최적화 프로세스를 만드는 방법은 무엇입니까? 지속적인 성장을 지원하는 실험 문화 구축 가이드

지속적인 성장을 원한다면 테스트 최적화 프로그램에 의한 테스트는 그것을 자르지 않을 것입니다. 2019년 CXL은 옵티마이저의 38.3%가 문서화되지 않았거나 구조화되지 않은 프로세스를 가지고 있는 반면 17.1%는 프로세스가 전혀 없다고 보고했습니다. 지속 가능한 성장을 주도하는 적절한 최적화는 실행 및 유지 관리를 위해 잘 정의된 구조가 필요한 프로세스입니다.

팀이 지속적으로 테스트하고 개선할 수 있는 전환율 최적화 프로그램을 구축하는 것은 쉬운 일이 아닙니다. 최적화 프로세스를 구축하는 것은 많은 옵티마이저가 겪는 문제 중 하나입니다. 극복해야 할 많은 과제가 있습니다.

첫째, 최적화를 허용 가능한 기준 이하로 전환이 증가하거나 감소해야 할 때만 실행되는 마케팅 활동으로 보는 사고 방식이 있습니다. 최적화의 이점을 인식하고 있지만 회사에 일관된 실험 프레임워크가 없습니다.

둘째, 최적화 프로그램의 시대가 있습니다. 회사에서 CRO 실습이 아직 어리다면 테스트를 실행하고 성공을 시도하는 동안 프레임워크를 설정하는 것이 어려울 수 있습니다. 이제 막 시작했기 때문에 최적화 프로세스 생성을 포기하고 싶은 유혹이 있습니다. 그러나 이것은 최적화 프로그램이 성숙함에 따라 다시 당신을 괴롭힐 것입니다.

최적화는 젊은 산업입니다. 2019 CXL 연구에 따르면 옵티마이저의 60%가 업계에서 일한 지 2년밖에 되지 않았습니다. 최적화 프레임워크는 회사가 팀의 옵티마이저를 최대한 활용하고 지속적인 성장을 이끄는 최적화 프로그램을 추진하는 데 도움이 됩니다.

극복해야 할 과제가 더 많습니다. 그럼, 지속적인 성장을 지원하는 최적화 구조를 구축하는 방법을 보여드리겠습니다!

실험 및 최적화 사고방식 채택

스티브 마라볼리는 이렇게 말했습니다.

마음가짐이 바뀌면 외면도 함께 바뀝니다.

회사에 적합한 전환 최적화 구조를 구축하려면 올바른 사고 방식을 키워야 합니다. 최적화에 초점을 맞춘 일반적인 사고방식은 전환율 최적화 프레임워크를 놓을 수 있는 훌륭한 기반을 만듭니다.

다음은 귀사가 최적화에 더 집중할 수 있도록 하는 몇 가지 기풍입니다.

데이터 기반

분할 및 다변수 테스트는 정량적(분석적) 및 정성적 데이터에 의해 주도되므로 데이터 우선 사고 방식으로 전환하면 회사가 좋은 세상을 만들 수 있습니다.

데이터 기반 사고 방식은 회사가 지속적으로 최적화하는 데 도움이 될 뿐만 아니라 새로운 시장으로 다각화하거나 미래 추세를 예측하는 것과 같은 다른 비즈니스 결정에도 영향을 줍니다.

데이터 중심의 좋은 점은 마케팅 팀이 이미 그런 식으로 운영되고 있다는 것입니다. 마케팅 팀이 분석 데이터를 사용하여 더 많은 트래픽을 확보하기 위해 콘텐츠를 업데이트하고 구매자 페르소나를 생성하는 등의 작업을 알린다면 이미 데이터 우선 접근 방식을 사용하고 있는 것입니다. 회사의 다른 팀에서는 워크플로와 프로세스를 더 쉽게 만들기 위해 데이터를 사용하고 있을 것입니다. 그렇지 않은 경우 동일한 페이지에서 가져옵니다.

