كيف يتم التعامل مع البيانات النوعية والبيانات الكمية للفوز باختبارات أ / ب؟

إذا قمنا بتقسيمها إلى مفاهيمها الأساسية ، فإن CRO لا تتعلق بالتحويلات بقدر ما تتعلق بفهم جمهورك وكيفية تفاعلهم مع موقع الويب الخاص بك.

كلما فهمتهم أكثر ، وماذا يريدون وكيف يتصرفون على موقعك ، أفضل تجربة للعملاء والعروض التي يمكنك تقديمها.

هذا يعني أن هدفنا الأساسي كمختبرين هو اكتشاف أكبر قدر ممكن من المعلومات . كلما زادت البيانات المتوفرة لدينا ، كان بإمكاننا التخطيط بشكل أفضل للاختبارات ومحاولة رؤية زيادة في النتائج.

المشكلة؟

لسنا دائمًا رائعين في جمع هذه البيانات أو فهمها. ربما لا نعرف الأدوات التي يجب استخدامها ، أو العمليات للعثور على المعلومات ، أو ربما لا نقوم بالتحليل والحصول على رؤى دقيقة ، إما من نقص الخبرة أو ما هو أسوأ ، مضيفًا تحيزنا الخاص الذي يفسد النتائج.

هذا ما سنقوم بتغطيته في دليل اليوم: كيفية جمع المعلومات عن جمهورك وفهمها واستخدامها. سوف نتعمق أيضًا ونلقي نظرة على المختبرين الآخرين وعملياتهم حتى تتمكن من استخلاص المزيد من الأفكار والرؤى لاختباراتك الجديدة.

استمر في القراءة لمعرفة المزيد ، أو انقر هنا لمعرفة "كيفية استخدام البيانات لدفع اختبارات A / B الفائزة".

عندما يتعلق الأمر باختبار واكتشاف المعلومات الخاصة بموقعك أو تطبيقك ، فهناك نوعان من البيانات التي نريد الاطلاع عليها.

يمكن أن تكون أمثلة التحليل الكمي للبيانات:

• قياس حركة المرور إلى الصفحة
• معدل ارتداد تلك الحركة
• نسبة النقر إلى الظهور
• معدل المشتركين
• معدل المبيعات
• متوسط ​​قيمة البيع.

ستبدأ معظم برامج الاختبار بالتحليل الفني للحصول على بيانات حول ما يعمل أو معطل على موقع ويب ، ثم تحليل كمي للحصول على خط أساس لكيفية أداء الموقع حاليًا ، قبل الانتقال إلى التحليل النوعي.

أمثلة على البيانات النوعية

• بحث المستخدم
• تمرير الخرائط
• انقر فوق التتبع
• رسم الخرائط الحرارية
• الدراسات الاستقصائية.

الهدف هو ببساطة الحصول على فهم أفضل للجمهور وكيفية تفاعلهم ، حتى نتمكن من تحديد المشكلات المحتملة في استخدام الموقع ، أو معرفة أي مشكلات خارجية قد تؤثر على إجراءاتهم في الموقع.

على سبيل المثال ، على الرغم من أننا نعلم أن CTA لا تحصل على العديد من النقرات ، إلا أنه من خلال مقابلات العملاء فقط اكتشفنا أن اللغة ليست واضحة أو لا تلقى صدى لدى الجمهور.

ما هي الطريقة الصحيحة لاستخدام البيانات في اختبار A / B؟

على الرغم من أنه يبدو أننا نتتبع فقط أحداث تحويل معينة أو نراقب سلوك المستخدم ، فإن الهدف هو الجمع بين البيانات الكمية والنوعية . ربما للعثور على أخطاء فنية أو مشكلات مشتركة ، ولكن من الناحية المثالية ، نقوم بدمجها حتى نتمكن من تثقيف أنفسنا واكتساب رؤية أكثر شمولية لجمهورنا.

نحن لا نريد فقط معلومات فورية أيضًا. نريد معرفة سبب حدوث الأشياء ثم اتخاذ خطوة أخرى إلى الأمام للعثور على السبب الجذري.

لنفترض أننا نجري بحثًا كميًا ونلاحظ أن معدل التحويل في الصفحة منخفض. هل العرض أو المنتج غير مرغوب فيه؟ أم أننا بحاجة إلى تحسين العملية؟

نقوم بعد ذلك بتشغيل خريطة التمثيل اللوني على الصفحة المقصودة ونرى أن غالبية الجمهور لا ينقرون على عبارة معينة للحث على اتخاذ إجراء ، وبالتالي يمكننا أن نفترض السبب. ربما اللغة غير واضحة؟

ولكن بعد ذلك ، عند فحص أعمق ، نرى أنه بالنسبة لبعض الأجهزة يكون ببساطة خارج الشاشة ، بينما في أجهزة أخرى ، لا يظهر بما يكفي حتى يكون واضحًا أنه زر يجب الضغط عليه.

• إذا كان كل ما نظرنا إليه هو البيانات النوعية ، فسنعتقد أنها نسبة نقر إلى ظهور منخفضة.
• إذا كان كل ما نظرنا إليه هو البيانات النوعية ، فقد نفترض أن الأشخاص لا ينقرون.

ولكن من خلال الجمع بينهما ، يمكننا أن نرى أعمق بكثير. (هذه هي الطريقة التي نفهم بها البيانات في اختبار A / B.)

