експериментів для покращення різних областей та взаємодії на сайті, в нативному додатку, електронній пошті чи будь-якому іншому цифровому каналі, а потім постійно оптимізувати їх для поступового збільшення конверсій та певних KPI з часом.

Однак, якщо компанія не генерує величезний трафік і не має величезного цифрового ландшафту для експериментів, може настати точка зменшення віддачі, коли результат експериментів (незалежно від кількості тестів чи того, наскільки великим і складним може бути експеримент) досягне максимальної віддачі з точки зору внеску цих команд.

Це значною мірою пов'язано з тим, що класичний підхід до A/B-тестування пропонує бінарний погляд на вподобання відвідувачів і часто не враховує весь спектр факторів та поведінки, які визначають, ким вони є як особистості.

Більше того, A/B-тести дають узагальнені результати на основі уподобань більшості сегмента. І хоча бренд може виявити, що певний досвід у середньому приносить більше доходу, його розгортання для всіх користувачів буде ведмежою послугою для значної частини споживачів з різними вподобаннями.

Дозвольте мені проілюструвати це кількома прикладами:

Якби середній чистий капітал мене та Воррена Баффета становив 117,3 мільярда доларів США, чи мало б сенс рекомендувати нам ті самі продукти?

Напевно, ні.

Або як щодо того, що роздрібний продавець, який пропонує товари як для чоловіків, так і для жінок, вирішує провести класичне A/B-тестування на своїй головній сторінці, щоб визначити найефективніший варіант головного банера, але оскільки 70% його аудиторії складають жінки, жіночий варіант перевершує чоловічий.

Цей тест передбачає застосування прапора жіночої героїні до всього населення, але це точно не було б правильним рішенням.

Простіше кажучи:

  • Середні значення часто вводять в оману, коли їх використовують для порівняння різних груп користувачів.
  • Найефективніші варіації змінюються для кожного сегмента клієнтів та користувача
  • На результати також можуть впливати контекстуальні фактори, такі як географічне розташування, погода тощо

Звичайно, це не означає, що немає часу та місця для використання більш узагальнених результатів. Наприклад, якщо ви тестуєте новий дизайн веб-сайту або застосунку, має сенс прагнути до одного узгодженого інтерфейсу користувача, який працює найкраще в середньому, порівняно з десятками, сотнями або навіть тисячами варіацій інтерфейсу користувача для різних користувачів.

Однак часи сумлінного застосування підходу «переможець отримує все» до макета сторінки, повідомлень, контенту, рекомендацій, пропозицій та інших креативних елементів минули – і це нормально, адже це означає, що гроші більше не залишатимуться на столі через втрачені можливості персоналізації, пов’язані з тим, що не було надано найкращого варіанту кожному окремому користувачеві.

Розкриття більшої релевантності за допомогою персоналізації

Персоналізація полягає в реагуванні на потреби споживачів та налаштуванні їхнього досвіду користування сайтом залежно від їхньої унікальної поведінки, уподобань та намірів, що стало очікуванням у сучасному цифровому середовищі. Вже одне це доведено, що підвищує задоволеність та лояльність клієнтів.

І хоча це не обов'язково залежить від A/B-тестування, може бути несподіванкою, що найкращі практики персоналізації базуються на основах A/B-тестування – єдина відмінність полягає в тому, що визначення того, яка версія конкретного досвіду працює найкраще, здійснюється на рівні аудиторії, а не в середньому.

Давайте розглянемо основну структуру того, як це виглядатиме в рамках кампанії персоналізації. Замість того, щоб порівнювати один досвід із кількома варіаціями з контрольною групою, як це відбувається під час традиційного A/B-тестування, ми йдемо далі, створюючи кілька досвідів, орієнтованих на різні аудиторії, та кілька варіацій у кожному з них, які можна протестувати за допомогою A/B-тестування, щоб визначити найефективніший.

Цього можна досягти за допомогою простого таргетування на основі правил, яке використовує логіку «ЯКЩО/Тоді» для адаптації шляху клієнта відповідно до набору запрограмованих вручну правил, при цьому команди можуть проводити A/B-тестування цього досвіду, перевіряти свої результати після досягнення статистичної значущості, а потім відповідно виконувати ітерації.

Однак, штучний інтелект та машинне навчання стали ключовими факторами, коли йдеться про масштабування рішень щодо персоналізації, оскільки вищезгаданий сценарій може перетворитися на процес, що вимагає багато даних та включає численні тестові розгортання з детальними вимірюваннями кожного протестованого варіанту для кожного сегмента аудиторії, щоб визначити оптимальні правила програмного таргетингу. Це також корисно для перетворення «програшних» тестів на можливості персоналізації для певних варіацій, визначених для кращої ефективності для певної аудиторії.

Ці передові технології аналізують ефективність кожної варіації в кожному сегменті трафіку в режимі реального часу, щоб пропонувати найрелевантніший контент вибраним групам аудиторії. Крім того, персоналізацію 1:1 можна досягти за допомогою можливостей персоналізації на основі спорідненості, які використовують процес профілювання спорідненості для алгоритмічного зіставлення кожної людини з персоналізованими рекомендаціями, пропозиціями продуктів та контентом.

