Evo zašto A/B testiranje (još uvek) nije za tebe

Iako nesumnjivo sjajan metod, A/B testiranje nije optimalno rešenje za startape u ranoj fazi razvoja.

Ivan Bjelajac - 14. Jun, 2017.

Kao prvo, A/B testiranje je sjajna stvar. Nećemo ni diskutovati o tome!

Sad kada smo to rekli, možemo reći i da veliki broj firmi ne treba da se zamara A/B testiranjem. Male firme koje pokušavaju da narastu, startapi u ranijim fazama i ostale mikro firme jednostavno nemaju dovoljno prometa i transakcija da precizno vrše A/B testove. Potreban je popriličan protok da bi se obezbedili precizni i merljivi rezultati.

Ukoliko dovoljan promet ne postoji još uvek, svakako možete optimizovati vaš sajt na osnovu podataka “iz publike”, ali A/B testovi neće biti od koristi još neko vreme i mogu proizvesti lažne podatke. Ali, hajde da vidimo šta možete učiniti nakon što priznate sami sebi da vaš sajt nije još u stadijumu za A/B testiranje.

A/B testiranje u ranim fazama SaaS kompanija

Vršenje A/B testa koji direktno upoređuje varijaciju sa trenutnim iskustvom dopušta vam da postavljate pitanja fokusirana na promene na vašem veb sajtu ili aplikaciji. Potom možete skupiti podatke u vezi sa uticajem te promene.

A/B testiranje dopušta pojedincima, timovima i kompanijama da pažljivo unose promene u korisničkom iskustvu i da prilikom toga skupljaju podatke o rezultatima te promene. To im dopušta da postavljaju hipoteze i da bolje shvate zašto određeni elementi korisničkog iskustva utiču na ponašanje korisnika. Sa druge strane, mogu da poruše te hipoteze. Njihovo mišljenje o najboljem iskustvu za zadati cilj može biti porušeno A/B testom.

To može biti ekstremno korisno kompaniji koja teži da donosi prave odluke zasnovane na podacima. Ali ključni sastojak A/B testiranja koje mnoge SaaS kompanije nemaju je: količina.

Količina prometa jednostavno ne postoji

Primetiti promenu od 20% u traženoj vrednosti, sa 90% sigurnosti ako se dogodi 3% baze korisnika zahteva 12000 korisnika po testu. Drugim rečima, taj A/B test zahteva 24000 korisnika da bi se proverile samo dve varijacije.

Nema sumnje da A/B testiranje može biti izuzetno korisno firmama koje žele da poboljšaju svoje stope konverzije. Ali, mnoge SaaS kompanije u ranim fazama jednostavno nemaju dovoljan promet da postignu statistički značajne rezultate u par dana ili nedelja. Za mnoge firme u ranim fazama dostizanje ovog reda veličine zahteva mesece ili kvartale, što je čitava večnost na sve kompetitivnijem tržištu.

Potrebno je imati dovoljno prometa u grupama koje testirate, rezultata i razlika među njima. Statistička pouzdanost vašeg eksperimenta bi trebalo da bude preko 95%. Na ovaj način možete biti sigurni da su vaši rezultati ispravni i da nisu nasumični.

Dakle, kao startap u ranoj fazi, ne bi trebalo da se oslanjate na kvantitativne već na kvalitativne podatke.

Kvantitativni podaci vs kvalitativni podaci

Kvalitativni podaci se ogledaju u opisima, a ne direktno u brojevima. To ih čini težim za analizu, jer prvo morate proći kroz sve te podatke, shvatiti ih, a potom ih “kodirati” i tek onda prevesti i analizirati. Kvantitativni podaci nam kažu da nešto ne valja, dok kvalitativni podaci odgovaraju na pitanje “Zašto ne valja?” Obe vrste su vrlo korisne, razlika je u tome šta iz njih možete izvući.

Na malim veličinama, intuicija i istraživanje nadjačavaju statističku analizu. Ali nije baš ni da statistička analiza nema primenu. Na većem redu veličine, vršenje velikih testova sa više promenljivih omogućava firmama poput Google-a i drugih da redovno potražuju marginalni dobitak od 1 do 5 odsto u korišćenju proizvoda, performansi i zaradi. Ali morate biti sposobni da dostignete taj red veličine, što nećete moći pre nego što vaš proizvod postane ekstremno popularan.

Načini za prikupljanje korisnih podataka bez velikog prometa ili mnogo korisnika

Treba da razgovarate sa ljudima. Još jednom! To što zapravo radite jeste ponavljanje MVP (Minimum Viable Product) procesa koji ste obavili pre nego što ste izbacili proizvod. Sećate se?

Sakupljanje povratnih informacija od korisnika je osnovni koncept Customer Developmenta kao i Lean Startapa.

