¿Cómo puede aumentar la velocidad de prueba? ¿Por qué necesita un programa de alta velocidad?

Por lo general, si ejecuta 4 pruebas de CRO cada mes (eso es una prueba/semana) y si el 10 % de sus pruebas ganan, está ejecutando un buen programa de optimización. Esa es una capacidad de prueba decente y una buena tasa de victorias.

Aún mejor, si logra una buena mejora para sus pruebas ganadoras y el rendimiento de su programa sigue mejorando con el tiempo.

Pero la mayoría de los programas de optimización no funcionan tan bien.

De hecho, solo el 22% de las empresas están satisfechas con sus esfuerzos de CRO.

Lo que significa que la friolera de 78% de las empresas podría optimizar sus programas de optimización.

Pero cómo…

Lo que mata a la mayoría de los programas de optimización de conversión

El problema con la mayoría de los programas de optimización es que no están diseñados para el éxito a largo plazo. En cambio, prosperan prueba por prueba.

Dichos programas son en su mayoría tan efectivos (o no) como la última prueba que realizaron.

Y las empresas que los ejecutan ven la implementación de los experimentos como la victoria. Su visión miope les impide desarrollar la infraestructura para respaldar un programa de pruebas consistente y de calidad.

Si bien es cierto que una buena ejecución es imprescindible para cualquier experimento, incluso un mal experimento puede ejecutarse realmente bien.

Pero nadie gana cuando esto sucede.

Centrarse únicamente en la ejecución y no dedicar suficiente tiempo y esfuerzo a pasos como idear, formular hipótesis y documentar/aprender, que en realidad determinan la calidad de los experimentos, por lo general solo da como resultado un éxito a corto plazo, si es que lo logra.

Entonces, veamos cómo puede aumentar la velocidad de las pruebas y ejecutar un buen programa de optimización. Si ya está ejecutando uno, puede usar estos consejos para mejorar aún más su tasa de ganancias y el rendimiento general del programa.

Aquí va.

Cómo generar más ideas para probar

Para ejecutar (al menos) 4 pruebas cada mes, necesita una canalización llena de ideas de prueba. Sin un "banco de ideas", no puede admitir una velocidad de prueba buena y constante.

A pesar de eso, en la mayoría de los programas de CRO, las pruebas se planifican cuando alguien en el equipo tiene algún tipo de epifanía de prueba de CRO.

Idealmente, debería tener una afluencia constante de ideas de pruebas de calidad en su programa de experimentación. Estas ideas de prueba pueden provenir de:

• Profundizando en las montañas de datos que generan sus herramientas de CRO. La mejor manera de detectar ideas de prueba es profundizar en sus datos. Sus soluciones de análisis como Google Analytics, Kissmetrics, Mixpanel, etc. son excelentes fuentes para encontrar las páginas donde pierde más personas o aquellas que tienen bajas tasas de participación. Herramientas como Hotjar, Clicktale y Decibel le muestran lo que hacen sus usuarios en su sitio web y pueden ayudarlo a identificar sus puntos de conversión reales. Luego, existen soluciones como UserTesting, UsabilityHub y Usabilla, entre otras, que le permiten recopilar montones de comentarios cualitativos que pueden traducirse en algunas oportunidades cruciales para realizar pruebas. Si bien es un desafío revisar tantos silos de datos, estos son los lugares de donde provienen las ideas de prueba realmente ganadoras.

• Ejecutar una auditoría manual de CRO. La auditoría de su sitio web para CRO descubre algunas de las brechas de optimización más valiosas para las pruebas. Ejecutar una auditoría de CRO lo obliga a observar sistemáticamente todos y cada uno de los aspectos de su sitio web (y más allá) y ver dónde podría estar perdiendo dinero.

• Usar evaluaciones como Stuck Score para detectar las "barreras de conversión" en su sitio web. También puede usar evaluaciones como Stuck Score que descubren los problemas de conversión en su sitio web y ofrecen excelentes ideas para probar. Estas herramientas son inteligentes y pueden detectar con precisión oportunidades de prueba en todo su sitio web.

Una vez que comience a aprovechar estas fuentes, debería poder generar un flujo constante de ideas.

Pero generar ideas de pruebas de calidad es solo un aspecto de este problema. El otro es la falta de comunicación y colaboración sobre las ideas en consideración. Esto puede parecer trivial (porque, después de todo, solo necesita datos, ¿no?), pero estos problemas afectan profundamente a su gente y pueden sesgar su cultura de experimentación.