애자일 접근

종종 많은 회사에서 결과가 큰 영향을 미칠 것이라고 기대합니다. 직원들은 이 완벽한 유니콘을 제공해야 한다는 엄청난 압력을 받고 있습니다. 이것은 완성보다 완성이 우선하기 때문에 종종 지연으로 이어집니다.

이러한 태도는 최적화와 상충됩니다. 최적화에서는 일주일 안에 얻을 수 있는 작은 승리가 더 큰 승리를 얻기 위해 1년을 기다리는 것보다 낫습니다. 오늘 방문 페이지를 A/B 테스트하고 몇 주 만에 결과를 얻는 것이 웹사이트의 거의 모든 문제를 한 번에 해결할 수 있는 완벽한 다변수 테스트를 구상하고 계획하고 생성하기 위해 3개월을 기다리는 것보다 낫습니다(그것이 가능합니까?). 복잡한 테스트가 나쁘다는 것은 아닙니다. 아이디어는 작은 테스트로 시작하여 더 복잡한 테스트까지 진행하는 것입니다.

"큰 일을 하든 집에 가든" 일하는 사고방식에서 벗어나는 것은 달성하기 어렵습니다. 하지만 할 수 있습니다. 팀에서 진행 상황을 강조하고 작업을 완료하는 것으로 시작하십시오(완벽할 필요는 없음). 이것은 아무리 작은 것이라도 완벽을 추구하는 것에서 일을 완수하는 것으로의 중심축을 강제할 것입니다. 우리가 Convert에서 말했듯이, 진보는 완벽이 아닙니다.

실패에서 배우다

승리는 짜릿하고 중독성이 있습니다. 첫 승을 거두면 연승을 이어가고 싶습니다. 실패는 더 이상 편안한 선택이 아닙니다 .

그러나 최적화는 실패를 나쁜 것으로 보지 않습니다. 테스트를 실행할 때 일부 컨트롤이 변형을 능가합니다. 이것을 실패한 테스트로 볼 수 있지만 실제로는 그렇지 않습니다. 이러한 "테스트 실패"는 고객 행동에 대한 고유한 비즈니스 통찰력을 제공합니다. 또한 선입견에 도전하고 더 나은 가설을 세우는 데 도움이 됩니다.

실패를 진전의 특징으로 정규화 하고 그로부터 배우십시오. 이것은 회사의 사고방식을 먼저 최적화로 전환할 것입니다.

회사 전체에 실험 기회 제공

실험 프로그램은 CRO 팀에만 국한되어서는 안 됩니다. 실험적 사고 방식은 회사 전체에서 배양하려는 사고 방식입니다. 그리고 회사의 다른 팀이 실험을 실행할 수 있도록 프로세스를 개방하면 최적화 프로그램이 크게 향상됩니다.

예를 들어 Booking.com에는 회사 내 다른 팀의 개인이 표준화된 템플릿을 작성하여 테스트를 실행할 수 있는 강력한 실험 프로그램이 있습니다. 실험 이름, 결과, 학습 및 반복이 데이터베이스에 저장되고 쉽게 검색됩니다.

실험을 시작하면 개인의 테스트가 사이트에서 문제를 일으킬 수 있는 것과 같은 몇 가지 문제가 있을 수 있습니다. 그러나 핵심 실험 팀이 진행 상황을 주시하면 이를 방지할 수 있습니다.

회사 전체에 실험 기회를 제공하면 다른 팀이 자신의 전문 분야에 적용할 수 있는 실험 문화와 사고 방식을 구축하는 데 도움이 됩니다.

위험을 감수하다

위험은 삶과 비즈니스의 본질적인 부분입니다. 어떤 노력이든 성공하려면 약간의 위험을 감수하십시오.

당신의 회사는 위험을 감수합니까?

일부 회사는 매우 위험을 회피합니다. 그들은 일찍 성공을 거두고 기회를 잡는 것을 꺼립니다. 다른 사람들은 회사가 잃을 수 있는 기회가 항상 있기 때문에 위험을 감수하는 것을 즐기지 않을 수 있습니다.

