Og resultatene kan måles og kommuniseres tydelig til kundene. Det finnes hundrevis av suksesshistorier med A/B-testing, for eksempel en e-handelsstrategi som genererte 36% flere stengte handlekurver, eller en markedsføringstest for helsevesenet som økte antall leads med 638%.
Men det er ikke lett å oppnå slike resultater. I arbeidet med å optimalisere konverteringen ved hjelp av A/B-testing har vi sett at det er noen fellestrekk i utfordringene bedriftene står overfor, enten de er store eller små, B2B eller B2C, e-handel eller leadgenerering.
Utfordring 1: Å vite hva man skal teste
Du kan ikke sende ut to versjoner av samme kommunikasjon og bare forvente et løft i engasjementstallene. Markedsførere lærer raskt at noen små endringer som er attraktive fordi de er enkle å implementere, ikke er virkningsfulle nok til å skape endring. De vet også at dramatiske endringer kan føre til tap.
For å vite hva du skal teste, må du først vite hvor du skal teste. Det er her kundedataene dine kan være svært avgjørende. Kjør en analyse av beregninger innenfor livssyklusen, salgstrakten eller typen kommunikasjon du gjør, for å flytte dem fra en tilstand til en annen og identifisere hvor de filtrerer seg ut. Hvor faller potensielle kunder?
Utfordring 2: Kjør gyldige tester
Her kan man gjøre den feilen å tro at man har funnet en formel for å øke konverteringen, selv om dette ikke er tilfelle. En annen mulig feil er å overse en økning i konverteringen.
A/B-testing er en vellykket taktikk på grunn av sin prediktive kraft. For at testresultatene virkelig skal ha en prediktiv effekt, må du sørge for at de gjenspeiler kundens atferd, og at det var endringen som ble gjort i testen, som utløste de nye resultatene.
For å oppnå dette må eksperimentet settes opp og overvåkes på en vitenskapelig måte, og man må unngå trusler mot validiteten, som for eksempel
- Effekter på leveringsdyktighet: f.eks. 10 000 meldinger ble ikke levert på grunn av en serverfeil.
- Effekter av historien: for eksempel uventet annonsering rundt produktet akkurat på det tidspunktet testen kjøres, en markedsføringskampanje som midlertidig vrir etterspørselen i én retning, å kjøre en test i bare 20 timer på en tirsdag når helgetrafikken oppfører seg helt annerledes, eller å kjøre en test på e-handelsnettstedet ditt med svært motivert juletrafikk i desember og forvente å få de samme resultatene i januar.
- Seleksjonseffekter: for eksempel at en annen avdeling kjører en pay-per-click-annonse som driver trafikk til en landingsside i kampanjen deres samtidig som du kjører testen din, eller at kundene automatisk velger hvilken behandling de vil se.
- Prøvetaking av forvrengningseffekter: Dette er en unnlatelse av å samle inn et utvalg som er stort nok til å overvinne den tilfeldige muligheten. For eksempel å fastslå at en test er gyldig basert på 100 svar.
Utfordring 3: Tolkning av testresultater
La oss anta at du har oppfylt punkt 1 og 2 og fått et godt resultat. Det er fortsatt et grunnleggende spørsmål som må besvares: Hvorfor? Hvorfor oppfører kundene seg som de gjør? Hva har du lært om kunden, og hvordan kan du bruke denne kunnskapen?
Tolkningen av testresultatene bør ikke begrenses til tiden umiddelbart etter at testen er utført. Faktisk ligger nøkkelen til å tolke resultatene rett før gjennomføringen. Det handler om å etablere en hypotese med mål om å forstå kundens tankeprosesser på avgjørende punkter i leveringstrakten, slik at du kan øke den opplevde verdien og redusere den opplevde kostnaden.
Ved å forstå hva potensielle kunder tenker på hvert trinn i kjøpsprosessen, blir du bedre i stand til å matche motivasjonen deres og få dem raskere gjennom salgstrakten.
Målet bør ikke bare være å øke en KPI (Key Performance Indicator), men å forstå hvordan du kan betjene kunden bedre med markedsføringsbudskapene, salgsprosessen og til og med produktene dine. Og gjennom denne forståelsen vil du forbedre resultatene.
Så selv om testbehandlingen din ender opp med å gi færre konverteringer, er det egentlig ikke noe tap, fordi du har fått bedre kundeinnsikt. Hvis data er internettalderens valuta, er kundeinnsikt gullstandarden: det sentrale datagrunnlaget som all markedsføring må være direkte knyttet til.
Og det er til syvende og sist slik man oppnår langsiktige gevinster med A/B-testing.
