Bagaimana Anda Dapat Meningkatkan Kecepatan Pengujian? Mengapa Anda Membutuhkan Program Kecepatan Tinggi?

Biasanya, jika Anda menjalankan 4 pengujian CRO setiap bulan (itu adalah pengujian/minggu), dan jika 10% pengujian Anda menang, Anda menjalankan program pengoptimalan yang baik. Itu kapasitas pengujian yang layak dan tingkat kemenangan yang bagus.

Lebih baik lagi, jika Anda mengelola peningkatan yang baik untuk tes kemenangan Anda dan kinerja program Anda terus meningkat dari waktu ke waktu.

Tetapi sebagian besar program pengoptimalan tidak berjalan dengan baik.

Faktanya, hanya 22% perusahaan yang senang dengan upaya CRO mereka.

Artinya, 78% perusahaan dapat mengoptimalkan program pengoptimalan mereka.

Tapi bagaimana caranya…

Apa yang Membunuh Sebagian Besar Program Pengoptimalan Konversi

Masalah dengan sebagian besar program pengoptimalan adalah bahwa program tersebut tidak dirancang untuk kesuksesan jangka panjang. Sebaliknya, mereka berkembang berdasarkan tes demi tes.

Program semacam itu sebagian besar hanya seefektif (atau tidak) seperti tes terakhir yang mereka jalankan.

Dan perusahaan yang menjalankannya melihat penerapan eksperimen sebagai kemenangan. Pandangan rabun mereka menghentikan mereka dari mengembangkan infrastruktur untuk mendukung program pengujian kualitas yang konsisten.

Memang benar bahwa eksekusi yang baik adalah suatu keharusan untuk eksperimen apa pun, tetapi bahkan eksperimen yang buruk pun dapat dieksekusi dengan sangat baik.

Tapi tidak ada yang menang ketika ini terjadi.

Berfokus hanya pada eksekusi dan tidak menghabiskan cukup waktu dan upaya pada langkah-langkah seperti pembuatan ide, hipotesis, dan dokumentasi/pembelajaran — yang benar-benar menentukan kualitas eksperimen — biasanya hanya menghasilkan kesuksesan jangka pendek, jika sama sekali.

Jadi mari kita lihat bagaimana Anda dapat meningkatkan kecepatan pengujian dan menjalankan program pengoptimalan yang baik. Jika Anda sudah menjalankannya, Anda dapat menggunakan tips ini untuk lebih meningkatkan tingkat kemenangan dan kinerja program secara keseluruhan.

Ini dia.

Cara Menghasilkan Lebih Banyak Ide untuk Diuji

Untuk menjalankan (setidaknya) 4 pengujian setiap bulan, Anda memerlukan saluran yang penuh dengan ide pengujian. Tanpa “bank ide”, Anda tidak dapat mendukung kecepatan pengujian yang baik dan konsisten.

Meskipun demikian, di sebagian besar program CRO, tes direncanakan ketika seseorang dalam tim memiliki semacam pencerahan tes CRO.

Idealnya, Anda harus memiliki ide pengujian kualitas yang terus-menerus masuk ke dalam program eksperimen Anda. Ide pengujian ini dapat berasal dari:

• Menggali segunung data yang dihasilkan alat CRO Anda. Cara terbaik untuk menemukan ide pengujian adalah dengan menggali data Anda. Solusi analitik Anda seperti Google Analytics, Kissmetrics, Mixpanel, dll. adalah sumber yang sangat baik untuk menemukan halaman tempat Anda kehilangan sebagian besar orang atau halaman yang memiliki tingkat keterlibatan rendah. Alat seperti Hotjar, Clicktale, dan Decibel menunjukkan kepada Anda apa yang dilakukan pengguna Anda di situs web Anda dan dapat membantu mengidentifikasi hotspot konversi Anda yang sebenarnya. Lalu ada solusi seperti UserTesting, UsabilityHub, dan Usabilla antara lain yang memungkinkan Anda mengumpulkan banyak umpan balik kualitatif yang dapat diterjemahkan ke beberapa peluang penting untuk pengujian. Meskipun sulit untuk meninjau begitu banyak silo data, ini adalah tempat di mana ide pengujian pemenang yang sebenarnya berasal.