적절한 최적화 프로그램에는 위험을 감수하는 것이 포함됩니다. 실험에는 종종 위험을 감수하고 성공하거나 실패할 수 있는 급진적인 변화를 테스트 하는 것이 포함됩니다. 변형이 이기면 구현되고 모두가 승리를 축하합니다. 대조군이 변동을 능가하는 경우 가설은 폐기되고 해당 테스트의 교훈은 후속 테스트를 알리는 데 사용됩니다.

최적화 지향적인 회사로서 위험을 보수적으로 생각하는 태도는 일반적으로 모순되는 데이터에 직면하더라도 작은 안전한 변경을 테스트하는 것과 같습니다. 급진적인 변화를 테스트하기를 꺼리는 것은 종종 귀하의 비즈니스가 더 큰 상승을 놓치게 됨을 의미합니다. 또한 주요 변경 사항을 테스트할 준비가 된 경쟁업체에게 시장 점유율을 상실 하게 될 수도 있습니다.

위험 선호도를 높이는 한 가지 쉬운 방법 은 최적화가 있는 위치에 만족하지 않고 실패에 대한 두려움을 버리는 것입니다. 작은 위험에서 시작하여 점점 더 나아갑니다. 더 큰 위험은 종종 더 큰 보상과 같습니다.

실험에 적합한 KPI 설정

최적화 프로그램의 목적은 성장을 주도하고 다른 비즈니스 목표를 달성하는 것입니다.

귀사의 성장은 정확히 어떤 모습입니까?

성장은 더 많은 수익, 구매, 양식 가입, 구독, 댓글 또는 페이지뷰를 의미할 수 있습니다. 모든 회사는 다른 틈새 시장에서 운영되므로 성장은 각 회사마다 다릅니다. 첫 번째 단계는 성장이 비즈니스에 의미하는 바를 정의하는 것입니다. 그런 다음 회사에서 성장이라고 정의한 것을 가장 잘 측정하는 지표를 첨부하십시오. 전자 상거래 비즈니스를 운영하고 성장을 수익의 증가로 정의한다고 가정해 보겠습니다. 방문자당 평균 수익은 더 많은 수익인 성장의 정의에 첨부할 수 있는 좋은 지표가 될 것입니다.
비즈니스 성장을 측정할 수 있는 방법을 사용 하여 실험에 대한 기본 및 보조 KPI에 대해 자세히 알아보겠습니다.

기본 및 보조 KPI 선택

다른 실험에는 테스트하는 가설이 다릅니다. 한 실험은 이탈률을 줄이기 위해 페이지 변경을 테스트하는 것을 목표로 할 수 있고, 다른 실험은 양식 제출을 늘리기 위해 양식 필드를 테스트할 수 있으며, 다른 실험은 사용자당 수익을 늘리려는 변경을 테스트할 수 있습니다. 각 실험은 서로 다른 것을 테스트하기 때문에 다음을 수행해야 합니다. 기본 KPI를 선택합니다.

기본 KPI 는 실험을 계획하고 결과를 판단하는 기본 메트릭입니다. 이탈률을 줄이기 위한 실험에서는 이탈률을 기본 KPI로 사용하는 반면 수익을 늘리기 위한 다른 실험에서는 사용자당 평균 수익이 있을 수 있습니다. 이탈률 실험에서 이탈률이 감소한다는 것은 귀하의 가설이 옳았음을 의미하며 실험이 대단한 성공을 거둔 것으로 간주할 수 있음을 의미합니다.

실험을 설계한 주요 메트릭은 아니지만 보조 KPI 는 측정에 관심이 있는 것일 수 있습니다. 방문자당 평균 수익을 늘리기 위한 실험에서 페이지에 머문 시간도 측정하는 데 관심이 있을 수 있습니다. 사용자당 평균 수익이 기본 KPI인 반면 페이지에 머문 시간은 보조 KPI가 될 수 있습니다. 보조 KPI는 실험을 중지하고 시작할 때 영향을 미치지 않으며 실험 결과를 판단하는 방법에도 영향을 미치지 않습니다.

기본 및 보조 KPI를 모두 선택할 때 두 KPI가 모두 조직의 주요 목표에 부합하는지 확인하십시오. 목표가 더 많은 수익인 경우 KPI는 이를 반영해야 합니다.

