จะจัดการข้อมูลเชิงคุณภาพและข้อมูลเชิงปริมาณสำหรับการทดสอบ A/B ที่ชนะได้อย่างไร

หากเราแยกย่อยเป็นแนวคิดหลัก CRO จะไม่เกี่ยวกับ Conversion และเพิ่มเติมเกี่ยวกับการทำความเข้าใจผู้ชมของคุณและวิธีที่พวกเขาโต้ตอบกับเว็บไซต์ของคุณ

ยิ่งคุณเข้าใจพวกเขามากขึ้น สิ่งที่พวกเขาต้องการและวิธีที่พวกเขาดำเนินการบนเว็บไซต์ของคุณ ประสบการณ์ลูกค้าและข้อเสนอที่ดียิ่งขึ้นที่คุณมอบให้ได้

ซึ่งหมายความว่า เป้าหมายหลักของเราในฐานะผู้ทดสอบคือการค้นหาข้อมูลให้ได้มากที่สุด ยิ่งเรามีข้อมูลมากเท่าไหร่ เราก็จะยิ่งสามารถวางแผนการทดสอบและพยายามดูผลลัพธ์ที่เพิ่มขึ้นได้มากเท่านั้น

ปัญหา?

เราไม่เก่งในการรวบรวมหรือทำความเข้าใจข้อมูลนั้นเสมอไป บางทีเราอาจไม่รู้เครื่องมือที่จะใช้ กระบวนการในการค้นหาข้อมูล หรือบางทีเราอาจไม่ได้วิเคราะห์และรับข้อมูลเชิงลึกที่ถูกต้อง ไม่ว่าจะมาจากการขาดประสบการณ์หรือแย่กว่านั้น บวกกับอคติของเราเองที่ทำให้ผลลัพธ์เสียหาย

นั่นคือสิ่งที่เราจะพูดถึงในคู่มือวันนี้: วิธีรวบรวมข้อมูลเกี่ยวกับผู้ชมของคุณ ทำความเข้าใจ และใช้งาน เราจะเจาะลึกและ ดูผู้ทดสอบคนอื่นๆ และกระบวนการของพวกเขา เพื่อให้คุณสามารถรวบรวมแนวคิดและข้อมูลเชิงลึกเพิ่มเติมสำหรับการทดสอบใหม่ของคุณ

อ่านต่อเพื่อหาข้อมูลเพิ่มเติม หรือคลิกที่นี่เพื่อเรียนรู้ "วิธีใช้ข้อมูลเพื่อผลักดันการทดสอบ A/B ให้ชนะ"

เมื่อพูดถึงการทดสอบและค้นหาข้อมูลสำหรับไซต์หรือแอปของคุณ เราต้องการดูข้อมูลสองประเภท

ตัวอย่างของการวิเคราะห์ข้อมูลเชิงปริมาณอาจเป็น:

• การวัดปริมาณการเข้าชมเพจ
• อัตราตีกลับของการเข้าชมนั้น
• CTR
• อัตราสมาชิก
• อัตราการขาย
• มูลค่าการขายเฉลี่ย

โปรแกรมทดสอบส่วนใหญ่จะเริ่มต้นด้วยทั้งการวิเคราะห์ทางเทคนิคเพื่อรับข้อมูลเกี่ยวกับสิ่งที่ใช้ได้ผลหรือใช้งานไม่ได้บนเว็บไซต์ จากนั้นจึงทำการวิเคราะห์เชิงปริมาณเพื่อให้ได้ข้อมูลพื้นฐานสำหรับประสิทธิภาพของเว็บไซต์ในปัจจุบัน ก่อนที่จะไปยังการวิเคราะห์เชิงคุณภาพ

ตัวอย่างของข้อมูลเชิงคุณภาพคือ

• การวิจัยผู้ใช้
• เลื่อนแผนที่
• ติดตามการคลิก
• การทำแผนที่ความร้อน
• แบบสำรวจ

เป้าหมายคือการทำความเข้าใจผู้ชมให้ดียิ่งขึ้นและวิธีที่พวกเขาโต้ตอบกัน เพื่อให้เราสามารถระบุปัญหาที่อาจเกิดขึ้นในการใช้งานไซต์ หรือเรียนรู้ปัญหาภายนอกใดๆ ที่อาจส่งผลต่อการกระทำของพวกเขาในไซต์

ตัวอย่างเช่น แม้ว่าเราจะรู้ว่า CTA ไม่ได้รับการคลิกจำนวนมาก แต่ผ่านการสัมภาษณ์ลูกค้าเท่านั้นที่เราพบว่าภาษานั้นไม่ชัดเจนหรือไม่ตรงใจผู้ชม

วิธีที่ถูกต้องในการใช้ข้อมูลในการทดสอบ A/B คืออะไร?

แม้ว่าดูเหมือนว่าเรากำลังติดตามเฉพาะเหตุการณ์ Conversion ที่เฉพาะเจาะจงหรือตรวจสอบพฤติกรรมของผู้ใช้ เป้าหมายคือการ รวมทั้งข้อมูลเชิงปริมาณและเชิงคุณภาพ บางทีเพื่อค้นหาข้อบกพร่องทางเทคนิคหรือปัญหาทั่วไป แต่ในอุดมคติแล้ว เรารวมสิ่งเหล่านี้เข้าด้วยกันเพื่อให้เราสามารถให้ความรู้ตัวเองและรับข้อมูลเชิงลึกแบบองค์รวมมากขึ้นเกี่ยวกับผู้ชมของเรา

เราไม่เพียงแค่ต้องการข้อมูลในทันทีเช่นกัน เราต้องการค้นหาสาเหตุว่าทำไมสิ่งต่างๆ จึงเกิดขึ้น จากนั้นจึงก้าวไปอีกขั้นเพื่อค้นหาสาเหตุที่แท้จริง

สมมติว่าเราทำการวิจัยเชิงปริมาณและเราเห็นว่าอัตราการแปลงบนหน้าเว็บต่ำ ข้อเสนอหรือผลิตภัณฑ์ไม่ต้องการหรือไม่? หรือเราต้องปรับปรุงกระบวนการ?

จากนั้นเราจะเรียกใช้แผนที่ความหนาแน่นในหน้า Landing Page และพบว่าผู้ชมส่วนใหญ่ไม่คลิก CTA ใดโดยเฉพาะ ดังนั้นเราจึงสามารถตั้งสมมติฐานได้ว่าทำไม บางทีภาษาไม่ชัดเจน?