Por ejemplo, tomemos el famoso experimento de los 41 tonos de azul que intentó Google. El experimento de Google, basado en datos, todavía fue criticado por adoptar un enfoque dirigido por ingenieros. Esto es lo que opina Douglas Bowman, que trabajó como diseñador interno de Google, sobre cómo Google manejó su experimentación: " Sí, es cierto que un equipo de Google no podía decidir entre dos azules, por lo que están probando 41 tonos entre cada azul". para ver cual se comporta mejor. Tuve un debate reciente sobre si un borde debería tener 3, 4 o 5 píxeles de ancho y me pidieron que probara mi caso. No puedo operar en un ambiente como ese. Me cansé de debatir decisiones de diseño tan minúsculas”.

Sin compartir las ideas que está considerando e involucrar a su equipo, no puede construir una cultura de experimentación inclusiva de la que todos quieran ser parte.

Con una herramienta de CRO como Compass (de nuestra Convert Suite), puede facilitar sin esfuerzo esa ideación colaborativa respaldada por datos. Compass le permite generar ideas de prueba respaldadas por datos al reunir sus diferentes fuentes de datos y también sugiere ideas para probar en función de los conocimientos de Stuck Score. Compass incluso le permite invitar a los miembros de su equipo e involucrarlos con opciones de comentarios y más.

Formación de hipótesis respaldadas por datos y priorización enfocada en láser

Una vez que tenga sus ideas de prueba, encontrará que algunas de ellas son simplemente obvias. Por ejemplo, si recibe algunos comentarios de los usuarios de que su contenido no es legible (y su grupo demográfico objetivo son, digamos, personas mayores de cuarenta años), entonces tal vez pueda implementar la idea de aumentar el tamaño de su fuente o cambiar su color correctamente. lejos. Después de todo, es una solución de un minuto con un pequeño cambio de código CSS.

Algunas de sus ideas se verían prometedoras y parecerían totalmente dignas de ser probadas, pero aún necesitará buscar puntos de datos "suficientes" para respaldarlas [más sobre esto en un minuto...].

Y algunas ideas que simplemente tendría que descartar porque serían vagas y no tendría forma de validarlas. Por ejemplo, si su auditoría de CRO muestra que tiene un puntaje de NPS bajo y encuentra que es el motivo de las conversiones deficientes, entonces no puede usar un experimento simple para solucionarlo.

De estas, las ideas que realmente pueden traducirse en hipótesis sólidas son sus verdaderas oportunidades de prueba.

Pero necesita MUCHOS datos para respaldar cada hipótesis que haga. Entonces, por ejemplo, si tiene la hipótesis de que optimizar la experiencia de su página de destino móvil dará como resultado conversiones más altas , necesitaría una gran cantidad de puntos de datos para respaldarlo. En este caso, estos son algunos de los datos que podrías usar:

1. Conversiones móviles bajas: datos a través de su solución de análisis web como Google Analytics.
2. Una caída inusualmente alta para el tráfico móvil: nuevamente, datos a través de su solución de análisis web como Google Analytics.
3. Comentarios deficientes de los clientes: datos a través de su solución de prueba de usuario.

Como puede ver, los datos para formar esta hipótesis están bastante equilibrados, ya que tiene entradas de múltiples fuentes de datos. Además, tienes datos tanto cuantitativos como cualitativos. Idealmente, debería encontrar datos tan equilibrados para respaldar todas sus ideas "dignas de prueba".

Pero aún no has terminado.

Porque una vez que esté listo con todas sus buenas hipótesis, necesita una forma de calificarlas o priorizarlas. Si lo hace, le dice qué hipótesis probar primero, o en absoluto. PISTA: “¡Probemos un nuevo diseño de sitio web! Va a disparar nuestras ventas”. suele ser una hipótesis MUY MALA.

Hay muchos factores que intervienen en la decisión de cuán práctica es probar una hipótesis. Su tiempo de implementación y dificultad y el impacto potencial que puede tener en las conversiones deben considerarse aquí.

Pero la mayoría de las empresas carecen de un modelo de priorización para esto. Esto a menudo da como resultado el lanzamiento de una prueba ambiciosa como, por ejemplo, una revisión importante del diseño que consume el ancho de banda de CRO de todo el mes. Lo que significa que no puede planificar ni ejecutar más pruebas, al menos durante el mes. La peor parte es que incluso pruebas tan ambiciosas no garantizan ningún resultado significativo.

