7 stappen van optimaliseren door te leren

Leesduur: 5 minuten
In dit tweede deel van conversie optimalisatie bespreek ik de werkwijze. Hoe kan je met de data van een website inzicht krijgen in gedrag. Om vervolgens oplossingen te vinden waarmee je de bezoeker beter van dienst kan zijn.

Conversie optimalisatie? Volgens mij moeten we dan A/B testen

Je mag werken voor een webshop en als online marketeer voel je de verantwoordelijkheid om de verkoop te verhogen. Met een conversie ratio van 3% zijn jullie tevreden maar het mag altijd meer. Conversie optimalisatie hoe doe je dat?

De eCommerce manager stelt voor aan het team om te beginnen met A/B testen. De data analyst komt met pagina’s waar verbetering nodig is. Samen met de designer wordt er gekeken naar verbeterpunten. Iedereen van het team mag zijn ideeën op tafel leggen. Er wordt een voorstel gedaan wat getest kan worden.

De A/B test wordt opgesteld en loopt voor een periode van 3 weken. De stemming is euforisch er is een duidelijke winnaar uitgekomen. Er wordt een klein feestje gevierd en vol trots wordt het met de rest van de organisatie gedeeld.

De ontwikkelaars krijgen te horen dat deze optimalisatie hoogste prioriteit krijgt, want anders laten we immers omzet liggen. Gezien de impact wordt gekozen voor een deploy die ’s nachts plaats vindt. Zo heeft de bezoeker er het minste last van.

Binnen een week na de implementatie wordt duidelijk dat de conversie omlaag is gegaan. Hoe kan dat en waarom gebeurt dit? We hebben dit toch getest….? Alle resources zijn ingezet om dit voor elkaar te krijgen en blijkt dat je onder target zit. Help, hoe lossen we dit op…..

A/B testen is onderdeel van een methodiek

Het is natuurlijk heel vervelend als deze situatie zich voordoet. Ook is het begrijpelijk dat er geconcludeerd wordt dat conversie optimalisatie in het algemeen en  A/B testen in het bijzonder niet werkt.

Binnen conversie optimalisatie wordt A/B testen vaak gezien als dé oplossing. En dat is het niet, het is onderdeel van een methodiek. In essentie gaat het om zo zeker mogelijk te zijn dat wat je hebt getest ook daadwerkelijk gaat werken.

Conversie optimalisatie is dus een programma en A/B testen is daar een onderdeel van. Dit programma is uitgedacht door Online Dialogue. Zij staan wereldwijd bekend als hét CRO bureau. Na het volgen van hun opleiding heb ik deze methodiek omarmt. Waarom? Omdat je met deze methodiek niet alleen je conversie verhoogt maar door de wetenschappelijke benadering je leert hoe je de bezoeker beter van dienst kan zijn.

Het FACT&ACT model

Het FACT&ACT model kent 7 fases. De meeste valkuilen met betrekking tot conversie optimalisatie worden door dit model getackeld. Daarnaast zal je door dit model te gebruiken van abstracte data inzicht krijgen in gedrag van je bezoeker.

1. Find

Voordat je begint ga je eerst controleren of de data klopt en de website technisch voldoet aan de eisen. Vervolgens ga je op basis van een 5v model zoveel mogelijk data verzamelen. Wat zijn de customer journeys, wie is je bezoeker, wat zijn de macro- en micro conversies, welke kanalen zijn belangrijk, etc, etc.

In deze fase ga je ook berekenen welke pagina’s je het beste kan testen en hoeveel conversie je nodig hebt om een effect te meten. Deze fase is bedoeld om een beeld te krijgen wat het gedrag is van de bezoeker. Nadat deze info bekend is wordt dit verwerkt in een determinantenstudie. Dit onderzoek geeft aan waar we kunnen testen en waar we het meeste effect kunnen behalen.

2. Analyze

Vanuit de determinantenstudie kan je hypotheses gaan maken. Deze hypotheses hebben als doel een kader te scheppen om te leren over het gedrag van de bezoeker. We stellen 3 hypotheses samen; Een hoofdhypothese, een deelhypothese en een testhypothese.

Bezoekers die hebben geklikt op een advertentie zitten soms verder in het verkoopproces dan bezoekers die via search binnen zijn gekomen.

