고객 라이프사이클 최적화: 개선 방법

"체인은 가장 약한 링크만큼만 강합니다."

우리 모두가 이전에 들어본 적이 있는 인용문이지만 판매 유입경로와 전반적인 마케팅 프로그램을 개선하는 방법에 대한 단서를 제공합니다.

사슬 은유의 아이디어는 당신이 충분히 세게 잡아당기면 약한 고리가 있는 곳에서 바로 사슬이 끊어질 것이라는 것입니다. 체인이 시스템으로 작동하기 때문에 다른 링크가 얼마나 강한지는 중요하지 않습니다. 시스템의 한 부분이 손상되면 전체 시스템이 위험에 처합니다.

로켓 과학이 아니죠?

그러나 수명 주기 최적화가 중요한 이유에 대한 간단한 설명입니다.

판매 깔때기가 시스템으로 작동하기 때문에 약한 부분이 다른 모든 부분에 영향을 미칩니다. 시스템의 취약한 요소 하나가 전체 시스템을 약화시킵니다.

그리고 그것은 나쁘게 들리지만 실제로는 좋은 것입니다. 왜 그런지 안다?

취약한 부분을 공략하는 것만으로도 시스템을 획기적으로 개선할 수 있다는 의미이기 때문이다. 이러한 주요 연약한 부분 중 하나를 강화하면 작업에서 상당한 개선을 얻을 수 있습니다.

따라서 이러한 모든 단계를 최적화하는 대신 전환율이 가장 낮은 지점을 찾으면 됩니다. 흔들리는 지점 중 하나라도 수정하면 전체 판매 퍼널이 크게 개선됩니다.

고객 라이프사이클 최적화는 문제 또는 관점입니다.

전체 고객 라이프사이클에 초점을 맞추려면 선호하는 몇 가지 메트릭을 추적하는 것보다 더 큰 관점이 필요합니다.

물론 이러한 메트릭을 계속 추적해야 합니다. 그러나 마케팅의 전반적인 그림을 보고 추적하는 것이 중요합니다.

이것이 왜 그렇게 중요한지에 대한 예가 있습니다. 최적화하려는 방문 페이지가 있다고 가정해 보겠습니다. 대체 버전을 만들고 A/B 분할 테스트를 모두 설정했습니다.

적어도 일주일 동안 테스트를 실행한 다음, 대규모의 신뢰할 수 있는 데이터 세트를 얻기 위해 다시 한 주 동안 테스트를 실행합니다. 도전자 페이지인 랜딩 페이지 B가 승자로 나옵니다. 페이지 A보다 22% 더 많은 리드를 얻습니다. 훌륭합니다!

제외하고…

페이지 B에서 생성된 리드가 더 많더라도 리드 품질은 좋지 않습니다.

페이지 B는 판매 퍼널의 한 단계인 랜딩 페이지만 보면 더 잘 전환됩니다. 그러나 다시 돌아가 전체 고객 여정(초기 주문 크기 및 고객 평생 가치에 이르기까지)에 어떤 영향을 미치는지 살펴보면 실제로 원래 랜딩 페이지보다 성능이 떨어집니다.

안타까운 일이지만... 테스트일 뿐입니다(아아, 대부분의 테스트는 실패합니다). 당신은 영리하고 전체 고객 라이프사이클을 최적화하는 방법을 알고 있기 때문에 화상을 입지 않습니다.

이 하나의 랜딩 페이지 액션을 더 큰 전체의 일부로 보고 있지 않다면 놓칠 것입니다. 영업 팀에 더 많은 리드를 기꺼이 보낼 수 있지만 품질이 떨어집니다. (그들은 그것을 좋아하지 않는다.)

이것이 얼마나 귀한 것인지 과소평가하지 마십시오. 테스트를 수행 중이거나 전체 판매 퍼널을 개선할 희망이 있다면 실제로 전체 고객 수명 주기를 살펴봐야 합니다.

그렇지 않으면 실제로 아무것도 개선되지 않을 수 있습니다. 따라서 모든 테스트와 이러한 테스트를 통해 사람들을 데려오는 모든 작업은 실제로 아무데도 도달하지 못합니다.

이 사실만으로도 전체 고객 수명 주기에 대한 최적화 비용(및 설정)을 정당화하기에 충분할 수 있습니다. 경쟁자가 뒤쳐져 판매 유입경로의 개별 단계에 근시안적으로 집중하게 하십시오.

구매자의 여정에 따라 일관되고 긍정적인 고객 경험을 제공하는 것은 모든 후속 상호작용에 영향을 미칩니다.

이것은 본질적으로 "첫인상을 남길 기회는 한 번뿐"과 같은 원칙입니다. 즉, 모든 조건이 같다면 판매 주기 초기에 고객과의 상호 작용이 훨씬 더 중요합니다.

왜? 음, 여기 그것을 설명하기 위한 또 다른 은유가 있습니다. 첫 번째 데이트를 망친다면 두 번째 데이트는 없을 것입니다.

누군가와 처음 데이트를 할 때 엉망이 된다면 두 번째 데이트를 어떻게 계획했는지는 중요하지 않습니다. 세 번째 데이트나 결혼식은 훨씬 적습니다. 그들은 일어나지 않을 것입니다.

즉, 판매 주기의 초기 단계에서 고객을 소외시키거나 실망시킨다면 고객은 후반부에 접근하지 못할 것입니다.

