Comment pouvez-vous augmenter la vitesse de test ? Pourquoi avez-vous besoin d'un programme à grande vitesse ?

En règle générale, si vous exécutez 4 tests CRO chaque mois (c'est-à-dire un test/semaine) et si 10 % de vos tests sont gagnants, vous exécutez un bon programme d'optimisation. C'est une capacité de test décente et un bon taux de victoire.

Mieux encore, si vous réussissez une bonne remontée pour vos tests gagnants et que les performances de votre programme ne cessent de s'améliorer au fil du temps.

Mais la plupart des programmes d'optimisation ne fonctionnent pas aussi bien.

En fait, seulement 22 % des entreprises sont satisfaites de leurs efforts de CRO.

Ce qui signifie que 78 % des entreprises pourraient optimiser leurs programmes d'optimisation.

Mais comment…

Ce qui tue la plupart des programmes d'optimisation des conversions

Le problème avec la plupart des programmes d'optimisation est qu'ils ne sont pas conçus pour un succès à long terme. Au lieu de cela, ils prospèrent test par test.

Ces programmes ne sont pour la plupart aussi efficaces (ou pas) que le dernier test qu'ils ont exécuté.

Et les entreprises qui les gèrent considèrent la mise en œuvre des expériences comme une victoire. Leur vision myope les empêche de développer l'infrastructure nécessaire pour soutenir un programme de test cohérent et de qualité.

S'il est vrai qu'une bonne exécution est indispensable pour toute expérience, même une mauvaise expérience peut être très bien exécutée.

Mais personne ne gagne quand cela arrive.

Se concentrer uniquement sur l'exécution et ne pas consacrer suffisamment de temps et d'efforts à des étapes telles que l'idéation, l'hypothèse et la documentation/apprentissage - qui déterminent en fait la qualité des expériences - n'aboutit généralement qu'à un succès à court terme, voire pas du tout.

Voyons donc comment vous pouvez augmenter la vitesse de test et exécuter un bon programme d'optimisation. Si vous en utilisez déjà un, vous pouvez utiliser ces conseils pour améliorer encore votre taux de réussite et les performances globales du programme.

Voici.

Comment générer plus d'idées à tester

Pour exécuter (au moins) 4 tests par mois, vous avez besoin d'un pipeline plein d'idées de test. Sans une "banque d'idées", vous ne pouvez pas soutenir une vitesse de test bonne et cohérente.

Malgré cela, dans la plupart des programmes CRO, des tests sont planifiés lorsqu'un membre de l'équipe a une épiphanie de test CRO quelconque.

Idéalement, vous devriez avoir un afflux constant d'idées de tests de qualité dans votre programme d'expérimentation. Ces idées de tests peuvent provenir :

• Creuser dans les montagnes de données générées par vos outils CRO. La meilleure façon de repérer des idées de test est de creuser dans vos données. Vos solutions d'analyse telles que Google Analytics, Kissmetrics, Mixpanel, etc. sont d'excellentes sources pour trouver les pages où vous perdez le plus de monde ou celles qui ont un faible taux d'engagement. Des outils comme Hotjar, Clicktale et Decibel vous montrent ce que font vos utilisateurs sur votre site Web et peuvent vous aider à identifier vos vrais points chauds de conversion. Ensuite, il existe des solutions telles que UserTesting, UsabilityHub et Usabilla, entre autres, qui vous permettent de collecter des tas de commentaires qualitatifs qui peuvent se traduire par des opportunités cruciales de test. Bien qu'il soit difficile d'examiner autant de silos de données, ce sont là que viennent les véritables idées de test gagnantes.

• Exécution d'un audit CRO manuel. L'audit de votre site Web pour CRO révèle certaines des lacunes d'optimisation les plus précieuses pour les tests. L'exécution d'un audit CRO vous oblige à examiner systématiquement chaque aspect de votre site Web (et au-delà) et à voir où vous pourriez perdre de l'argent.

• Utiliser des évaluations telles que Stuck Score pour repérer les «obstacles à la conversion» sur votre site Web. Vous pouvez également utiliser des évaluations comme Stuck Score qui révèlent les problèmes de conversion sur votre site Web et offrent d'excellentes idées à tester. Ces outils sont intelligents et peuvent repérer avec précision les opportunités de test sur l'ensemble de votre site Web.

Une fois que vous commencez à puiser dans ces sources, vous devriez être en mesure de générer un flux cohérent d'idées.

Mais générer des idées de test de qualité n'est qu'un aspect de ce problème. L'autre est le manque de communication et de collaboration sur les idées à l'étude. Cela peut sembler anodin (car après tout, vous n'avez besoin que de données, n'est-ce pas ?), mais ces questions affectent profondément vos collaborateurs et peuvent fausser votre culture de l'expérimentation.

