Wie können Sie die Testgeschwindigkeit erhöhen? Warum brauchen Sie ein High-Velocity-Programm?

Wenn Sie jeden Monat 4 CRO-Tests durchführen (das ist ein Test pro Woche) und 10 % Ihrer Tests erfolgreich sind, führen Sie normalerweise ein gutes Optimierungsprogramm durch. Das ist eine anständige Testkapazität und eine schöne Gewinnrate.

Noch besser, wenn Sie einen guten Uplift für Ihre Siegertests schaffen und die Leistung Ihres Programms im Laufe der Zeit immer besser wird.

Aber die meisten Optimierungsprogramme laufen nicht so gut.

Tatsächlich sind nur 22 % der Unternehmen mit ihren CRO-Bemühungen zufrieden.

Das bedeutet, satte 78 % der Unternehmen könnten ihre Optimierungsprogramme optimieren.

Aber wie…

Was die meisten Conversion-Optimierungsprogramme tötet

Das Problem bei den meisten Optimierungsprogrammen ist, dass sie nicht auf langfristigen Erfolg ausgelegt sind. Stattdessen gedeihen sie von Test zu Test.

Solche Programme sind meistens nur so effektiv (oder nicht) wie der letzte Test, den sie durchgeführt haben.

Und die Unternehmen, die sie betreiben, sehen in der Umsetzung der Experimente den Sieg. Ihre kurzsichtige Sicht hält sie davon ab, jemals die Infrastruktur zu entwickeln, um ein konsistentes Qualitätstestprogramm zu unterstützen.

Es stimmt zwar, dass eine gute Ausführung ein Muss für jedes Experiment ist, aber auch ein schlechtes Experiment kann wirklich gut ausgeführt werden.

Aber niemand gewinnt, wenn dies geschieht.

Sich ausschließlich auf die Durchführung zu konzentrieren und nicht genug Zeit und Mühe auf Schritte wie Ideenfindung, Hypothesenbildung und Dokumentation/Lernen zu verwenden, die tatsächlich die Qualität der Experimente bestimmen, führt in der Regel nur zu kurzfristigen Erfolgen, wenn überhaupt.

Sehen wir uns also an, wie Sie die Testgeschwindigkeit erhöhen und ein gutes Optimierungsprogramm ausführen können. Wenn Sie bereits eines ausführen, können Sie diese Tipps verwenden, um Ihre Gewinnrate und die Gesamtleistung des Programms weiter zu verbessern.

Hier geht.

So generieren Sie mehr Ideen zum Testen

Um (mindestens) 4 Tests pro Monat durchzuführen, benötigen Sie eine Pipeline voller Testideen. Ohne eine „Ideenbank“ können Sie eine gute und konsistente Testgeschwindigkeit nicht unterstützen.

Trotzdem werden in den meisten CRO-Programmen Tests geplant, wenn jemand im Team eine Art CRO-Test-Offenbarung hat.

Idealerweise sollten Sie einen konstanten Zustrom von Qualitätstestideen in Ihr Experimentierprogramm haben. Diese Testideen können stammen von:

• Graben Sie in den Datenbergen, die Ihre CRO-Tools generieren. Der beste Weg, Testideen zu erkennen, besteht darin, Ihre Daten zu durchsuchen. Ihre Analyselösungen wie Google Analytics, Kissmetrics, Mixpanel usw. sind hervorragende Quellen, um die Seiten zu finden, auf denen Sie die meisten Menschen verlieren oder die niedrige Engagement-Raten aufweisen. Tools wie Hotjar, Clicktale und Decibel zeigen Ihnen, was Ihre Benutzer auf Ihrer Website tun, und können Ihnen dabei helfen, Ihre echten Conversion-Hotspots zu identifizieren. Dann gibt es unter anderem Lösungen wie UserTesting, UsabilityHub und Usabilla, mit denen Sie haufenweise qualitatives Feedback sammeln können, das zu einigen entscheidenden Testmöglichkeiten führen kann. Auch wenn es schwierig ist, so viele Datensilos zu überprüfen, sind dies die Orte, an denen die wirklich erfolgreichen Testideen herkommen.

• Ausführen eines manuellen CRO-Audits. Die Prüfung Ihrer Website für CRO deckt einige der wertvollsten Optimierungslücken zum Testen auf. Die Durchführung eines CRO-Audits zwingt Sie dazu, sich systematisch jeden einzelnen Aspekt Ihrer Website (und darüber hinaus) anzusehen und zu sehen, wo Sie Geld verlieren könnten.