• Menjalankan audit CRO manual. Mengaudit situs web Anda untuk CRO mengungkap beberapa celah pengoptimalan yang paling berharga untuk pengujian. Menjalankan audit CRO memaksa Anda untuk secara sistematis melihat setiap aspek situs web Anda (dan seterusnya) dan melihat di mana Anda bisa kehilangan uang.

• Menggunakan penilaian seperti Stuck Score untuk menemukan “hambatan konversi” di situs web Anda. Anda juga dapat menggunakan penilaian seperti Stuck Score yang mengungkap masalah konversi di situs web Anda dan menawarkan ide bagus untuk diuji. Alat-alat ini cerdas dan dapat dengan tepat melihat peluang pengujian di seluruh situs web Anda.

Setelah Anda mulai memanfaatkan sumber-sumber ini, Anda harus dapat menghasilkan aliran ide yang konsisten.

Tetapi menghasilkan ide pengujian kualitas hanyalah salah satu aspek dari masalah ini. Yang lainnya adalah kurangnya komunikasi dan kolaborasi pada ide-ide yang sedang dipertimbangkan. Ini mungkin tampak sepele (karena, bagaimanapun juga, Anda hanya membutuhkan data, bukan?), tetapi masalah ini sangat memengaruhi orang-orang Anda dan dapat mengubah budaya eksperimentasi Anda.

Misalnya, ambil eksperimen 41 warna biru yang terkenal yang dicoba Google. Eksperimen Google — berdasarkan informasi data — masih dikritik karena mengambil pendekatan yang dipimpin oleh insinyur. Inilah yang dirasakan oleh Douglas Bowman, yang bekerja sebagai desainer internal Google tentang bagaimana Google menangani eksperimennya: “ Ya, memang benar bahwa tim di Google tidak dapat memutuskan antara dua warna biru, jadi mereka menguji 41 warna di antara setiap warna biru. untuk melihat mana yang berkinerja lebih baik. Saya baru-baru ini berdebat tentang apakah perbatasan harus lebar 3, 4 atau 5 piksel, dan diminta untuk membuktikan kasus saya. Saya tidak bisa beroperasi di lingkungan seperti itu. Saya sudah bosan memperdebatkan keputusan desain yang sangat kecil.”

Tanpa berbagi ide yang Anda pertimbangkan dan melibatkan tim Anda, Anda tidak dapat membangun budaya eksperimen yang mencakup semua yang semua orang ingin menjadi bagiannya.

Dengan alat CRO seperti Kompas (dari Convert Suite kami), Anda dapat dengan mudah memfasilitasi ide kolaboratif yang didukung data tersebut. Kompas memungkinkan Anda menghasilkan ide pengujian yang didukung data dengan menyatukan berbagai sumber data Anda dan juga menyarankan ide untuk diuji berdasarkan wawasan dari Stuck Score. Kompas bahkan memungkinkan Anda mengundang anggota tim Anda dan melibatkan mereka dengan opsi untuk umpan balik dan banyak lagi.

Membentuk Hipotesis yang Didukung Data dan Prioritas yang Berfokus pada Laser

Setelah Anda memiliki ide pengujian, Anda akan menemukan bahwa beberapa di antaranya sangat jelas. Misalnya, jika Anda mendapatkan beberapa umpan balik pengguna bahwa konten Anda tidak dapat dibaca (dan target demografis Anda, katakanlah, orang-orang berusia di atas empat puluh tahun), maka mungkin Anda dapat menerapkan gagasan untuk meningkatkan ukuran font Anda atau mengubah warnanya dengan benar. jauh. Bagaimanapun, ini adalah perbaikan satu menit dengan sedikit perubahan kode CSS.

Beberapa ide Anda akan terlihat menjanjikan dan tampaknya benar-benar layak untuk diuji, tetapi Anda masih perlu mencari titik data yang “cukup” untuk mendukungnya [selengkapnya tentang ini sebentar lagi…].

Dan beberapa ide harus Anda buang karena tidak jelas dan Anda tidak punya cara untuk memvalidasinya. Misalnya, jika audit CRO Anda menunjukkan bahwa Anda memiliki skor NPS yang rendah, dan Anda menganggapnya sebagai alasan untuk konversi yang buruk, maka Anda tidak mungkin dapat menggunakan eksperimen sederhana untuk memperbaikinya.

