E-commerce + Adatok kategória bejegyzései

Az elektronikus kereskedelem az a terület, ahol a leggyorsabban a leglátványosabb eredményeket lehet elérni az adatok használatával. Ebben a kategóriában ezeket a praktikákat találod meg.

Az idei utolsó Big Data Tréning és Adatvezérelt Marketing Képzés

Meghirdettük, idén utolsó alkalommal:

BIG DATA KÉPZÉS – 11.27 – PÉNTEK
Jelentkezni itt tudsz: KLIKK!
big data utolso képzés
ADATVEZÉRELT MARKETING TRÉNING – 12.04 – PÉNTEK
Jelentkezni itt tudsz: KLIKK!
adatvezérelt marketing képzés utolsóGyere, jó lesz!

Hírlevél vs email marketing

“…az email marketinget sokan temetik, mert vannak divathullámok a marketingen belül is, amire sokan ráülnek, pedig rengeteg olyan eszköz van, amit jól lehet használni, de a legtöbben nem stratégiában gondolkoznak, hanem kiragadnak egy eszközt, hogy most mindenki ezt csinálja, csináljuk mi is…”

fabian-levente
Fábián Levente

Levente térképészből lett selfmade marketinges, aki jelenleg az eOptika marketing menedzsere. A NATO katonai térképeinek szerkesztése után átképezte magát: megtanult aprópénzből vagy bizonyos formában ingyen tesztelni különböző marketing eszközöket, amiből ki tudott dolgozni olyan folyamatokat, amik segítségével gyorsabban és hatékonyan tudott dolgozni. Fontosnak tartja azt, hogy elsődlegesen azokat az adatainkat ismerjük meg, amikkel már eleve rendelkezünk, tehát saját small data világunkat hasznosítsuk mielőtt a drágább és bonyolultabb rendszerekre állunk át.

Fő területe az email marketing, tehát ha webáruházad van, akkor mindenképp hallgasd meg az előadását a B-DATA2 konferencián, hiszen rengeteg hasznos információt tartogathat számodra.

Hírlevél vs email marketing bővebben…

Első adatvezérelt projekt

Sok cél, sok adat, sok elemzési lehetőség, sok információ… Egy már működő vállalkozás esetében egyik pillanatról a másikra adatokat bevonni a döntési folyamatokba nem is olyan könnyű. Ennek az oka pedig az, hogy rengeteg fajta adatvezérelt projekt létezik. Így kiválasztani az elsőt, ami igazán hasznos, nehéz.
Most felsorolok 3 projektet, amelyek az elmúlt évek tapasztalatai alapján jó első lépések lehetnek az adatvezéreltség rögös útján.

1. Konverzió optimalizálás AB-teszttel

Ez a projekt iszonyatosan egyszerű és rögtön látványos eredményt hoz, ami nem más mint a konverziónövekedés. Azt pedig mindenki szereti. :-) (Az AB-tesztelésről már többször is írtam, úgyhogy most a részletekbe nem mennék bele.) A folyamat az, hogy:

I. Megkeresel egy UX-problémát a honlapodon.
II. Keresel rá alternatív megoldásokat.
III. Teszteled, hogy melyik a legjobb megoldás.
IV. A legjobb megoldást kiteszed élesbe.
V. Újrakezded egy új problémával.

Amit sosem szabad kihagyni, az az AB-tesztet megelőző kutatás. Sokszor látom, hogy az emberek elkezdenek csakúgy megérzésből AB-tesztelni. Néha összejön, néha pedig nem… Amit mi szeretünk csinálni: teszt előtt hőtérképes elemzés, Google Analytics elemzés és legalább 3 user-teszt egy adott oldalra. Ez alapján sokkal célzottabb és hatékonyabb AB-teszteket tudunk összerakni.

2. Stratégia adatalapon

A hosszútávú döntésekben segít. Éppen emiatt nem olyan látványos és azonnali az eredménye. Amiért mégis szokták szeretni a döntéshozók, mert konkrét számokat látnak a stratégiáik mögött.

Sokfajta metódus létezik. Én a 4DX módszertant találtam eddig  a legjobbnak. Ennek a lényege, hogy van egy főcélod (pl. bevétel?) és keresel ehhez támogató alcélokat (ún. lag-ek) és az alcélokat támogató tevékenységeket (ún. lead-ek). A struktúra akkor működik, ha minden eleme mérhető is.

3. Triggerek és automation-ök

Ebben a pontban általában e-mail marketing-ről beszélünk. De lehet szó push-notification-ökről, sms-kampányról, in-site pop-up-okról, akármiről.