แต่จากการตรวจสอบที่ลึกกว่านั้น เราพบว่าสำหรับอุปกรณ์บางเครื่องนั้นแค่อยู่นอกหน้าจอ ในขณะที่อุปกรณ์อื่นๆ นั้นไม่โดดเด่นพอที่จะชัดเจนว่าเป็นปุ่มสำหรับกด

• ถ้าเราดูที่ข้อมูลเชิงคุณภาพ เราจะคิดว่ามันเป็น CTR ต่ำ
• หากทั้งหมดที่เราดูคือข้อมูลเชิงคุณภาพ เราอาจถือว่าผู้คนไม่ได้คลิกเพียงแค่นั้น

แต่การรวมเข้าด้วยกันทำให้เรามองเห็นได้ลึกซึ้งยิ่งขึ้น (นี่คือวิธีที่เราเข้าใจข้อมูลในการทดสอบ A/B อย่างแท้จริง)

สำนวนเก่าเป็นความจริงที่ว่า "สิ่งที่วัดได้จะได้รับการจัดการ" สิ่งสำคัญคือต้องแน่ใจว่าเราไม่ได้ทำการตัดสินใจโดยอิงจากชุดข้อมูลที่จำกัดหรือมีข้อบกพร่อง ดังนั้นควรตรวจสอบแหล่งข้อมูลหลายแหล่งเสมอ

การเรียนรู้ที่จะช้าลง ถามว่าทำไม และปล่อยให้ข้อมูลจมลงจะช่วยให้คุณกลายเป็นผู้ทดสอบและแก้ปัญหาได้ดีขึ้นมาก

แทนที่จะพยายามค้นหาคำตอบในทันที ให้ถามตัวเองว่าคุณมีข้อมูลเพียงพอหรือไม่:

• ผู้ใช้ของคุณมีปัญหาที่แก้ไขได้ง่าย (ปุ่มเสียหรือ CTA ที่อ่อนแอ) หรือมีอะไรมากกว่านี้ที่สามารถปรับปรุงได้หรือไม่
• คุณมีอคติโดยธรรมชาติหรือประสบการณ์ก่อนหน้านี้ที่ส่งผลต่อความคิดเริ่มต้นของคุณหรือไม่?
• คุณสามารถหาข้อมูลเพิ่มเติมเกี่ยวกับผู้ชมของคุณก่อนได้หรือไม่?

จะเกิดอะไรขึ้นหากการมองลึกลงไปที่ปัญหา CTA และเลย์เอาต์นี้ คุณพบว่าผู้ชมส่วนใหญ่ของคุณใช้อุปกรณ์เคลื่อนที่ที่ล้าสมัยซึ่งมีความละเอียดหน้าจอและความเร็วในการโหลดต่างกัน อาจเป็นไปได้ว่าพวกเขาขาดเนื้อหาและการโต้ตอบส่วนใหญ่ของคุณ ไม่ใช่แค่ CTA และหน้าการขายของคุณ แม้แต่สื่อโซเชียลและเนื้อหาบล็อกของคุณก็อาจได้รับผลกระทบ!

ลึกลงไปอีก ทำไมพวกเขาถึงมีอุปกรณ์เหล่านี้? พวกเขาไม่สามารถซื้ออุปกรณ์ที่มีราคาแพงกว่าได้หรือไม่? มันไม่สำคัญสำหรับพวกเขาเหรอ? ถ้าไม่เช่นนั้นคืออะไร?

อย่าเพิ่งพยายามตัดสินใจทั้งหมดเกี่ยวกับสิ่งที่คุณมี ใช้เวลาของคุณ คิดและดำดิ่งลงลึกกับผลลัพธ์ใดๆ ที่คุณได้รับ หาสาเหตุว่าทำไม

ข้อผิดพลาดใหญ่ที่ควรหลีกเลี่ยงเมื่อรวบรวมและวิเคราะห์ข้อมูล

ตอนนี้ ไม่ต้องกังวลหากคุณเป็นผู้ทดสอบประเภทหนึ่งที่พยายามค้นหาข้อมูลเชิงลึกจากการวิจัยครั้งแรกของพวกเขาในทันที เนื่องจากคุณไม่ได้อยู่คนเดียวในเรื่องนี้

นี่เป็นเพียงหนึ่งในปัญหาที่เกิดซ้ำสองสามอย่างที่คนส่วนใหญ่ทำเมื่อพยายามรวบรวมหรือทำความเข้าใจข้อมูลของพวกเขา...

ปัญหา #1: การรวบรวมข้อมูลเพื่อพิสูจน์ความคิดเห็น

คุณใช้ข้อมูลเพื่อค้นหาข้อมูลเชิงลึกใหม่ๆ หรือไม่ หรือคุณกำลังใช้ข้อมูลเพื่อตรวจสอบแนวคิดปัจจุบัน

ไม่เป็นไรที่จะใช้ข้อมูลเพื่อตรวจสอบความคิด นั่นคือเป้าหมายของสมมติฐาน เรามีแนวคิดว่ามีอะไรผิดปกติและจะแก้ไขอย่างไร ดังนั้นเราจึงพยายามพิสูจน์ด้วยการทดสอบและผลการทดสอบ

แต่อย่าลืมวิธีการทางวิทยาศาสตร์! เราไม่สามารถยึดติดกับความคิดและความคิดเห็นของเราได้ เราจำเป็นต้องเชื่อถือข้อมูลและค้นหาสาเหตุที่แท้จริง นั่นคือสิ่งที่เราใส่ใจ ไม่เป็นไรที่จะ 'ผิด' กับสมมติฐาน การค้นหาข้อมูลเชิงลึกที่แตกต่างจากการทดสอบที่ล้มเหลวจะสอนคุณเกี่ยวกับผู้ชมของคุณมากขึ้น!

เพียงระวังข้อมูลที่บอกคุณสิ่งหนึ่ง แต่คุณบิดเบือนเพื่อลองและพิสูจน์อย่างอื่น

ปัญหา #2: การวิเคราะห์ผู้สนับสนุนโดยไม่ได้ระบุปัญหาอย่างชัดเจน

ปัญหาทั่วไปในการทดสอบ (และแม้แต่ธุรกิจส่วนใหญ่) คือบุคคลที่วิเคราะห์ข้อมูลไม่ใช่นักวิเคราะห์เสมอไป

นักวิเคราะห์จะใช้เป็นสื่อกลางในการดึงข้อมูลลงในรายงานสำหรับบุคคลที่สามที่กำลังพยายามแก้ปัญหา (พวกเขากลายเป็นแดชบอร์ดที่ได้รับการยกย่องเกือบ)

นี่คือตัวอย่าง:

• เจ้านายของคุณมีเป้าหมายและปัญหา
• พวกเขามีแนวคิดคร่าวๆ เกี่ยวกับวิธีแก้ปัญหาและสาเหตุ ดังนั้นขอข้อมูลจากนักวิเคราะห์เกี่ยวกับ XYZ แต่ไม่มีบริบท พวกเขากำลังพยายามค้นหาว่าปัญหาและวิธีแก้ปัญหานี้อาจใช้ได้หรือไม่
• โดยปกติจะมีการกลับไปกลับมาเพื่อขอข้อมูลเพิ่มเติม คำขอนี้สนับสนุนแนวคิดนี้อย่างไม่ถูกต้อง หรือไม่มีความเข้าใจเพิ่มเติมเกิดขึ้น
• ดังนั้นการทดสอบหรือแนวคิดใหม่จึงถูกนำเสนอ และปัญหาก็ยังไม่ได้รับการแก้ไข

ไม่ดีใช่มั้ย?

แต่ลองนึกดูว่าถ้าหัวหน้าเข้ามาหานักวิเคราะห์ด้วยบริบทของปัญหานั้นๆ แล้วพวกเขาทำงานร่วมกันเพื่อระบุปัญหาและค้นหาสาเหตุที่แท้จริงหรือไม่?