Dari jumlah tersebut, ide-ide yang benar-benar dapat diterjemahkan menjadi hipotesis yang kuat adalah peluang pengujian Anda yang sebenarnya.

Tetapi Anda membutuhkan BANYAK data untuk mendukung setiap hipotesis yang Anda buat. Jadi misalnya, jika Anda berhipotesis bahwa mengoptimalkan pengalaman laman landas seluler akan menghasilkan konversi yang lebih tinggi , Anda memerlukan banyak titik data untuk mendukungnya. Dalam hal ini, inilah beberapa data yang dapat Anda gunakan:

1. Konversi seluler rendah — data melalui solusi analisis web Anda seperti Google Analytics.
2. Penurunan yang luar biasa tinggi untuk lalu lintas seluler — sekali lagi, data melalui solusi analisis web Anda seperti Google Analytics.
3. Umpan balik yang buruk dari pelanggan — data melalui solusi pengujian pengguna Anda.

Seperti yang Anda lihat, data untuk membentuk hipotesis ini cukup seimbang karena Anda memasukkan berbagai sumber data. Juga, Anda memiliki data kuantitatif dan kualitatif. Idealnya, Anda harus menemukan data yang seimbang untuk mendukung semua ide "layak-uji" Anda.

Tapi Anda belum selesai.

Karena setelah Anda siap dengan semua hipotesis bagus Anda, Anda memerlukan cara untuk menilai atau memprioritaskannya. Melakukannya memberi tahu Anda hipotesis mana yang harus dicoba terlebih dahulu — atau sama sekali. PETUNJUK: “Mari kita uji desain situs web baru!!! Itu akan meningkatkan penjualan kami.” biasanya merupakan hipotesis yang SANGAT BURUK.

Banyak faktor yang menentukan seberapa praktis pengujian hipotesis. Waktu dan kesulitan penerapannya serta dampak potensialnya terhadap konversi perlu dipertimbangkan di sini.

Tetapi sebagian besar perusahaan tidak memiliki model prioritas untuk ini. Hal ini sering mengakibatkan peluncuran tes ambisius seperti, katakanlah, perombakan desain besar-besaran yang menggunakan bandwidth CRO sepanjang bulan. Yang berarti Anda tidak dapat merencanakan atau menjalankan tes lagi, setidaknya untuk bulan itu. Bagian terburuknya adalah bahkan tes ambisius seperti itu tidak menjamin hasil yang signifikan.

Untuk menghindarinya, Anda bisa menggunakan kerangka prioritas PXL dari CXL. Kerangka kerja ini memaksa Anda untuk berpikir pada tingkat yang sangat terperinci seperti memahami perubahan yang diusulkan dengan lebih baik, mengevaluasi cara mengatasi masalah yang ditemukan selama penelitian, potensi dampaknya, dan upaya implementasi.

Anda juga dapat melihat kerangka kerja Skor PIE dan ICE untuk memprioritaskan hipotesis Anda.

Cara yang lebih cerdas untuk memprioritaskan hipotesis Anda adalah dengan menggunakan alat CRO yang dapat memberi tahu Anda seberapa intensif sumber daya dan waktu sebuah eksperimen. Misalnya, Kompas memberi Anda perkiraan yang baik untuk semua hipotesis Anda.

Belajar Dari Pengujian A/B Anda

Tes bisa tidak meyakinkan.

Untuk sebagian besar program pengoptimalan tingkat konversi, Anda mendapatkan 20% pengujian rendah yang mencapai signifikansi statistik.

Jadi semua pembelajaran perlu kembali ke campuran pengujian dan digunakan untuk menghasilkan ide dan hipotesis yang lebih baik dan lebih halus.

Bukan hanya itu, eksperimen yang menang juga bisa menjadi pecundang sebenarnya, ketika versi penantang menang tetapi pendapatannya berkurang.

Selain itu, jika hipotesis benar-benar kuat dan didukung data, biasanya dibuat sekitar 3-4 eksperimen lanjutan untuknya (bahkan jika eksperimen awal menang!).

