Como você pode aumentar a velocidade de teste? Por que você precisa de um programa de alta velocidade?

Normalmente, se você executar 4 testes de CRO por mês (isso é um teste/semana), e se 10% de seus testes vencerem, você está executando um bom programa de otimização. Essa é uma capacidade de teste decente e uma boa taxa de vitória.

Melhor ainda, se você conseguir uma boa elevação para seus testes vencedores e o desempenho do seu programa continuar melhorando ao longo do tempo.

Mas a maioria dos programas de otimização não funcionam tão bem.

Na verdade, apenas 22% das empresas estão satisfeitas com seus esforços de CRO.

O que significa que 78% das empresas poderiam otimizar seus programas de otimização.

Mas como…

O que mata a maioria dos programas de otimização de conversão

O problema com a maioria dos programas de otimização é que eles não são projetados para o sucesso a longo prazo. Em vez disso, eles prosperam em uma base de teste por teste.

Esses programas geralmente são tão eficazes (ou não) quanto o último teste que eles executaram.

E as empresas que os administram veem a implementação dos experimentos como uma vitória. Sua visão míope os impede de desenvolver a infraestrutura para dar suporte a um programa de teste consistente e de qualidade.

Embora seja verdade que uma boa execução seja obrigatória para qualquer experimento, mesmo um experimento ruim pode ser executado muito bem.

Mas ninguém ganha quando isso acontece.

Concentrar-se apenas na execução e não gastar tempo e esforço suficientes em etapas como idealizar, formular hipóteses e documentar/aprender – que realmente determinam a qualidade dos experimentos – geralmente resulta apenas em sucesso de curto prazo, se houver.

Então, vamos ver como você pode aumentar a velocidade dos testes e executar um bom programa de otimização. Se você já estiver executando um, poderá usar essas dicas para melhorar ainda mais sua taxa de vitórias e o desempenho geral do programa.

Aqui vai.

Como gerar mais ideias para testar

Para executar (pelo menos) 4 testes por mês, você precisa de um pipeline cheio de ideias de teste. Sem um “banco de ideias”, você não pode suportar uma velocidade de teste boa e consistente.

Apesar disso, na maioria dos programas de CRO, os testes são planejados quando alguém da equipe tem algum tipo de epifania de teste de CRO.

Idealmente, você deve ter um fluxo constante de ideias de testes de qualidade em seu programa de experimentação. Essas ideias de teste podem vir de:

• Explorando as montanhas de dados que suas ferramentas de CRO geram. A melhor maneira de identificar ideias de teste é pesquisar seus dados. Suas soluções de análise como Google Analytics, Kissmetrics, Mixpanel, etc. são excelentes fontes para encontrar as páginas onde você perde mais pessoas ou aquelas que têm baixas taxas de engajamento. Ferramentas como Hotjar, Clicktale e Decibel mostram o que seus usuários fazem em seu site e podem ajudar a identificar seus pontos de acesso de conversão reais. Depois, existem soluções como UserTesting, UseHub e Usabilla, entre outras, que permitem coletar muitos comentários qualitativos que podem se traduzir em algumas oportunidades cruciais para testes. Embora seja desafiador revisar tantos silos de dados, esses são os lugares de onde vêm as verdadeiras ideias de teste vencedoras.

• Executando uma auditoria CRO manual. A auditoria do seu site para CRO revela algumas das lacunas de otimização mais valiosas para teste. A execução de uma auditoria de CRO obriga você a examinar sistematicamente cada aspecto do seu site (e além) e ver onde você pode estar perdendo dinheiro.

• Usando avaliações como o Stuck Score para identificar as “barreiras de conversão” em seu site. Você também pode usar avaliações como o Stuck Score, que descobrem os problemas de conversão em seu site e oferecem excelentes ideias para testar. Essas ferramentas são inteligentes e podem identificar com precisão oportunidades de teste em todo o seu site.

Depois de começar a explorar essas fontes, você poderá gerar um fluxo consistente de ideias.

Mas gerar ideias de teste de qualidade é apenas um aspecto desse problema. A outra é a falta de comunicação e colaboração nas ideias em consideração. Isso pode parecer trivial (porque, afinal, você só precisa de dados, certo?), mas esses problemas afetam profundamente seu pessoal e podem distorcer sua cultura de experimentação.