A lényeg, hogy ha követed a felhasználóid viselkedését, akkor bizonyos viselkedésminta aktiválhat bizonyos üzeneteket. Pl. ha látod, hogy egy felhasználó 100-szor megnézte a landing-edet, de még egyszer sem vásárolt onnan, akkor küldhetsz neki egy levelet, hogy személyes support-ot kínálsz neki, hogy könnyebb legyen a vásárlás.
Ha látod, hogy egy másik felhasználó vásárolt nálad 10 terméket, küldhetsz neki egy e-mail-t, hogy köszönöd a hűségét, itt egy 50%-os kupon, etc…

Ezek az ún. triggerek azonnali és látványos hatást fejtenek ki a lemorzsolódó felhasználók visszatérésére, hiszen személyre szabott üzenetet küld a megfelelő embereknek a megfelelő pillanatban.

Merre tovább?

Ez a 3 projekt (1. kutatás + AB-teszt, 2. Stratégia felépítés, 3. Trigger-ek beállítása) az, ami legjobb első adatvezérelt projektek között van. Látva az eredményességüket pedig könnyebb már továbblépni a saját adatbázisok felépítése és a finomabb (és még hasznosabb) adatos projektek felé.

Többet akarsz tudni a témáról? Gyere el az Adatvezérelt Marketing Tréningünkre!

Tomi

Top-Adatelemző/BI eszközök (, amelyekről nem gondolnád, hogy ingyenesek)

Micsoda!? Ingyenes A/B tesztelő szoftver? Ingyenes hírlevél motor? Ingyenes funnel-metrika/KPI-metrika építő eszköz?
Nos, igen. Létezik. Minden cégnek és minden projektnek más-más adatelemző/big data/BI eszközcsomag az optimális. Azonban vannak tool-ok, amelyek mindenkinek alapvetés kellene, hogy legyenek. A vicc pedig az, hogy ezek ingyenesek. Legalábbis egy bizonyos cégméretig. Pl. ott az Optimizely – mindenki csak annyit tud róla, hogy kb 30.000$-nál kezdődik az éves előfizetésük, de azt már kevesen tudják, hogy 50.000 egyedi látogató/hó méretig (ami lássuk be, nem kevés) teljesen ingyenes. Nézzük szépen sorban a legmenőbb eszközöket, amelyeknek hasonlóan barátságos az árazási modelljük.

Mixpanel
mixpanel logoVan Google Analytics-ed? Szuper. Mi hiányzik belőle? Pl. az egyedi mérések és definíciók. Vagy az, hogy minden egyes felhasználót/felhasználói szegmenst vagy csoportot e-mail cím szerint láss. Vagy az, hogy ha egy user-ed eljutott valameddig a vásárlásban, de utána abbahagyta folyamatot, autamatikusan kapjon egy visszacsábító e-mail-t (, aminek a tartalmát akár A/B tesztelheted is)?
Ezt mind-mind tudja a Mixpanel. Sőt ennél még sokkal többet. Gyakorlatilag mindent, amit egy saját big data adatbázissal meg tudsz csinálni.
Az ára pedig 25.000 egyedi felhasználóig ingyenes.
Implementálás – megfelelő szakértelemmel – pár óra.mixpanel
Optimize.ly
Optimizely logoA/B tesztelő motor. A legjobb. Komolyan, az Adatlaborral sok ügyfélnél, sok fajta A/B tesztelő eszközt használtunk és végül az Optimizely mellett tettük le a voksunkat. (A VWO a második a sorban, de ott gyakran váratlan bug-okba, kis hibákba futottunk, ami bizony elég idegesítő tud lenni.) Ami csábító benne, hogy WYSIWYG, azaz “What you see is what you get” (azt kapod, amit látsz), tehát ha egy egyszerűbb tesztet össze akarunk dobni, akkor nem kell programoznunk, hanem elég egy grafikus felületen dobozokat tologatnunk.
Emellett kb. minden integrálható bele, pl. a fent említett Mixpanel, de a Google Analytics, a CrazyEgg, a Mouseflow és minden egyéb tool is.
Persze egy-két trükkel és best practice-szel még jobban ki tudjuk aknázni a tudását (pl. honlapátirányításos A/B teszt), de ha az árazáshoz jutunk megint meglepő fordulatot látunk (ahogy fent is írtam):
50.000 egyedi user/hó méretig ingyenes. (Ha pedig ezt túlléped, egyszerűen csak leáll a teszt.) Ebben az a szép, hogy 50.000 user-ből 100-ból 99 projektben már simán jönnek ki szignifikáns eredmények, úgyhogy ennél nagyobb motorra – legalábbis magyar viszonylatban – nincs is szükség.