المصطلح القديم صحيح في أن "ما يتم قياسه يتم إدارته". المفتاح ، بالطبع ، هو التأكد من أننا لا نتخذ قرارات بناءً على مجموعات بيانات محدودة أو معيبة ، لذلك ننظر دائمًا في مصادر البيانات المتعددة.

سيساعدك تعلم الإبطاء ، والسؤال عن السبب ، والسماح للبيانات بالغرق في أن تصبح مختبِرًا أفضل وحاليًا للمشكلات.

بدلاً من محاولة العثور على الإجابة على الفور ، اسأل نفسك عما إذا كان لديك معلومات كافية:

• هل يعاني المستخدمون لديك من مشكلة يمكن إصلاحها بسهولة (زر معطل أو CTA ضعيف) أم يمكن أن يكون هناك المزيد من المشكلات التي يمكن تحسينها أيضًا؟
• هل لديك تحيز متأصل أو خبرة سابقة تؤثر على أفكارك الأولية؟
• هل يمكنك معرفة المزيد عن جمهورك أولاً؟

ماذا لو نظرت بشكل أعمق في قضية الحث على الشراء والتخطيط هذه ، وجدت أن غالبية جمهورك يستخدم أجهزة محمولة قديمة ذات دقة شاشة وسرعات تحميل مختلفة؟ قد يكون السبب أنهم يفتقدون معظم المحتوى والتفاعلات الخاصة بك وليس فقط CTA وصفحات المبيعات الخاصة بك. حتى محتوى الوسائط الاجتماعية والمدونة الخاصة بك يمكن أن يتأثر!

تعمق مرة أخرى. لماذا لديهم هذه الأجهزة؟ ألا يستطيعون تحمل تكلفة جهاز أغلى؟ أليس من المهم بالنسبة لهم؟ إذا لم يكن كذلك ، فما هو إذن؟

لا تحاول فقط اتخاذ جميع قراراتك بناءً على ما لديك حتى الآن. خذ وقتك وفكر وتعمق أكثر مع أي نتيجة تحصل عليها. ابحث عن سبب ذلك.

يجب تجنب الأخطاء الكبيرة عند جمع البيانات وتحليلها

الآن ، لا تقلق إذا كنت من نوع المختبرين الذين يحاولون العثور على نظرة ثاقبة فورية من بحثهم الأولي لأنك لست وحدك في هذا الأمر.

هذه مجرد واحدة من عدد قليل من المشكلات المتكررة التي يواجهها معظم الأشخاص عند محاولة جمع بياناتهم أو فهمها ...

المشكلة رقم 1: جمع البيانات لإثبات الرأي

هل تستخدم البيانات لاكتشاف رؤى جديدة؟ أم أنك تستخدم البيانات للتحقق من صحة الأفكار الحالية؟

لا بأس في استخدام البيانات للتحقق من فكرة. هذا هو هدف الفرضية. لدينا فكرة عن الخطأ وكيفية إصلاحه ، ولذا نحاول إثبات ذلك من خلال الاختبار ونتائجه.

لكن لا تنس الطريقة العلمية! لا يمكننا أن نتعلق بأفكارنا وآرائنا. نحتاج إلى الوثوق بالبيانات وإيجاد السبب الحقيقي. هذا ما نهتم به. لا بأس أن تكون "مخطئًا" في الفرضية. إن اكتشاف رؤية مختلفة من اختبار فاشل يعلمك ببساطة المزيد عن جمهورك!

فقط كن حذرًا من البيانات التي تخبرك بشيء واحد ، لكنك تحرفها لمحاولة إثبات شيء آخر.

المشكلة رقم 2: رعاية التحليل دون توضيح المشكلة بوضوح

من المشكلات الشائعة في الاختبار (وحتى معظم الشركات) أن الشخص الذي يحلل البيانات ليس دائمًا هو المحلل.

بدلاً من ذلك ، يتم استخدام المحلل كوسيط لسحب المعلومات إلى التقارير لطرف ثالث يحاول حل مشكلة ما. (لقد أصبحوا لوحة عدادات مجيدة تقريبًا).

هذا مثال:

• رئيسك لديه هدف ومشكلة.
• لديهم فكرة تقريبية عن الحل والسبب ، لذا اطلب من المحلل بيانات عن XYZ ، ولكن بدون سياق. إنهم يحاولون معرفة ما إذا كانت هذه المشكلة والحل قد ينجحان.
• عادة ، هناك ذهاب وإياب لطلب المزيد من البيانات. هذا الطلب يدعم الفكرة زوراً ، أو أنه لم يحدث أي تفاهم آخر.
• وهكذا يتم طرح اختبارات أو أفكار جديدة ، وتبقى المشكلة دون حل.

ليس رائعًا ، أليس كذلك؟

لكن تخيل لو جاء المدير إلى المحلل مع سياق المشكلة المعينة وعملوا معًا لتوضيح المشكلة والعثور على السبب الجذري؟

يمكن أن يؤدي ذلك إلى تسريع عملية الفهم والاختبارات الجديدة لحلها.

المشكلة رقم 3: الاعتماد على مصدر واحد للبيانات دون الانغماس في وجهات نظر مختلفة

لقد ألمحنا إلى هذا من قبل ، ولكن من المهم جدًا عدم الالتزام بمصدر واحد للبيانات فقط ، لأنك تحد بشدة من فهمك واختبار الحلول والأفكار المحتملة.

كلما زادت المصادر لديك ، كان من الأفضل لك رسم صورة لما يحدث ولماذا.

