Menguji Seri Peta Pikiran: Cara Berpikir Seperti CRO Pro (Bagian 13)

Wawancara dengan Alex Birkett

Dalam hal pengoptimalan, hanya sedikit orang yang berpengalaman seperti Alex Birkett.

Tapi apa sebenarnya "optimasi" itu?

Alex mengatakan itu adalah kombinasi dari disiplin ilmu, termasuk copywriting dan eksperimen.

Ini tentang membangun sistem dan proses yang tepat untuk mengurangi (bukan menghilangkan) ketidakpastian. Memahami bahwa ada titik di mana upaya untuk menghilangkan ketidakpastian memiliki hasil yang semakin berkurang.

Dan tidak, pengoptimalan bukanlah jawaban untuk semua masalah bisnis atau UI.

Dalam wawancara ini, kami akan mempelajari kiat-kiat utama Alex untuk mengembangkan literasi data dan membangun program eksperimen yang sukses. Anda akan mempelajari apa yang harus dipertimbangkan bahkan sebelum Anda mulai mengoptimalkan situs Anda dan cara melacak pengujian Anda secara efektif. Jadi, baca terus jika Anda ingin meningkatkan upaya pengoptimalan Anda!

Alex, ceritakan tentang dirimu. Apa yang menginspirasi Anda untuk melakukan pengujian & pengoptimalan?

Nama saya Alex Birkett. Saya tinggal di Austin, Texas dan memiliki seekor anjing bernama Biscuit.

Saya menulis di alexbirkett.com, menjalankan agensi pemasaran konten bernama Omniscient Digital, dan menjalankan program eksperimen dan tim di Workato. Jelas, ini membuat saya cukup sibuk. Tapi di luar itu, saya bergairah tentang kesehatan dan kebugaran. Jadi saya menghabiskan banyak waktu di studio yoga, sauna, gym CrossFit, resor ski, dll.

Ketika saya masih kuliah, saya membaca banyak artikel Ryan Holiday, yang membuat saya tertarik pada pemasaran. Dia menulis sebuah buku berjudul “Growth Hacker Marketing” tepat pada saat saya lulus kuliah, dan itu termasuk banyak tokoh seperti Sean Ellis, yang berbicara tentang pengujian A/B dan pertumbuhan kuantitatif yang didorong oleh data. Itu membuat saya penasaran, jadi saya mendaftar ke Optimizely ketika mereka menawarkan akun gratis dan mulai bermain-main.

Saya mendapat pekerjaan di perusahaan teknologi tahap awal di Austin, tetapi saya terus membaca blog seperti CXL, Ilmu Konversi, dan Eksperimen Pemasaran, jadi ketika saya melihat Peep Laja membuka peran di Austin untuk "pemasar konten & pertumbuhan," Saya melompat pada kesempatan itu.

Dan itulah awal dari lubang kelinci. Beberapa tahun berikutnya yang saya habiskan di CXL seperti mendapatkan gelar sarjana dalam pengoptimalan, eksperimen, dan pemasaran berbasis data secara umum. Saya mendapatkan jaringan dan belajar dari para ahli top di industri ini, menjalankan eksperimen sendiri, dan menulis tentang semua hal yang saya pelajari. Itu adalah kesempatan impian bagi seorang kutu buku eksperimen muda dan lapar.

Sudah berapa tahun Anda mengoptimalkannya? Apa satu-satunya sumber daya yang Anda rekomendasikan untuk calon penguji & pengoptimal?

Saya mengambil banyak kelas psikologi sosial di universitas tempat kami menjalankan eksperimen perilaku klasik, tetapi pertama kali saya menjalankan tes di situs web adalah pada tahun 2014. Namun, saya tidak tahu apa yang saya lakukan. Pertama kali saya tahu apa yang saya lakukan adalah di CXL pada tahun 2015/2016. Jadi saya telah mengoptimalkan secara profesional, atau setidaknya setengah mahir, selama sekitar 6-7 tahun.

