Home 9 Analityka eCommerce 9 Testy A/B – Czyli jak podnieść konwersję w eCommerce?

Testy A/B – Czyli jak podnieść konwersję w eCommerce?

utworzone przez | 17 sierpnia 2022 | Analityka eCommerce, Optymalizacja współczynnika konwersji | 0 komentarzy

Jednym z głównych celów w eCommerce jest zwiększenie konwersji z pozyskanego już ruchu. Służą do tego między innymi testy A/B. Ma to wiele uzasadnień między innymi rosnące koszty marketingu PPC, rosnąca konkurencja na rynku sprzedaży internetowej, oraz koszty wdrażania nowych technologii powodują, że proces sprzedaży powinien być jak najbardziej zoptymalizowany, tak aby z każdej wydanej złotówki na reklamę uzyskać, jak najwyższy wzrost z inwestycji.

 

Załóżmy, że posiadamy sklep stacjonarny w modelu offline z ruchem 1000 osób dziennie i realizacją transakcji 30 dziennie. Jako właściciele dbamy o rozmieszczenie towaru na półkach tj. jak najlepszą prezentację oferty, przygotowaniu wnętrza, czy zatrudnieniu interior designerów.

 

W sklepach spożywczych typu Lidl, czy Biedronka, możemy dostrzec ułożenie półek sklepowych w bardzo analogiczny sposób, sprzyjające zwiększaniu wartości naszych koszyków. Na początku rozpoczynamy zakupy od działu z warzywami, następnie przechodzimy do owoców. Kolejną sekcją najczęściej jest nabiał. Celem rozmieszczenia półek w tej kolejności jest sprawienie, aby jak najwięcej osób zaraz po wejściu do sklepu dodało do koszyka “zdrowe produkty”. Dzięki temu zabiegowi podczas zakupów chętniej dodajemy kolejne produkty do koszyka.

 

Dziedzina, której dużym uproszczeniu celem jest prawidłowe i najlepiej konwertujące (sprzedające) rozmieszczenie towarów w sklepie to merchandising. Analogicznie dla eCommerce prawidłowe rozmieszczenie produktów na stronie to e-merchandising. Natomiast poprawa ścieżki zakupowej poprzez optymalizację elementów strony, podnoszących zaufanie oraz zwiększających intencję zakupową to CRO (Conversion rate optimisation).

 

Czym są testy A/B?

 

 

U podstaw CRO leżą testy A/B, czyli działania marketingowe (offside) lub działania na stronie sklepu internetowego (onside) mające na celu porównanie dwóch tych samych części kreacji / strony / reklamy / maila, a następnie wprowadzeniu niewielkiej zmiany i przetestowaniu która wersja konwertuje lepiej.

 

Głównym KPI, są CTR (kliknięcia), OR (otwarcia), CR (realizacja transakcji). Kluczową założeniem przy wdrażaniu testów A/B jest testowanie 1 elementu jednocześnie w ramach pojedynczego testu. Ma to na celu dokładną analizę oraz ocenienie czy moduł podnosi, czy obniża konwersję.

 

 

Testy A/B i ich rodzaje w eCommerce

 

W eCommerce wyróżniamy 2 główne rodzaje testów A/B: offside oraz onside. Testy offside związane są z działaniami poza stroną internetową, głównie są to działania marketingowe: maile, działania organicznie w mediach społecznościowych, kampanie typu pay per click (Google Ads, Facebook Ads) oraz email marketing.

 

 

Testy A/B offside w email marketingu

 

Głównym założeniem w testach A/B w email marketingu dla eCommerce jest weryfikacja i poprawa kluczowych wskaźników: VR (view rate), OR (open rate), CTR (click through rate), CTOR (click to open rate), CR (conversion rate). Dzięki bazie kontaktów mamy możliwość wysyłki, różnych kreacji (wersji mailingu) do różnych grup odbiorców. Następnie na bazie otrzymanych wyników możemy porównać, która performuje lepiej. Lista najczęściej testowanych elementów:

 

  • Temat wiadomości
  • Ułożenie bloków wiadomości
  • Kreacja graficzna
  • Tekst wiadomości
  • Przycisk CTA (Call to action)
  • Wybór produktów

 

Testy A/B w Kampanie typu PPC dla Facebook Ads / Google Ads

 

Kolejnymi kanałami, w których możemy wykorzystywać testy A/B są kampanie PPC. Służą do tego opcje tworzenia zestawów reklam na platformie reklamowej meta lub Google Ads. Jak wyżej testujemy i porównujemy główne wskaźniki efektywności, takie jak CTR (click through rate), czy CR (conversion rate). Najczęściej testowane elementy w kampaniach PPC:

 

  • Kreacja graficzna
  • Kreacja video
  • Tekst kampanii
  • Tekst na przycisku CTA (Call to action)

 

Testy A/B onside na stronie sklepu internetowego

 

Obszarem, nad którym skupimy się najbardziej w tym artykule, są testy A/B w obrębie strony sklepu internetowego. Są to działania łączące analizę, tworzenie hipotez, design & prototyping, programowanie oraz analizę otrzymanych wyników. Test A/B to badanie co najmniej dwóch wariantów tej samej strony. Wariant A to oryginał natomiast wariant B zawiera przynajmniej jeden zmodyfikowany element w stosunku do oryginału (na przykład zmiana koloru CTA). Do testów A/B zaliczamy również zupełnie inną wersję strony.

 

Test A/BTest A/B jednego elementu strony sklepu internetowego.

 

Analiza w testach A/B

 

Na tym etapie zastanawiamy się, które elementy / miejsca strony powinny zostać poddane testom. Główna struktura sklepu przestawia się następująco:

→ Strona główna (home page)
→ Strona kategorii (collection page)
→ Strona produktu (product detail page)
→ Blog listing
→ Blog page
→ Koszyk (cart page/cart drawer)
→ Checkout

 

Na każdym z etapów klient posiada różną intencję zakupową. W checkout jest już bardzo blisko realizacji transakcji. Zatem ważnym elementem do przetestowania może być zweryfikowanie czy ma możliwość ubezpieczenia wysyłki, rozszerzenia gwarancji lub wyświetlenia pozytywnych opinii (podnoszących zaufanie).

 

Na stronie kategorii będziemy weryfikować najczęściej elementy umożliwiające poprawę prezentacji oferty, tj wyświetlanie filtrów, design boxów produktów lub dodatkowych elementów (np. oceny produktowe, flagi) zachęcających do dodania produktu do koszyka lub przejścia na kartę produktową w celu poznania bliżej oferty.

 

Proces analizy to również obiektywne określenie zasobów, jakie mamy na wdrożenie testów oraz czasu, jaki możemy na to przeznaczyć. Na początek strategia quick — wins (szybkich zwycięstw), może pomóc w wyborze jak najprostszych i najszybszych usprawnień w krótkim czasie. Przykładem takich usprawnień mogą być zmiana koloru oraz kształtu przycisku add to cart, dodanie “paska postępu / ilości korków” na etapie checkout, dodanie sticky menu poprawiającego nawigację i wyszukiwanie produktów po scrollowaniu strony.

 

Formułowanie hipotez w testach A/B

 

Przed rozpoczęciem testów A/B z wykorzystaniem narzędzia Google Optimize lub pokrewnego, konieczne jest przygotowanie hipotez. To nic innego jak lista usprawnień mająca na celu poprawę konwersji na stronie. Lista narzędzi oraz strategii, które pomogą w zbadaniu elementów oraz ułożeniu hipotez:

 

  • HotJar
  • Google Analytics
  • Ankieta do klientów
  • Lista sklepów internetowych liderów branży

 

 

Hotjar w przygotowaniu testu A/B

Możemy nagrywać pojedyncze sesje użytkowników lub tworzyć mapy kliknięć. To właśnie obserwacja zachowań użytkowników jest potencjalnym źródłem do przygotowywania testów A/B. Miejsca, w których użytkownicy gubią się lub porzucają stronę, oznaczają punkty wymagające przyjrzenia się lub przetestowania.

 

 

Google Analytics w formułowaniu hipotez

Pomocne w analizie ruchu oraz zachowaniu użytkowników będą raporty takie jak: skuteczność produktu, zachowanie zakupowe, współczynnik odrzuceń (bounce rate), zachowania zakupowe, zachowania na etapie realizacji transakcji.

 

 

Ankieta lub pomoc znajomego

Kolejnym sposobem na zebranie hipotez może być poproszenie grupy znajomych o zrealizowanie transakcji od momentu wejście na stronę po finalizację zamówienia. Następnie zebranie szczegółowego wywiadu, czy na którymś z etapów nie mieli problemów ze zrealizowaniem transakcji.

W przypadku ankiety możemy wysyłać ankiety po-zakupowe do klientów z prośbą o podzielenie się doznaniami zakupowymi lub umieścić widget na stronie z prośbą o krótką ocenę użyteczności strony. W celu zachęcenia użytkowników do podzielenia się swoją opinią możemy zaoferować np. rabat na kolejne zakupy.