Mouseflow
A Mouseflow-val 3 dolgot tehetsz meg:
1. Felveszed a látogatóid egérmozgását és visszanézed.
2. Ezekből kattintási/egérmozgatási hőtérképet készítesz.
3. Görgőzési hőtérképet készítesz.
Mind a három iszonyatosan fontos ahhoz, hogy megértsd, hogy mi miért és hogyan történik a honlapodon. Meglepődnél, hogy mennyire máshogy rajzolódik ki egy-egy kattintáshőtérkép egy-egy CTA gomb körül, ahhoz képest ahogy az a dizájnered vagy a Te fejedben megjelenik. Itt egy rövid videó a Mouseflow-ról:

A Mouseflow-nak is van ingyenes verziója, amiért 100 képernyőfelvételt nézhetsz végig havonta. Ez amúgy önmagában érdekes és hasznos is, azért egy hőtérképre inkább jobb a small csomagjuk (1000 felvétel/hó 15$-ért) vagy esetleg a medium (10000 felvétel/hó 60$-ért).
Implementálás – kb. 10 perc. :-)

Összefoglalás
Ez a 3 eszköz általában minden igényesebb adatelemzési/online termékkutatási projektnél jelen van. Azt hozzá kell tenni, hogy alternatíváik vannak. Egyrészről, amit tudni kell, hogy egy bizonyos méret után a házon belül fejleszett big data eszközök már jobban megérik anyagilag. Másrészt pedig más ár-érték arányban az alábbi tool-ok szolgálhatnak még jó példaként:
1. Mixpanel helyett: KISSmetrics
2. Optimizely helyett: VWO
3. Mouseflow helyett: ClickTale vagy CrazyEgg

Ha arra vagy kíváncsi, hogy hogyan lehet ezeket az eszközöket stratégiailag is alkalmazni, ne hagyd ki a ma esti (hétfő 04.13. 19:00) Big Data Adatstratégia webináriumunkat!

Mester Tomi

Még 3 weboldal használhatósági sztenderd

Az előző cikk folytatásaként most megosztok még 3 weboldal használhatósági ötletet, amit érdemes kipróbálni. Előzőleg is azt írtam, hogy nem szeretem az általánosításokat, mert minden online üzlet egyedi, saját célközönséggel, speciális igényekkel és speciális megoldásokkal. Pl. amit nemrég megfigyeltünk, az az, hogy egy egytermékes cégnél (pl. Evernote) tök jól működik a nagy nyitókép stratégia:
evernote landingMíg egy többtermékes cégeknél (pl. e-digital) érdemes egy helyett több képet, több lehetőséget megvillantani.
Ez csak egy példa, de a lényeg, amiket itt leírok, azok nem általános megoldások, hanem ötletek arra, hogy miket érdemes AB-tesztelni.

1. A lead-magnet-et emeld ki, ne a gombot
Az előző cikkben  arról is írtam, hogy a piros gomb majdnem mindig legalább 20%-kal megtolja a konverziót. És ez így is van. Azonban az egyik ügyfelünknél érdekes módon a hírlevél-feliratkozásnál, amikor az AB-tesztben pirosra cseréltük a gombot, nem történt változás. Kb. ugyanannyi klikk jött a pirosról, mint a szürkéről vagy a feketéről.
A “FELIRATKOZÁS” gomb színét hiába cserélgettük, ettől nem lett vonzóbb maga a feliratkozás lehetősége. Ekkor jöttünk rá, hogy amivel kísérleteznünk kell az az ajándék, a “lead-magnet”, amit adunk a feliratkozásért, jelen esetben egy 1000 Ft-os kupon. Ha kiemeljük jobban, hogy itt bizony egy 1000 Ft-os kedvezményről van szó (tehát ezt írtjuk nagyobb betűvel, esetleg pirossal) – a gombot pedig cserélhetjük “FELIRATKOZÁS” helyett “KÉREM A KUPONOM”-ra: máris emelkedik a konverzió. A lead-magnet a fontos, nem a gomb maga.

2. Embereket szeretünk nézni
Pszichológia 101: emberekként embereket szeretünk nézni. Tegnap beültem egy VWO.com-os webináriumra, ahol több esettanulmányban is bemutatták, hogy egy fotó egy emberről a honlapon növeli a hitelességet és ezen keresztül a konverziót. Az egyik legegyszerűbb példa, egy call-to-action (avagy call-Jason) gomb tesztelése volt:
contact JasonEz ugyebár 1,5-szer annyi megkeresést jelent Jason-nek.

A VWO-s tudást én még annyival egészíteném ki, hogy a megfigyelések szerint SOSE használj stock-photo-kat, mindig csak egyedi képeket.

UPDATE: Szigeti Attila barátom pont tegnap küldött egy érdekes TechCrunch cikket, ahol azzal kísérleteztek, hogy vajon a férfi vagy  a női fotó hoz magasabb elköteleződést:

clicktale heatmapAz eredmény pedig egyértelmű szignifikánsabb magasabb az elköteleződés, ha férfi van a képen. (Megjegyzés: ez persze már tényleg eléggé célcsoport és termékspecifikus kérdés – de azért egy jó ötlet a tesztelésre).