최적화 및 실험 프로세스 정의

이제 팀 전체와 비즈니스가 최적화 우선 사고 방식을 채택했으므로 실험 프로그램을 위한 최적화 프로세스 를 만들 차례입니다.

실험 프로세스를 생성할 때 다음과 같은 이미지로 가득 차게 됩니다.

이러한 이미지를 기반으로 프레임워크를 만들고 싶은 유혹이 있을 수 있지만 이러한 프레임워크는 회사를 염두에 두고 만든 것이 아닙니다. 대부분의 온라인 실험 프로세스 다이어그램은 웹사이트 유지 관리 일정, 구매자 여정, 마케팅 설정 방법 및 트래픽/비즈니스의 계절성과 같은 고유한 요소를 고려하지 않습니다.

이는 최적화 노력에 영향을 미치는 중요한 요소입니다. 온라인 최적화 프로세스로는 문제가 해결되지 않습니다.

다음은 귀하의 비즈니스에 맞는 실험 프로세스를 만들고 정의하는 방법입니다.

1. 문제 정의

실험 프로그램의 첫 번째 단계는 문제를 정의하는 것입니다. "완벽한 웹사이트"를 최적화할 수는 없습니다. 최적화가 이루어지려면 수정해야 할 사항 이 있습니다. 매출을 늘리고, 이탈을 줄이며, 현재 고객을 상향 판매할 수 있도록 더 나은 경험을 제공하려고 할 수 있습니다. 항상 개선의 여지가 있습니다.

데이터는 이미 마케팅 워크플로의 많은 프로세스에 정보를 제공합니다. 예를 들어, 분석 데이터는 방문 페이지가 웹사이트의 다른 페이지에 비해 전환율이 낮다는 것을 알려줍니다. 이 데이터는 "낮은 전환"으로 쉽게 정의할 수 있는 문제를 나타냅니다.

문제를 알고 정의하면 문제를 개선할 수 있습니다.

"완벽한 웹사이트"를 최적화할 수는 없습니다. 최적화가 이루어지려면 수정해야 할 사항 이 있습니다. 수익을 늘리고, 이탈을 줄이며, 현재 고객을 상향 판매할 수 있도록 더 나은 경험을 제공하는 등의 노력을 할 수 있습니다. 항상 개선의 여지가 있습니다.

데이터는 이미 마케팅 워크플로의 많은 프로세스에 정보를 제공합니다. 이 데이터는 분석 소프트웨어, 히트맵 도구, 고객 피드백 등에서 얻을 수 있습니다. 이 데이터는 문제 또는 개선해야 할 영역을 가리킵니다. 예를 들어, 분석 소프트웨어가 트래픽이 많은 방문 페이지에서 낮은 전환율을 지적했을 수 있습니다.

개선이 필요한 영역을 식별했다면 문제를 조사하고 해결책을 찾아야 합니다.

문제를 알고 정의하면 문제를 개선할 수 있습니다.

2. 문제 조사

데이터에 문제가 있거나 수정해야 할 사항이 있다고 표시될 때 문제에 대한 더 많은 통찰력을 얻으려면 어떻게 해야 합니까?

물론 문제에 대한 더 많은 데이터를 수집함으로써!

이전 예에서 데이터는 트래픽이 많은 방문 페이지에서 낮은 전환율을 보여주었습니다. 방문자가 해당 페이지에서 전환하지 않는 정확한 원인을 찾아야 합니다.

이 데이터는 양적 소스와 정성적 소스가 혼합되어 있을 수 있습니다. 양식 분석, 세션 녹음, 사용성 조사, 고객 피드백, 고객 인터뷰 ​​등을 사용하여 문제를 더 조사할 수 있습니다.

더 많은 통찰력을 통해 트래픽이 많은 방문 페이지의 전환율이 낮은 이유를 이해할 수 있습니다.

전환율이 낮은 방문 페이지에서 세션 기록 및 설문 조사를 사용한 후 방문자가 페이지의 시각적 요소가 너무 산만하다는 것을 알게 됩니다. 이제 뭐?