 

 

Konkurencyjne sklepy / liderzy eCommerce

Bardzo prawdopodobne, że branżowi liderzy korzystają już z przetestowanych rozwiązań podnoszących współczynnik konwersji. Dlatego warto obserwować które rozwiązania zostały wdrożone właśnie wśród takich sklepów internetowych. Pozwoli to zaoszczędzić czas na testowanie nieefektywnych rozwiązań i skupienie się prawdopodobnie na przetestowanych rozwiązaniach.

Poniżej przykłady kilku hipotez:

 

“Dodanie sticky menu pozwoli na lepszą nawigację na stronie. Tym samym zwiększy szansę na znalezienie pożądanych informacji oraz produktów przez klienta, co za tym idzie, przełoży się na wyższą konwersję.”

 

“Nasi klienci dokonują najczęściej jednorazowych zakupów. Znaczna większość naszych klientów nie wraca po kolejne produkty. To oznacza, że jesteśmy dla nich nową nieznaną marką. Dodając opinie na etapie koszyka, spróbujemy zwiększyć zaufanie do naszej marki, zwiększając tym samym szansę na zakup.”

 

“Posiadamy dużą bazę produktów oraz rozbudowane drzewo kategorii. Dodanie sticky przycisku filtruj, który będzie cały czas dostępny oraz “przyklejony” do dołu ekranu podczas scrollowania, poprawi nawigację, a tym samym ułatwi znalezienie odpowiedniego produktu dla klienta.”

 

Prototyping & design w modelowaniu testów A/B

 

W kolejnym kroku przygotowaną wcześniej hipotezę modelujemy graficznie z zachowaniem zasad UX / UI oraz z dostosowaniem do wykorzystywanej technologii eCommerce. Poniższy przykład przedstawia wygląd oraz rozmieszczenie przycisku filtruj przed i po fazie designu na platformie Shopify PLUS (Shopify Polska). Założeniem poniższego testu jest sprawdzenie, czy zmiana wyglądu przycisku “filters” na stronie kolekcji, wpłynie pozytywnie na zwiększenie ilości kliknięć w produkty oraz zwiększy ilość transakcji na stronie.

 

Paul Rich test A/B

Widok kolekcji z przyciskiem filtruj przed testem A/B.

 

Widok przycisku “filtruj” po fazie prototype & design przygotowany do wdrożenia na platformie Shopify PLUS.

 

Wdrożenie testu A/B

 

Kolejnym etapem jest wdrożenie testu A/B. Wdrożenie programistyczne testu wraz z testami na różnych urządzeniach mobilnych (IOS, Android) oraz przeglądarki (Chrome, Mozilla, Firefox, Safari). Po jego poprawnym zakodowaniu oraz przetestowaniu implementacji ostatnim krokiem jest ustawienie testu A/B w narzędziu Google Optimize.

 

Ustawienie szczegółów testu w google optimize:

 

  • Technologia, wybór rodzaju sprzętu (mobile)
  • Weight testu 50% (Ile procentowo ruchu skierujemy na nowy zmodyfikowany moduł)
  • Wybór i dostosowanie raportów (transactions / product viewed)

 

Wyniki

 

Po zakończeniu testu możemy zdecydować czy spełnia on kryteria przyjęte w hipotezie i czy zostanie wdrożony. W omawianym przypadku długość testu wyniesie około 90 000 sesji oraz potrwa 14 dni. W naszym przypadku brane są pod uwagę wskaźniki transactions oraz product viewed. Procentowy wzrost transakcji wynosi 14%.

Zatem hipoteza została potwierdzona i może zostać wdrożona na stałe na stronie sklepu po zakończeniu testu.

 

Wynik testu A/B Sticky collection page po 12 dniach

 

O tym w jaki sposób analizować dane w Google Optimize oraz jakie są rodzaje raportów dowiesz się tutaj.

 

Najczęstsze błędy w testach A/B

 

Testowanie kilku pokrewnych elementów naraz

Z założenia nie wprowadzamy 2 testów A/B na tym samym elemencie strony jednocześnie np. na koszyku. W takim przypadku nie będziemy wiedzieć który element koszyka poprawia konwersję. Natomiast możemy przetestować 2 lub więcej zmian na stronie. Służy do tego redirect test i porównuje wyniki stron pod różnymi linkami.