Такий рівень персоналізації дозволяє компаніям бути більш ефективними та цілеспрямованими у своїй маркетинговій стратегії, а також залучати споживачів більш нюансованим, змістовним та релевантним чином.

Поєднання A/B-тестування з персоналізацією

Якби ви запитали команду A/B-тестування або CRO та тих, хто займається персоналізацією , про специфіку їхньої роботи, ви б виявили, що їхні відповіді будуть моторошно схожими.

Візьмемо на увазі діаграму нижче, яка відкриває очі та була зображена під час основної доповіді JD Sports | Finish Line на заході Personalization Pioneers (повний огляд тут):

Цю думку поділяють багато інших, хто починає усвідомлювати, що як A/B-тестування, так і персоналізація:

  • Зосередьтеся на створенні позитивного досвіду для клієнтів
  • Прагнуть впливати на ті самі ключові показники ефективності та покращувати їх
  • Може отримати користь з тих самих зібраних знань

Крім того, часто цим командам потрібні ті самі внутрішні ресурси та навіть інструменти! Ось чому так важливо, щоб A/B-тестування та персоналізація не існували у вакуумі, а натомість стали частиною спільної дорожньої карти з узгодженими ключовими показниками ефективності (KPI).

Поєднання цих двох факторів може не лише оптимізувати процеси та операції, але й генерувати експоненціальні результати, оскільки дозволяє отримувати як широке, так і детальне розуміння поведінки споживачів.

Ось як ви можете використати їхню спільну силу у своїй маркетинговій стратегії для досягнення кращих результатів:

1. Сегментне A/B-тестування

Замість проведення A/B-тестування всієї аудиторії, розділіть її на значущі сегменти на основі спільних характеристик (спробуйте підхід «Основні аудиторії», який призначений для масштабування від макро- до мікрорівня). Потім проведіть A/B-тестування цих сегментів. Такий підхід сегментованого експериментування може забезпечити більш тонке розуміння різних поведінкових моделей споживачів та допомогти адаптувати досвід до конкретних груп.

Наприклад, Synchrony збільшила рівень подання заявок на 4,5% серед користувачів з високим рівнем наміру, провівши для цього сегмента експеримент, у якому перевірялося видалення зайвих кнопок заклику до дії з банера.

Після аналізу компанія помітила одну конкретну зміну UX – видалення кнопки заклику до дії «Відтворити відео» з банера – яка запобігла відволіканню користувачів з високим рівнем наміру, дозволивши їм дізнатися більше про численні сервіси Synchrony.

2. Стратегії персоналізації A/B-тестування

Використовуйте A/B-тестування, щоб визначити, які стратегії персоналізації працюють найкраще. Наприклад, ви можете протестувати алгоритми рекомендацій продуктів і те, чи ті, що орієнтовані на певну аудиторію, призводять до кращих показників кліків або додавання до кошика, ніж інші.

3. Адаптація стратегії в реальному часі

Збираючи дані з A/B-тестів, використовуйте цю інформацію для постійної оптимізації та вдосконалення вашої стратегії персоналізації. Така адаптація в режимі реального часу дозволяє розробляти більш динамічну та ефективну маркетингову стратегію, яка постійно розвивається для задоволення потреб споживачів.

Наприклад, завдяки цьому, Build with Ferguson, що почалося з впровадження стратегії, орієнтованої на аудиторію (на основі фреймворку Rooted Personalization ),забезпечив 89% зростання покупок за рекомендаціями .

Команда протестувала різні стратегії рекомендацій і зрештою виявила, що сегмент аудиторії «Споживачі» схильний взаємодіяти з рекомендованими товарами, з якими взаємодіяли інші користувачі зі схожою поведінкою та інтересами.

Використовуючи ці висновки, Build with Ferguson оптимізував ефективність своїх рекомендацій на сайті, а також виявив, що користувачі, які взаємодіють з рекомендаціями, витрачають на 13% більше та купують у середньому на 2,4 товару більше.

A/B-тестування та персоналізація – природні продовження одне одного

A/B-тестування історично мало на меті визначення найкращого досвіду загалом, тоді як персоналізація має на меті забезпечити найкращий досвід на рівні аудиторії або окремої людини. І хоча для обох є свій час і місце, поєднання цих двох може призвести до підвищення задоволеності клієнтів та лояльності до бізнесу – ключовий досвід стає більш релевантним завдяки персоналізації та максимальним результатам, отриманим за допомогою кожної стратегії за допомогою A/B-тестування.

P.S. Щоб отримати більше інформації про те, як ці дві практики поєднуються, пропоную вам ознайомитися з цим курсом з A/B-тестування та оптимізації, який розповідає про те, як налаштувати правильні конфігурації атрибуції, вибрати правильну мету, проаналізувати результати тестування персоналізації та забезпечити, щоб кожна з них давала значущі результати.