3. 가설 세우기

가설은 웹사이트에서 식별한 문제를 해결할 수 있는 정보를 바탕으로 추측한 것입니다. 이 문제를 수정하면 더 많은 방문자가 원하는 조치를 취하여 해당 페이지/사이트 의 전환을 개선할 수 있습니다.

이전 예에서는 주의를 산만하게 하는 시각적 요소로 문제를 식별했습니다. 시각적 요소를 제거하면 방문 페이지에서 전환이 증가한다는 가설을 세웁니다.

현실 세계에서 개선이 필요한 페이지는 단 한 페이지도 없습니다. 종종 개선이 필요한 것은 여러 페이지와 사이트입니다.

여기서 우선순위 가 나옵니다.

여러 페이지에 있는 가설을 사용하여 어떤 가설이 중요하고 먼저 테스트해야 하는지 결정하십시오. PIE 또는 ICE 우선 순위 지정 모델을 사용하여 이 작업을 수행할 수 있습니다.

PIE 우선 순위 지정 모델 에서는 1-5점을 사용하여 3가지 다른 요인에 대한 가설 점수를 매기고 5점을 가장 높은 점수로 지정합니다. 이러한 요인은 다음과 같습니다.

• 개선 가능성: 가설이 테스트 페이지에서 개선으로 이어질 가능성.
• 중요도: 테스트 페이지에 방문하는 트래픽의 가치
• 용이성: 가설에서 변경한 사항을 구현하는 데 어려움이 있는 비율.

ICE 우선순위 모델 은 유사한 시스템을 사용합니다. 그러나 그 요인은 다음과 같습니다.

• 영향: 개선하려는 지표에 대한 가설의 긍정적인 영향을 측정한 것입니다.
• 신뢰도: 이 가설의 영향에 대해 얼마나 확신하는지.
• 용이성: 가설이 요구하는 변경 사항을 구현하는 데 필요한 리소스의 추정치.

여러 가설과 다양한 우선 순위 점수를 추적하는 것은 어려울 수 있습니다. 나침반 변환을 사용하여 최신 정보를 얻을 수 있습니다. 이를 통해 가설을 만들고 두 모델 중 하나를 기반으로 가설에 우선 순위 점수를 할당할 수 있습니다.

초안, 완료, 실험에 적용, 보관 등 개념의 단계에 따라 가설 상태를 지정합니다. 하나의 대시보드에서 모든 가설을 확인하고 관리할 수 있습니다.

4. 디자인 변형 및 실험 수행

가설을 생성하고 우선 순위 점수를 부여한 후 높은 점수를 받은 가설을 설계하고 실험을 수행할 수 있습니다. 일반적으로 이 실험은 예시의 방문 페이지와 같이 사용자가 제어할 수 있는 A/B 테스트의 형태를 취하고 가설을 기반으로 디자인한 변형(시각적 요소가 적음)을 사용합니다.

사이트의 계절성을 고려하여 이제 실험을 시작할 수 있습니다. Compass에서는 완성된 가설을 몇 초 안에 경험으로 전환할 수 있습니다.

이렇게 하면 변환 경험 대시보드 내에서 가설에 대한 테스트를 쉽게 수행할 수 있습니다. 실험 요약에서 통계 및 설정을 클릭하고 옵션을 편집하여 실험을 실행할 일수와 통계적 중요성을 설정합니다.

5. 결과 분석 및 결론 도출

실험이 끝나면 결과 분석이 나옵니다. 결과가 통계적으로 유효합니까? 2019년 28,000건 이상의 실험에 대한 분석에서 20%만이 95%의 통계적 유의 수준에 도달했음을 발견했습니다. 통계적 유의성과 실험 속도 사이에는 균형이 있었습니다.

경험 변환에서 위에 설명된 대로 신뢰 수준을 설정할 수 있습니다. 이제 실험에서 수집한 데이터를 자세히 알아볼 수 있습니다.

귀하의 대안이 대조군에 비해 실적이 좋았습니까? 당신의 가설이 맞았습니까? 결과는 이러한 질문 등에 대한 답을 줄 것입니다.