• Verwenden Sie Bewertungen wie den Stuck Score, um die „Konversionsbarrieren“ auf Ihrer Website zu erkennen. Sie können auch Bewertungen wie Stuck Score verwenden, die die Conversion-Probleme auf Ihrer Website aufdecken und hervorragende Ideen zum Testen bieten. Diese Tools sind intelligent und können Testmöglichkeiten auf Ihrer gesamten Website genau erkennen.

Sobald Sie anfangen, diese Quellen zu erschließen, sollten Sie in der Lage sein, einen konsistenten Strom von Ideen zu generieren.

Das Generieren von Ideen für Qualitätstests ist jedoch nur ein Aspekt dieses Problems. Der andere ist der Mangel an Kommunikation und Zusammenarbeit bei den in Betracht gezogenen Ideen. Dies mag trivial erscheinen (weil Sie schließlich nur Daten benötigen, oder?), aber diese Probleme wirken sich tief auf Ihre Mitarbeiter aus und können Ihre Experimentierkultur verzerren.

Nehmen Sie zum Beispiel das berühmte Experiment mit den 41 Blautönen, das Google ausprobiert hat. Googles Experiment – ​​so datenbasiert es auch war – wurde immer noch dafür kritisiert, dass es einen ingenieurgeleiteten Ansatz verfolgte. Hier ist, was Douglas Bowman, der als interner Designer von Google arbeitete, darüber dachte, wie Google mit seinen Experimenten umging: „ Ja, es stimmt, dass ein Team bei Google sich nicht zwischen zwei Blautönen entscheiden konnte, also testet es 41 Schattierungen zwischen jedem Blau um zu sehen, welche besser abschneidet. Ich hatte kürzlich eine Debatte darüber, ob ein Rand 3, 4 oder 5 Pixel breit sein sollte, und wurde gebeten, meinen Fall zu beweisen. In so einem Umfeld kann ich nicht agieren. Ich bin es leid, über solch winzige Designentscheidungen zu diskutieren.“

Ohne die Ideen, die Sie in Betracht ziehen, zu teilen und Ihr Team einzubeziehen, können Sie keine allumfassende Experimentierkultur aufbauen, an der jeder teilnehmen möchte.

Mit einem CRO-Tool wie Compass (aus unserer Convert Suite) können Sie mühelos eine solche datengestützte, kollaborative Ideenfindung ermöglichen. Mit Compass können Sie datengestützte Testideen entwickeln, indem Sie Ihre verschiedenen Datenquellen zusammenführen, und schlägt auch Ideen zum Testen auf der Grundlage von Erkenntnissen aus Stuck Score vor. Mit Compass können Sie sogar Ihre Teammitglieder einladen und sie mit Optionen für Feedback und mehr einbeziehen.

Datengestützte Hypothesenbildung und laserfokussierte Priorisierung

Sobald Sie Ihre Testideen haben, werden Sie feststellen, dass einige von ihnen einfach offensichtlich sind. Wenn Sie beispielsweise das Feedback von Benutzern erhalten, dass Ihre Inhalte nicht lesbar sind (und Ihre demografische Zielgruppe beispielsweise Menschen über 40 Jahre sind), können Sie vielleicht die Idee umsetzen, die Schriftgröße zu vergrößern oder die Farbe richtig zu ändern ein Weg. Schließlich ist es eine einminütige Lösung mit einer kleinen Änderung des CSS-Codes.

Einige Ihrer Ideen sehen vielversprechend aus und scheinen es absolut wert zu sein, getestet zu werden, aber Sie müssen immer noch nach „genug“ Datenpunkten suchen, um sie zu unterstützen [mehr dazu gleich …].

Und einige Ideen müssten Sie einfach verwerfen, weil sie vage wären und Sie keine Möglichkeit hätten, sie zu validieren. Wenn Ihr CRO-Audit beispielsweise zeigt, dass Sie einen niedrigen NPS-Wert haben und Sie feststellen, dass dies der Grund für schlechte Conversions ist, können Sie unmöglich ein einfaches Experiment verwenden, um ihn zu beheben.

Davon sind die Ideen, die sich tatsächlich in starke Hypothesen übersetzen lassen, Ihre echten Testmöglichkeiten.