Jika ada satu sumber yang dapat saya rekomendasikan, itu adalah CXL (termasuk CXL Institute).

"Optimasi" sebenarnya bukan disiplin ilmu – ini adalah beberapa disiplin ilmu yang tumpang tindih. Jadi saya mungkin akan merekomendasikan mengindeks berat pada salah satu dari mereka dan menjadi baik sebelum Anda mencoba untuk menjadi "pengoptimal" (yang menurut saya tidak benar-benar ada - itu lebih dari pola pikir).

Copywriting? Copyhackers.com dan buku copywriting tanggapan langsung klasik.

Percobaan? Blog teknik Netflix dan Airbnb, buku Ronny Kohavi, dan banyak latihan.

Itu benar-benar tergantung lubang kelinci apa yang ingin Anda turuni.

Saya juga menyarankan bergabung dengan komunitas untuk apa pun yang ingin Anda capai. CXL memiliki grup Facebook yang hebat. Measure Slack sangat bagus untuk analitik dan hal-hal umum yang didorong oleh data.

Jawab dalam 5 kata atau kurang: Apa disiplin pengoptimalan bagi Anda?

Membuat keputusan bisnis yang lebih baik.

Apa 3 hal teratas yang HARUS dipahami orang sebelum mereka mulai mengoptimalkan?

• Apa yang kami sebut pengoptimalan sebagian besar adalah pengurangan ketidakpastian (Anda mengumpulkan sejumlah X informasi untuk mengurangi ketidakpastian sebesar Y).
• Anda tidak pernah dapat sepenuhnya mengurangi ketidakpastian dan ada titik utilitas yang berkurang dalam mencoba melakukannya.
• Pengoptimalan tidak selalu merupakan jawaban atas masalah bisnis Anda, dan mengetahui kapan hal itu dapat dilakukan dan bukan merupakan keuntungan strategis yang besar.

Bagaimana Anda memperlakukan data kualitatif & kuantitatif sehingga menceritakan kisah yang tidak bias?

Anda tidak akan pernah mendapatkan cerita yang sepenuhnya "tidak bias", jadi saya mengoptimalkan "nilai yang diharapkan" saat bekerja dengan data.

Selalu ada biaya untuk mengumpulkan data – dalam hal waktu (biaya peluang menjalankan eksperimen atau mengumpulkan tanggapan survei) atau uang (perangkat lunak, pengembang, perancang, dll.).

Dampak atau risiko dari keputusan yang diberikan juga menjadi faktor seberapa banyak saya ingin "menghabiskan" data untuk mengurangi ketidakpastian itu.

Jika keputusan membuat atau menghancurkan bisnis, dan ada cara yang layak untuk mengumpulkan data yang cukup untuk memastikan keputusan yang baik, saya akan menghabiskan waktu dan uang untuk melakukannya.

Jika keputusan tidak terlalu penting, membuang-buang waktu dan uang saya untuk menghabiskan waktu mengumpulkan umpan balik kualitatif atau kuantitatif. Saya hanya membuat keputusan dalam kasus itu.

Tetapi secara umum, saya suka mengumpulkan *cukup* data dan tidak lebih dari itu untuk membuat apa yang saya rasakan sebagai keputusan dengan bobot risiko yang tepat untuk tugas yang ada. Terkadang saya (*terkesiap*) ikut-ikutan. Terkadang saya berbicara dengan 5 pelanggan dan merasa percaya diri dengan data kualitatif saya. Terkadang saya menjalankan eksperimen yang ketat selama 4 minggu dan menggunakan analisis statistik untuk bergerak maju.

Itu semua tergantung, tidak ada jawaban yang cocok untuk semua.

Satu hal yang saya pelajari adalah bahwa lebih banyak data juga dapat menciptakan lebih banyak masalah, terutama bagi organisasi dengan sedikit literasi data dan kemampuan untuk mengurai data untuk membuat keputusan yang baik.

