20 Советы по оптимизации конверсий для оценки вашего конкурента
Оптимизация конверсии (CRO) - одна из самых влиятельных вещей, которую вы можете сделать в качестве маркетолога.

Я имею в виду, что привлечение трафика на веб-сайт важно (потому что без трафика, который вы разрабатываете для аудитории сверчков). Но без беглого понимания оптимизации конверсии, в том числе исследований, гипотез, основанных на данных, тестов a / b и аналитических возможностей - вы рискуете принимать решения для трафика своего сайта, используя только ощущение кишки.

CRO может дать вашим идеям маркетинговой команды то, что вы можете улучшить, чтобы превращать посетителей в потенциальных клиентов или клиентов, и это может помочь вам узнать, какие из них действительно оптимальны, используя тесты A / B.

Однако, как и во многих маркетинговых дисциплинах, оптимизация конверсий постоянно недопонимается. Это определенно не касается тестирования цвета кнопок, и это не значит, что ваши коллеги докажут, что вы правы.

Я многому научился о том, как правильно делать CRO на протяжении многих лет, а ниже я составил 20 советов по оптимизации конверсий, чтобы помочь вам сделать это хорошо.
Оптимизация конверсии Совет 1: Узнайте, как правильно выполнить тест A / B
Тестирование двух или более вариантов данной страницы, чтобы увидеть, что лучше всего работает, может показаться легким из-за повышенного упрощения программного обеспечения для тестирования. Тем не менее, это по-прежнему методология, которая использует статистический вывод, чтобы принять решение о том, какой вариант лучше всего доставляется вашей аудитории. И есть много прекрасных отличий, которые могут отбросить
Есть много нюансов, которые мы могли бы получить здесь: байесовские и частые статистические данные, односторонние или двухсторонние тесты и т. Д., Но для упрощения всего здесь есть несколько правил тестирования, которые должны помочь вам прорваться мимо наиболее распространенных тестов ошибки:

Всегда определяйте размер выборки заранее и ждите, пока ваш эксперимент не закончится, прежде чем смотреть на «статистическую значимость». Вы можете использовать один из нескольких онлайн-калькуляторов размера выборки, чтобы понять, что вы сделали.

Запустите эксперимент на несколько полных бизнес-циклов (обычно еженедельные циклы). Обычный эксперимент может длиться три или четыре недели, прежде чем вы назовете свой результат.

Выберите общий критерий оценки (или метку северной звезды), который вы будете использовать для определения успеха эксперимента. Мы рассмотрим это более подробно в Tip 4

Прежде чем запускать эксперимент, четко напишите свою гипотезу (вот хорошая статья о написании истинной гипотезы) и о том, как вы планируете следить за экспериментом, побеждает ли она или проигрывает.

Убедитесь, что отслеживание данных реализовано правильно, поэтому после окончания эксперимента вы сможете вывести нужные цифры

Мне нравится помещать все вышеописанные мелкие детали в документ эксперимента с уникальным идентификатором, чтобы он мог быть рассмотрен позже, и поэтому процесс можно улучшить со временем.
Оптимизация конверсии Совет 3: Узнайте, как проектировать свои эксперименты

Вначале важно рассмотреть тот эксперимент, который вы хотите запустить. Есть несколько вариантов с точки зрения экспериментального дизайна (по крайней мере, это самые распространенные онлайн):

1) Тест A / B / n
2) Многовариантный тест
3) Бандитский тест

A/B/n test - Тест A / B / n - это то, к чему вы, вероятно, больше всего привыкли.

Он распределяет трафик поровну между двумя или более вариантами, и вы определяете, какой тест выиграл, основываясь на его размере эффекта (при условии, что достаточно других факторов, таких как размер выборки и продолжительность теста).