نعم ، يستغرق الأمر وقتًا ولكن تحسين معدل التحويل يدور حول فهم هذا الجمهور. قم بالعمل وتعلم بقدر ما تستطيع.

إن كنت تعرف المزيد، كلما كان ذلك أفضل!

عبر GIPHY

المشكلة رقم 4: عدم إعطاء الأولوية للتفكير النقدي كمهارة

أدمغتنا غريبة. نحن نعمل على نظام من الدوافع الأساسية والدوافع العاطفية والتجارب السابقة. الهدف هو إبقائنا أحياء وإنجاب واتخاذ قرارات دون إهدار الكثير من الطاقة.

بمعرفة ذلك ، من الذكاء دائمًا للمختبرين (وأي صاحب عمل) أن يكونوا على دراية بعملية التفكير النقدي والتحيزات المعرفية وكيف تؤثر على فهمنا وقراراتنا ...

ما هو التفكير النقدي؟

التفكير النقدي هو القدرة على تحليل الحقائق والبيانات لتشكيل حكم دون تحيز .

هناك المئات من الأشياء المختلفة التي تدخل في عملية صنع القرار لدينا ، أحدها هو انحياز القرارات بناءً على تجارب الحياة السابقة أو المواقف. نسمي هذه التحيزات المعرفية .

أولئك الذين يمارسون التفكير النقدي يفهمون هذا ، لذلك يستخدمون عملية محددة لمساعدتهم على إصدار أحكام غير متحيزة:

• تحديد . ابحث عن المشكلة.
• اجمع البيانات . تأكد من استخدام مصادر متعددة. تأكد من عدم إضافة تحيزات لاختيار المصدر.
• التحليل . هل يمكنك الوثوق بهذه المصادر؟ هل هم موثوقون؟ هل مجموعة البيانات كبيرة بما يكفي لتكون صحيحة؟
• تفسير + استدلال. ما هي الأنماط التي يمكنك رؤيتها من هذه البيانات؟ ما الذي يخبرك به حتى الآن؟ ما هو الأكثر أهمية؟ هل ترى علاقة سببية أو ارتباط؟
• شرح . لماذا تظن ان هذا يحدث؟
• التنظيم الذاتي . هل لديك أي تحيزات معرفية تؤثر على هذا التحليل واختبار الفرضيات؟ هل تضع افتراضات غير صحيحة؟ اعمل من خلالهم لتتأكد
• الانفتاح وحل المشكلات. مع فهمك الحالي ، كيف يمكنك حل هذه المشكلة؟ هل تحتاج إلى معرفة المزيد أولاً؟

كما ترى ، فإن وجود عملية لتحليل هذه المعلومات أمر مهم للغاية. على الرغم من ذلك ، يجب أن تبحث في أي تحيزات لاشعورية يمكن أن تؤثر على كيفية اتخاذك للقرارات وتحليل هذه البيانات.

ما هي التحيزات المعرفية؟

التحيزات المعرفية هي رموز خداع لأدمغتنا لتوفير الطاقة في القرارات باستخدام التعرف على الأنماط. القضية بالطبع هي أن تحيزاتنا ليست صحيحة دائمًا ويمكن أن تؤثر على قراراتنا وأفعالنا ، إيجابًا أو سلبيًا. Ik هذا ملحوظ بشكل خاص عندما يتعلق الأمر بالاختبار.

وهنا بعض الأمثلة:

• التحيز الإجرائي: الميل إلى الرغبة في اتخاذ إجراء حتى عندما تشير البيانات إلى أنه لا يمكن إجراء تحسين؟
• ترسيخ التحيز: الميل إلى بناء القرارات على المعلومات المكتسبة سابقًا.
• انحياز السلطة: الميل إلى إعطاء قيمة أعلى للآراء من مواقع السلطة.

هل يمكنك أن ترى كيف يمكن أن تؤثر هذه على تحليل البيانات واختبار الأفكار؟

هناك الكثير من هذه الأشياء التي يمكنني تغطيتها هنا (يقدر البعض بحوالي 150 في المجموع). أوصي بشدة أن تقوم بعمل قائمة خاصة بك. ثم يمكنك محاولة بناء عملية تفكير نقدي لتحليل بياناتك كما وصفنا من قبل و "قائمة مراجعة" لأي تحيزات محتملة قد تؤثر على تحليلك.

المسألة رقم 5: أخذ الارتباط على أنه سبب

يكاد هذا يعود إلى التحيز المعرفي ، حيث نرى أنماطًا في البيانات قد تكون موجودة ، ولكنها قد لا تكون سبب النتيجة.

تحدث ببساطة معًا في كثير من الأحيان إما كمنتج ثانوي أو مجرد مصادفة.

على سبيل المثال ، لا يعمل معظم راكبي الأمواج في منتصف الصباح وسيتصفحون بدلاً من ذلك. (عندما يكون لديك أفضل رياح بحرية للأمواج).

بالنسبة إلى الشخص الذي يشاهد على الشاطئ ، قد تفترض أن هؤلاء الأشخاص ربما لم يكن لديهم وظائف أو أنهم مرضى. ومع ذلك ، بعد إجراء محادثات متعددة في المحيط ، أصبح من الواضح أن كل شخص تقريبًا يعمل في رياضة ركوب الأمواج لأنفسهم وبالتالي يمكنهم اختيار ساعاتهم واختيارها.