3. Bal felső sarok –» Jobb alsó sarokheatmap

Akármelyik honlapodnak is nézed meg a hőtérképes elemzését (pl. Mouseflow-val), mindig ugyanezt fogod tapasztalni:
– a kattintások számának a hőtérképe
– az egérmozgatás intenzitásának a hőtérképe
– sőt! szemmozgás-vizsgálattal bizonyítva egyáltalán a szemmozgás hőtérképe is:

a bal felső saroktól a jobb alsóig szépen egyenletesen kihűl. Persze, ha beteszel egy nagy CTA gombot a jobb alsó részre, még érhetsz el vele magasabb konverziót, de az tény, hogy akármilyen üzenetet jelenítesz meg: a bal felső sarokban van a legnagyobb túlélési esélye!

Remélem érdekesnek és hasznosnak találtad ezt a cikket!
Ne feledd, jövő hét hétfőn (04.13.) Big Data Webinár, ahol ehhez hasonló weboldal használhatósági kérdésekkel is fogunk foglalkozni.

LINK: http://adatstrategia.eventbrite.co.uk

Mester Tomi

E-commerce adatelemzés interjú – TESCO

Tesco adatelemzés interjúBarabás Lenkével, a Tesco Customer Loyalty and Personalisation Manager-ével beszélgettem a napjaink trendejeiről és arról, hogy hogyan reagál erre a Tesco. Lenkével egy Big Data workshopon találkoztam, ahol mindketten előadtunk. Az ottani prezentációja a Klubkártya programról szólt és ez keltette fel az érdeklődésemet. Ennek működéséről, előnyeiről és big data vonatkozásáról is mesélt nekem részletesen…

Barabás Lenke, TESCO
Barabás Lenke, TESCO

– Te pontosan mivel foglalkozol a Tesco csapatában?
– A Tesco-n belül ez egy teljesen új pozíció, így folyamatosan vannak új és új feladatok. Két fő vonalát emelném ki. Az egyik, hogy minél személyesebb ajánlatokat tudjunk adni a vásárlóinknak. Első lépésként a heti hírlevelek számát szeretnénk csökkenteni. Arra törekszünk, hogy egy hírlevelet kapjanak a vásárlók, de az valóban személyre szóló legyen. A másik a lojalitásépítés. Lojalitásépítés alatt pedig azt értem, hogy a már lojális vásárlókat próbáljuk megtartani, jutalmazni. Főleg jutalmazó rendszerekben gondolkodom – pl. klubokat alapítani, olyan dolgokat csinálni, amivel a lojális vásárlóink egy kis pluszt kaphatnak, különlegesebb bánásmódban részesülhetnek.

– És ha jól tudom, ezekhez használtok adatokat, méghozzá nem is keveset. Mik a főbb irányvonalak?
Az egyik főfókusz most a személyre szóló hírlevél elindítása. A Clubcard adatbázisra tudunk támaszkodni, hiszen ott látjuk, hogy milyen vásárlási szokásai vannak az egyes vásárlóinknak. Ez az egyik nagy adatbázisunk, ami egy párszázezres adatbázist jelent, és azon dolgozunk, hogy ez egyre nagyobb legyen. Fontosnak tartom megemlíteni, hogy a Clubcard-dal mindig tranzakció szintű adatokat nézünk.

– És azt, hogy férfi-e vagy nő? Hogy hány éves?
– Vannak demográfiai adatok a Clubcard-hoz, de ezeket nem használjuk, amikor ajánlatokat, aktivitásokat tervezünk, küldünk. Tranzakciókat nézünk, és ez alapján küldjük az ajánlatokat, a megszemélyesítésre már csak a kiküldésnél kerül sor. Azért sem támaszkodunk demográfiai adatokra, mert egy családban akár többen is használhatják ugyanazt a Clubcard-ot, így szinte lehetetlen, hogy kiderítsük, ki áll a kártya mögött. Viszont családon belül biztosan mindenki megkapja a számára értékes ajánlatot a tranzakciók alapján. Így azt gondolom, ez sokkal relevánsabb információ, mint az, hogy nő vagy férfi a kártya tulajdonos vagy az, hogy hány éves az illető. Természetesen ez sem elhanyagolható információ, de azt már egyéb célokra használjuk.

– Tehát “mutasd a kosarad és megmondom ki vagy”?
– Nagyjából igen, lehet következtetni demográfiai adatokra, de nem szoktunk, mert ebben az esetben a lényeg, hogy mit vásárol, hogy személyre szóló ajánlatokat tudjunk küldeni. Volt egy 5 hetes teszt periódusunk személyre szóló hírlevél küldésre, és kiderült, hogy nagyon szépen teljesít. Kb. háromszoros volt maga a hírlevél-megnyitási arány. Ez alapján valószínűsíthető, hogy ez egy nagyon hatékony dolog, de még több számra és pontosabb tesztekre van szükségünk, hogy többet tudjak róla mondani.

– Mi a projekt jövője? Mik az “álmok”?
– Az álom az, hogy mindenki egy személyre szóló hírlevelet kapjon heti szinten. Ne nyolcat, hanem egyet, de abban valóban csak az legyen, ami őt érdekli.