Многовариантный тест

С другой стороны, в многовариантном тесте вы можете проверить несколько переменных на странице и надеяться узнать, какие эффекты взаимодействия являются элементами

Другими словами, если вы изменяли заголовок, изображение функции и кнопку CTA, в многовариантном тесте вы бы хотели узнать, какая из них оптимальна для всех этих элементов и как они влияют друг на друга при группировке.
Вообще говоря, кажется, что эксперты проводят около десяти тестов a / b для каждого многовариантного теста. Стратегия, которую я прохожу, такова:

Используйте A / B-тестирование, чтобы определить лучшие макеты на более макроуровне.

Используйте MVT для полировки макетов, чтобы убедиться, что все элементы взаимодействуют друг с другом наилучшим образом.


Бандитский тест

Бандиты немного разные. Это алгоритмы, которые стремятся автоматически обновлять распределение трафика на основе указаний на лучший результат. Вместо того, чтобы ждать четыре недели, чтобы проверить что-то, а затем подвергнуть победителя 100% -ному трафику, бандит меняет свое распределение в реальном времени.


Бандиты отлично подходят для кампаний, в которых вы хотите свести к минимуму сожаления, такие как краткосрочные праздничные кампании и тесты заголовков. Они также хороши для автоматизации в масштабе и таргетинге, особенно когда у вас много правил трафика и таргетинга, и им сложно управлять ими все вручную

К сожалению, в то время как они проще с точки зрения экспериментального дизайна, инженерам их технически сложнее выполнять. Вероятно, поэтому они менее распространены в общем пространстве маркетинга, но тем не менее интересная тема. Если вы хотите больше узнать о бандитах, прочитайте эту статью, которую я написал по этой теме несколько лет назад.

Совет 3: Рассмотрите тип эксперимента, который вы хотите запустить. В зависимости от ваших потребностей вы можете выполнить тест A / B / n, многомерный тест, тест бандита или какую-либо другую форму экспериментального дизайна.
Оптимизация конверсии Совет 2: Узнайте, как анализировать A / B-тест
Разумеется, важна также возможность анализировать ваш тест после его запуска (и может быть довольно тонкой в зависимости от того, насколько подробно вы хотите получить).

Например, вы называете тест победителем, если статистическая значимость выше 95%? Ну, это хорошее место для начала, но есть несколько других соображений, так как вы разрабатываете свои алгоритмы оптимизации конверсии:

Имеет ли ваш эксперимент несоответствие соотношения выборок?

В принципе, если ваш тест был настроен таким образом, чтобы 50% трафика поступало в систему управления, а 50% - в вариант, ваши конечные результаты должны отражать это отношение. Если соотношение довольно далекое, у вас может быть неудачный эксперимент. (Вот хороший калькулятор, который поможет вам определить это.)

Принесите данные вне инструмента тестирования!

Приятно видеть тенденции ваших совокупных данных на панели инструментов вашего инструмента, и их математика является хорошим первым взглядом, но мне лично нравится иметь доступ к необработанным данным. Таким образом, вы можете анализировать его в Excel и действительно доверять ему. Вы также можете импортировать свои данные в Google Analytics для просмотра эффектов по ключевым сегментам.

Это также может открыть возможность для последующих экспериментов и персонализации, основанных на опыте. Один сегмент реагирует в целом положительно на тест, который вы выполнили? Возможно, это хорошая возможность реализовать персонализацию.

Проверяя ваш общий показатель успеха в первую очередь (победитель, неудачник, неубедительный), а затем переход к более детальному анализу сегментов и побочным эффектам является обычной практикой среди практикующих КРО.

Кроме того, есть тонны отличных инструментов анализа A / B тестов, как этот из CXL
Совет 2: тщательно проанализируйте свои данные, убедившись, что коэффициент выборки правильный. Затем экспортируйте его в электронную таблицу, где вы можете проверить свою общую метрику успеха, прежде чем перейти к более подробным показателям.
This site was made on Tilda — a website builder that helps to create a website without any code
Create a website