Por exemplo, pegue o famoso experimento de 41 tons de azul que o Google tentou. O experimento do Google – informado por dados – ainda foi criticado por adotar uma abordagem liderada por engenheiros. Aqui está o que Douglas Bowman, que trabalhou como designer interno do Google, sentiu sobre como o Google lidou com sua experimentação: “ Sim, é verdade que uma equipe do Google não conseguiu decidir entre dois azuis, então eles estão testando 41 tons entre cada azul para ver qual se sai melhor. Eu tive um debate recente sobre se uma borda deveria ter 3, 4 ou 5 pixels de largura e me pediram para provar meu caso. Eu não posso operar em um ambiente como esse. Cansei de debater decisões de design tão minúsculas.”

Sem compartilhar as ideias que você está considerando e engajar sua equipe, você não pode construir uma cultura abrangente de experimentação da qual todos queiram fazer parte.

Com uma ferramenta de CRO como o Compass (do nosso Convert Suite), você pode facilitar sem esforço essa ideia colaborativa baseada em dados. O Compass permite que você tenha ideias de teste baseadas em dados reunindo suas diferentes fontes de dados e também sugere ideias para testar com base em insights do Stuck Score. O Compass ainda permite que você convide os membros de sua equipe e os envolva com opções de feedback e muito mais.

Formação de hipóteses baseadas em dados e priorização focada no laser

Depois de ter suas ideias de teste, você descobrirá que algumas delas são simplesmente óbvias. Por exemplo, se você receber algum feedback do usuário de que seu conteúdo não é legível (e seu público-alvo são, digamos, pessoas com mais de quarenta anos), talvez você possa implementar a ideia de aumentar o tamanho da fonte ou alterar a cor certa um jeito. Afinal, é uma correção de um minuto com uma pequena alteração no código CSS.

Algumas de suas ideias parecem promissoras e totalmente dignas de serem testadas, mas você ainda precisará procurar pontos de dados “suficientes” para apoiá-las [mais sobre isso em um minuto…].

E algumas ideias você simplesmente teria que descartar porque seriam vagas e você não teria como validá-las. Por exemplo, se sua auditoria de CRO mostrar que você tem uma pontuação de NPS baixa e achar que isso é o motivo de conversões ruins, não é possível usar um experimento simples para corrigi-lo.

Dessas, as ideias que podem realmente se traduzir em hipóteses fortes são suas oportunidades reais de teste.

Mas você precisa de MUITOS dados para apoiar cada hipótese que você faz. Por exemplo, se você tiver a hipótese de que otimizar sua experiência na página de destino para dispositivos móveis resultará em conversões mais altas , precisará de vários pontos de dados para apoiá-la. Nesse caso, aqui estão alguns dos dados que você pode usar:

1. Baixas conversões em dispositivos móveis — dados por meio de sua solução de análise da web, como o Google Analytics.
2. Uma queda incomumente alta para o tráfego móvel - novamente, dados por meio de sua solução de análise da web, como o Google Analytics.
3. Feedback ruim dos clientes – dados por meio de sua solução de teste de usuário.

Como você pode ver, os dados para formar essa hipótese são bastante equilibrados, pois você tem entradas de várias fontes de dados. Além disso, você tem dados quantitativos e qualitativos. Idealmente, você deve encontrar esses dados equilibrados para apoiar todas as suas ideias “dignas de teste”.

Mas você ainda não terminou.

Porque depois que você estiver pronto com todas as suas boas hipóteses, você precisa de uma forma de pontuar ou priorizá-las. Fazer isso diz a você qual hipótese tentar primeiro – ou de qualquer maneira. DICA: “Vamos testar um novo design de site!!! Vai disparar nossas vendas.” geralmente é uma hipótese MUITO RUIM.

Muitos fatores influenciam a decisão de quão prático é o teste de uma hipótese. Seu tempo e dificuldade de implementação e o impacto potencial que pode ter nas conversões precisam ser considerados aqui.

Mas a maioria das empresas não tem um modelo de priorização para isso. Isso geralmente resulta no lançamento de um teste ambicioso, como, digamos, uma grande reformulação do projeto que usa toda a largura de banda do CRO do mês inteiro. O que significa que você não pode planejar ou executar mais testes, pelo menos durante o mês. A pior parte é que mesmo testes tão ambiciosos não garantem resultados significativos.

Para evitar isso, você pode usar a estrutura de priorização PXL do CXL. Essa estrutura força você a pensar em um nível muito granular, como entender melhor as mudanças propostas, avaliar como ela aborda os problemas descobertos durante a pesquisa, seu impacto potencial e o esforço de implementação.