بدأ بعضهم الآن في تصفح الإنترنت لأن لديهم هذه المرونة ووقت الفراغ (الارتباط) ، لكن آخرين اختاروا المهن التي يمكن أن يتمتعوا فيها بهذه المرونة حتى يتمكنوا من ركوب الأمواج (السببية).

رائع ، أليس كذلك؟

لكن الحقيقة هي أنه حتى بعد البحث الأولي و "المقابلات" ، سيكون من السهل الحصول على رؤية غير دقيقة لمجموعة البيانات. تأكد من إلقاء نظرة على بياناتك بعقل متفتح والغوص بشكل أعمق للعثور على السبب الحقيقي.

طرق مختلفة لجمع البيانات النوعية والكمية

ما الذي يمكننا استخدامه لجمع هذه البيانات؟

لجمع البيانات الكمية ، عادة ما ننظر إلى نوعين من الأدوات:

• أداة تحليلات مثل Google Analytics أو مزود طرف ثالث للحصول على النتائج الحالية.
• أداة اختبار A / B مثل Convert Experiences بحيث يمكنك قياس التغيير العددي في الأداء بين التباينات وعناصر التحكم.

كلاهما سيعطينا بيانات رقمية خام.

(راجع دليل المقارنة الخاص بنا لأدوات اختبار A / B هنا حتى تتمكن من معرفة الأفضل بالنسبة لك.)

بالنسبة للبحث النوعي ، فإننا نبحث في اختيار أوسع ، حيث إننا نختبر عدة عناصر مختلفة:

• رسم الخرائط الحرارية
• انقر فوق التتبع
• تتبع العين
• تسجيلات المستخدم
• المسوحات في الموقع ، و
• استطلاعات العملاء المباشرة.

يميل تتبع العين إلى أن يكون الأداة الأعلى تكلفة نظرًا لمتطلبات الأجهزة الخاصة به. هناك بعض خيارات البرامج المتاحة للتثبيت والاستخدام داخليًا ، بينما يتمثل الخيار الآخر في توظيف شركات خارجية تقوم بإعداد نظارات أو كاميرات لتتبع العين للتحقق من حركات العين والمواقع ذات الأهمية.

لرسم الخرائط الحرارية وتتبع النقرات وتسجيل المستخدم الأساسي والاستطلاعات ، يمكنك استخدام أداة منخفضة التكلفة مثل Hotjar تجمع بين كل هذه الميزات. يساعدك على اكتشاف المشكلات الشائعة والحصول على إحصاءات فورية تقريبًا دون الحاجة إلى الحصول على مساعدة من جهة خارجية ، كما يؤدي * تقريبًا * وظائف مماثلة لتتبع العين.

أخيرًا ، يمكنك أيضًا أخذ تسجيل المستخدم خطوة إلى الأمام وتوظيف الوكالات التي ستجلب مستخدمين مستقلين لاستخدام صفحة الويب الخاصة بك ، وحملهم على أداء مهام محددة ، ثم تسجيل تفاعلاتهم وتمرير المعلومات إليك.

ملاحظة جانبية:

على الرغم من أننا لم ندرجها في قسم الأدوات الكمية ، إلا أنه يوجد أحيانًا تداخل حيث يمكن استخدام الأدوات النوعية للحصول على البيانات الكمية.

يمكنك استخدام أداة استطلاع وقياس ردود X عدد المشاركين للحصول على قيمة رقمية لأفكارهم في نسخة المبيعات وكيف يعتقدون أنهم سيستجيبون لها.

ومع ذلك ... هذا لا يزال ذاتيًا لأن ما يقوله الناس ليس دائمًا ما يفعلونه .

من الجيد دائمًا قياس تعليقاتهم على إجراء ما (ما يقولون) ثم قياس الاستجابة الفعلية للإجراء أيضًا (الإجراء الذي يقومون به). في بعض الأحيان يمكن أن يمنحك هذا فكرة أعمق عما يجب تقديمه وكيفية تأطير ذلك.

كيف تقترب الايجابيات من التجارب من البيانات النوعية والكمية؟

هل تريد أن تعرف كيف يجمع المحترفون البيانات ويستخدمونها؟ أجرينا مؤخرًا مقابلات مع 7 متخصصين في CRO كجزء من سلسلة "Think like a CRO pro".

لن أفسد مقابلاتهم لأنني أوصي بشدة بقراءتها ، ومع ذلك ، فقد قمت بسحب بعض الحكايات المثيرة للاهتمام حول كيفية تفكيرهم في البيانات أدناه ، بالإضافة إلى أفكاري حول أساليبهم ...

Gursimran Gurjal - OptiPhoenix

تعد البيانات الكمية جيدة بشكل عام للكشف عن ثغرات التحويل الأساسية لفهم المكان الذي يسقط فيه المستخدمون ، وكيفية أداء القنوات المختلفة ، والردود الشائعة من الأجهزة المختلفة ، ومكان خروج المستخدمين من موقع الويب ، وما إلى ذلك ، بينما تساعدنا البيانات النوعية في الكشف عن تفاصيل سبب تراجع المستخدمين أو اتخاذ إجراء معين .

إن الجمع بين "أين + لماذا" جنبًا إلى جنب مع التجربة يرسم صورة كاملة لسلوك المستخدم.