สิ่งนี้สามารถติดตามความเข้าใจอย่างรวดเร็วและการทดสอบใหม่เพื่อแก้ไข

ปัญหา #3: อาศัยแหล่งข้อมูลเพียงแหล่งเดียวโดยไม่ต้องเข้าไปอยู่ในมุมมองที่ต่างกัน

เราเคยบอกเป็นนัยในเรื่องนี้มาก่อนแล้ว แต่สิ่งสำคัญคือต้องไม่ยึดติดกับแหล่งข้อมูลเพียงแหล่งเดียว เนื่องจากคุณจำกัดความเข้าใจและแนวทางในการทดสอบและแนวคิดในการทดสอบที่อาจเกิดขึ้นอย่างเข้มงวด

ยิ่งคุณมีแหล่งที่มามากเท่าใด คุณก็จะวาดภาพสิ่งที่เกิดขึ้นและเหตุผลได้ดีขึ้นเท่านั้น

ใช่ มันต้องใช้เวลา แต่การเพิ่มประสิทธิภาพอัตราการแปลงเป็นเรื่องเกี่ยวกับความเข้าใจผู้ชมนั้น ทำงานและเรียนรู้ให้มากที่สุด

ยิ่งรู้มากยิ่งดี!

โดย GIPHY

ปัญหา #4: ไม่จัดลำดับความสำคัญการคิดอย่างมีวิจารณญาณเป็นทักษะ

สมองของเรามันแปลกๆ เราทำงานบนระบบของแรงกระตุ้นพื้นฐาน แรงกระตุ้นทางอารมณ์ และประสบการณ์ก่อนหน้านี้ เป้าหมายคือการทำให้เรามีชีวิตอยู่ ให้กำเนิด และตัดสินใจโดยไม่เปลืองพลังงานมากเกินไป

เมื่อทราบสิ่งนี้ ผู้ทดสอบ (และเจ้าของธุรกิจ) จะฉลาดเสมอที่จะตระหนักถึงกระบวนการของการคิดอย่างมีวิจารณญาณและอคติทางปัญญา และผลกระทบต่อความเข้าใจและการตัดสินใจของเรา...

การคิดอย่างมีวิจารณญาณคืออะไร?

การคิดอย่างมีวิจารณญาณคือความสามารถในการวิเคราะห์ข้อเท็จจริงและข้อมูลเพื่อสร้างการตัดสิน โดยไม่มีอคติ

การตัดสินใจของเรามีหลายร้อยสิ่งที่แตกต่างกัน ซึ่งหนึ่งในนั้นคืออคติของการตัดสินใจตามประสบการณ์หรือสถานการณ์ในชีวิตที่ผ่านมา เราเรียก อคติทางปัญญา เหล่านี้

ผู้ที่ฝึกการคิดเชิงวิพากษ์เข้าใจสิ่งนี้ ดังนั้นพวกเขาจึงใช้กระบวนการเฉพาะเพื่อช่วยพวกเขาในการตัดสินที่เป็นกลาง:

• บัตรประจำตัว ค้นหาปัญหา
• รวบรวมข้อมูล ตรวจสอบให้แน่ใจว่าใช้หลายแหล่ง ตรวจสอบให้แน่ใจว่าไม่ได้เพิ่มอคติในการเลือกแหล่งที่มา
• การ วิเคราะห์ คุณสามารถเชื่อถือแหล่งข้อมูลเหล่านี้ได้หรือไม่? พวกเขาเชื่อถือได้หรือไม่? ชุดข้อมูลมีขนาดใหญ่พอที่จะเป็นจริงหรือไม่?
• การตีความ + การอนุมาน คุณเห็นรูปแบบใดจากข้อมูลนี้ มันบอกอะไรคุณจนถึงตอนนี้? อะไรสำคัญที่สุด? คุณเห็นสาเหตุหรือความสัมพันธ์หรือไม่?
• คำอธิบาย ทำไมคุณถึงคิดว่าสิ่งนี้กำลังเกิดขึ้น?
• การควบคุมตนเอง คุณมีอคติทางปัญญาที่ส่งผลต่อการวิเคราะห์และทดสอบสมมติฐานหรือไม่? คุณตั้งสมมติฐานที่ไม่ถูกต้องหรือไม่? ทำงานผ่านพวกเขาเพื่อให้แน่ใจ
• เปิดใจกว้างและแก้ปัญหา ด้วยความเข้าใจในปัจจุบันของคุณ คุณจะแก้ไขปัญหานี้ได้อย่างไร คุณต้องเรียนรู้เพิ่มเติมก่อนหรือไม่?

อย่างที่คุณเห็น การมีกระบวนการวิเคราะห์ข้อมูลนี้มีความสำคัญอย่างเหลือเชื่อ แม้ว่าคุณควรดูอคติในจิตใต้สำนึกที่อาจส่งผลต่อการตัดสินใจของคุณและวิเคราะห์ข้อมูลนี้

อะไรคืออคติทางปัญญา?

อคติทางปัญญาเป็นสูตรโกงสำหรับสมองของเราเพื่อประหยัดพลังงานในการตัดสินใจโดยใช้การจดจำรูปแบบ ประเด็นก็คือความลำเอียงของเรานั้นไม่ถูกต้องเสมอไป และอาจส่งผลต่อการตัดสินใจและการกระทำของเราทั้งทางบวกและทางลบ Ik สิ่งนี้จะสังเกตเห็นได้ชัดเจนเป็นพิเศษเมื่อพูดถึงการทดสอบ

นี่คือตัวอย่างบางส่วน:

• Action Bias : แนวโน้มที่จะดำเนินการแม้ว่าข้อมูลจะชี้ให้เห็นว่าไม่สามารถปรับปรุงได้?
• Anchoring Bias: แนวโน้มที่จะตัดสินใจบนพื้นฐานของข้อมูลที่ได้รับก่อนหน้านี้
• Authority Bias: แนวโน้มที่จะให้ความสำคัญกับความคิดเห็นจากตำแหน่งที่มีอำนาจมากขึ้น

คุณเห็นหรือไม่ว่าสิ่งเหล่านี้จะส่งผลต่อการวิเคราะห์ข้อมูลและแนวคิดการทดสอบของคุณอย่างไร

มีสิ่งเหล่านี้มากเกินไปสำหรับฉันที่จะกล่าวถึงที่นี่ (บางส่วนประมาณ 150 โดยรวม) ฉันขอแนะนำอย่างยิ่งให้คุณสร้างรายการของคุณเอง จากนั้น คุณสามารถลองสร้างกระบวนการคิดเชิงวิพากษ์เพื่อวิเคราะห์ข้อมูลของคุณดังที่เราได้อธิบายไว้ก่อนหน้านี้ และ 'รายการตรวจสอบ' ความลำเอียงที่อาจส่งผลต่อการวิเคราะห์ของคุณ

ปัญหา #5: ใช้ความสัมพันธ์เป็นสาเหตุ

สิ่งนี้เกือบจะเชื่อมโยงกับอคติทางปัญญา โดยที่เราเห็นรูปแบบในข้อมูลที่อาจมีอยู่ แต่อาจไม่ใช่สาเหตุของผลลัพธ์

เกิดขึ้นพร้อมกันบ่อยครั้งเป็นผลพลอยได้หรือเรื่องบังเอิญง่ายๆ

ตัวอย่างเช่น นักเล่นกระดานโต้คลื่นส่วนใหญ่ไม่ทำงานในช่วงเช้าและจะเล่นเซิร์ฟแทน (เมื่อคุณมีลมนอกชายฝั่งที่ดีที่สุดสำหรับคลื่น)

สำหรับคนที่เฝ้าดูอยู่บนชายหาด คุณคิดว่าบางทีคนเหล่านี้อาจไม่มีงานทำหรือลาป่วย อย่างไรก็ตาม หลังจากที่ได้พูดคุยกันหลายครั้งในมหาสมุทร ก็เห็นได้ชัดว่าเกือบทุกคนที่เล่นเซิร์ฟทำงานเพื่อตัวเอง ดังนั้นจึงสามารถเลือกเวลาทำการได้

ตอนนี้บางคนเริ่มเล่นกระดานโต้คลื่นเพราะพวกเขามีความยืดหยุ่นและเวลาว่าง (สหสัมพันธ์) แต่คนอื่น ๆ เลือกอาชีพที่พวกเขาสามารถมีความยืดหยุ่นนี้เพื่อให้สามารถเล่นกระดานโต้คลื่นได้ (สาเหตุ)

สวยเย็นใช่มั้ย?