Aber Sie brauchen VIELE Daten, um jede Hypothese zu untermauern, die Sie aufstellen. Wenn Sie beispielsweise die Hypothese aufstellen, dass die Optimierung Ihrer mobilen Zielseiten zu höheren Conversions führen wird , benötigen Sie eine Reihe von Datenpunkten, um dies zu untermauern. In diesem Fall sind hier einige der Daten, die Sie verwenden könnten:

1. Niedrige mobile Conversions – Daten über Ihre Webanalyselösung wie Google Analytics.
2. Ein ungewöhnlich hoher Dropoff für mobilen Traffic – wiederum Daten über Ihre Webanalyselösung wie Google Analytics.
3. Schlechtes Feedback von Kunden – Daten über Ihre Benutzertestlösung.

Wie Sie sehen können, sind die Daten zur Bildung dieser Hypothese ziemlich ausgewogen, da Sie Eingaben aus mehreren Datenquellen haben. Außerdem haben Sie sowohl quantitative als auch qualitative Daten. Idealerweise sollten Sie solche ausgewogenen Daten finden, um all Ihre „testwürdigen“ Ideen zu unterstützen.

Aber du bist noch nicht fertig.

Denn nachdem Sie mit all Ihren guten Hypothesen fertig sind, brauchen Sie eine Möglichkeit, sie zu bewerten oder zu priorisieren. Dadurch erfahren Sie, welche Hypothese Sie zuerst ausprobieren sollten – oder überhaupt. TIPP: „Lasst uns ein neues Website-Design testen!!! Das wird unsere Verkäufe in die Höhe treiben.“ ist normalerweise eine SEHR SCHLECHTE Hypothese.

Viele Faktoren spielen eine Rolle bei der Entscheidung, wie praktisch das Testen einer Hypothese ist. Die Implementierungszeit und -schwierigkeit sowie die möglichen Auswirkungen auf die Conversions müssen hier berücksichtigt werden.

Doch den meisten Unternehmen fehlt dafür ein Priorisierungsmodell. Dies führt oft zum Start eines ehrgeizigen Tests wie beispielsweise einer umfassenden Designüberholung, die die CRO-Bandbreite des gesamten Monats verbraucht. Das bedeutet, dass Sie zumindest für den Monat keine Tests mehr planen oder durchführen können. Das Schlimmste daran ist, dass selbst solch ambitionierte Tests keine aussagekräftigen Ergebnisse garantieren.

Um dies zu vermeiden, könnten Sie das PXL-Priorisierungsframework von CXL verwenden. Dieses Framework zwingt Sie dazu, auf einer sehr granularen Ebene zu denken, wie z. B. ein besseres Verständnis der vorgeschlagenen Änderung(en), die Bewertung, wie sie die während der Recherche entdeckten Probleme, ihre potenziellen Auswirkungen und den Aufwand für die Implementierung angeht.

Sie können sich auch das PIE- und ICE-Score-Framework ansehen, um Ihre Hypothesen zu priorisieren.

Eine noch intelligentere Möglichkeit, Ihre Hypothesen zu priorisieren, ist die Verwendung eines CRO-Tools, das Ihnen sagen kann, wie ressourcen- und zeitintensiv ein Experiment sein kann. Compass gibt Ihnen beispielsweise gute Schätzungen für alle Ihre Hypothesen.

Lernen Sie aus Ihren A/B-Tests

Tests können nicht schlüssig sein.

Bei den meisten Conversion-Rate-Optimierungsprogrammen erreichen nur 20 % der Tests eine statistische Signifikanz.

Daher muss das gesamte Lernen wieder in den Testmix einfließen und dazu verwendet werden, bessere und ausgefeiltere Ideen und Hypothesen zu entwickeln.

Nicht nur das, gewinnende Experimente können tatsächlich auch Verlierer sein, wenn die Challenger-Version gewinnt, aber die Einnahmen tanken.

Wenn eine Hypothese wirklich stark und datengestützt ist, ist es außerdem üblich, etwa 3-4 Folgeexperimente dafür zu erstellen (selbst wenn das erste Experiment gewonnen hat!).

Das bedeutet, dass es nicht ausreicht, die Ergebnisse Ihres Experiments nur zu interpretieren und aufzuzeichnen. Um aussagekräftige iterative Tests zu planen, müssen Sie Ihren gesamten Experimentierprozess jedes Mal dokumentieren, wenn Sie einen durchführen.

