Conversie-optimalisatie: 4 stappen die je absoluut moet zetten

Wil je meer doen aan conversie-optimalisatie dan alleen eenvoudige A/B-tests opzetten? Zet dan de vier stappen van de conversie-optimalisatiecyclus. In dit blog licht ik ze toe én pas ik ze toe. Want over conversie-optimalisatie kun je veel schrijven, maar eigenlijk moet je het gewoon gaan doen.

Wie conversie-optimalisatie zegt, denkt vaak aan A/B-testen. En dat is niet vreemd: het is de meest tot de verbeelding sprekende manier van conversie-optimalisatie, met meestal hele duidelijke, goed te interpreteren resultaten. Maar wie echt over langere termijn gestructureerd met conversie-optimalisatie aan de slag wil gaan, moet eigenlijk meer doen dan A/B-testsoftware installeren en een alternatieve kleur voor buttons testen.

Naast de duidelijke voordelen die structureel aan de slag gaan met conversie-optimalisatie bieden (zoals het verbeteren van de performance van je website), daagt het je ook uit om verder te kijken dan alleen de kleur van je buttons. Bij conversie-optimalisatie is het belangrijk om niet alleen naar één onderdeel van je website te kijken, maar verschillende onderdelen te durven verbeteren. Bijvoorbeeld propositie, interactie-ontwerp, techniek, visueel design of content.

Wil je hier gestructureerd mee aan de slag? Dan zijn daar online al veel aanpakken en stappenplannen voor te vinden. Wat mij betreft zijn er vier stappen die je absoluut moet zetten: analyseer het gedrag van de bezoekers van je website goed, formuleer op basis hiervan een onderbouwde hypothese, breng deze in de praktijk en meet de resultaten goed. In dit artikel ga ik iets dieper in op deze vier stappen en breng ik ze gelijk in de praktijk: practice what you preach!

Stap 1: analyse

Bepaal je pagina en doel

Het is niet het meest sexy onderdeel, en je moet er zeker ook niet te lang aan besteden, maar een goede analyse is essentieel voor conversie-optimalisatie. Dat begint met een goede analyse van de pagina’s op je website: waar liggen er kansen voor conversie-optimalisatie? Verwerk deze kansen in een overzicht en maak een planning met de volgorde waarin je ze op gaat pakken. Begin vervolgens met een goede analyse van de pagina of de funnel waar je de meeste of grootste kansen ziet.

Het is belangrijk om het te optimaliseren doel van deze pagina of funnel te bepalen, en hierin onderscheid te maken tussen microconversies en macroconversies: de kleine stappen die bezoekers moeten zetten en het uiteindelijke doel waarvan jij wil dat ze het gaan bereiken.

Case: conversie-optimalisatie contactpagina

Als voorbeeld gebruik ik de contactpagina op de website van mijn werkgever. Het te optimaliseren doel van de pagina is duidelijk: bezoekers moeten er mogelijkheden vinden om contact op te nemen. Dat kan op verschillende manieren. Uiteraard via het contactformulier, maak ook via Twitter, e-mail of telefonisch. Daarnaast bevat de pagina een kaart (Google Maps), routebeschrijving én online feedbacktool (‘Stel een vraag’). De verschillende velden van het contactformulier zijn microconversies die tot het uiteindelijke doel (contact opnemen) leiden.

Verzamel relevante data

Na het bepalen van de pagina/funnel en het doel (of de doelen) begint het verzamelen van data. Deze data is nodig om goed te kunnen interpreteren wat bezoekers op dit moment op de pagina of in de funnel doen. Data die wat mij betreft niet mag ontbreken:

• Het huidige conversie-percentage (er zijn verschillende manieren om dit te bepalen: je kunt het bijvoorbeeld meten met behulp van analytics- en/of optimalisatie-software).
• Relevante analytics-gegevens (met name het aantal bezoekers van relevante pagina’s, de gemiddelde tijd op pagina’s, de bounce- en uitstappercentages en de vorige en volgende pagina’s die bezocht worden).
• Heatmaps, clickmaps en/of scrollmaps (waar kijken bezoekers, waar klikken bezoekers en hoe ver scrollen ze door op een pagina?)

Met een analyse van deze data kom je waarschijnlijk al een heel eind met het formuleren van een goed gefundeerde hypothese. Mocht je toch meer data willen, dan kun je ook de volgende bronnen aanboren:

• Persona’s
• Doelgroep- en/of gebruikersonderzoeken (bijvoorbeeld met behulp van online surveys, online feedbacktools of remote usability tests)
• Input uit interne zoekopdrachten (waar zijn bezoekers op de website naar op zoek?)
• Input uit FAQ’s op de website (welke vragen hebben bezoekers het meest?)
• Input van de klantenservice of andere organisatieonderdelen die regelmatig contact hebben met klanten/bezoekers (waar komen bezoekers niet uit of waarvoor nemen ze contact op?)