Program pembelajaran seperti apa yang telah Anda siapkan untuk tim pengoptimalan Anda? Dan mengapa Anda mengambil pendekatan khusus ini?

Di Workato, prosesnya cukup sederhana.

Ide eksperimen dapat datang dari berbagai tim dan sumber – terkadang merupakan inspirasi kreatif dari tim penjualan, terkadang merupakan ide yang diteliti dengan baik dari tim merek. Terkadang itu adalah produk dari penelitian konversi (semuanya kami masuk ke database Airtable kami).

Ide diprioritaskan dan kemudian diperlukan untuk mengisi dokumen eksperimen – ini termasuk tujuan pembelajaran, hipotesis, penelitian latar belakang, desain eksperimen, dan item tindakan setelah kesimpulan.

Setelah percobaan selesai, itu dianalisis dan dokumen percobaan diperbarui dengan kesimpulan dan pembelajaran. Ini ditandai dan ditambahkan ke arsip Airtable kami.

Airtable ini tersedia untuk siapa saja di perusahaan, dan kami juga melakukan pertemuan tinjauan eksperimen mingguan serta buletin mingguan dengan eksperimen yang berjalan, terencana, dan selesai (yang dapat didaftarkan oleh siapa saja).

Tim kami juga berbicara di pertemuan perusahaan secara berkala untuk mengajar dan menginjili cara-cara eksperimen.

Saya mengambil pendekatan ini karena saya percaya pada kekuatan iterasi dan pembelajaran serta proses dan pendidikan, tetapi Anda tidak dapat membanjiri tim dan perusahaan. Setiap orang memiliki tujuan dan tugas masing-masing, dan meskipun kami menganggap eksperimen adalah kehidupan dan kematian bisnis, itu bukan hal pertama yang dipikirkan orang lain ketika mereka bangun. Tugas saya adalah menginjili dan mendidik orang, tetapi juga mengurangi gesekan dalam melakukannya. Saya ingin orang *bersemangat* tentang eksperimen dan ingin terlibat, tidak menganggapnya sebagai beban atau pekerjaan rumah.

Jadi program pembelajaran saya dirancang untuk menjadi seringan dan tanpa gesekan mungkin, dengan peningkatan keikutsertaan bagi orang-orang yang ingin lebih terlibat.

Mitos pengoptimalan apa yang paling mengganggu yang Anda harap akan hilang?

Saya tidak tahu apakah ini mitos, tetapi merupakan kepercayaan umum bahwa mereka yang bekerja di CRO memiliki jawaban untuk masalah UI Anda. Mereka tidak. Mereka dapat memiliki petak titik data yang lebih luas untuk pencocokan pola (yang merupakan praktik terbaik), dan itu dapat membantu. Tapi Anda tidak bisa hanya melihat situs web atau halaman arahan, meruntuhkannya, dan secara otomatis "mengoptimalkan" untuk mendapatkan keuntungan. Jika Anda bisa, Anda akan kaya raya, karena itu membutuhkan waktu beberapa jam dan Anda dapat menagih ratusan ribu untuk nilai melakukannya jika itu benar-benar menghasilkan ROI.

Sistem dan proses yang Anda bangun untuk membuat keputusan yang lebih baik adalah tentang eksperimen atau pengoptimalan. Bukan sekumpulan pola yang cocok di kepala ninja CRO.

Mudah-mudahan, wawancara kami dengan Alex akan membantu memandu strategi eksperimen Anda ke arah yang benar!

Nasihat apa yang paling sesuai dengan Anda?

Pastikan untuk menantikan wawancara kami berikutnya dengan pakar CRO yang membawa kami melalui strategi yang lebih maju! Dan jika Anda belum melakukannya, lihat wawancara kami dengan Gursimran Gujral , Haley Carpenter , Rishi Rawat , Sina Fak , Eden Bidani , Jakub Linowski , Shiva Manjunath , Andra Baragan , Rich Page , Ruben de Boer , dan yang terbaru dengan Abi Hough .