– Ha ezek a perszonalizált hírlevelek elindulnak, akkor az azt jelenti, hogy ha én pl. sok kenyeret, virslit és mustárt vettem, akkor nekem ezt a kenyeret-virslit-mustárt fogjátok ajánlani olcsóbban? Vagy inkább termékcsatolással melléteszitek, hogy érdekelhet a majonéz, az uborka, stb?
– Ha akciós az uborka vagy a mustár, és rendszeres vásárlója vagy a terméknek, akkor arról biztos, hogy kapsz ajánlatot hírlevélben. A későbbiekben jöhetnek egyéb extra ajánlatok is, rengeteg lehetőség rejlik még ebben, de pontosan nem tudom még megmondani, hova juthatunk rövid távon.

– Olyasmit terveztek, hogy ha valaki egy terméknek a rajongója, pl. sok fekete pólót vesz, akkor ő személy szerint kap akciót a fekete pólóra?
– Igen, ilyen jellegű aktivitásokat már tudunk csinálni, ún. kasszakuponokon keresztül. A Clubcard-os vásárlókat már elkezdtük ezzel jutalmazni. A példádnál maradva, ha látjuk, hogy vásároltál fekete pólót, akkor egy aktivitás keretében be tudjuk azt állítani, hogy a legközelebbi vásárlásod során kapj egy olyan kupont, amivel kedvezményesen veheted meg a kedvenc pólód egy legközelebbi vásárlásod esetén. Ebben is sok lehetőség rejlik, még a tesztfázisban vagyunk, és sokat tanulunk.

– Tehát mondhatjuk, hogy nálatok az adatelemzés és a big data arra megy rá, hogy személyesítsétek a tömegkommunikációt…
– Egyrészről igen, de nem csak a kommunikációt, hanem az ajánlatainkat is. A személyes véleményem az, hogy akkora a piaci verseny már az élelmiszer piacon (is), hogy mindig meg lehet venni az alapvető élelmiszereket, nem élelmiszereket akcióban. A mi célunk ennél több, szeretnénk, ha a vásárlóink olyan kedvezményeket kapnának, ami számukra fontos és releváns, akár állandó jelleggel megvehessék kedvenc terméküket kedvezményesen.

– Köszönöm szépen az interjút!

 

Az Evolution előadás margójára: Az A/B tesztelés 4 szabálya

Note: ezt a bejegyzést az Evolution konferenciás előadásomhoz kapcsolódóan írtam. De azért bárkinek hasznos lehet… :-)

A legfrissebb statisztikák szerint az online szolgáltatók 91%-a tudja, hogy mi az az A/B tesztelés, de csak 11% az, aki ténylegesen (legalább egyszer) futtatott A/B tesztet az oldalán. Pedig az A/B tesztelésnek forintban mérhető, azonnali haszna van. Egy külföldi esettanulmány:

A fab.com e-commerce startup egyetlen dolgot tesztelt az oldalán. A lenti két képen látszik is: az “Add to cart” gomb színét.

fab AB teszt piros

fab AB teszt piros
Az oldalra érkező látogatók fele-fele arányban véletlenszerűen kapták meg vagy a piros vagy a kék verziót. Ekkora látogatószámnál viszonylag kevés tesztből kiderült a válasz a kérdésre: melyik gombszín hoz több kattintást, ezáltal magasabb konverziót és több profitot. Az eredmény pedig megdöbbentő: 49%, ami éves szinten dollár-milliókat(!) jelent a fab.com-nak. A kísérlet beállítása és elindítása nettó 2 óra munkát jelentett nekik. Azt hiszem, ezek után nehéz lenne azt mondani, hogy az A/B tesztelés nem hasznos.

De hogyan is kell A/B tesztelni? Íme 4 szabály, amit én a legtöbbször látok elrontani olyan ügyfeleknél, akik maguknak kezdték el csinálni az A/B tesztjeiket. (Ezt nem amolyan “cikizés”, csak azért írom le, hogy más ne essen ezekbe a gyakori hibákba! :-))

1. Egy időben fusson a két verzió!
Tehát az nem A/B teszt, hogy februárban kiteszem az egyik verziót, márciusban pedig a másikat és mérem, hogy melyik hoz több kattintást… Miért nem? Azért, mert ebben az esetben közbeszólhat a szezonalitás. Azaz lehet, hogy márciusban nagyobb igény van az adott termékre (pl. tavaszi cipő), mint februárban volt és ez is befolyásolja a konverziót. Egy korrekt A/B tesztben a különböző verziók egymással párhuzamosan, egy időben futnak.