ความจริงก็คือ แม้ว่าหลังจากการวิจัยเบื้องต้นและ 'การสัมภาษณ์' แล้ว ก็ยังเป็นการง่ายที่จะได้มุมมองที่ไม่ถูกต้องของชุดข้อมูล อย่าลืมดูข้อมูลของคุณด้วยใจที่เปิดกว้างและเจาะลึกเพื่อค้นหาสาเหตุที่แท้จริง

วิธีการต่างๆ ในการเก็บรวบรวมข้อมูลเชิงคุณภาพและเชิงปริมาณ

เราจะใช้อะไรในการรวบรวมข้อมูลนี้ได้บ้าง?

สำหรับการรวบรวมข้อมูลเชิงปริมาณ เรามักจะพิจารณาเครื่องมือสองประเภท:

• เครื่องมือวิเคราะห์ เช่น Google Analytics หรือผู้ให้บริการบุคคลที่สามเพื่อรับผลลัพธ์ที่เป็นปัจจุบัน
• เครื่องมือทดสอบ A/B เช่น Convert Experiences เพื่อให้คุณสามารถวัดการเปลี่ยนแปลงเชิงตัวเลขในประสิทธิภาพระหว่างรูปแบบต่างๆ และส่วนควบคุม

ทั้งสองนี้จะให้ข้อมูลตัวเลขดิบแก่เรา

(ดูคู่มือเปรียบเทียบของเรากับเครื่องมือทดสอบ A/B ที่นี่ เพื่อดูว่าเครื่องมือใดใช้ได้ผลดีที่สุดสำหรับคุณ)

สำหรับการวิจัยเชิงคุณภาพ เรากำลังพิจารณาตัวเลือกที่กว้างขึ้น เนื่องจากเรากำลังทดสอบองค์ประกอบที่แตกต่างกันหลายรายการ:

• การทำแผนที่ความร้อน
• ติดตามการคลิก
• ติดตามดวงตา
• บันทึกของผู้ใช้
• การสำรวจในสถานที่และ
• แบบสำรวจลูกค้าโดยตรง

การติดตามการมองมักจะเป็นเครื่องมือที่มีต้นทุนสูงเนื่องจากข้อกำหนดด้านฮาร์ดแวร์ มีตัวเลือกซอฟต์แวร์บางอย่างสำหรับติดตั้งและใช้งานภายในองค์กร ในขณะที่อีกทางเลือกหนึ่งคือการจ้างบริษัทภายนอกที่ตั้งค่าแว่นตาติดตามการมองหรือกล้องเพื่อตรวจสอบการเคลื่อนไหวของดวงตาและสถานที่ที่น่าสนใจ

สำหรับการทำแผนที่ความร้อน การติดตามการคลิก การบันทึกผู้ใช้ขั้นพื้นฐาน และแบบสำรวจ คุณสามารถใช้เครื่องมือราคาถูก เช่น Hotjar ที่รวมคุณสมบัติเหล่านี้ทั้งหมด ช่วยให้คุณระบุปัญหาที่พบบ่อยและรับข้อมูลเชิงลึกแทบจะในทันทีโดยไม่ต้องขอความช่วยเหลือจากบุคคลที่สาม และ *เกือบ* ทำหน้าที่คล้ายกับการติดตามการมอง

สุดท้าย คุณยังสามารถนำผู้ใช้ไปสู่อีกขั้นหนึ่งและจ้างเอเจนซี่ที่จะนำผู้ใช้อิสระเข้ามาใช้หน้าเว็บของคุณ ให้พวกเขาทำงานที่ตั้งไว้ จากนั้นบันทึกการโต้ตอบของพวกเขาและส่งข้อมูลให้คุณ

ไซด์โน้ต:

แม้ว่าเราจะไม่ได้แสดงรายการเหล่านี้ในส่วนเครื่องมือเชิงปริมาณ แต่บางครั้งก็มีความทับซ้อนกันซึ่งเครื่องมือเชิงคุณภาพสามารถใช้สำหรับการได้มาซึ่งข้อมูลเชิงปริมาณ

คุณสามารถใช้เครื่องมือสำรวจและวัดคำตอบของผู้เข้าร่วมจำนวน X เพื่อรับค่าตัวเลขของความคิดของพวกเขาเกี่ยวกับสำเนาการขายและวิธีที่พวกเขาคิดว่าพวกเขาจะตอบกลับ

อย่างไรก็ตาม… สิ่งนี้ยังคงเป็นอัตนัย เนื่องจากสิ่งที่ผู้คนพูดไม่ใช่สิ่งที่พวกเขาทำ เสมอไป

เป็นความคิดที่ดีเสมอที่จะวัดผลตอบรับสำหรับการกระทำ (สิ่งที่พวกเขาพูด) แล้ววัดผลการตอบสนองต่อการดำเนินการจริงด้วย (การกระทำที่พวกเขาทำ) บางครั้งสิ่งนี้สามารถทำให้คุณมีความคิดที่ลึกซึ้งยิ่งขึ้นว่าควรจัดเตรียมอะไรและจะจัดวางกรอบอย่างไร

ผู้เชี่ยวชาญด้านการทดลองเข้าถึงข้อมูลเชิงคุณภาพและเชิงปริมาณได้อย่างไร

ต้องการทราบว่าผู้เชี่ยวชาญรวบรวมและใช้ข้อมูลอย่างไร เมื่อเร็ว ๆ นี้เราได้สัมภาษณ์ผู้เชี่ยวชาญด้าน CRO 7 คนซึ่งเป็นส่วนหนึ่งของซีรี่ส์ “Think like a CRO pro' ของเรา

ฉันจะไม่สปอยล์การสัมภาษณ์ของพวกเขาเพราะฉันแนะนำให้คุณอ่าน อย่างไรก็ตาม ฉันได้ดึงเกร็ดเล็กเกร็ดน้อยที่น่าสนใจเกี่ยวกับวิธีการที่พวกเขาคิดเกี่ยวกับข้อมูลด้านล่าง รวมถึงความคิดของฉันเกี่ยวกับวิธีการของพวกเขา...

Gursimran Gurjal – OptiPhoenix

ข้อมูลเชิงปริมาณโดยทั่วไปนั้นดีที่จะเปิดเผยช่องโหว่ของ Conversion พื้นฐานเพื่อให้เข้าใจว่าผู้ใช้ลดลงที่ใด ช่องทางต่างๆ มีประสิทธิภาพอย่างไร CR จากอุปกรณ์ต่างๆ ที่ผู้ใช้ออกจากเว็บไซต์ ฯลฯ ในขณะที่ข้อมูลเชิงคุณภาพช่วยให้เราค้นพบรายละเอียดว่าเหตุใดผู้ใช้จึงเลิกใช้หรือดำเนินการบางอย่าง .

