تست‌هایی برای سنجش رفتار مشتری

انتشار: 1400-04-15 09:26:04
دسته بندی: مقالات آموزشی
شروع کن، رشد کن، تغییرش بده
نویسنده : Jurgen Appelo
مترجم: مریم رضایی
منبع: کتاب Startup, Scaleup, Screwup: در بخش قبل، در مورد بهینه‌سازی نرخ تبدیل و هکرهای رشد توضیح دادیم و گفتیم این گروه‌ها برای سنجش دقیق رشد از روش‌هایی مثل تست A/ B یا دوبخشی که طی آن مخاطب به دو گروه تقسیم‌بندی می‌شود، استفاده می‌کنند.

نسخه اصلی اول (A)، «کنترل» نام دارد و نسخه جدید پیشنهادی (B) «چالشگر» نامیده می‌شود. در مثالی که زدم (بخش قبل)، عنوان اصلی کتاب من همان کنترل بود و گزینه پیشنهادی ناشر همان چالشگر.
تست‌های دوبخشی دقیقا در پایان آزمایش‌های ناب قرار می‌گیرند. آیا یک آزمایش همه چیز را بهتر می‌کند یا بدتر؟ بیایید آن را با یک تست A/ B اعتبارسنجی کنیم. در واقع‌ تست‌های دوبخشی در خیلی از فضاهای فرضیه‌ محور دیگر مثل توسعه محصول و طراحی خدمات که باید فرضیات اثبات شوند، یک ابزار متداول هستند. شاید تست‌کردن دوبخشی هر ویژگی‌ جدید با روش‌های کمی، غیرواقع‌گرایانه باشد و بنابراین پیشنهاد می‌شود فقط زمانی این کار انجام شود که اثرات یک انتخاب خوب یا بد قابل‌توجه باشد یا زمانی‌که سیگنال‌های کیفی، خیلی سریع برنده مشخصی را در میان گزینه‌ها نشان ندهند.
در یک تست A/ B درست، چیزی که به دو بخش از مخاطبان خود نشان می‌دهید و نحوه برخوردتان با آنها، باید یکسان باشد؛ به‌جز برای متغیری که آن را تست می‌کنید یا در شرایطی که نسبت به نتایج مطمئن نیستید. به‌عنوان مثال‌ در تست عنوان کتاب، من نسخه A را در صبح و نسخه B را در بعدازظهر نفرستاده بودم، چون تفاوت زمانی ممکن بود در سنجش نتایج اثرگذار باشد.
گاهی اوقات، چیزهایی که می‌خواهید تست کنید، به‌راحتی قابل ‌تقسیم‌بندی به دو نسخه A و B نیستند. گزینه پیچیده‌تر این تست‌های دوبخشی، «تست چندمتغیری» نام دارد. در این نوع تست، بیش از یک متغیر و شاید بیش از یک نسخه به ازای هر متغیر وجود دارد. به‌عنوان مثال‌ تست چند متغیری یک صفحه اصلی سایت، می‌تواند پالت‌های رنگ متعدد، سایزهای مختلف فونت و چند موقعیت برای دکمه فراخوان CTA، (دکمه‌هایی در وب‌سایت که کاربران را به‌سوی هدف اصلی سایت هدایت می‌کند) را دربر بگیرد. رسیدن به ترکیب بهینه‌ای از ارزش‌ها برای نسخه‌ها و متغیرهای متعدد، نیازمند انجام تست‌های زیاد است.
خوشبختانه‌ برای راحت‌تر شدن کار، راه‌حل‌های نرم‌افزاری زیادی وجود دارد. یک ضرورت مهم‌ این است که تعداد مخاطبان شما آن‌قدر زیاد باشد که بتوانید تست‌ها را پیش ببرید. هرقدر متغیرها و نسخه‌های بیشتری در اختیار داشته باشید، مخاطبان تست شما باید بزرگ‌تر باشند و بیشتر هم طول می‌کشد تا به نتایج معناداری برسید.
وقتی تست عنوان کتاب را انجام دادم، یک تست اضافه با یک ابزار آنلاین انجام دادم که جمعیت‌شناسی ساده‌ای را در اختیارم قرار داد. متوجه شدم که به‌طور میانگین‌ افراد مسن‌تر، عنوانی را که ناشر پیشنهاد داده بود ترجیح می‌دادند (قرار گرفتن تغییرش بده در وسط جمله) و جوان‌ترها عنوانی را که من پیشنهاد داده بودم می‌پسندیدند (قرار گرفتن تغییرش بده در پایان جمله). منطقی بود، چون هر‌چه سن من بالاتر می‌رود، بیشتر می‌فهمم وقتی جوان‌تر بودم، بیشتر تغییرات ایجاد می‌کردم یا چیزی را رها می‌کردم.