2. A teszt csoport és a kontroll csoport azonos összetételű legyen!
Pl. ha a fizetős felhasználóim perszonalizált hírlevelet kapnak, az ingyenes felhasználóim pedig nem, akkor a hírlevélből jövő átkattintási arányok nem csak azért lesznek eltérőek, mert más a levél tartalma, hanem azért is, mert más a felhasználói csoportok elkötelezettségi szintje. Ha a fizetős felhasználók teljesen ugyanazt a levelet kapnák, mint az ingyenesek, könnyen lehet, hogy mivel ők elkötelezettebbek a termék iránt, amúgy is többen kattintanának. Éppen ezért, ha tényleg a levél tartalmát akarod tesztelni, akkor vagy a fizetős felhasználókat kell véletlenszerűen két csoportba osztanod, vagy az ingyeneseket. A lényeg, hogy a kontroll csoport és a teszt csoport azonos típusú embereket tartalmazzon.

3. Legyen célja a tesztnek!
És ez nem csak arról szól, hogy ne dolgozzunk feleslegesen, hanem arról is, hogy ténylegesen: egy A/B tesztet csak akkor lehet kiértékelni, ha az ember már a tervezés fázisban eldönti, hogy mi lesz az az 1, maximum 2 mérőszám, aminek a változását figyeli és ami alapján azt mondja, hogy az egyik verzió sikeresebb, mint a másik (mint pl. a fab.com esetében a gombra kattintás).

4. Csak egy dolgot változtass!
Ezt nehéz betartani és általában nem is szokták. De vedd figyelembe, hogy minél több elemet változtatsz a két verzió között, annál nehezebb lesz eldönteni, hogy pontosan melyik volt a kulcselem, ami az egyik verziót sikeresebbé tette, mint a másikat (pl. a fab.com csak a kék és a piros gomb közötti különbséget mérte.

És hogy hogyan is kell beállítani egy A/B tesztet? Természetesen ebben mi is tudunk segíteni, de ha egyedül szeretnél belevágni, ezen 3 platform valamelyikét tudom ajánlani:
Visual Website Optimizer
Optimize.ly
Google Analytics Experiments

FOLYTATÁS: Szignifikáns vagy sem? Így mérd az AB-teszted eredményességét! 

Mester Tomi

3 weboldal használhatósági sztenderd

Note: általában nem szeretek sztenderdekről írni, hiszen az adatelemzés pontosan arról szól, hogy minden egyes szolgáltatáshoz más célcsoport tartozik, más igényekkel és ilyen módon minden egyes weboldalnak más és más megoldást kell adnia, folyamatosan figyelve és monitorozva a felhasználóit. DE valahogy az alábbi 3 vissza-visszatérő tanulságot minden egyes kutatásunk és mérésünk a visszaigazolta, mind a startup, mind az e-commerce vonalon. (Ráadásul még a külföldi benchmark-okkal is egybevág.)

1. A gomb színe a piros.
Megdöbbentő (és a dizájnerek számára biztos szomorú is), hogy nem volt olyan A/B tesztünk, ami ne azt az eredményt mutatta volna, hogy a vásárlás (vagy a regisztráció gomb) pirosra cserélése ne hozott volna legalább 20%-kal magasabb konverziót. A külföldi esettanulmányokat végigelemezve is megállapíthatjuk, hogy a piros átlagban 10-ből 9-szer nyer (amikor pedig nem, akkor az élénk zöld). Ez van. A gomb színe a piros.

2. Az emberek nem görgőznek.
Legalábbis nem annyit, mint gondolnád. A nyitóképernyőről átlagban csak az emberek 80%-a görget lejjebb egy “nyitóképernyőnyit”, 60%-a két “nyitóképernyőnyit” és így tovább. Ergo a legfontosabb üzeneted, amivel tényleg mindenkit el akarsz érni (pl. egy hírlevél-feliratkozás?) érdemes görgetés nélkül is elérhetővé tenni. Ugyanemiatt az esetek legkisebb részébe jó taktika egy nagy egész oldalt elfoglaló “high-quality” képet betenni a nyitóoldalra, ehelyett érdemesebb rögtön valamilyen értékes információt láttatni – webshop-ok esetében egy-egy kiemelt terméket, startup-oknál a szolgáltatást.

3. Nyitó pop-up = instant látogatóvesztés
Valamiért egyre jobban terjed az a megindokolhatatlan nézet, miszerint a belépés előtt kell egy hírlevél-feliratkozás (vagy egy akciókat felkínáló (vagy egy általános tájékoztató)) pop-up. Az igazság az, hogy ezek a nyitó pop-up-ok elég magas mértékű lemorzsolódást eredményeznek, amit végül a hírlevél feliratkozások száma nem ellensúlyoz. Ha az ember mindenáron pop-up-ot szeretne, akkor a best-practice az, hogy hagyni kell a látogatónak egy kis időt míg barangol az oldalon és legalább egy minimális mértékben el kezd érdeklődni a szolgáltatás iránt. Ezek után sokkal kisebb a lemorzsolódás esélye (és persze a feliratkozásé pedig nő.) Egyébként egy elég jó megoldás lehet az Optimonk-féle módszer is, ami csak akkor dob pop-up-ot, ha a látogató már nagyon olyan jeleket mutat, hogy be fogja zárni az oldalt.

