A/B tesztek a perszonalizációban: mit, hogyan, miért

 

Valamennyire mindenkinek ismerősen csenghet az A/B teszt kifejezés. Hírlevelek, CTA gombok, landing oldalak A/B teszteléséről bizonyára sokat hallottál már. De tudod-e, hogyan működnek az A/B tesztek a perszonalizációban? 

Egyfelől az ajánlórendszer A/B tesztek révén teszi hatékonyabbá ajánlásait. Másfelől így lehet összehasonlítani két ajánlórendszert, vagy egy weboldal teljesítményét perszonalizációval és anélkül. E-kereskedelmi ajánlórendszerünk, a Yuspify például több hazai webáruház és online piactér, így a Meska és a Pamutlabor A/B tesztjében is a nyerő megoldásnak bizonyult. 

Mindjárt mutatjuk is, hogyan, de először tekintsük át az alapokat. 

Mi az az A/B teszt? 

 

Az A/B teszt nem más, mint egy egyszerű, kontrollált, véletlenszerű kísérlet. 

Így végezhetsz te is A/B tesztet

 

Ha online vállalkozásod, netán webáruházad van, akkor a weboldal- vagy kampányelemeid A/B tesztelése szépen növelheti a profitodat. Nézzük tehát, milyen lépésekből áll egy “klasszikus”, web-optimalizálás céljából futtatott A/B teszt!

Így alkalmazza az A/B tesztet az ajánlórendszer

 

Az ajánlórendszerek is A/B tesztelnek, mégpedig folyamatosan, hiper-sebességre kapcsolva. De emailek vagy weboldal-elemek helyett személyre szabott ajánlásokat hasonlítanak össze, pontosabban az azokat előállító algoritmusokat. 

Ez úgy történik, hogy két (vagy több) perszonalizációs algoritmust (vagy algoritmus-variánst) ráállítanak arra, hogy személyre szabott ajánlásokat generáljanak felhasználók egy-egy csoportjának. Ezután statiszikai modellek segítségével kiszámítják, melyik változat ajánlásai konvertálnak jobban. 

Az A/B tesztelésnek ez a formája lehetővé teszi egy ajánlórendszer teljesítményének tökéletesítését. Persze ennek is megvannak a határai: egy bizonyos szint felett a perszonalizációs hatékonyság nem növelhető tovább. Ezen a ponton túl a cél a maximális teljesítmény fenntartása, szintén A/B tesztelés révén. 

Ajánlórendszerek összehasonlítása A/B teszttel

 

Fontolgatod a perszonalizáció alkalmazását webáruházadban? Vagy van már ajánlórendszered, de kíváncsi vagy, mire képes egy versenytársa? Egy A/B teszt keretében összehasonlíthatod a weboldalad teljesítményét személyre szabott ajánlásokkal és azok nélkül. Arra is van lehetőséged, hogy a meglévő ajánlórendszeredet A/B teszteld egy (vagy több) kihívójával szemben.  

Ezekre a teljesítménymutatókra érdemes figyelned egy perszonalizációs A/B teszt során.

A Yuspify tarol az A/B teszteken

 

E-kereskedelmi kis- és középvállalkozásokra kifejlesztett ajánlórendszerünk, a Yuspify eddig minden A/B teszten a költséghatékonyabb megoldásnak bizonyult. 

Például a Meska, Magyarország egyik legnagyobb online kézműves piactere saját fejlesztésű ajánlójával hasonlította össze a Yuspify algoritmusait. Az A/B teszt két hónapig futott, ez idő alatt a felhasználók egyik csoportja a Meska, a másik csoportjuk pedig a Yuspify ajánlódobozait látta a kezdőoldalon, a termékoldalakon és a kosároldalon. 

A tesztidőszak végére a Yuspify 50%-kal több bevételt termelt, mint a Meska saját fejlesztésű rendszere. A Yuspify ajánlásai ugyanis jelentősen nagyobb arányban vezettek tranzakcióhoz, és 15%-kal magasabb átlagos kosárértéket generáltak, mint a Meska beépített megoldása. A teljes tesztidőszakra vetítve a Yuspify alkalmazása 11,3-szeres megtérülést eredményezett. 

Az egyedi pólókat nyomtató és forgalmazó Pamutlabor a webáruház átalakítása nélkül szerette volna javítani a felhasználói élményt, és ezáltal a bevételi mutatóit. Ezért egy A/B teszt keretében tette próbára a Yuspify prediktív keresőfunkcióját. Az egy hónapig tartó teszt során a vásárlók egyik fele a Yuspify keresődobozát használhatta a webáruházban, a másik felük pedig a Pamutlabor szokásos keresőjét. 

A Yuspify keresőfunkció gépelés közben is felajánl kulcsszavakat és lehetséges találatokat, így gyorsabbá és hatékonyabbá teszi a keresést. Nem csoda hát, hogy 12%-kal növelte a sikeres keresések számát, és 22%-kal csökkentette az üres találati oldalakat a Pamutlabor alapértelmezett keresőjéhez képest. A Yuspify keresőfunkciót használó vásárlók 8,3%-kal több rendelést adtak le, 3,9%-kal nagyobb átlagos kosárértékben, és így 12,6%-kal több bevételt jelentettek a Pamutlabornak.    

Te mit tesztelnél?

 

Ahogy láthattad, egy A/B teszt segíthet hatékonyabbá tenni online marketing-tevékenységedet. Sőt, arra is fényt deríthet, hogyan javítsd a felhasználói élményt webshopodban, és hogyan növeld bevételeidet akár egészen minimális ráfordítással is. 

Talán már ki is alakult egy elképzelésed, hogyan lehet hasznos a te vállalkozásod számára ajánlórendszerek vagy egy-egy perszonalizációs funkció A/B tesztelése. Keress bennünket, szívesen segítünk a megvalósításban!