강력한 보고 기능을 통해 결과를 더 쉽게 분석할 수 있습니다. 실험에서 승리한 테스트, 통계적 유효성, 목표 및 측정항목 등을 한 눈에 알 수 있는 기능

결과를 분석한 후에는 결론이 무엇인지 명확해야 합니다. 변형이 통제를 능가하는 경우 결론은 가설이 옳았으므로 변경 사항이 구현된다는 것입니다. 통제가 이기면 가설이 틀렸고 수정이 필요할 수 있다는 결론이 나옵니다. 실험에서 얻은 통찰력은 후속 실험을 촉진할 수 있습니다.

6. 결과 사회화

이것은 최적화 프로그램의 중요한 부분입니다. 지속적인 개선을 지원할 실험 프로세스를 구축하고 있으므로 결과를 공유하는 것이 중요합니다. 회사의 여러 팀에서 최적화에 대한 부족 지식을 높이는 데 도움이 됩니다. 회사의 팀(제품, 개발, 고객 및 영업 등)은 최적화가 무엇인지, 왜 중요한지, 작동 방식 및 지속 가능한 성장을 구축하는 데 도움이 되는 방식을 이해할 수 있어야 합니다. 결과를 소셜화하면 이를 달성하는 데 도움이 됩니다.

결과를 공유하는 것 외에도 정의된 문제와 가설을 다른 부서에 던져 사회화를 더욱 발전시킬 수도 있습니다. 회사의 다른 팀에서 테스트를 위한 가설을 제공하도록 합니다. 이 실험은 팀 이름으로 레이블을 지정하고 실험이 끝난 후 결과를 사회화하여 실험에 대한 회사의 인식을 높이고 최적화 마인드를 고취할 수 있습니다.

내보낼 수 있는 편리한 그래프는 팀이 변형의 성과를 한 번에 볼 수 있으므로 사회화를 더 쉽게 만듭니다.

7. 주의 사항이 있습니다.

이 프레임워크는 조직에 적응할 수 있는 유연한 가이드입니다. 중요한 트래픽, 수익 등을 잃고 있기 때문에 변형을 디자인하고 테스트할 필요가 없을 수도 있다는 점을 기억하십시오. 이러한 상황에서는 가설과 우선 순위에서 바로 변경을 구현하고 추진하는 단계로 이동합니다. 라이브.

예를 들어 방문자가 전환하는 데 필요한 끊어진 링크가 있는 트래픽이 많은 페이지가 있습니다. 이 페이지에서 전환이 없는 것을 보고 원인을 조사한 후 가설을 세우고 높은 우선 순위 점수를 할당합니다.

이 경우 어떻게 합니까?

1. 변형을 설계하고 테스트하여 최적화 프레임워크를 엄격하게 따를 것입니까?
2. 페이지에서 깨진 링크를 수정하고 라이브로 푸시하시겠습니까?

대답은 분명히 두 번째 옵션입니다. 변형을 디자인하고 테스트하면 리소스가 낭비되고 전환 비용이 발생합니다.

시간을 내어 웹사이트에서 발생하는 각 문제 또는 개선 사항을 고려하십시오. 모든 가설이 실험이 되지는 않습니다. 실험으로 전환하기 전에 모든 가설의 기회 비용과 중요성을 고려하십시오.

최적화 프로세스의 여러 단계를 건너뛴 변경 결과를 계속 공유할 수 있습니다. 이 프레임워크는 다양한 경로를 따를 수 있을 만큼 충분히 유연하다는 것을 기억하십시오.

최적화 팀이 갖추어야 할 기술

강력한 CRO 실험 프로세스를 통해 최적화 팀의 기술 분석을 수행하십시오. 당신의 팀은 실험 프레임워크를 구축하는 것만큼이나 중요합니다.

다음은 최적화 팀에 필수적인 기술입니다.