Remélem ez a 3 kis apróság neked is segíteni fog! És ne feledd, ahhoz, hogy valóban megértsd a látogatóidat és a legmagasabb minőséget tudd nekik adni, nem elég a best practice-ket használni, hanem bele kell nézni a saját adataidba is!

Mester Tomi

ps.: Ha több ilyen cikket szeretnél olvasni, ne felejts el követni minket Facebook-on!

6 szám, amit minden e-kereskedőnek mérnie kéne

A forintosított bevételével minden e-kereskedő tisztában van. Ez az alfája és az omegája minden analitikának, ez a végső siker mértéke. De van még másik 6 szám, amit minden tudatos online kereskedőnek ismernie kellene. Már csak azért is, mert ezek azok a számok, amelyek közvetlenül befolyásolják a bevételt – így ha tudatosan méred őket, látni fogod, hogy hol tudsz a leggyorsabban javítani az üzletmeneteden.

1. Az átlagos kosárméret (HUF/hó)
számítás: (havi összbevétel)/(havi vásárlások száma)
“Ha meggondolod, hogy egy látogató megszerzésének van egy fix költsége, akkor az hogy ettől a látogatótól minél nagyobb rendelést tudj elkönyvelni, a legegyszerűbb módja a bevételed növelésének.” (Bill D’Alessandro, befektető amerikai e-commerce szektorban)

2. Vásárlószerzés költsége csatornánként (HUF/vásárló/csatorna)
számítás: (reklámra költött pénz adott csatornán)/(vásárlók száma az adott csatornából)
Mindegy, hogy honnan szerzed a látogatóidat – Facebook, Google, Twitter, fórumok, blogok, konferenciák – mindegyiknek lesz valamekkora költségvonzata. Innentől pedig egyszerű matek az egész: legyen nagyobb a profitod az eladásból, mint amennyibe a reklám (és a kézbesítés) kerül.
Ha tudod, hogy melyik a legköltséghatékonyabb csatornád, tudni fogod mire érdemes fókuszálni. Enélkül könnyen lehet, hogy csak az ablakon szórod ki a pénzt.

3. Éves szintű visszatérés (%)
számítás: (azon felhasználók száma, akik tavaly is és idén is vásároltak tőled) / (összes tavalyi vásárló)
Itt nincs jó vagy rossz érték, de Kevin Hillstrom amerikai big data guru több 100 webshop elemzésén keresztül kialakított gyakorlata azt mutatja, hogy ez a szám alapvetően határozza meg az e-kereskedelmi stratégiát.
Ha ez az érték 40% alatt van, akkor a főfókuszod az új látogatók megszerzése legyen! Fektess a reklámjaidba és a továbbajánlások megszerzésébe energiát! (Ilyen cégek pl. túrafelszereléssel foglalkozó cégek, szemüveg boltok, és egyéb ritkán fogyasztott termékek).
Ha ez az érték 60% felett van, akkor építs lojalitást és kiemelt figyelmet szentelj a felhasználói élménynek. (pl. Amazon, Ebay, Tesco online, stb…)
Ha az érték 40% és 60% között van, akkor abban a ritka helyzetben vagy, hogy mindkét területre – új vásárlók és lojális vásárlók – koncentrálnod kell. Ilyen cégeknél (pl. Zappos) kiemelten fontosak a személyre szabott, informatív hírlevelek – illetve a perszonalizált élmény.

4. A konverziós arány (%)
számítás: (vásárló látogatók száma) / (összes látogató száma)
Ezt a kifejezést mindenki ismeri. Azt fejezi ki, hogy a látogatóidnak mekkora százaléka lesz valódi vásárló. Korai szakaszban ez a szám fontosabb, mint maga a bevétel, hiszen a befektetések megtérülését is ebből lehet számítani. Később is folyamatosan érdemes azon dolgozni, hogy ez az arány minél magasabb legyen.

5. Lemorzsolódás aránya (%)
számítás: (NEM vásárló látogatók száma) / (összes látogató száma)
Tulajdonképpen a konverziós arány ellentétéről beszélünk. De a lemorzsolódást lépésenként kell mérni – melyik aloldalon, melyik kosárfolyamatnál, pontosan hány %-a esett ki az embereknek. Ezáltal nagyon gyorsan megtalálhatók a gyenge pontok, optimalizálhatóak a vásárlási folyamatok.