การรวม "ที่ไหน+ทำไม" ร่วมกับการทดลองจะทำให้เห็นภาพพฤติกรรมของผู้ใช้ที่สมบูรณ์

การศึกษาข้อมูลเชิงคุณภาพ เช่น แผนที่ความหนาแน่น การบันทึกเซสชัน ผลการสำรวจ หรือการทดสอบความสามารถในการใช้งานต้องใช้เวลามากขึ้นในการสร้างรูปแบบที่มีนัยสำคัญทางสถิติ ในขณะที่ข้อมูลเชิงปริมาณจะวิเคราะห์ได้ง่ายขึ้น เมื่อคุณต้องการรวบรวมข้อมูลเชิงลึกที่มีรายละเอียดและมีความหมายมากขึ้น เป็นสิ่งสำคัญ ไม่ใช่แค่อาศัย GA หรือ Hotjar ในการรวบรวมข้อมูล แต่ควรผลักดันเหตุการณ์ที่คุณกำหนดเองเพื่อให้ข้อมูลมีความหมายมากขึ้น เช่น การแท็กการบันทึกสำหรับผู้ใช้ทั้งหมดที่ได้รับข้อผิดพลาดในกระบวนการเช็คเอาต์ การส่งกิจกรรมไปยัง GA ที่ตัวกรอง หรือกำลังใช้ตัวเลือกการเรียงลำดับมากที่สุด เป็นต้น ดังนั้นคุณจึงสามารถใช้ประโยชน์จากข้อมูลได้ อย่างเต็มที่

การเพิ่มแท็กที่กำหนดเองเพื่อให้ทราบข้อมูลเป็นแนวคิดที่ยอดเยี่ยม ด้วยวิธีนี้ คุณจะไม่เพียงแต่มองเห็นปัญหาและที่มาที่ไป แต่ยังมองเห็นที่มาและแหล่งที่มาของการเข้าชมอีกด้วย

Haley Carpenter ผู้เชี่ยวชาญด้านกลยุทธ์ CRO อาวุโส

เตือนตัวเองอยู่เสมอว่าเราทุกคนล้วนมีอคติ รู้ว่าเป็นหน้าที่ของคุณที่จะต้องรายงานตามความจริงและถูกต้องที่สุด ความซื่อสัตย์เป็นค่านิยมหลักที่จะรักษาไว้สูง

ตรวจสอบงานของคุณอีกครั้งหรือให้คนอื่นตรวจสอบหากคุณไม่แน่ใจในบางสิ่ง ดวงตาคู่ที่สองอาจมีประโยชน์อย่างยิ่งในบางครั้ง โดยเฉพาะอย่างยิ่งหากคุณจ้องมองบางสิ่งเป็นเวลาหลายชั่วโมง หลายวัน หรือหลายสัปดาห์

ครั้งหนึ่งฉันเคยเรียนหลักสูตรมานุษยวิทยาซึ่งเราต้องถอดเสียงบันทึก ศาสตราจารย์เน้นว่าการถอดเสียงเป็นคำให้ถูกต้องกับบุคคลที่พูดนั้นมีความสำคัญสูงสุด เราไม่ได้ทำอะไรแม้แต่น้อยเพียงแค่ตัดคำสองตัวอักษรหนึ่งคำหรือแก้ไขข้อผิดพลาดทางไวยากรณ์เล็กน้อย

ฉันใช้บทเรียนนี้มาจนถึงทุกวันนี้และนำไปใช้กับการวิเคราะห์ข้อมูล… โดยเฉพาะการบันทึกการทดสอบของผู้ใช้ สิ่งสำคัญคือต้องทำให้การวิเคราะห์ของคุณเป็นจริงกับข้อมูลต้นฉบับให้ได้มากที่สุด

การมีมุมมองที่หลากหลายในการวิจัยและผลลัพธ์เป็นวิธีที่ยอดเยี่ยมในการไม่พลาดปัญหาใดๆ ขจัดอคติที่อาจเกิดขึ้น และรับมุมมองที่แตกต่างกัน ซึ่งมักจะนำไปสู่ข้อมูลเชิงลึกที่ผู้ทดสอบเพียงคนเดียวอาจพลาดไป

Rishi Rawat – Frictionless Commerce

มุมมองของฉันเกี่ยวกับข้อมูลเชิงปริมาณ:

ข้อมูลก็คือข้อมูล อย่าเหล่เพื่อทำความเข้าใจกับมัน อย่ายึดติดกับอารมณ์ ระบุสมมติฐานของคุณก่อนเริ่มการรวบรวมข้อมูล หากข้อมูลไม่พิสูจน์สัญชาตญาณของคุณ ให้ออกแบบการทดสอบใหม่และเปิดใช้ ข้อมูลก็คือข้อมูล เคารพมัน

มุมมองของฉันเกี่ยวกับข้อมูลเชิงคุณภาพ:

เรามีข้อโต้แย้งในหัวข้อนี้ เราไม่เชื่อในการวิจัยผู้ใช้ปลายทาง หมายความว่า ฉันไม่คุยกับคนที่ซื้อผลิตภัณฑ์ ไม่ใช่ว่าฉันไม่คิดว่าการวิจัยประเภทนี้มีความสำคัญ แต่เป็น; มันแพง ฉันชอบที่จะรับข้อมูลเชิงคุณภาพทั้งหมดของฉันจากผู้ก่อตั้งหรือผู้ประดิษฐ์ผลิตภัณฑ์ที่ฉันกำลังดำเนินการอยู่

ที่ซึ่งประสบการณ์ของผู้ใช้ของผู้ซื้อปลายทางเป็นเพียงภาพรวมของการซื้อครั้งเดียวที่เกิดขึ้นในขณะนั้น ผู้ประดิษฐ์มีบริบทเกี่ยวกับการเดินทางทั้งหมด ฉันต้องการได้รับ 'ความรู้สึก' เชิงปริมาณจากผู้ก่อตั้ง ผู้ก่อตั้ง/นักประดิษฐ์มีความรู้เชิงสถาบันมากมายที่จะทำให้คุณปวดหัว เป็นเพียงว่าพวกเขาอยู่ใน 'ตรงกลาง' มานานจนไม่รู้ว่าจะเริ่มต้นจากตรงไหน นี่คือที่มาของทักษะการถามคำถามของเครื่องมือเพิ่มประสิทธิภาพ เครื่องมือเพิ่มประสิทธิภาพช่วยให้ผู้สร้างมีมุมมองภายนอก ฉันให้คุณค่ากับข้อมูลเชิงคุณภาพประเภทนี้เป็นอย่างมาก

นี่เป็นแนวคิดที่น่าสนใจ…

ใน CRO เรามักจะเน้นที่ผู้ใช้เพื่อทำความเข้าใจการเดินทางของลูกค้า ปัญหาคือลูกค้าบางครั้งไม่ทราบว่ามีอะไรผิดปกติหรือจะพูดอย่างไร

