Blog Personalisasi E-niaga

Pengujian AB adalah jenis eksperimen terkontrol yang spesifik. Tes AB digunakan untuk menentukan pilihan terbaik dari kisaran yang mungkin. Dalam konteks eCommerce, ini dapat menentukan penawaran mana yang akan ditampilkan, produk apa yang direkomendasikan, atau bahkan gambar atau tata letak produk mana yang paling sesuai untuk kriteria keberhasilan tertentu.

Seperti tes bandit multi-lengan lainnya, ada dua bagian yang berbeda. Pertama, ada fase eksplorasi di mana banyak opsi dipertimbangkan. Setelah pemenang ditentukan, tahap kedua eksploitasi dimulai. Pada fase ini, pemenang dipilih dan yang kalah dibuang.

Tes AB yang dibangun dengan benar terdiri dari bagian-bagian berikut:

Ingatlah bahwa tes AB menentukan opsi terbaik dari kisaran yang mungkin. Dengan mengingat hal ini, kita dapat dengan cepat melalui sejumlah peluang pengujian AB.

Kami dapat menguji penawaran apa yang paling sesuai dengan pelanggan yang kembali.

Kami dapat menguji rekomendasi produk mana yang paling cocok untuk sku produk tertentu.

Pengalaman pelanggan juga dapat diuji. Misalnya, kami dapat menguji untuk melihat apakah pop-up sambutan berkinerja lebih baik daripada bilah pesan.

Sebagai alat dasar dalam pengoptimalan tingkat konversi, pengujian memaksimalkan kemampuan Anda untuk memonetisasi lalu lintas yang ada.


Dengan menggunakan pengujian AB, Anda dapat:

Tanyakan pada diri Anda, "Apa yang akan membuat tes ini berhasil?" Anda harus mengidentifikasi satu KPI terbaik untuk mengevaluasi tes.

Biasanya, metrik evaluasi Anda akan menjadi metrik gabungan, seperti laba atas investasi pemasaran. Ini harus menjadi prediksi hasil jangka panjang.

Harvard Business Review memiliki tulisan yang sangat baik yang merinci sejumlah tantangan yang dihadapi Bing dalam menentukan metrik mana yang akan diprioritaskan.

Meskipun pada awalnya mungkin tampak bahwa pendapatan yang dihasilkan akan menjadi metrik yang baik, mereka menemukan bahwa mereka dapat memanipulasi pendapatan dengan menambahkan lebih banyak iklan. Sayangnya, metrik tersebut tidak sepenuhnya menangkap biaya peningkatan pendapatan ini - yaitu pengalaman pelanggan yang lebih buruk dan pada akhirnya lebih sedikit orang yang menggunakan Bing.

Tim datang dengan alternatif. Mereka ingin fokus pada pengalaman pelanggan terlebih dahulu, sehingga metrik utamanya adalah meminimalkan jumlah kueri yang diperlukan untuk menyelesaikan satu sesi, namun memaksimalkan jumlah sesi per pengguna.

Tes AB Anda akan memiliki hasil yang beragam. Ini akan berdampak positif bagi beberapa pengunjung, dan berdampak negatif bagi yang lain.

Jika Anda hanya memercayai angka agregat, Anda berisiko mengasingkan seluruh segmen pelanggan.

Jawabannya adalah dengan memecah hasil berdasarkan segmen pelanggan. Jika Anda belum menetapkan segmen yang ditentukan dalam alat personalisasi Anda, saya sarankan menjalankan Analisis RFM untuk mengidentifikasi segmen prioritas tinggi.

Pada akhirnya, Anda ingin mengisolasi grup pelanggan tertentu tempat eksperimen bekerja, lalu membuat pemenang ditampilkan hanya untuk segmen tersebut dan segmen tersebut.

Membandingkan dua halaman, ada enam peningkatan besar yang telah diterapkan oleh tim di Moo. Untuk rincian lengkap tentang apa peningkatan ini dan mengapa mereka berhasil, klik di sini.

Untuk melakukan pengujian AB dengan benar, Anda memerlukan mitra personalisasi.

Kami menulis panduan terperinci tentang cara memilih mitra personalisasi untuk toko eCommerce Anda di sini.

Namun, singkatnya, Anda menginginkan teknologi yang dapat menghubungkan data Anda di satu tempat, mengidentifikasi segmen yang menguntungkan, dan memberikan pengalaman yang dipersonalisasi dan pengujian AB yang ditargetkan untuk segmen tersebut.

Jika Anda ingin melihat mengapa ratusan toko eCommerce perusahaan memilih Barilliance sebagai solusi pengujian AB mereka, minta demo di sini.