Artinya, menafsirkan dan merekam hasil eksperimen saja tidak cukup. Untuk merencanakan pengujian berulang yang berarti, Anda perlu mendokumentasikan seluruh proses eksperimen setiap kali Anda menjalankannya.

Dengan mendokumentasikan pengamatan dan pembelajarannya, LinkedIn dapat menindaklanjuti eksperimen yang gagal, yang sebenarnya merupakan pemenang pada fitur utama yang sedang diuji. Berikut cuplikan lengkapnya:

Pada tahun 2013, LinkedIn Search memulai eksperimen besar di mana ia merilis fungsionalitas pencarian terpadu yang ditingkatkan. Pada dasarnya, Pencarian LinkedIn menjadi "cukup pintar" untuk mengetahui maksud kueri secara otomatis tanpa kualifikasi yang diperlukan seperti "Orang," atau "Pekerjaan," atau "Perusahaan." Halaman arahan pencarian benar-benar diubah untuk rilis ini — semuanya mulai dari bilah navigasi hingga tombol dan cuplikan telah dibuat ulang, sehingga pengguna melihat banyak, banyak perubahan.

Tetapi percobaan itu gagal dan LinkedIn terkejut melihat tangki metrik utamanya.

Tim sekarang memutuskan untuk memutar kembali ke desain asli dengan melacak satu per satu perubahan, sehingga dapat mengidentifikasi perubahan yang tidak disukai pengguna. Selama rollback yang memakan waktu ini, LinkedIn menemukan bahwa itu bukan pencarian terpadu yang tidak disukai orang, tetapi sekelompok beberapa perubahan kecil yang telah menurunkan klik dan pendapatan. Setelah LinkedIn memperbaikinya, pencarian terpadu menunjukkan pengalaman pengguna yang positif dan dirilis untuk semua orang.

Jadi, apakah itu pengujian A/B sederhana atau pengujian multivarian yang kompleks, setiap eksperimen yang Anda luncurkan harus didokumentasikan secara mendetail. Pembelajarannya juga perlu didokumentasikan. Dengan melakukannya, Anda dapat memastikan bahwa eksperimen masa depan (atau tindak lanjut) Anda sebenarnya lebih baik daripada eksperimen sebelumnya.

Dengan alat CRO seperti Convert Compass, Anda dapat membangun basis pengetahuan tentang ide, pengamatan, hipotesis, dan pembelajaran Anda sehingga seluruh tim Anda dapat belajar dan tumbuh bersama. Tidak hanya itu, Kompas bahkan dapat menggunakan pembelajaran Anda untuk menyarankan hipotesis yang dapat Anda coba selanjutnya.

Membungkusnya…

Dengan mengoptimalkan bagian pembuatan ide, hipotesis, dan pembelajaran dari program CRO Anda, Anda dapat meningkatkan kualitas eksperimen Anda secara dramatis. Dan dengan berkolaborasi dan terlibat dengan semua orang Anda dalam hal ini, Anda dapat membangun dan meningkatkan budaya eksperimen yang inklusif.

Anda mungkin merasa sulit untuk menyatukan semua data Anda saat membuat ide atau mengalami kebanjiran data saat berhipotesis (dan memprioritaskan), atau bahkan kesulitan dengan mendokumentasikan atau menggunakan pembelajaran untuk eksperimen lanjutan Anda, tetapi ini adalah hal-hal yang akan membantu Anda meningkatkan pengujian kecepatan dan menetapkan dasar untuk kesuksesan CRO jangka panjang Anda.

Jika Anda lebih suka menggunakan alat CRO yang melakukan semua pekerjaan berat ini untuk Anda, daftar di bawah .

Kompas membantu Anda dengan ide yang didukung data (dengan menyatukan semua data dari silo data Anda yang berbeda dan dengan masukan dari Stuck Score yang menyarankan ide untuk dicoba terlebih dahulu), prioritas yang bermakna (dengan memberi tahu Anda betapa sulit, mudah, atau berdampaknya suatu eksperimen ), dan dokumentasi pembelajaran Anda (dengan menyatukan semua ide, penelitian data, pengamatan, hasil, pembelajaran, dan lainnya di satu tempat!).