 

Zbyt niska ilość sesji

Niewystarczającej ilości pozyskanego ruchu do jednoznacznego zidentyfikowania czy test rzeczywiście konwertuje lepiej, czy jest błędem w odchyleniu statystycznym.

 

Zbyt szybkie koniecznie testów

Może spowodować wypaczenie wyniku (przedwczesne skreślenie testu) poprzez niewystarczającą ilość próby oraz czasu do zweryfikowania hipotezy. Często poprzez analizę ostatnich dni testu jesteśmy w stanie zweryfikować czy rzeczywiście wynik testu był lepszy.

 

Skupienie się na elementach mających niski effort

Testowanie stron mających bardzo niskie przełożenie na konwersję, czyli miejsca na stronie, na których przebywają użytkownicy na początkowym etapie lejka sprzedażowego lub są na etapie edukowania lub research’u. Tracimy czas, który moglibyśmy wykorzystać na poprawę konwersji leadów z dużo wyższą intencją zakupową, na przykład product page, cart page lub checkout.

 

Tworzenie hipotez wyłącznie na bazie przeczucia / intuicji

Najbardziej efektywne hipotezy do testów A/B to te, które łączą: doświadczenie w branży, research konkurencji, analizę danych (google analytics) oraz zachowań klientów (heatmap). Poleganie wyłącznie na własnej intuicji może spowodować, że wybierzemy hipotezy do testów A/B, które będą miały niską szansę na wzrost konwersji.

 

Skupianie się wyłącznie na testach A/B bez brania pod uwagę otoczenia

Zdarza się, że zapominamy, że na konwersję ma również wpływ wiele innych czynników. Z punktu widzenia technologii sklepu na konwersję wpływ szybkość wczytywania strony. Od strony marketingowej jest to jakość dostarczanych leadów (pasujących do profilu marki), prezentacja oraz atrakcyjność oferty czy obecnie aktywne akcje promocyjne (marketingowe). W otoczeniu kodów rabatowych, promocji lub wypuszczania limitowanych edycji produktów (bardzo pożądanych przez klientów) konwersja rośnie, a wyniki mogą być znacznie wyższe od badania w standardowym otoczeniu.

 

 

Wybrane programy do badania optymalizacji konwersji i testów A/B

 

Lista kilku popularnych programów do testów w eCommerce:

 

 

Podsumowanie

 

Testy A/B to jedno z podstawowych narzędzi w optymalizacji współczynnika konwersji w eCommerce. Testy A/B dzielimy na offside oraz onside. Do testów off-side zaliczamy głównie działania marketingowe (kampanie PPC oraz email marketing). Testy on-side to wszystkie działania mające na celu modyfikację oraz poprawę elementów ścieżki zakupowej na stronie sklepu internetowego. Proces wdrażania testów A/B możemy opisać następująco: analiza, tworzenie oraz formułowanie hipotez, prototyping & design, implementacja testu, testowanie oraz analzia wyników. Długość czasu wyświetlania testu zależy od miejsca wykonywanego testu oraz ilości sesji. Do obliczenia może posłużyć ten kalkulator tutaj.

Grzegorz Sękowski
Grzegorz Sękowski

eCommerce manager, konsultant ds. eCommerce, twórca brandu Napnell oraz autor bloga. Zajmuje się cyfryzacją eCommerce przedsiębiorstw. Pomagam tworzyć sklepy internetowe oraz zwiększać w nich sprzedaż. Prywatnie miłośnik szachów, sqasha oraz kina.

5/5 - (6 votes)

O autorze

Grzegorz Sękowski


Grzegorz Sękowski

eCommerce manager, konsultant ds. eCommerce, twórca brandu Napnell oraz autor bloga. Zajmuje się cyfryzacją eCommerce przedsiębiorstw. Pomagam tworzyć sklepy internetowe oraz zwiększać w nich sprzedaż. Prywatnie miłośnik szachów, sqasha oraz kina.

Komentarze

Poland

Wyrażam zgodę na przetwarzanie imienia oraz adresu e-mail w celu wysyłki Newslettera. Zaznaczając zgodę jednocześnie akceptuję warunki Polityki Prywatności. Zgoda jest dobrowolna i może zostać wycofana w dowolnym momencie.

 

Newsletter eCommerce

Wyrażam zgodę na przetwarzanie imienia oraz adresu e-mail w celu wysyłki Newslettera. Zaznaczając zgodę jednocześnie akceptuję warunki Polityki Prywatności. Zgoda jest dobrowolna i może zostać wycofana w dowolnym momencie.