• 마케팅 통찰력
• 데이터 분석
• 휴리스틱/사용성/UX 디자인
• 시각 디자인
• 최적화 전문가
• 카피 라이팅
• 프론트엔드 개발
• 프로젝트 관리

각 기술은 최적화 프로그램에서 다른 역할을 합니다. 예를 들어 시각 디자인은 다르게 보이고 다양한 방식으로 정보를 전달하는 변형을 만듭니다. 최적화 전문가는 테스트를 이해하고 최적화 전략, 관련 기술, 방법론, 통계 등을 만들 수 있습니다. 프런트 엔드 개발은 Javascript, JQuery, 태그 작동 방식 및 브라우저 렌더링 작동 방식에 대한 지식을 제공합니다.

이것은 팀을 구성하는 데 많은 것처럼 들리지만 이러한 기술은 이미 팀에 존재합니다. 마케팅 팀의 기술을 분석하면 이에 대해 확신할 수 있습니다. 귀하의 마케팅 팀에는 카피라이터, Google Analytics에 살고 숨쉬는 사람, 디자이너, 개발자 등이 있을 가능성이 큽니다.

최적화 팀에 필요한 모든 기술이 없더라도 바로 새 팀원을 고용할 필요는 없습니다.

먼저 부족한 기술을 확인하고 다음과 같이 자문해 보십시오.

• 이 기술 격차를 메우기 위해 사내에서 누군가를 교육할 수 있습니까?
• 추가 책임을 지기에 충분한 시간이 있습니까? 그렇지 않은 경우 근무 시간을 늘려야 합니까?
• 이러한 기술을 아웃소싱할 수 있습니까? 이러한 역할을 수행할 신뢰할 수 있는 전문가를 어떻게 식별합니까? Convert에는 걱정 없이 아웃소싱할 수 있는 검증된 훌륭한 최적화 파트너 디렉토리가 있습니다.
• 결국 누군가를 고용해야 합니까?

이러한 질문은 행동 방침을 좁히는 데 도움이 될 것입니다. 개인화 실험을 하는 경우 Convert에서 최적화 전문가, 개발자 및 개인화 전문가를 두는 것이 좋습니다.

최적화 구조에 필요한 CRO 도구

좋은 소식입니다. 최적화 구조가 거의 완성되었습니다. 이를 강화할 도구 없이 완전한 프레임워크는 없습니다. 선택한 도구는 최적화 구조를 활성화하거나 팀의 작업을 훨씬 더 어렵게 만들 수 있습니다.

다음을 수행하려면 도구가 필요합니다.

• 리소스 조정
• 디자인 변형
• 문서 요구 사항
• 실험 수행
• 결과 데이터 분석
• 실험 결과 사회화

마케팅 스택에 많은 새로운 도구가 필요한 것처럼 보입니다. 하지만 당신은하지 않습니다. Asana, Basecamp 또는 Trello를 사용하여 작업을 관리할 가능성이 있습니다. 테스트 도구는 나머지는 아닐지라도 대부분을 처리할 수 있어야 합니다.

경험 변환에서 가설을 문서화하고 실험으로 전환하고 결과를 분석할 수 있습니다. Convert Experiences의 데이터를 원하는 분석 소프트웨어로 내보내 결과 데이터에 대해 자세히 알아볼 수 있습니다. Convert는 Google Analytics(Classic 및 Universal 모두), Heap Analytics, Amplitude Analytics, Adobe Analytics, Decibel Insight 등과 통합됩니다. Convert Experiences 80+ 통합에 대해 자세히 알아보십시오.

또한 대시보드를 통해 회사의 다른 구성원과 실험 결과를 공유하여 결과를 공유하고 부족 지식을 심화할 수 있습니다.

마무리

회사에서 일관된 최적화를 지원하는 구조를 구축하려면 의도적인 조치, 탁월한 실험 프레임워크, 훌륭한 도구 스택 및 인상적인 기술이 필요 합니다.

중요한 것은 아무리 작더라도 최적화 프로그램을 구축하기 위한 단계를 밟는 것입니다. 채택한 사고 방식 전환을 연습하고 팀의 기술을 육성하며 테스트 솔루션에 멋진 CRO 도구를 사용하는 것을 잊지 마십시오.

15일 동안 무료로 Convert Compass 및 Convert Experiences를 사용해 보고 강력한 최적화 프레임워크를 구축하는 첫 번째 단계를 시작하십시오. (성가신 신용 카드가 필요하지 않습니다!)