이것이 바로 많은 전환율 최적화 전문가가 판매 퍼널의 프런트 엔드에 집중할 것을 권장하는 이유입니다. 후반 부분이 중요하지 않기 때문이 아니라 판매 깔때기의 처음 몇 단계가 실패하더라도 판매 깔때기의 끝에서 무슨 일이 일어나는지는 별로 중요하지 않기 때문입니다. 암튼 다 무너집니다.

이전에 이야기했던 모든 변경 사항이 전체 시스템에 미치는 영향과 균형을 유지해야 합니다.

즉, 다시 말해 – 예 – 판매 퍼널의 시작 단계(유인 및 캡처 단계)에서 최적화 노력을 시작하십시오. 그러나 변경 사항이 이후 단계에 어떤 영향을 미치는지 주의하십시오.

랜딩 페이지에서 5% 상승한다고 해서 고객 평생 가치를 10% 삭감하고 싶지는 않습니다.

그러나 판매 깔때기의 모든 요소가 동일한 영향을 미치는 것은 아닙니다.

이 말을 하기 싫지만 여기에는 또 다른 수준의 복잡성이 있습니다. 모든 요소가 동일하게 생성되는 것은 아닙니다.

이 문구는 모든 판매 유입경로 또는 일련의 전환에 적용되지만 고객 수명 주기에서 작동하는 방식에 대해 이야기해 보겠습니다.

요점은 다음과 같습니다. 판매 퍼널의 일부 전환은 다른 것보다 전체 판매에 더 많은 영향을 미칩니다. 따라서 판매 깔때기의 모든 요소가 전체 시스템에 영향을 미치지만 일부 요소는 다른 요소보다 더 큰 영향을 미칩니다. 그리고 (모든 요소가 동일하다면) 유입경로의 전면을 최적화하면 최상의 결과를 얻을 수 있지만 모든 요소가 동일하지는 않습니다.

복잡한 프로세스를 최적화하는 것이 왜 어려운지 알고 계십니까? 좋은.

일부 요소가 다른 요소보다 더 영향력이 있다는 생각을 더 깊이 파고들어 봅시다. 일반적으로 이 현상은 다변량 테스트에서 나타납니다. 이는 일반적인 기존 A/B 분할 테스트보다 훨씬 더 복잡한 테스트 방법론입니다.

A/B 분할 테스트와 다변량 테스트의 기본적인 차이점은 다음과 같습니다. A/B 분할 테스트에서는 한 번에 하나의 변수(예: 버튼 색상)를 테스트합니다. 다변량 테스트에서는 버튼의 색상, 배치 및 복사와 같은 여러 변수를 한 번에 테스트할 수 있습니다.

한 번에 두 가지 이상을 테스트할 수 있으려면 훨씬 더 많은 트래픽이 필요합니다(트래픽의 3배 또는 4배 이상). 그러나 테스트가 완료되면 실적이 가장 좋은 조합을 알 수 있을 뿐만 아니라 어떤 변수가 전환에 가장 큰 영향을 미치는지 알 수 있습니다.

이것이 바로 "판매 깔때기의 모든 요소가 동일하지 않다"는 의미입니다.

따라서 전체 판매 퍼널을 최적화할 때 다변량 테스트 원칙을 고려하십시오. 그 과정에서 특정 단계는 다른 단계보다 더 큰 영향을 미칠 수 있습니다.

참고: 내가 아는 한 전체 판매 퍼널에서 다변량 테스트를 수행할 만큼 정교한 시스템은 없습니다. 한 번에 수십 개의 서로 다른 요소를 테스트하게 되므로 잠재적으로 수백만 명의 방문자가 이와 같은 테스트에서 유익한 결과를 얻어야 합니다.

언젠가는 거기에 도달하겠지만, 현재로서는 우리의 판단(및 데이터)을 사용하여 먼저 테스트할 요소를 전략적으로 선택하는 것은 여전히 ​​인간 마케터에게 달려 있습니다. 하지만 적어도 전체 고객 수명 주기를 전체적으로 보는 것부터 시작할 수 있습니다.

결론

우리는 거짓말을 할 수 없습니다. 전체 고객 수명 주기를 추적하고 테스트하는 것은 어려운 일입니다. 그러나 그것이 할 수 없다는 것을 의미하지는 않습니다.

지난 몇 년 동안 이를 수행하는 도구가 진화했다고 생각하는 이러한 유형의 전체론적 마케팅에 대한 충분한 수요가 있었습니다. 그들은 실제로 꽤 많이 진화했습니다. 그리고 고객 라이프사이클 최적화를 달성할 수 있었던 회사가 점점 더 많아지고 있습니다.

예, 전체 고객 라이프사이클을 추적하고 최적화하는 것은 어려운 일입니다. 그러나 극복할 수 없는 것은 아닙니다. 수백 개 회사의 성공 사례 및 경험과 마찬가지로 이를 수행할 수 있는 도구가 존재합니다.

회사가 계속 앞서 나가기를 원한다면 지금이 기회가 될 것입니다.

당신에게 돌아

귀사는 전체 고객 수명 주기에 맞게 최적화합니까, 아니면 여전히 개별 전환에 중점을 둡니까? 의견을 남기고 두 접근 방식이 현재 어떻게 작동하는지 알려주십시오.