تتطلب دراسة البيانات النوعية مثل خرائط الحرارة أو تسجيلات الجلسات أو نتائج المسح أو إجراء اختبار قابلية الاستخدام مزيدًا من الوقت لإنشاء نمط ذي دلالة إحصائية بينما البيانات الكمية أسهل في التحليل ، وعندما تريد جمع رؤى أكثر تفصيلاً وذات مغزى ، فمن المهم لا تعتمد فقط على GA أو Hotjar لجمع البيانات ولكن بدلاً من ذلك دفع الأحداث المخصصة الخاصة بك لجعل البيانات أكثر وضوحًا مثل وضع علامات على التسجيل لجميع المستخدمين الذين حصلوا على خطأ في عملية السحب ، وإرسال حدث إلى GA من أجل الفلتر أو يتم استخدام خيار الفرز أكثر من غيره ، وما إلى ذلك ، حتى تتمكن من تحقيق أقصى استفادة من البيانات المتاحة .

تعد إضافة علامات مخصصة للحصول على سطر من البيانات فكرة رائعة. وبهذه الطريقة ، لا يمكنك فقط رؤية المشكلة وأين أدت إليها ، ولكن أيضًا من أين نشأت ومصدر حركة المرور.

هالي كاربنتر ، كبير خبراء استراتيجيات CRO

ذكّر نفسك باستمرار بأننا جميعًا لدينا تحيزات. اعلم أن وظيفتك هي الإبلاغ بصدق ودقة قدر الإمكان. النزاهة هي قيمة أساسية يجب أن تبقى عالياً.

أيضًا ، تحقق جيدًا من عملك أو اطلب من شخص آخر مراجعته إذا لم تكن متأكدًا من شيء ما. يمكن أن تكون العين الثانية مفيدة للغاية في بعض الأحيان ، خاصة إذا كنت تحدق في شيء ما لساعات أو أيام أو أسابيع.

أخذت ذات مرة دورة أنثروبولوجيا حيث كان علينا نسخ التسجيلات. وشدد البروفيسور على أنه من الأهمية بمكان إبقاء التدوينات صحيحة للشخص الذي نطق الكلمات. لم نكن حتى نفعل شيئًا بسيطًا مثل قص كلمة واحدة من حرفين أو تصحيح خطأ نحوي صغير.

لقد عقدت هذا الدرس معي حتى يومنا هذا وقمت بتطبيقه على تحليل البيانات ... وخاصة تسجيلات اختبار المستخدم. من المهم أن تحافظ على تحليلك صحيحًا للبيانات الأصلية قدر الإمكان

يعد وجود عيون متعددة على البحث والنتائج طريقة رائعة لعدم تفويت أي مشكلات وإزالة التحيزات المحتملة والحصول على وجهات نظر مختلفة. يمكن أن يؤدي هذا غالبًا إلى رؤى قد يفوتها أحد المختبرين.

ريشي روات - التجارة غير الاحتكاكية

آرائي حول البيانات الكمية:

البيانات هي البيانات. لا تحدق لفهم الأمر. لا تكن مرتبطًا عاطفياً به. اذكر فرضيتك قبل أن يبدأ جمع البيانات. إذا دحضت البيانات غرائزك ، فأعد تصميم اختبار جديد وابدأ تشغيله. البيانات هي البيانات. احترمه.

آرائي حول البيانات النوعية:

لدينا رأي مثير للجدل حول هذا الموضوع. نحن لا نؤمن بأبحاث المستخدم النهائي ، وهذا يعني أنني لا أتحدث مع الأشخاص الذين اشتروا المنتج. ليس الأمر أنني لا أعتقد أن هذا النوع من البحث مهم ، إنه كذلك ؛ إنها باهظة الثمن فقط. أفضل الحصول على جميع بياناتي النوعية من مؤسس أو مخترع المنتج الذي أعمل عليه.

عندما تكون تجربة المستخدم للمشتري النهائي مجرد لقطة لعملية شراء واحدة تم إجراؤها في تلك اللحظة ، يكون لدى المخترع سياق حول الرحلة بأكملها. أريد أن أحصل على "شعوري" الكمي من المؤسس ، فالمؤسس / المخترع لديه الكثير من المعرفة المؤسسية التي ستجعل رأسك تدور. كل ما في الأمر أنهم كانوا في "المنتصف" لوقت طويل حتى أنهم لا يعرفون من أين يبدؤون. هذا هو المكان الذي تلعب فيه مهارات طرح الأسئلة للمحسن. المحسن يساعد المنشئ في الرؤية الخارجية. أنا أضع قيمة كبيرة لهذا النوع من البيانات النوعية

الآن ، هذه فكرة مثيرة للاهتمام ...

نميل في CRO إلى التركيز على المستخدم لفهم رحلة العميل. المشكلة هي أن العملاء في بعض الأحيان لا يعرفون ما هو الخطأ أو كيفية التعبير عنه.

وبالمثل ، ومع ذلك ، يمكن لصاحب العمل معرفة المنتج من الداخل إلى الخارج ولكنه يكون فقيرًا في توصيله. بالنسبة لهم ، هذا واضح لأن لديهم كل الخبرة ، ولكن بالنسبة للعميل ، يمكن أن تكون هذه الرسالة مفقودة. في عالم مثالي ، إذا كنت تجري اختبارات لشركة أخرى ، فأنت تريد التحدث إلى كل من الجمهور والمالك.

إذا واجهتك مشكلة في الوقت أو الموارد ، فتحدث إلى صاحب العمل. كما يقول ريشي ، غالبًا ما يكون لديهم كل هذه البصيرة التي يمكن سحبها. تتمثل مهمتنا كمختبرين بعد ذلك في العثور على الأماكن المفقودة وكيف يمكن أن تتواصل مع العميل.