Par exemple, prenez la fameuse expérience des 41 nuances de bleu tentée par Google. L'expérience de Google - basée sur les données - était toujours critiquée pour avoir adopté une approche dirigée par un ingénieur. Voici ce que Douglas Bowman, qui travaillait en tant que designer interne de Google, a ressenti sur la façon dont Google a géré son expérimentation : " Oui, c'est vrai qu'une équipe de Google ne pouvait pas décider entre deux bleus, alors ils testent 41 nuances entre chaque bleu. pour voir lequel est le plus performant. J'ai eu un débat récent sur la question de savoir si une bordure devait avoir une largeur de 3, 4 ou 5 pixels, et on m'a demandé de prouver mon cas. Je ne peux pas fonctionner dans un tel environnement. J'en ai assez de débattre de décisions de conception aussi minuscules.

Sans partager les idées que vous envisagez et impliquer votre équipe, vous ne pouvez pas créer une culture d'expérimentation globale à laquelle tout le monde souhaite participer.

Avec un outil CRO comme Compass (de notre suite Convert), vous pouvez facilement faciliter une telle idéation collaborative basée sur des données. Compass vous permet de proposer des idées de test basées sur des données en rassemblant vos différentes sources de données et suggère également des idées à tester en fonction des informations de Stuck Score. Compass vous permet même d'inviter les membres de votre équipe et de les engager avec des options de commentaires et plus encore.

Formulation d'hypothèses fondées sur des données et priorisation axée sur le laser

Une fois que vous avez vos idées de test, vous constaterez que quelques-unes d'entre elles sont tout simplement évidentes. Par exemple, si vous obtenez des commentaires d'utilisateurs indiquant que votre contenu n'est pas lisible (et que votre groupe démographique cible est, par exemple, les personnes de plus de quarante ans), vous pouvez peut-être mettre en œuvre l'idée d'augmenter la taille de votre police ou de changer sa couleur à droite une façon. Après tout, c'est un correctif d'une minute avec un petit changement de code CSS.

Certaines de vos idées semblent prometteuses et semblent tout à fait dignes d'être testées, mais vous devrez toujours rechercher « suffisamment » de points de données pour les soutenir [plus à ce sujet dans une minute…].

Et certaines idées que vous devriez simplement rejeter car elles seraient vagues et vous n'auriez aucun moyen de les valider. Par exemple, si votre audit CRO montre que vous avez un faible score NPS et que vous trouvez que c'est la raison de mauvaises conversions, vous ne pouvez pas utiliser une simple expérience pour y remédier.

Parmi celles-ci, les idées qui peuvent réellement se traduire en hypothèses solides sont vos véritables opportunités de test.

Mais vous avez besoin de BEAUCOUP de données pour étayer chaque hypothèse que vous faites. Ainsi, par exemple, si vous supposez que l'optimisation de l'expérience de votre page de destination mobile se traduira par des conversions plus élevées , vous aurez besoin d'un ensemble de points de données pour le prendre en charge. Dans ce cas, voici quelques-unes des données que vous pourriez utiliser :

1. Faibles conversions mobiles - données via votre solution d'analyse Web comme Google Analytics.
2. Une baisse inhabituellement élevée du trafic mobile - encore une fois, des données via votre solution d'analyse Web comme Google Analytics.
3. Mauvais retours des clients - données via votre solution de test utilisateur.

Comme vous pouvez le voir, les données pour former cette hypothèse sont assez équilibrées car vous avez des entrées provenant de plusieurs sources de données. En outre, vous disposez à la fois de données quantitatives et qualitatives. Idéalement, vous devriez trouver de telles données équilibrées pour soutenir toutes vos idées « dignes d'être testées ».

Mais vous n'avez pas encore fini.

Parce qu'une fois que vous êtes prêt avec toutes vos bonnes hypothèses, vous avez besoin d'un moyen de les noter ou de les hiérarchiser. Cela vous indique quelle hypothèse essayer en premier - ou pas du tout. ASTUCE : "Testons un nouveau design de site Web !!! Cela va faire exploser nos ventes. est généralement une très mauvaise hypothèse.

De nombreux facteurs entrent en ligne de compte pour déterminer dans quelle mesure il est pratique de tester une hypothèse. Son temps et sa difficulté de mise en œuvre et l'impact potentiel qu'il peut avoir sur les conversions doivent être pris en compte ici.

Mais la plupart des entreprises n'ont pas de modèle de priorisation pour cela. Cela se traduit souvent par le lancement d'un test ambitieux comme, par exemple, une refonte majeure de la conception qui utilise tout le mois de bande passante CRO. Ce qui signifie que vous ne pouvez plus planifier ou exécuter de tests, du moins pour le mois. Le pire, c'est que même des tests aussi ambitieux ne garantissent aucun résultat significatif.

Pour éviter cela, vous pouvez utiliser le cadre de priorisation PXL de CXL. Ce cadre vous oblige à penser à un niveau très granulaire, comme mieux comprendre le ou les changements proposés, évaluer comment il résout les problèmes découverts au cours de la recherche, son impact potentiel et l'effort de mise en œuvre.