ในทำนองเดียวกัน เจ้าของธุรกิจสามารถรู้ผลิตภัณฑ์จากภายในสู่ภายนอก แต่สื่อสารได้ไม่ดี สำหรับพวกเขา เห็นได้ชัดว่าเพราะพวกเขามีประสบการณ์ทั้งหมด แต่สำหรับลูกค้า ข้อความนั้นอาจขาดอะไรบางอย่าง ในโลกอุดมคติ หากคุณกำลังทดสอบบริษัทอื่น คุณต้องการพูดกับทั้งผู้ฟังและเจ้าของ

หากคุณไม่มีเวลาหรือทรัพยากร ให้พูดคุยกับเจ้าของธุรกิจ เช่นเดียวกับที่ Rishi กล่าว พวกเขามักจะมีความเข้าใจทั้งหมดนี้ที่สามารถดึงออกมาได้ งานของเราในฐานะผู้ทดสอบคือการค้นหาว่าสิ่งใดหายไปและจะเชื่อมต่อกับลูกค้าได้อย่างไร

Sina Fak – ผู้สนับสนุนการแปลง

ความจริงก็คือข้อมูลทั้งหมดมีอคติอยู่ภายใน

ทุกอย่างตั้งแต่วิธีการรวบรวมข้อมูล ไปจนถึงข้อมูลตัวอย่างที่ใช้ในการวิเคราะห์ ไปจนถึงบุคคลที่ตรวจสอบข้อมูลและดำเนินการวิเคราะห์ มีองค์ประกอบของอคติที่เราไม่สามารถควบคุมได้อย่างเต็มที่

ข้อมูลเพียงอย่างเดียวไม่ได้ให้เรื่องราวทั้งหมดแก่คุณ จะเป็นจุดเริ่มต้นให้คุณเข้าใจเรื่องราวบางส่วนและดึงข้อมูลเชิงลึก วิธีเดียวที่จะจัดการกับข้อมูลในลักษณะที่บอกเล่าเรื่องราวที่เป็นกลางคือนำไปทดสอบและทำการทดลองกับมัน

สิ่งนี้สัมพันธ์กับสิ่งที่เราพูดก่อนหน้านี้

การทดสอบและการวิจัยทุกครั้งมีอคติ เราสามารถพยายามลบล้างบางสิ่งด้วยกระบวนการคิดเชิงวิพากษ์และการวิเคราะห์ แต่ก็ยังสามารถเล็ดลอดเข้ามาได้

ทดสอบแนวคิด ค้นหาและทดสอบเพิ่มเติม อย่าลืมวิธีการทางวิทยาศาสตร์ เราสามารถ 'ล้มเหลว' และค้นหาคำตอบที่เราต้องการได้เช่นกัน

ยาคุบ ลิโนฟสกี – GoodUI

โดยทั่วไป ยิ่งเรามีมาตรการที่มีความสอดคล้องกันมากเท่าใด การทดลองของเราก็จะยิ่งน่าเชื่อถือและน่าเชื่อถือมากขึ้นเท่านั้น

ในการเปรียบเทียบผลการทดสอบ A/B มีหลายวิธีที่เราสามารถทำได้:

● การเปรียบเทียบเมตริกหลายรายการจากการทดสอบเดียวกัน (เช่น ความสม่ำเสมอของผลกระทบจากการเพิ่มในรถเข็น การขาย รายได้ การส่งคืนสินค้า เป็นต้น)

● การเปรียบเทียบข้อมูลในอดีตระหว่างการทดสอบที่แยกกัน (เช่น ความสอดคล้องของผลกระทบระหว่างการทดสอบที่แยกจากกัน 2 รายการที่ทำงานบนเว็บไซต์แยกกัน 2 แห่ง

อย่าลืมว่าการวิเคราะห์ข้อมูล Quant และ Qual มีความสำคัญเท่าเทียมกัน POST TEST เช่นเดียวกับในการวางแผนเริ่มต้นของเรา

การมีกระบวนการในรายการตรวจสอบผ่านปัญหาที่เป็นไปได้และสถานที่สำหรับ 'aha Moment' สามารถให้ผลลัพธ์ที่ดีกว่าการดูครั้งแรก

(บางครั้งข้อมูลก็อยู่ที่นั่นและเราพลาดไป)

Eden Bidani – สำเนาไฟเขียว

ฉันพยายามทำงานให้มากที่สุดโดยแสดงข้อมูลทั้งสองแบบเคียงข้างกัน สำหรับฉัน มันช่วยให้ภาพเต็มสมดุล

ข้อมูลคุณภาพให้ความลึกและความหมายแก่ควอน และข้อมูลควอนท์ให้ทิศทางทั่วไปว่าองค์ประกอบใดของข้อมูลที่มีคุณภาพควรได้รับมากกว่า แปด

การมีชุดข้อมูลทั้งสองไว้ด้วยกันเพื่อให้คุณสามารถเปรียบเทียบและเปรียบเทียบได้เป็นวิธีที่ดีที่สุดในการวิเคราะห์และทำความเข้าใจว่าเกิดอะไรขึ้น

สิ่งนี้เชื่อมโยงกับสิ่งที่เราพูดก่อนหน้านี้เกี่ยวกับการมีชุดข้อมูลเดียวเพื่อค้นหาปัญหาและแนวทางแก้ไข ถ้าทั้งหมดที่เรามีคือหนึ่งเดียว เราก็จะได้ข้อสรุปที่ต่างกันออกไป ใช้ทั้งสองอย่างเพื่อค้นหาความสัมพันธ์นั้น

พระอิศวรมันชุนาถ – Speero

วิธีที่ฉันพยายามเข้าถึงการวิเคราะห์ Quant + Qual ก็เหมือนกับการสอบสวนของตำรวจ มีแรงจูงใจหรือสมมติฐาน แต่คุณไม่สามารถสรุปได้ว่าบุคคลที่คุณนำเข้ามาเพื่อสอบสวนนั้นไร้เดียงสาหรือมีความผิด บุคคลที่นำเข้ามา (ข้อมูลการทดลอง) จะถือว่าไร้เดียงสา และเป็นหน้าที่ของคุณที่จะพิสูจน์ว่าพวกเขากระทำผิดโดยปราศจากข้อสงสัยอันสมเหตุสมผล (นัยสำคัญทางสถิติ)

เพื่อให้คุณสามารถดูข้อมูลด้วยตัวเอง สัมภาษณ์บุคคลอื่น (ข้อมูลเชิงคุณภาพ) และอาจดูใบแจ้งยอดจากธนาคารหรือดูบันทึกเวลาที่มีคนเข้า/ออกงานเพื่อดูว่าข้อแก้ตัวของพวกเขาเช็คเอาท์หรือไม่ (ข้อมูลเชิงปริมาณ)

อาจไม่ใช่ตัวอย่างที่ดีที่สุด แต่คุณต้องเข้าหามันอย่างเป็นกลางเสมอ และยืนยันแหล่งที่มาของข้อมูล (เช่น แผนที่ความหนาแน่นกับโพลในไซต์ที่มีข้อมูลเชิงปริมาณ) เพื่อสร้างเรื่องราว และดูว่าสนับสนุนหรือไม่สนับสนุนสมมติฐานนี้ ด้วยความเข้มงวดทางสถิติ เห็นได้ชัดว่า y!