Door de hoofdhypthese te stellen: Het gedrag van een bezoeker die een online aanvraag is afhankelijk van de zekerheid die een bezoeker heeft over de dienst. Deelhypthese: Het vergroten van de zekerheid door focus te leggen op de possitieve gevoelens rondom deze computer, zullen er meer computers worden verkocht.

De uiteindelijke test hypothese kan dan zijn: Door het toevoegen van reviews in combinatie met het een keurmerk, worden de gevoelens van zekerheid vergroot en is het aannemelijk dat er meer computers worden verkocht.

Wat kunnen we uit deze 2 fases opmaken?

  1. Data analyse: inzicht in hoe de bezoeker de website gebruikt en welke pagina’s in aanmerking komen om te testen
  2. Consumentenpsychologie: Vanuit de data wordt inzicht verkregen in gedrag waarmee je hoofd-, deel-, en testhypotheses kan opstellen.

We gaan dus leren of het klopt dat de bezoeker handvatten nodig heeft om uiteindelijk de computer te kopen die hij wil.

3. Create

Nadat de hypothese is opgesteld schuift de designer aan. Samen met de designer wordt er een ontwerp gemaakt op basis van de hypothese. Het is dus belangrijk dat dit met elkaar overeenkomt anders trek je de verkeerde conclusies.

Omdat je niet weet of een bezoeker gevoeliger is voor wat andere zeggen over het product of dat hij meer gevoelig is voor rationele informatie zoals een keurmerk, ga je beide hypotheses testen.

4. Test

De test wordt aangemaakt in Google Optimize, Optimizely, VWO of Abtasty en wachten maar……

5. Analyze

Na de test worden de rapporten opgemaakt en de conversie bekeken. Belangrijk punt is natuurlijk is het aannemelijk dat de nieuwe variant zorgt voor meer conversie want dat betekent meer omzet. Maar er speelt meer.

Naast de conversie is het belangrijk te achterhalen of er een gedragsverandering heeft plaatsgevonden. En kunnen we daar vervolgens conclusies aan verbinden die aangeven dat de hypothese blijft staan. In dat geval weet je dat je goed zit en kan je vanuit diezelfde hypothese verder bouwen.

Klopt de hypothese niet en is er eigenlijk niet veel veranderd dan heb je daar ook van geleerd. Al deze leermomenten verzamel je zodat echt je een kennisbank gaat opbouwen van wat werkt en wat niet werkt.

Om te bepalen of een test gelukt is of niet, wordt bepaald door o.a. het significantie level deze moet tussen de 90% -95% liggen. Ligt dat percentage lager dan is de kans groot dat een effect kan worden gezien dat er eigenlijk niets. Denk bijvoorbeeld aan seizoensinvloeden.

6. Combine

De kracht van deze methodiek ligt in de combinatie van de diverse disciplines. Het gaat niet alleen om veel testen en data vergaren waar hoe krijgen we inzicht in deze data, door hypotheses te maken.

Het is goed te weten dat één hoofd- en deelhypothese meerdere testhypotheses kan hebben zodat je verschillende opties kan testen. Is het systeem I of is het meer systeem 2. Hierover in latere blog berichten meer.

In deze fase leer je echt waarom bezoekers doen wat ze doen.

7. Transform/Tell

Nu heb je een goed beeld van je bezoekers en die inzichten ga je vertalen naar een omzetverhogend optimalisatie verzoek wat met cijfers wordt onderbouwd. De kans is zeer aannemelijk dat je dit keer wel de campagne kruk laten schieten om jullie successen te vieren.

Conclusie

Conversie optimalisatie op basis van deze methode leert ons dat je weet hoe je de bezoeker beter van dienst kan zijn. Hoe je hem kan helpen met het nemen van de, voor hem/haar, juiste beslissing.

A/B testen is geen oplossing maar onderdeel van een groter geheel waarbij je de bezoeker centraal stelt. Misschien zit jullie bezoeker niet te wachten op nog een kortingsactie maar vindt hij service een veel belangrijker punt. Alleen A/B testen geeft je deze informatie niet. Een combinatie tussen data analyse, consumentenpsychologie, statistiek en UX design geeft dat zeker wel. Daarmee snijdt het mes aan twee kanten. De bezoeker is tevreden en krijgt het product dat hij wil en jullie organisatie groeit niet alleen in omzet maar jullie begrijpen veel beter hoe je de bezoeker beter van dienst kan zijn. Dat zorgt uiteindelijk voor goede en lange relatie met jullie klant.

Wil je meer weten over conversie optimalisatie? Neem hier contact met mij op >