Vous pouvez également consulter le cadre PIE et ICE Score pour hiérarchiser vos hypothèses.

Une façon encore plus intelligente de hiérarchiser vos hypothèses consiste à utiliser un outil CRO qui peut vous dire à quel point une expérience peut nécessiter beaucoup de ressources et de temps. Par exemple, Compass vous donne de bonnes estimations pour toutes vos hypothèses.

Apprenez de vos tests A/B

Les tests peuvent être non concluants.

Pour la plupart des programmes d'optimisation du taux de conversion, vous obtenez seulement 20 % de tests atteignant une signification statistique.

Et donc, tout apprentissage doit être réintroduit dans le mélange de tests et être utilisé pour proposer des idées et des hypothèses meilleures et plus raffinées.

Non seulement cela, les expériences gagnantes peuvent aussi être des perdants en fait, lorsque la version challenger gagne, mais les réservoirs de revenus.

En outre, si une hypothèse est vraiment solide et étayée par des données, il est courant de créer environ 3 à 4 expériences de suivi pour celle-ci (même si l'expérience initiale a gagné !).

Ce qui signifie qu'il ne suffit pas d'interpréter et d'enregistrer les résultats de votre expérience. Pour planifier des tests itératifs significatifs, vous devez documenter l'ensemble de votre processus d'expérimentation chaque fois que vous en exécutez un.

En documentant ses observations et ses apprentissages, LinkedIn a pu donner suite à une expérience ratée, qui était en fait gagnante sur la fonctionnalité clé testée. Voici le scoop complet :

En 2013, LinkedIn Search a lancé une expérience majeure dans laquelle il a publié sa fonctionnalité de recherche unifiée améliorée. Fondamentalement, la recherche LinkedIn est devenue "suffisamment intelligente" pour déterminer automatiquement l'intention de la requête sans les qualificatifs nécessaires tels que "Personnes", "Emplois" ou "Entreprises". La page de destination de la recherche a été totalement remaniée pour cette version - tout, de la barre de navigation aux boutons et aux extraits, a été refait, de sorte que les utilisateurs ont vu de très nombreux changements.

Mais l'expérience a échoué et LinkedIn a été surpris de voir son réservoir de métriques clés.

L'équipe a maintenant décidé de revenir à la conception d'origine en revenant sur un changement à la fois, afin de pouvoir identifier celui qui n'a pas bien plu aux utilisateurs. Au cours de cette restauration chronophage, LinkedIn a constaté que ce n'était pas la recherche unifiée que les gens n'aimaient pas, mais c'était un groupe de plusieurs petits changements qui avaient fait baisser les clics et les revenus. Une fois que LinkedIn les a corrigés, la recherche unifiée s'est avérée avoir une expérience utilisateur positive et a été publiée pour tout le monde.

Ainsi, qu'il s'agisse d'un test A/B simple ou d'un test multivarié complexe, toute expérience que vous lancez doit être documentée en détail. Ses apprentissages doivent également être documentés. Ce faisant, vous pouvez vous assurer que vos expériences futures (ou de suivi) sont en fait meilleures que les précédentes.

Avec un outil CRO comme Convert Compass, vous pouvez créer une base de connaissances de vos idées, observations, hypothèses et apprentissages afin que toute votre équipe puisse apprendre et grandir ensemble. Non seulement cela, Compass peut même utiliser vos apprentissages pour suggérer l'hypothèse que vous pourriez essayer ensuite.

En conclusion…

En optimisant les parties d'idéation, d'hypothèse et d'apprentissage de votre programme CRO, vous pouvez améliorer considérablement la qualité de vos expériences. Et en collaborant et en vous engageant avec tous vos collaborateurs, vous pouvez créer et dynamiser une culture d'expérimentation inclusive.

Vous trouverez peut-être difficile de rassembler toutes vos données lorsque vous réfléchissez ou souffrez d'une surcharge de données lors de l'hypothèse (et de la hiérarchisation), ou même de la difficulté à documenter ou à utiliser les apprentissages pour vos expériences de suivi, mais ce sont les choses qui vous aideront à augmenter les tests. rapidité et préparez le terrain pour le succès à long terme de votre CRO.

Si vous préférez utiliser un outil CRO qui fait tout ce gros travail pour vous, inscrivez-vous ci-dessous.

Compass vous aide avec une idéation basée sur les données (en rassemblant toutes les données de vos différents silos de données et avec les entrées de Stuck Score suggérant des idées à essayer en premier), une hiérarchisation significative (en vous indiquant à quel point une expérience peut être difficile, facile ou percutante ), et la documentation de vos apprentissages (en rassemblant toutes vos idées, recherches de données, observations, résultats, apprentissages et plus en un seul endroit !).