ฉันชอบการเปรียบเทียบนี้ และมันทำให้ฉันนึกถึงเชอร์ล็อค โฮล์มส์ และมีความผูกพันกับการทดสอบ

ฉันยังไม่มีข้อมูล (หรือไม่เพียงพอ) มันเป็นความผิดพลาดครั้งใหญ่ที่จะตั้งทฤษฎีก่อนที่จะมีข้อมูล คนเราเริ่มบิดเบือนข้อเท็จจริงเพื่อให้เข้ากับทฤษฎีอย่างไม่มีเหตุผล แทนที่จะเป็นทฤษฎีเพื่อให้เข้ากับข้อเท็จจริง

ในฐานะผู้ทดลอง เราจำเป็นต้องกำจัดอคติทั้งหมด ไม่ว่าจะมีประสบการณ์หรือเพียงเพราะเราคิดสมมติฐานขึ้นมา แต่เราต้องปฏิบัติต่อผลลัพธ์อย่างเป็นธรรมและค้นหาความจริง

เป้าหมายของเราคือไม่ถูกต้อง มันคือการค้นหาสิ่งที่ใช้ได้ผลเพื่อให้เราสามารถสร้างมันขึ้นมาได้!

วิธีใดดีที่สุดในการใช้ข้อมูลเพื่อออกแบบการทดสอบที่ชนะ

หากคุณทำการทดสอบมาระยะหนึ่งแล้ว คุณจะรู้ว่าการทดสอบส่วนใหญ่ไม่ได้สร้างผู้ชนะ อันที่จริงมีเพียงประมาณ 3/10 เท่านั้นที่จะชนะในขณะที่คนอื่นถือว่าล้มเหลว

คำศัพท์ของการชนะหรือล้มเหลวนั้นไม่ค่อยดีนัก ใช่ การทดสอบไม่ได้ให้ลิฟต์ แต่ให้ข้อมูลที่เราสามารถใช้เพื่อปรับปรุงและหาสาเหตุ

จดจำ:

เราไม่ได้เน้นการทดสอบเพียงครั้งเดียว แม้ว่าจะชนะ แต่เรายังคงใช้กระบวนการเรียนรู้และการปรับปรุงซ้ำๆ เราทดสอบ เรียนรู้ ตั้งสมมติฐาน และทดสอบอีกครั้ง

ซึ่งช่วยให้เราสร้างลูปความคิดเห็นของข้อมูลใหม่เพื่อสนับสนุนหรือหักล้างแนวคิด

• เราทดสอบและล้มเหลว แต่เราเรียนรู้
• เราใช้การเรียนรู้เหล่านั้นและทดสอบจนกว่าเราจะชนะและได้รับการปรับปรุง
• จากนั้นเราก็ทำการทดสอบต่อไปจนกว่าจะถึงจุดสูงสุดในพื้นที่และไม่สามารถปรับปรุงเพิ่มเติมได้อีก

อย่ามุ่งเน้นที่การพยายามหาผู้ชนะในทันที นี่เป็นวิธีที่รวดเร็วในการอ้างว่า CRO ไม่ได้ผลสำหรับคุณ ให้เปลี่ยนข้อมูลเป็นข้อมูลเชิงลึกและเรียนรู้เพิ่มเติมในแต่ละครั้งแทน

คุณอาจใกล้เคียงกับผู้ชนะ แต่ต้องการการดำเนินการที่ดีกว่า

หรือคุณอาจใกล้ถึง ช่วง เวลาที่สามารถเปลี่ยนแปลงข้อความทั้งหมดของคุณได้ ยึดมั่นและเรียนรู้ต่อไปกับการทดสอบแต่ละครั้ง!

สร้างการวนรอบความคิดเห็นนั้นลงในการประมวลผลข้อมูลและกระบวนการทดสอบของคุณ

แต่ที่สำคัญที่สุด? ตรวจสอบให้แน่ใจว่าคุณสามารถเข้าถึงและเข้าใจข้อมูลที่คุณกำลังรวบรวม คุณใช้ข้อมูลนั้นอย่างถูกต้องและเชื่อถือได้!...

วิธีปรับปรุงการเข้าถึงข้อมูลในองค์กร

การมีข้อมูลให้ใช้งานได้ดีทั้งหมด แต่จะไม่มีประโยชน์ถ้าคุณไม่สามารถเข้าถึงได้เพื่อเรียนรู้จากมัน!

บางบริษัทมักจะมีปัญหาคอขวดในการไหลของข้อมูลโดยเข้าถึงข้อมูลของตนผ่านนักวิทยาศาสตร์ข้อมูลเท่านั้น หากคุณต้องการข้อมูล คุณจำเป็นต้องเข้าถึงหรือทำงานกับข้อมูลเหล่านั้นโดยตรง ทำให้เกิดปัญหา

วิธีที่ยอดเยี่ยมในการผ่านพ้นสิ่งนี้คือทำให้การเข้าถึงข้อมูลเป็นประชาธิปไตย:

• อนุญาตให้เข้าถึงข้อมูลสำหรับเครื่องมือบทบาทเดียวแบบดั้งเดิม (GA ฯลฯ) ให้กับทีมที่ต้องการ
• ดูการใช้เครื่องมือบริการตนเองที่มีความสามารถในการรายงานข้อมูลซึ่งรวมเข้ากับเครื่องมือที่ทั้งทีมสามารถใช้ได้
• สร้างที่เก็บการเรียนรู้แบบรวมศูนย์ของผลลัพธ์ข้อมูล ซึ่งช่วยให้ทั้งองค์กรได้รับข้อมูลเชิงลึก ไม่ใช่แค่ทีมทดสอบโดยตรง

ทำไมต้องสนใจการเข้าถึงข้อมูล?

เนื่องจากการเข้าถึงข้อมูลจะเพิ่มจำนวนการตัดสินใจที่อาจส่งผลต่อ ROI ของธุรกิจของคุณ

เคล็ดลับคือต้องแน่ใจว่าเมื่อคุณเข้าถึงได้ คุณจะพบสิ่งที่คุณต้องการ...

วิธีปรับปรุงการใช้งานข้อมูลโดยการรวบรวมข้อมูลที่เชื่อถือได้

การใช้ข้อมูลหมายถึงความสะดวกในการใช้ข้อมูลเพื่อตอบคำถาม

หากเรามองจากภาพรวม เป้าหมายของข้อมูลของคุณควรจะเป็น:

• เพื่อค้นหาข้อมูลเชิงลึกที่ส่งผลต่อ ROI ของธุรกิจ หากปราศจากสิ่งนั้น ก็เป็นเพียงข้อมูลสารสนเทศที่ไม่มีเป้าหมาย
• ให้ค้นหาได้อย่างรวดเร็ว และไม่ต้องดิ้นรนเพื่อให้ได้ข้อมูล
• และ เพื่อใช้ข้อมูลเชิงลึกเหล่านี้ในการตัดสินใจที่รวดเร็วและเชื่อถือได้ อาจเป็นเพราะข้อมูลเชื่อถือได้หรือเพราะคุณเข้าใจและไม่ได้จัดการผลลัพธ์หรือได้รับผลบวกที่ผิดพลาด

อย่างที่คุณเดาได้ อาจมีปัญหาบางอย่างที่นี่ ขึ้นอยู่กับระบบและกระบวนการที่คุณมี

เราได้พูดคุยกันแล้วว่าการเข้าถึงข้อมูลนั้นมีความสำคัญเพียงใดและประโยชน์ของการมีเครื่องมือหรือกระบวนการที่มีความสามารถแบบบริการตนเองในการเปิดรายงานข้อมูลทั่วทั้งบริษัท