Você também pode conferir a estrutura PIE e ICE Score para priorizar suas hipóteses.

Uma maneira ainda mais inteligente de priorizar suas hipóteses é usar uma ferramenta de CRO que possa informar o quanto um experimento pode consumir muitos recursos e tempo. Por exemplo, o Compass fornece boas estimativas para todas as suas hipóteses.

Aprenda com seus testes A/B

Os testes podem ser inconclusivos.

Para a maioria dos programas de otimização de taxa de conversão, você obtém apenas 20% de testes que atingem significância estatística.

E assim, todo aprendizado precisa voltar ao mix de testes e ser usado para criar ideias e hipóteses melhores e mais refinadas.

Não apenas isso, experimentos vencedores também podem ser perdedores, na verdade, quando a versão desafiadora vence, mas a receita se acumula.

Além disso, se uma hipótese é realmente forte e baseada em dados, é comum criar cerca de 3-4 experimentos de acompanhamento para ela (mesmo que o experimento inicial tenha vencido!).

O que significa que apenas interpretar e registrar os resultados do seu experimento não é suficiente. Para planejar testes iterativos significativos, você precisa documentar todo o processo de experimentação sempre que executar um.

Ao documentar suas observações e aprendizados, o LinkedIn conseguiu acompanhar um experimento fracassado, que na verdade foi um vencedor no principal recurso testado. Aqui está o furo completo:

Em 2013, o LinkedIn Search deu início a um grande experimento em que lançou sua funcionalidade de pesquisa unificada atualizada. Basicamente, a pesquisa do LinkedIn ficou “inteligente o suficiente” para descobrir a intenção da consulta automaticamente sem qualificadores necessários como “Pessoas” ou “Empregos” ou “Empresas”. A página de destino da pesquisa foi totalmente reformulada para esta versão - tudo, desde a barra de navegação até os botões e trechos, foi refeito, então os usuários viram muitas, muitas mudanças.

Mas o experimento falhou e o LinkedIn ficou surpreso ao ver seu tanque de métricas-chave.

A equipe agora decidiu reverter para o design original, retrocedendo uma alteração de cada vez, para que pudesse identificar aquela que não caiu bem para os usuários. Durante essa demorada reversão, o LinkedIn descobriu que não era a busca unificada que as pessoas não gostavam, mas era um grupo de várias pequenas mudanças que haviam reduzido os cliques e a receita. Depois que o LinkedIn corrigiu isso, a pesquisa unificada mostrou ter uma experiência de usuário positiva e foi liberada para todos.

Portanto, seja um teste A/B simples ou um teste multivariado complexo, qualquer experimento que você iniciar deve ser documentado em detalhes. Seus aprendizados também precisam ser documentados. Ao fazer isso, você pode garantir que seus experimentos futuros (ou de acompanhamento) sejam realmente melhores do que os anteriores.

Com uma ferramenta de CRO como o Convert Compass, você pode construir uma base de conhecimento de suas ideias, observações, hipóteses e aprendizados para que toda a sua equipe possa aprender e crescer junto. Não apenas isso, o Compass pode até usar seus aprendizados para sugerir a hipótese que você pode tentar em seguida.

Embrulhando-o…

Ao otimizar as partes de criação de ideias, hipóteses e aprendizado de seu programa CRO, você pode melhorar drasticamente a qualidade de seus experimentos. E ao colaborar e se envolver com todo o seu pessoal sobre isso, você pode construir e impulsionar uma cultura de experimentação abrangente.

Você pode achar difícil reunir todos os seus dados ao idealizar ou sofrer de sobrecarga de dados ao formular hipóteses (e priorizar), ou até mesmo lutar para documentar ou usar aprendizados para seus experimentos de acompanhamento, mas essas são as coisas que ajudarão você a aumentar os testes velocidade e estabelecer as bases para o sucesso do CRO a longo prazo.

Se você preferir usar uma ferramenta de CRO que faça todo esse trabalho pesado para você, inscreva-se abaixo.

O Compass ajuda você com ideação baseada em dados (reunindo todos os dados de seus diferentes silos de dados e com entradas do Stuck Score sugerindo ideias para tentar primeiro), priorização significativa (dizendo o quão difícil, fácil ou impactante um experimento pode ser ) e a documentação de seus aprendizados (reunindo todas as suas ideias, pesquisas de dados, observações, resultados, aprendizados e muito mais em um só lugar!).