Durch die Dokumentation seiner Beobachtungen und Erkenntnisse war LinkedIn in der Lage, ein fehlgeschlagenes Experiment weiterzuverfolgen, das tatsächlich ein Gewinner des getesteten Schlüsselmerkmals war. Hier ist der vollständige Überblick:

Im Jahr 2013 startete die LinkedIn-Suche ein großes Experiment, bei dem sie ihre verbesserte einheitliche Suchfunktion veröffentlichte. Im Grunde wurde die LinkedIn-Suche „intelligent genug“, um die Abfrageabsicht automatisch ohne erforderliche Qualifizierer wie „Personen“, „Jobs“ oder „Unternehmen“ herauszufinden. Die Zielseite der Suche wurde für diese Version komplett überarbeitet – alles von der Navigationsleiste bis zu den Schaltflächen und Snippets wurde überarbeitet, sodass die Benutzer viele, viele Änderungen sahen.

Aber das Experiment schlug fehl und LinkedIn war überrascht, als es den Tank für seine wichtigsten Kennzahlen sah.

Das Team beschloss nun, zum ursprünglichen Design zurückzukehren, indem es eine Änderung nach der anderen zurückverfolgte, damit es diejenige identifizieren konnte, die bei den Benutzern nicht gut ankam. Während dieses zeitaufwändigen Rollbacks stellte LinkedIn fest, dass es nicht die einheitliche Suche war, die den Leuten nicht gefiel, sondern eine Gruppe von mehreren kleinen Änderungen, die die Klicks und Einnahmen verringert hatten. Nachdem LinkedIn diese behoben hatte, zeigte die einheitliche Suche eine positive Benutzererfahrung und wurde für alle freigegeben.

Egal, ob es sich um einen einfachen A/B-Test oder einen komplexen multivariaten Test handelt, jedes Experiment, das Sie starten, sollte detailliert dokumentiert werden. Ihre Erkenntnisse müssen ebenfalls dokumentiert werden. Auf diese Weise können Sie sicherstellen, dass Ihre zukünftigen (oder Folge-)Experimente tatsächlich besser sind als Ihre früheren.

Mit einem CRO-Tool wie Convert Compass können Sie eine Wissensdatenbank aus Ihren Ideen, Beobachtungen, Hypothesen und Erkenntnissen aufbauen, damit Ihr gesamtes Team gemeinsam lernen und wachsen kann. Nicht nur das, Compass kann Ihre Erkenntnisse sogar nutzen, um die Hypothese vorzuschlagen, die Sie als nächstes ausprobieren könnten.

Verpacken…

Indem Sie die Teile Ihres CRO-Programms zur Ideenfindung, Hypothesenbildung und zum Lernen optimieren, können Sie die Qualität Ihrer Experimente erheblich verbessern. Und indem Sie mit all Ihren Mitarbeitern zusammenarbeiten und sich an diesen beteiligen, können Sie eine allumfassende Kultur des Experimentierens aufbauen und fördern.

Möglicherweise finden Sie es schwierig, alle Ihre Daten zusammenzuführen, wenn Sie Ideen entwickeln, oder Sie leiden unter einer Datenüberflutung, wenn Sie Hypothesen (und Priorisierungen) erstellen, oder Sie haben sogar Probleme mit der Dokumentation oder Verwendung von Erkenntnissen für Ihre Folgeexperimente, aber dies sind die Dinge, die Ihnen helfen werden, die Tests zu verbessern Geschwindigkeit und legen Sie den Grundstein für Ihren langfristigen CRO-Erfolg.

Wenn Sie lieber ein CRO-Tool verwenden möchten, das all diese Arbeiten für Sie erledigt, melden Sie sich unten an .

Compass hilft Ihnen bei der datengestützten Ideenfindung (indem Sie alle Daten aus Ihren verschiedenen Datensilos zusammenführen und mit Eingaben von Stuck Score Ideen vorschlagen, die Sie zuerst ausprobieren sollten), sinnvoller Priorisierung (indem Sie Ihnen sagen, wie schwierig, einfach oder wirkungsvoll ein Experiment sein könnte). ) und die Dokumentation Ihres Lernens (indem Sie all Ihre Ideen, Datenrecherchen, Beobachtungen, Ergebnisse, Erkenntnisse und mehr an einem Ort zusammenführen!).