แต่ตอนนี้เราสามารถเข้าถึงข้อมูลนั้นได้แล้ว เราจำเป็นต้องตรวจสอบให้แน่ใจว่าเราทั้งสองสามารถค้นหาข้อมูลที่เราต้องการได้และสามารถเชื่อถือได้

ตามหลักการแล้ว คุณจะต้องดำเนินการในเชิงรุกเพื่อจัดระเบียบชุดข้อมูลของคุณ:

• ทำให้เมตริกที่สำคัญที่สุดสามารถค้นหาได้ง่าย
• ใช้แบบจำลองและเป้าหมายอ้างอิงเพื่อค้นหาชุดข้อมูลเฉพาะที่เครื่องมือแบบเดิมอาจไม่สามารถติดตามได้
• ตรวจสอบให้แน่ใจว่ามีการซิงโครไนซ์ระหว่างแหล่งข้อมูลเพื่อไม่ให้อัปเดตและแก้ไขและข้อมูลใหม่
• และให้ทีมวิทยาศาสตร์ข้อมูลของคุณบดขยี้ข้อมูลขนาดใหญ่ของคุณ เพื่อให้คุณสามารถค้นหาข้อมูลทั้งหมดนี้และไว้วางใจได้อย่างง่ายดาย!

เมื่อคุณมีเป้าหมายสุดท้ายในใจสำหรับข้อมูลของคุณแล้ว การเริ่มต้นสร้างกระบวนการเตรียมการล่วงหน้าสำหรับชุดข้อมูลใหม่จะง่ายขึ้น (การจดจำการแท็กการดำเนินการเฉพาะล่วงหน้าจะง่ายกว่ามากเมื่อคุณรู้ว่าคุณต้องการ สามารถค้นหาได้ในภายหลัง)

วิธีดำเนินการวิเคราะห์ข้อมูลที่เป็นกลางเพื่อสร้างข้อมูลเชิงลึกที่แจ้งสมมติฐาน

เราจะใช้ข้อมูลนี้เพื่อรับข้อมูลเชิงลึกและแนวคิดได้อย่างไร

เอาล่ะ สปอยล์เตือนแล้ว จริงๆ แล้วเราได้ครอบคลุมเรื่องนี้ตลอดทางผ่านคู่มือนี้แล้ว

• ตั้งเป้าที่จะใช้แหล่งข้อมูลหลายแหล่งเพื่อให้ได้ภาพที่กว้างขึ้น
• พยายามใช้กระบวนการที่เป็นกลางเพื่อรวบรวมข้อมูลนั้น อย่าจำกัดเฉพาะกลุ่มประชากรหรืออุปกรณ์เฉพาะถ้าเป็นไปได้
• ใช้การคิดอย่างมีวิจารณญาณในการประเมินข้อมูล
• ดูอคติทางปัญญาและผลกระทบที่อาจส่งผลต่อการวิเคราะห์ของคุณ
• อย่าลืมตรวจสอบแหล่งข้อมูลแต่ละแหล่งรวมกัน (เทคนิค เชิงปริมาณ และเชิงคุณภาพร่วมกัน)

อนุญาตให้เรียนรู้จากการทดสอบเพื่อสร้างแรงบันดาลใจในการทดสอบเพิ่มเติม

คุณควรถือว่าการทดสอบของคุณเป็นวงตอบรับสำหรับการปรับปรุงเพิ่มเติม นี่อาจเป็นการทดสอบปัจจุบันของคุณเพื่อปรับปรุงและเพิ่มความสามารถในการทำงานต่อไป หรือคุณสามารถใช้สิ่งนี้กับการทดสอบเก่าซึ่งข้อมูลเชิงลึกใหม่ของคุณสามารถช่วยได้มากกว่านี้

ไม่ว่าจะด้วยวิธีใด เป้าหมายควรเป็นการทดสอบ เรียนรู้ ปรับปรุง และทำซ้ำ จนกว่าคุณจะไม่สามารถยกระดับได้อีก

แต่… เราจะเรียนรู้จากผลการทดสอบได้อย่างไร?

ข่าวดีก็คือเราได้เขียนคำแนะนำ 7 ขั้นตอนสำหรับการเรียนรู้จากผลการทดสอบ A/B ของคุณ ซึ่งคุณสามารถดูได้ที่นี่

หากคุณไม่มีเวลาในตอนนี้ ต่อไปนี้คือข้อมูลสรุปโดยย่อ:

• เริ่มต้นด้วยการทำให้แน่ใจว่าคุณสามารถไว้วางใจผลลัพธ์ของคุณได้ ถูกต้องหรือไม่? พวกเขามีความสำคัญหรือไม่? คุณมั่นใจในพวกเขาหรือไม่? การทดสอบดำเนินไปนานพอหรือไม่? มีปัจจัยภายนอกที่มีอิทธิพลต่อพวกเขาหรือไม่?
• ไปไมโครและมาโคร เพียงเพราะการทดสอบชนะหรือล้มเหลว คุณต้องดูว่าการทดสอบมีผลกับตัววัดรั้วของคุณอย่างไร น่าแปลกที่ CTR ที่เพิ่มขึ้นอาจหมายถึงยอดขายที่ลดลงหากดึงดูดผู้ชมที่ไม่ถูกต้อง ในทำนองเดียวกัน CTR ที่ลดลงสามารถช่วยเพิ่มยอดขายได้ เนื่องจากตอนนี้อาจดึงดูดผู้ชมที่ดีที่สุดเท่านั้น ดังนั้น ให้ตรวจสอบตัวชี้วัดของคุณ ไม่ใช่แค่ผลการทดสอบของคุณ
• ลงลึกและแบ่งกลุ่มผลลัพธ์ของคุณ ไม่ใช่ว่าผู้ชมทุกช่องทางการรับส่งข้อมูลและอุปกรณ์จะทำงานเหมือนกัน บางช่องอาจจะพัง การทำเช่นนี้อาจทำให้ผลลัพธ์ดูบิดเบี้ยวไปในทางที่ดีหรือไม่ดี เนื่องจากคุณไม่มีภาพที่มีรายละเอียด (นอกจากนี้ยังสามารถให้ข้อมูลเชิงลึกแก่คุณเกี่ยวกับรูปแบบต่างๆ ที่จะทำงานได้ดีที่สุดสำหรับบางช่องทาง ช่วยให้คุณแบ่งกลุ่มการส่งมอบของคุณสำหรับการเพิ่มที่สูงขึ้น)
• ตรวจสอบประสิทธิภาพและพฤติกรรมของผู้ใช้ Just because we ran a qualitative and quantitative data analysis before, doesn't mean you should skip it after the test. In fact, this is the best way to understand what happened and how you got these results.
• Learn from the failures. เกิดอะไรขึ้น? How can you fix this?
• Learn from the winners and improve further. Did you get a new aha moment? Do you have more ideas of how to improve the page again after the QA and Qual analysis? Keep pushing for more lift!
• Don't forget what you did! Get in the habit of creating and using a learning repository. This way you can see past tests, learn from them, train new staff and even go back and apply new insights to old ideas.

บทสรุป

ดังนั้นคุณมีมัน Our entire guide to using technical, quantitative, and qualitative data to create winning tests.

It doesn't matter if it's A/B, split URL, or multivariate testing. You can use this same methodology to learn more from every test you run, so go ahead. Run those tests, learn from those mistakes, analyze that data and then let us know how much lift you got!