Case: conversie-optimalisatie contactpagina

Voor het optimaliseren van de contactpagina heb ik alleen de eerste drie databronnen aangeboord:

Huidige conversiepercentage

Voor een indicatie van het huidige conversiepercentage heb ik vooral gekeken naar het conversiepercentage van het contactformulier. Sinds begin december ligt dat op 3,3 procent. 661 bezoekers begonnen aan het formulier, 22 daarvan verzonden het ook daadwerkelijk (gemeten met Visual Website Optimizer). Uit Google Analytics heb ik voor de periode 1 april 2015 – 31 maart 2016 een conversiepercentage van 0,74 procent gehaald, maar dat percentage is enigszins vertekend omdat het alleen gaat over de conversie van bezoekers die de contactpagina in die periode als eerste pagina op de website bezochten. Ik mag dus aannemen dat het conversiepercentage van het formulier ergens tussen de 1 en 3 procent ligt.

Van de contactmogelijkheden e-mail en telefoon is het conversiepercentage niet goed te meten (er wordt niet bijgehouden waar mensen het e-mailadres of telefoonnummer wat ze gebruiken om contact op te nemen vandaan hebben gehaald), van de interactie op Twitter en de online feedbacktool heb ik voor deze case geen gegevens verzameld en de kaart en routebeschrijving laat ik in deze case verder helemaal buiten beschouwing.

Analytics-gegevens

Uit Google Analytics heb ik naast het conversiepercentage van bezoekers die de contactpagina als landingspagina hadden, ook nog andere data gehaald. Zo bleek dat de contactpagina over de periode 1 april 2015 – 31 maart 2016 bijna 1.600 paginaweergaves heeft gehad (1.401 uniek). De gemiddelde tijd op de pagina was iets meer dan twee minuten en de bounce- en uitstappercentages lagen op respectievelijk 70,15 en 55,13 procent.

Uit de vorige/volgende pagina-flows bleek dat met afstand de meeste bezoekers van de contactpagina afkomstig waren van de homepage, op hele respectabele afstand gevolgd door de pagina’s over het bedrijf, over het team en over de vacatures. Ruim 80 procent van de bezoekers heeft op zijn minst één andere pagina gezien voordat ze op de contactpagina kwamen. De homepage en de pagina’s over het bedrijf en over de vacatures staan ook bovenaan de lijst met volgende pagina’s die bezocht werden. Verder valt op dat slechts 44 procent van de bezoekers na de contactpagina nog een andere pagina bezoekt.

Heatmap, clickmap en scrollmap

Tot slot heb ik uit Hotjar ook een heatmap, clickmap en scrollmap van de contactpagina gehaald.

Stap 2: hypothese

Hypothese formuleren

Het verzamelen en bestuderen van data gaat uiteindelijk helpen bij het formuleren van een goed gefundeerde hypothese. Let op: ook zonder data te verzamelen en analyseren kun je een hypothese verzinnen. Maar zoals ik in mijn case zal laten zien, kan data op de juiste manier interpreteren je helpen met het formuleren van een betere hypothese. Meer daarover later, eerst even over het begrip hypothese zelf.

Een hypothese is een veronderstelling over hoe je een conversieprobleem denkt op te lossen. Je kan een hypothese op verschillende manieren formuleren, bijvoorbeeld: “als (ik de buttons op de website oranje maak in plaats van grijs) dan (vallen ze meer op) met als resultaat (dat bezoekers er vaker op klikken).” Of: “Door (de buttons op de website oranje te maken in plaats van grijs) zullen (ze meer opvallen, en daardoor eerder gezien en dus vaker aangeklikt worden).”

Meetbaar resultaat

Belangrijk aan de hypothese is in ieder geval dat deze een oplossing en een meetbaar resultaat bevat. Verder is er niet één weg die naar Rome leidt: in een hypothese is ruimte voor verschillende oplossingen (“Als ik de buttons op de website groter maak dan vallen ze meer op met als resultaat dat bezoekers er vaker op klikken.”). Je kiest zelf de oplossing waar je het beste gevoel bij hebt, en laat je daar niet bij beperken. Zoals eerder geschreven: bij conversie-optimalisatie kijk je naar verschillende onderdelen van je website. Durf ze allemaal te challengen!

Inspiratie voor je hypothese

De grootste uitdaging bij het formuleren van een hypothese is het verzinnen van de oplossing (of het kiezen uit de verschillende mogelijke oplossingen). Er zijn verschillende zaken die je hiervoor als inspiratie kunt gebruiken. Heel populair zijn bijvoorbeeld de zes verleidingstechnieken van Cialdini, die zeer regelmatig worden ingezet om de conversie van pagina’s te verbeteren. Gebruik jij ze ook op jouw te optimaliseren pagina of funnel?

Een andere manier om inspiratie op te doen is door het LIFT-model te gebruiken en een aantal vragen over jouw pagina te beantwoorden. Je kunt je ook laten inspireren door mogelijkheden op het gebied van goede copy (woorden die goed converteren, goede call-to-actions en ‘low friction words’), emotional targetting en/of personalisatie.