سينا فاك - دعاة التحويل

الحقيقة هي أن جميع البيانات لها تحيز مدمج فيها.

كل شيء بدءًا من كيفية جمع البيانات ، إلى بيانات العينة المستخدمة للتحليل ، إلى الشخص الذي يقوم بمراجعة البيانات وتشغيل التحليل - هناك عنصر تحيز لا يمكننا التحكم فيه بشكل كامل.

لن تمنحك البيانات وحدها القصة الكاملة. سوف يمنحك فقط نقطة بداية لفهم جزء من القصة ورسم الأفكار. الطريقة الوحيدة لمعالجة البيانات بطريقة تحكي قصة غير متحيزة هي إخضاعها للاختبار وإجراء تجربة معها

هذا يرتبط بما قلناه سابقًا.

كل اختبار وبحث له تحيز. يمكننا محاولة نفي بعض ذلك من خلال التفكير النقدي وعمليات التحليل ، ولكن لا يزال من الممكن أن تتسلل.

اختبر الفكرة واكتشف واختبر المزيد. لا تنس الطريقة العلمية. يمكننا "الفشل إلى الأمام" والعثور على الإجابات التي نبحث عنها أيضًا.

جاكوب لينوسكي - GoodUI

بشكل عام ، كلما زادت المقاييس المتماسكة لدينا ، أصبحت تجاربنا أكثر موثوقية وجديرة بالثقة.

عندما يتعلق الأمر بمقارنة نتائج اختبار A / B ، فهناك عدة طرق يمكننا القيام بذلك:

● مقارنة مقاييس متعددة من نفس التجربة (مثل اتساق التأثير عبر الإضافات إلى سلة التسوق والمبيعات والإيرادات والمشتريات المرتجعة وما إلى ذلك)

● مقارنة البيانات التاريخية عبر تجارب منفصلة (على سبيل المثال ، تم إجراء اتساق التأثير بين تجربتين منفصلتين على موقعين إلكترونيين منفصلين

لا تنس أن تحليل البيانات الكمية والنوعية لا يقل أهمية عن اختبار ما بعد الاختبار كما هو الحال في تخطيطنا الأولي.

إن وجود عملية قائمة للتحقق من خلال المشكلات والمواقع المحتملة لـ "لحظة آها" يمكن أن يعطي نتائج أفضل بكثير من نظرة أولية.

(في بعض الأحيان تكون البيانات موجودة هناك ونفتقدها).

عدن بيداني - نسخة الضوء الأخضر

أحاول العمل قدر الإمكان مع كلا النوعين من البيانات جنبًا إلى جنب أمامي. بالنسبة لي ، هذا يساعد على موازنة الصورة الكاملة.

تعطي البيانات النوعية العمق والمعنى للكمية ، وتوفر البيانات الكمية الاتجاه العام لعناصر البيانات النوعية التي يجب أن تعطى أكثر من ثمانية.

إن وجود مجموعتي البيانات معًا بحيث يمكنك المقارنة والتباين هو أفضل طريقة لتحليل وفهم ما يحدث.

يرتبط هذا بما قلناه من قبل حول وجود مجموعة بيانات واحدة للعثور على المشكلات والحلول. إذا كان كل ما لدينا واحدًا ، فسنصل إلى استنتاجات مختلفة. استخدم كلاهما لمحاولة إيجاد هذا الارتباط.

شيفا مانجوناث - سبيرو

الطريقة التي أحاول بها التعامل مع تحليل Quant + Qual تشبه استجواب الشرطة. هناك دافع أو فرضية ، لكن لا يمكنك افتراض أن الشخص الذي جلبته للاستجواب بريء أو مذنب. يُفترض أن الشخص الذي تم إحضاره (بيانات التجربة) بريء ، ومن وظيفتك إثبات مذنب بما لا يدع مجالاً للشك (الأهمية الإحصائية).

لذا يمكنك إلقاء نظرة على البيانات بنفسك ، وإجراء مقابلات مع أشخاص آخرين (بيانات نوعية) ، وربما إلقاء نظرة على كشوف الحسابات المصرفية أو إلقاء نظرة على سجلات وقت دخول / خروج شخص ما للعمل لمعرفة ما إذا كانت عذره قد تحقق (البيانات الكمية).

ربما ليس أفضل مثال ، لكن عليك دائمًا التعامل معه بموضوعية. ودعم مصادر البيانات (مثل خرائط الحرارة مع استطلاعات الرأي على الموقع ببيانات كمية) للتوصل إلى قصة ، ومعرفة ما إذا كان ذلك يدعم أو لا يدعم الفرضية. مع الدقة الإحصائية ، من الواضح أن ذ!

أنا أحب هذا القياس ويذكرني بشيرلوك هولمز والعلاقات الصحيحة في الاختبار.

ليس لدي بيانات حتى الآن. (أو لا يكفي). من الخطأ الكبير التنظير قبل أن يكون لدى المرء بيانات. يبدأ المرء دون وعي في تحريف الحقائق لتناسب النظريات ، بدلاً من النظريات لتناسب الحقائق.

بصفتنا مجربين ، نحتاج إلى إزالة جميع التحيزات. إما من ذوي الخبرة أو ببساطة لأننا توصلنا إلى الفرضية. بدلاً من ذلك ، نحتاج إلى التعامل مع النتائج بإنصاف وإيجاد الحقيقة.