Para evitar esto, puede usar el marco de priorización de PXL de CXL. Este marco lo obliga a pensar en un nivel muy granular, como comprender mejor los cambios propuestos, evaluar cómo aborda los problemas descubiertos durante la investigación, su impacto potencial y el esfuerzo de implementación.

También puede consultar el marco PIE y ICE Score para priorizar sus hipótesis.

Una forma aún más inteligente de priorizar sus hipótesis es utilizar una herramienta de CRO que pueda decirle qué tan intensivo en recursos y tiempo puede ser un experimento. Por ejemplo, Compass le brinda buenas estimaciones para todas sus hipótesis.

Aprenda de sus pruebas A/B

Las pruebas pueden no ser concluyentes.

Para la mayoría de los programas de optimización de la tasa de conversión, obtiene un 20% de pruebas que alcanzan significación estadística.

Por lo tanto, todo el aprendizaje debe volver a la combinación de pruebas y usarse para generar ideas e hipótesis mejores y más refinadas.

No solo eso, los experimentos ganadores también pueden ser perdedores en realidad, cuando la versión desafiante gana pero los ingresos se acumulan.

Además, si una hipótesis es realmente fuerte y está respaldada por datos, es común crear alrededor de 3-4 experimentos de seguimiento (¡incluso si el experimento inicial ganó!).

Lo que significa que solo interpretar y registrar los resultados de su experimento no es suficiente. Para planificar pruebas iterativas significativas, debe documentar todo el proceso de experimentación cada vez que ejecuta una.

Al documentar sus observaciones y aprendizajes, LinkedIn pudo hacer un seguimiento de un experimento fallido, que en realidad resultó ganador en la función clave que se estaba probando. Aquí está la primicia completa:

En 2013, LinkedIn Search inició un gran experimento en el que lanzó su funcionalidad de búsqueda unificada mejorada. Básicamente, LinkedIn Search se volvió "lo suficientemente inteligente" para descubrir la intención de la consulta automáticamente sin necesidad de calificadores como "Personas", "Empleos" o "Empresas". La página de inicio de búsqueda se renovó por completo para esta versión: todo, desde la barra de navegación hasta los botones y fragmentos, se rehizo, por lo que los usuarios vieron muchos, muchos cambios.

Pero el experimento fracasó y LinkedIn se sorprendió al ver su tanque de métricas clave.

El equipo ahora decidió volver al diseño original retrocediendo un cambio a la vez, para poder identificar el que no fue bien recibido por los usuarios. Durante esta reversión que consumió mucho tiempo, LinkedIn descubrió que no era la búsqueda unificada lo que no le gustaba a la gente, sino un grupo de varios cambios pequeños que habían reducido los clics y los ingresos. Una vez que LinkedIn solucionó esto, la búsqueda unificada demostró tener una experiencia de usuario positiva y se lanzó para todos.

Entonces, ya sea que se trate de una prueba A/B simple o de una compleja multivariante, cualquier experimento que inicie debe documentarse en detalle. Sus aprendizajes también deben documentarse. Al hacerlo, puede asegurarse de que sus experimentos futuros (o de seguimiento) sean realmente mejores que los anteriores.

Con una herramienta CRO como Convert Compass, puede crear una base de conocimiento de sus ideas, observaciones, hipótesis y aprendizajes para que todo su equipo pueda aprender y crecer juntos. No solo eso, Compass puede incluso usar su aprendizaje para sugerir la hipótesis que podría probar a continuación.

Envolviendolo…

Al optimizar las partes de ideación, hipótesis y aprendizaje de su programa CRO, puede mejorar drásticamente la calidad de sus experimentos. Y al colaborar e interactuar con toda su gente en estos, puede construir e impulsar una cultura de experimentación inclusiva.

Es posible que le resulte difícil reunir todos sus datos al idear o sufrir una sobrecarga de datos al formular hipótesis (y priorizar), o incluso tener dificultades para documentar o utilizar los aprendizajes para sus experimentos de seguimiento, pero estas son las cosas que lo ayudarán a aumentar las pruebas. velocidad y sentó las bases para el éxito de su CRO a largo plazo.

Si prefiere utilizar una herramienta CRO que haga todo este trabajo pesado por usted, regístrese a continuación.

Compass lo ayuda con la ideación respaldada por datos (reuniendo todos los datos de sus diferentes silos de datos y con aportes de Stuck Score que sugiere ideas para probar primero), priorización significativa (diciéndole qué tan difícil, fácil o impactante podría ser un experimento ), y la documentación de sus aprendizajes (¡reuniendo todas sus ideas, investigación de datos, observaciones, resultados, aprendizajes y más en un solo lugar!).