6. Egy vásárlóra jutó profit
(Ft/vásárló)

számítás: (havi összbevétel)/(havi vásárlók száma)
Akár a lojalitás, akár az új vásárlók megszerzése a fókuszod, mindenképpen fontos, hogy maximalizáld az egy vásárlóból kitermelt profitot. A fenti 5 mérés mind-mind segít ebben – csökkentheted a lemorzsolódás arányát, növelheted a kosárméretet vagy optimalizálhatod a látogatószerzési folyamataidat – a végeredmény mindig az lesz, hogy nő az egy vásárlóra jutó profit. Ha emellett szinten tudod tartani a vásárlók számát, nem nehéz kiszámolni, hogy a bevételed is nőni fog!

Összegzés: Ezek az adatok a Te céged vásárlási adataidból is kinyerhetőek. Semmilyen speciális eszközre vagy szoftverre nincs hozzájuk szükség. Érdemes őket folyamatosan monitorozni, hiszen általuk sokkal tisztábban fogsz látni a cégedben és sokkal tudatosabban tudod majd felépíteni és változtatni a stratégiádat.

Ha segítségre van szükséged, szólj! :-)

Mester Tomi

inspiráció: Croll&Yoskovits – Lean Analytics

A legnagyobb A/B teszt hiba

Egyre többen használják az A/B tesztelés remek eszközét. Nemrég a Facebook oldalunkon is közzétettük, hogy még maga Obama elnök és csapata is használt A/B tesztet egy hírlevélkampány során (a legjobb és legrosszabb e-mail tárgy pedig megdöbbentő 2.000.000 $-os különbséget produkált bevételben).

Ha esetleg nem tudod, mi az az A/B teszt: itt egy cikk, amiben írunk róla.

A mai bejegyzésben pedig a legnagyobb olyan hiba, amit sokszor látok ügyfeleknél elkövetni és ami totálisan megöli az egész teszt eredményességét! A hiba forrásának szakmai neve a korreláció vs. kauzalizás problémája:
Vagy magyarul, a tyúk és a tojás esete. Mondok egy példát: Létrehozunk egy prémium hírlevél csatornát azoknak a felhasználóknak, akik szeretnének személyre szabott ajánlatot kapni tőlünk. Tőlük több adatot kérünk be, cserébe azt ígérjük nekik, hogy jobban az igényeikhez illeszkedő levelet fognak kapni. Nevezzük ezt perszonalizált hírlevélnek csoportnak. Majd létrehozunk egy egyszerű hírlevél csatornát azoknak a felhasználóknak, akik csak gyorsan regisztrálni szeretnének. Ők az átlagos, tömegesen kiküldött hírlevelet fogják kapni. Legyenek ők az átlagos hírlevél csoport. Jönnek a feliratkozók, mindkét csoportban van 1000-1000 ember. Kiküldjük az első hírleveleket, a perszonalizált hírlevél csoportnak (személyre szabott tartalommal) és az átlagos hírlevél csoportnak (átlagos tartalommal) is – és azt tapasztaljuk, hogy a perszonalizált hírlevelet 29% nyitotta meg, az átlagosat pedig csak 10%. Tehát a perszonalizált hírlevél az A/B teszt alapján egy óriási siker. Kivéve, hogy… hibás volt a mérésünk.
De miért is?

A hiba egyszerű: a perszonalizált hírlevélre feliratkozni sokkal “nehezebb”, hiszen sokkal több adatot kell megadnunk. Egyszerű belátni, hogy aki ebbe a csoportba iratkozik fel, az egész egyszerűen elkötelezettebb felhasználó, mint aki az átlagos hírlevélre kér regisztrációt. Márpedig, aki elkötelezettebb, az nagyobb eséllyel nyitja meg a hírlevelet. Innentől fogva pedig nem tudjuk, hogy a 29%-ból mennyi az elköteleződés és mennyi a perszonalizált tartalom ereje.

De mi a megoldás?

Az A/B teszt lényege, hogy két közel azonos célcsoporton kísérletezzünk egy lehetőség szerint csak egy elemben eltérő tartalommal. Azaz a korrekt A/B teszt itt úgy nézne ki, hogy:

1. Csak a perszonalizált hírlevél feliratkozókat felbontjuk  két egyenlő létszámú csoportra (500-500 fő).
2. Az egyik csoport megkapja a perszonalizált hírlevelet, a másik csoport pedig az átlagos hírlevelet
.
3. Megnézzük az így létrejövő különbséget a két csoport között.

Mivel mindkét csoport hasonló elkötelezettségű feliratkozókat tartalmazott, biztosak lehetünk benne, hogy az eredménybeli különbség a tartalom minőségéből származik. Ha itt azt látjuk, hogy a perszonalizált tartalom 29%-ra teljesít, az átlagos tartalom pedig szintén 29%-ra – akkor bizony semmit nem ér a perszonalizált tartalom. De ha az átlagos csoport csak 17%-ot ér el, akkor joggal mondhatjuk, hogy sikeres a perszonalizált hírlevélkampány.
Ennyike.

Ha esetleg feliratkoznál az Adatlabor-hírlevélre, akkor KATT! :-))

Mester Tomi