Ali pitanje je, koje informacije prikupiti? — Stiv Blenk

Formiranje hipoteze

CRO proces bi trebalo da ima proverena saznanja zasnovana na pretpostavkama. Ukoliko ste pratili dobar proces, optimizacija konverzije je proces koji je sistematičan, ponovljiv i može se naučiti. Samo kada se ispravno vrši! Izvođenje testova bez kvalitetne hipoteze je traćenje vremena. Treba da izvršite pravilno istraživanje konverzije da biste otkrili u čemu je problem, a potom da vršite analizu da biste saznali koji su problemi, i naposletku treba da formirate hipotezu za ispravljanje problema na sajtu. Nakon što ste definisali vaš problem i postavili hipotezu, možete pristupiti kreiranju specifičnih varijanti split-testiranja.

Postarajte se da od Google Analyticsa dobijete korisne podatke

Pre nego što počnete sa radom na vašim podacima, pobrinite se da ste ove četiri stvari na Google Analyticsu pravilno definisali i postavili:

  1. Poslovni ciljevi
  2. Ciljevi vašeg vebsajta
  3. KPI-jeve
  4. Tražene vrednosti

Saznajte više o vašoj analitici

Morate pristupiti vašem testiranju i analitici sa problemom tako da možete pronaći rešenje u podacima. Na taj način možete prepoznati probleme i utvrditi koje aspekte morate izmeniti. Podaci vam neće reći kako konkretno da rešite probleme. Oni su samo polazna tačka u kojoj možete steći iskoristiv uvid. Bez podataka i bez sposobnosti da ih obradite, A/B testiranje je besmisleno.

Razgovarajte sa vašim korisnicima

Kao što rekoh, izuzev bivanja u toku sa stvarima koje se događaju, možda bi trebalo i da znate zašto se događaju. Intervjuisanje korisnika u vezi sa razlozima iza njihovih gledišta na cenu, revidiranje video klipa ljudi koji se upoznaju sa proizvodom i mišljenja u vezi sa dizajnom.

Možete jednostavno pronaći pet do deset ljudi koji predstavljaju vašu ciljnu grupu i koji nisu upoznati sa vašim sajtom. Dajte im da obavljaju neke zadatke na vašem sajtu i obratite pažnju na sledeće tri stavke:

Kvalitativne ankete

Najbolji način za prikupljanje kvalitativnih podataka od vaših korisnika je putem ankete. Vaš cilj je da otkrijete zašto vaši korisnici kupuju i zašto odlaze sa sajta bez obavljene kupovine. Možete takođe iskoristiti neke od alatki za anketiranje:

Pregledanje snimka korisničke sesije

Nisu vam potrebni milioni posetilaca da biste snimili korisničke sesije — ti snimci su praktično kvalitativni podaci. Koristite alatke poput Inspectlet, SessionCam ili Clicktale da biste snimili korisničke sesije i posmatrali vaše stvarne korisnike u interakciji sa vašim sajtom. Pregledanje tih snimaka je ekstremno korisno za imanje uvida u to kako ljudi popunjavaju obrasce na vašem sajtu. Možete uspostaviti praćenje događaja na Google Analyticsu, ali to vam neće obezbediti nivo uvida koji vam pružaju snimci korisničkih sesija.

Koristite segmentaciju za dobijanje iskoristivih podataka

Po prirodi stvari, veliki broj podataka koje dobijete su beskorisni u stvarnim situacijama. Broj poseta vašem sajtu vam zapravo ne daje iskoristive podatke. Da biste dobili podatke iskoristive pri testiranju, potrebno je da segmentirate podatke koje imate.

Nemojte ubeležavati određene veličine (čak i one najhajpovanije ili vaš omiljeni KPI) ukoliko ih niste prethodno segmentirali u nekoliko nivoa. To je jedini pravi način da dobijete značajan, duboki uvid u to šta taj podatak zapravo krije i da vidite koje vredne, iskoristive informacije sadrži.

Avinaš Kaušik je osmislio jednostavnu strategiju za segmetiranje vaših poseta.

Zaključak

Razlog za sprovođenje dubinske analize jeste da biste jasno shvatili ono što se događa i pronašli polja u kojima će A/B testiranje doneti najbolje rezultate! Vaše vreme će biti bolje utrošeno ukoliko ga posvetite analitici, gde možete postaviti praćenje ciljeva, stvarati marketinške kampanje i razvijati ponudu sadržaja i resurse. Koncentrišite se, za sada, na razvijanje vaše firme. Naučite više o vašim mušterijama, učinite ih srećnim. A/B testiranje će doći na red kasnije, kada budete imali više da ponudite i kada vam promet bude značajno porastao.


Ovaj članak je prvobitno objavljen na MVP Workshop blogu i preveden je i objavljen na Startitu uz dozvolu autora.