هدفنا ليس أن نكون على حق. إنه للعثور على ما يصلح حتى نتمكن من البناء عليه!

ما هي أفضل طريقة لاستخدام البيانات في تصميم الاختبارات الفائزة؟

إذا كنت تختبر لفترة من الوقت ، فأنت تعلم أن معظم الاختبارات لا تخلق فائزين. في الواقع ، سيفوز حوالي 3/10 فقط ، بينما يعتبر الآخرون فاشلين.

ومع ذلك ، فإن مصطلحات الفوز أو الفشل ليست رائعة. نعم ، لم يوفر الاختبار رفعًا ، لكنه يعطينا بيانات يمكننا استخدامها للتحسين ومعرفة السبب.

تذكر:

نحن لا نركز على اختبار واحد. حتى لو فاز ، ما زلنا نستخدم عملية تكرارية للتعلم والتحسينات. نحن نختبر ونتعلم ونفترض ونختبر مرة أخرى.

يساعدنا هذا في إنشاء حلقة ملاحظات من البيانات الجديدة إما لدعم الأفكار أو دحضها.

• نحن نختبر ونفشل ولكننا نتعلم.
• نحن نأخذ هذه الدروس ونختبرها حتى نفوز ونحصل على تحسن.
• ثم نواصل الاختبار حتى نصل إلى الحد الأقصى المحلي ولا يمكننا تحسينه أكثر من ذلك.

لا تركز على محاولة الحصول على فائز على الفور. هذا هو المسار السريع للادعاء بأن CRO لا يعمل من أجلك. بدلاً من ذلك ، قم بتحويل البيانات إلى رؤى وتعلم المزيد في كل مرة.

قد تكون قريبًا من فائز ولكنه يحتاج فقط إلى تنفيذ أفضل.

أو قد تكون قريبًا من لحظة آها يمكنها تغيير رسائلك بالكامل بشكل جذري. التزم بها واستمر في التعلم مع كل اختبار!

قم ببناء حلقة الملاحظات هذه في عملية معالجة البيانات والاختبار.

لكن الأهم؟ تأكد من أنه يمكنك الوصول إلى البيانات التي تجمعها وفهمها ، وأنك تستخدم تلك البيانات بشكل صحيح وأنه يمكنك الوثوق بها! ...

كيفية تحسين الوصول إلى البيانات في المنظمة

من الجيد جدًا وجود بيانات للعمل معها ، ولكن لا فائدة منها إذا لم تتمكن من الوصول إليها للتعلم منها!

غالبًا ما تواجه بعض الشركات عنق الزجاجة في تدفق بياناتها من خلال الوصول فقط إلى بياناتها عبر عالم البيانات الخاص بها. إذا كنت بحاجة إلى المعلومات ، فأنت إما بحاجة إلى الوصول إليها أو العمل معها مباشرة ، مما يتسبب في حدوث مشكلات.

هناك طريقة رائعة لتجاوز ذلك وهي إضفاء الطابع الديمقراطي على الوصول إلى البيانات:

• السماح بالوصول إلى البيانات لأدوات الدور الفردي التقليدية (GA ، إلخ) للفرق التي تحتاج إليها ،
• انظر إلى استخدام أدوات الخدمة الذاتية التي تحتوي على إمكانات إعداد تقارير البيانات التي يمكن للفريق بأكمله استخدامها ،
• بناء مستودع تعليمي مركزي لنتائج البيانات. يسمح هذا للمؤسسة بأكملها بالحصول على رؤى البيانات ، وليس فقط فريق الاختبار المباشر.

لماذا نهتم بالوصول إلى البيانات؟

لأن الوصول إلى البيانات يزيد من عدد القرارات التي يمكن اتخاذها والتي قد تؤثر على عائد الاستثمار لشركتك.

الحيلة بالطبع هي التأكد من أنه بمجرد وصولك ، يمكنك العثور على ما تريد ...

كيفية تحسين إمكانية استخدام البيانات من خلال جمع البيانات التي يمكن الوثوق بها

تشير قابلية استخدام البيانات إلى سهولة استخدام البيانات للإجابة على الأسئلة.

إذا نظرنا إليها من نظرة عامة ، يجب أن يكون الهدف من بياناتك:

• للعثور على رؤى تؤثر على عائد الاستثمار التجاري . بدون ذلك ، إنها مجرد بيانات معلومات بلا هدف.
• للعثور عليهم بسرعة وليس عليك الكفاح للحصول على المعلومات.
• واستخدام هذه الأفكار لاتخاذ قرارات سريعة وموثوقة . إما لأن البيانات موثوقة أو لأنك تفهم النتائج ولا تتلاعب بها أو تتغذى بإيجابيات كاذبة.

كما يمكنك التخمين ، يمكن أن تكون هناك بعض المشكلات هنا ، اعتمادًا على الأنظمة والعمليات التي لديك.

لقد ناقشنا بالفعل مدى أهمية أن تكون قادرًا على الوصول إلى تلك المعلومات وفوائد امتلاك أدوات أو عمليات لها قدرات الخدمة الذاتية لفتح تقارير البيانات على مستوى الشركة.

ولكن الآن بعد أن أصبح لدينا وصول إلى تلك البيانات ، نحتاج إلى التأكد من أنه يمكننا العثور على المعلومات التي نريدها ، وأن نكون قادرين على الوثوق بها.