ناشران به‌صورت نرمال، یک کتاب را با عناوین مختلف به گروه‌های سنی مختلف نمی‌فروشند‌ اما متمایزسازی یک محصول برای طیف‌های سنی، جنسیت‌ها، مناطق یا صنایع راحت‌تر است وقتی آن محصول یک اپلیکیشن، وب‌سایت یا هر محصول دیجیتال دیگری باشد. شما می‌توانید قیف خود را با در نظر گرفتن‌ بخش‌‌بندی‌های مختلف مشتری، بهینه‌سازی کنید. برای بخش X متغیر A محصول شما بهتر است، در حالی که برای بخش Y متغیر B می‌تواند بهتر باشد. شما محصول و ارتباطات خود را به شیوه‌ای بهینه‌سازی می‌کنید که متغیرهای مختلف را با توجه به اینکه با کدام مشتریان سروکار دارید، نشان می‌دهد. مثلا برای جوان‌ترها می‌توانید ایموجی، استیکر و اصطلاحات عامیانه فضای مجازی پیشنهاد دهید و برای افرادی مثل من، جملات رسمی و ویرایش‌شده بنویسید.
از اینکه می‌فهمید همه‌چیز به هم مرتبط است، تعجب نکنید. به‌عنوان مثال، اشاره کردن به دکمه‌ای که نرخ پاسخ‌دهی را برای انگلیسی‌ زبان‌های بومی در شمال آمریکا افزایش می‌دهد، می‌تواند میزان درگیری انگلیسی زبان‌های غیربومی در اروپا را کم کند. اگر بخش‌بندی‌ها را نشناسید، ممکن است متوجه هیچ تغییری نشوید‌ چون در مجموع نرخ پاسخ‌دهی یکسان است. تا زمانی‌که پاسخ‌ها را نسنجید، متوجه این موضوع نخواهید شد.
می‌توانید «بهینه‌سازی نرخ تبدیل» (CRO) را با انجام «تحلیل هم‌گروهی» یا تحلیل کوهورت (Cohort) یک قدم جلوتر ببرید. کوهورت به گروهی از افراد می‌گویند که آنها را زیرنظر دارید تا رفتارهایشان را در طول زمان بررسی کنید. با تست دوبخشی، شما فقط بر یک فعالیت متمرکز می‌شوید. اما با تحلیل هم‌گروهی، بر یک رشته از فعالیت‌ها متمرکز می‌شوید. افرادی را که برای یک متغیر خاص ارزش مشترکی دارند، با هم دسته‌بندی می‌کنید‌ و سپس تحلیل می‌کنید جریان درگیری افراد با محصول شما در یک گروه چه تفاوتی با گروه دیگر دارد.
به‌عنوان مثال، می‌توانید بفهمید افرادی که در وبلاگ یا وب‌سایت شما هستند، از کجا آمده‌اند. می‌توانید گروه‌ها را با عناوین «جست‌وجوی گوگل، تبلیغات فیس‌بوک، به‌روزرسانی‌های توییتر‌ و لینک‌های مستقیم» تعریف کنید و سپس با استفاده از Google Analytics تحلیل کنید رفتارهای یک گروه چه تفاوتی با گروه‌های دیگر دارد. مثلا ممکن است بفهمید مشتریانی که محصول شما را از طریق جست‌وجوی گوگل پیدا کرده‌اند، بیشتر از آنهایی‌که در تبلیغ فیس‌بوک شما را دیده‌اند، وفادار هستند.
کسب‌وکارها با حجم انبوه داده‌هایی که در اختیار دارند، به‌راحتی می‌توانند در اعداد و ارقام گیر کنند و فقط بر آنچه سنجش‌پذیر و قابل بهینه‌سازی است، متمرکز شوند‌ اما به اوج رسیدن، حرکت در یک مسیر مستقیم رو به بالا نیست. اگر می‌خواهید هر تغییری که ایجاد می‌کنید در جهت پیشرفت باشد، هیچ‌گاه به نقطه اوج نخواهید رسید. گاهی لازم است یک پله به عقب برگردید تا بتوانید دو پله بالا بروید. بهینه‌سازی کل سفر را فدای اقدامات کوچک متعدد نکنید.


 
اشتراک‌گذاری در شبکه‌های اجتماعی