من الناحية المثالية ، تحتاج إلى تشغيل العمليات بشكل استباقي لتنظيم مجموعات البيانات الخاصة بك:

• اجعل أهم المقاييس يسهل العثور عليها.
• استخدم النماذج المرجعية والأهداف للعثور على مجموعات بيانات محددة قد لا تتبعها الأدوات التقليدية.
• تأكد من المزامنة بين مصادر البيانات حتى لا تفقد التحديثات والتعديلات والمعلومات الجديدة.
• واسمح لفريق علوم البيانات لديك بمعالجة بياناتك الضخمة حتى تتمكن من العثور بسهولة على كل هذه المعلومات والثقة بها!

بمجرد وضع هذا الهدف النهائي في الاعتبار لبياناتك ، يصبح من الأسهل عندئذ البدء في بناء عمليات التحضير مقدمًا لمجموعات البيانات الجديدة القادمة. (من الأسهل بكثير تذكر وضع علامات على إجراءات محددة مسبقًا عندما تعلم أنك تريد أن تكون قادر على العثور عليها لاحقًا).

كيفية إجراء تحليل غير متحيز للبيانات لتوليد رؤى تسترشد بالفرضيات

إذن كيف نستخدم هذه البيانات للحصول على رؤى وأفكار؟

حسنًا ، تنبيه المفسد ، لقد قمنا بالفعل بتغطية هذا الأمر طوال هذا الدليل حتى الآن.

• اهدف إلى استخدام مصادر بيانات متعددة للحصول على صورة أوسع.
• حاول استخدام عمليات غير متحيزة لجمع تلك البيانات. لا تقصر على خصائص ديموغرافية أو أجهزة محددة إن أمكن.
• استخدم التفكير النقدي لتقييم المعلومات.
• انظر إلى التحيزات المعرفية وكيف يمكن أن تؤثر على تحليلك.
• تأكد من فحص كل مصدر بيانات معًا. (التقنية والكمية والنوعية معا).

السماح للتعلم من الاختبارات لإلهام المزيد من الاختبارات

يجب أن تتعامل مع اختباراتك على أنها حلقة ملاحظات لمزيد من التحسين. يمكن أن يكون هذا في اختبارك الحالي لمواصلة التحسين والحصول على مزيد من الدعم ، أو يمكنك تطبيق هذا على الاختبارات القديمة حيث يمكن أن تساعد رؤيتك الجديدة بشكل أكبر.

في كلتا الحالتين ، يجب أن يكون الهدف هو الاختبار والتعلم والتحسين والتكرار حتى لا تتمكن من الحصول على المزيد من الرفع.

لكن ... كيف يمكننا فعلاً التعلم من نتائج الاختبار تلك؟

حسنًا ، الخبر السار هو أننا كتبنا دليلًا من 7 خطوات للتعلم من نتائج اختبار A / B الخاص بك والذي يمكنك التحقق منه هنا.

إذا لم يكن لديك الوقت الآن ، فإليك ملخص سريع:

• ابدأ بالتأكد من أنه يمكنك الوثوق بنتائجك. هل هم دقيقون؟ هل هم مهمون؟ هل أنت واثق منهم؟ هل كان الاختبار لفترة طويلة بما فيه الكفاية؟ هل كانت هناك أي عوامل خارجية تؤثر عليهم؟
• اذهب الجزئي والكلي. لمجرد فوز الاختبار أو فشله ، فأنت بحاجة إلى معرفة كيفية تأثيره على مقاييس الدرابزين. ومن المفارقات أن زيادة نسبة النقر إلى الظهور يمكن أن تعني انخفاض المبيعات إذا كانت تروق للجمهور الخطأ. وبالمثل ، يمكن أن يؤدي الانخفاض في نسبة النقر إلى الظهور إلى زيادة المبيعات ، حيث قد يجذب فقط أفضل جمهور الآن. لذا تحقق من مقاييسك ، وليس نتائج الاختبار فقط.
• تعمق وقسم نتائجك. لن يؤدي كل جمهور وقناة حركة وجهاز نفس الأداء. قد تكون بعض القنوات معطلة. يمكن أن يؤدي هذا بعد ذلك إلى تحريف النتائج حيث تبدو جيدة أو سيئة ، حيث ليس لديك صورة مفصلة. (يمكن أن يمنحك هذا أيضًا نظرة ثاقبة على المتغيرات التي ستؤدي بشكل أفضل لقنوات معينة ، مما يساعدك على تقسيم التسليم الخاص بك لرفع أعلى).
• تحقق من الأداء وسلوك المستخدم. Just because we ran a qualitative and quantitative data analysis before, doesn't mean you should skip it after the test. In fact, this is the best way to understand what happened and how you got these results.
• Learn from the failures. What went wrong? How can you fix this?
• Learn from the winners and improve further. Did you get a new aha moment? Do you have more ideas of how to improve the page again after the QA and Qual analysis? Keep pushing for more lift!
• Don't forget what you did! Get in the habit of creating and using a learning repository. This way you can see past tests, learn from them, train new staff and even go back and apply new insights to old ideas.

استنتاج

لذلك هناك لديك. Our entire guide to using technical, quantitative, and qualitative data to create winning tests.

It doesn't matter if it's A/B, split URL, or multivariate testing. You can use this same methodology to learn more from every test you run, so go ahead. Run those tests, learn from those mistakes, analyze that data and then let us know how much lift you got!