En ‘last but not least’ kun je je ook laten inspireren door de honderden praktijkvoorbeelden van conversie-optimalisatie die er online te vinden zijn. Zo heeft Which Test Won een uitgebreide database met A/B-tests waar regelmatig nieuwe tests aan toegevoegd worden, en hebben ook websites van optimalisatiesoftwareleveranciers (zoals Visual Website Optimizer of Crazy Egg) vaak een database of blog met praktijkcases en andere inspiratie. Maar let op: wat voor andere websites werkt hoeft niet altijd ook voor jouw website te werken. Dus blijf kritisch, en test mogelijke verbeteringen waar je over twijfelt altijd zelf.

Case: conversie-optimalisatie contactpagina

Aan inspiratie voor het optimaliseren van de contactpagina geen gebrek. En als ik zonder data wat optimalisatie-ideeën zou moeten noemen, dan zouden deze waarschijnlijk vooral over het contactformulier gaan. Het formulier kan eenvoudiger/korter (waarom zijn bijvoorbeeld zowel het e-mailadres als het telefoonnummer verplicht? En waarom wordt er om een bedrijfsnaam gevraagd?), de velden kunnen onder elkaar en inderdaad: de kleur van de button kan ook opvallender.

Hoe meer ik naar de verzamelde data kijk, hoe minder ik geneigd ben om iets met het contactformulier te doen. Als ik de data interpreteer, zie ik dat bezoekers lang op de contactpagina blijven en dat vrij veel bezoekers aan het contactformulier beginnen, maar dat slechts een heel klein percentage het ook daadwerkelijk helemaal invult en verzendt. Verder zie ik op de heat-, click- en scrollmaps dat er veel gekeken en geklikt wordt rond het telefoonnummer en het e-mailadres. En na navraag bij de ‘afdeling klantenservice’ blijkt ook dat er vaker gebeld en gemaild wordt dan dat er ingevulde contactformulieren worden ontvangen. Mijn interpretatie: bezoekers beginnen aan het contactformulier, maar haken af en kiezen voor andere contactmogelijkheden (of klikken door naar andere pagina’s op de website).

Prominentere plekken

Daarom is mijn idee om deze pagina in eerste instantie te optimaliseren door het e-mailadres en telefoonnummer een prominentere plaats te geven en het contactformulier te herpositioneren als derde (of vierde) contactmogelijkheid (voor bezoekers die liever gebeld of gemaild worden dan dat ze zelf direct contact opnemen). Het is eigenlijk een soort van service-optimalisatie, want op deze manier verbeter ik de gebruikerservaring van bezoekers. Het meetbare resultaat is (waarschijnlijk) een gemiddeld kortere tijd op de pagina, maar aan de andere kant ook een hoger conversiepercentage van het contactformulier (want de bezoekers die er nu nog voor kiezen om het contactformulier in te vullen, doen dat bewuster en zullen dus sneller geneigd zijn om het proces ook echt af te maken).

Bij mijn optimalisatie-idee heb ik de volgende hypothese geformuleerd:

Als ik de contactmogelijkheden op de contactpagina een andere volgorde geef dan zullen bezoekers sneller andere contactmogelijkheden vinden en minder afhaken bij het invullen van het contactformulier, met als resultaat dat ze sneller geholpen zijn (minder tijd op de pagina doorbrengen) of vaker het volledige contactformulier invullen en verzenden (waardoor het formulier een hoger conversiepercentage behaalt).

Stap 3: praktijk

Sequential testen of split testen?

Het woord is gevallen: testen. Als je het te optimaliseren doel hebt bepaald, de data hebt geanalyseerd en een hypothese hebt geformuleerd, is de volgende stap om deze hypothese in de praktijk te brengen. En bij conversie-optimalisatie is testen toch de meest gangbare manier om dat te doen. Daarbij heb je meer mogelijkheden dan alleen het bekende A/B-testen.

Sequential testing

Je kan namelijk ook kiezen voor sequential testing. Bij een sequential test meet je de resultaten van een bepaalde pagina over een representatieve periode, voer je daarna de in je hypothese geformuleerde oplossing(en) door, en meet je vervolgens de resultaten van de pagina over een vergelijkbare periode. Door de resultaten van beide periodes te vergelijken weet je of je hypothese klopt. Sequential testing is geschikt voor websites met lage bezoekersaantallen, of bij hypotheses waar weinig tot geen twijfel over is.

In de praktijk komt sequential testing al vrij veel voor: iedereen die wel eens in Google Analytics kijkt voor en na een wijziging op een pagina, heeft in principe een eenvoudige sequential test gedaan. Het uitvoeren van een contentaudit, het verbeteren van de content en het vervolgens herhalen van de contentaudit is wat mij betreft ook een vorm van (conversie-)optimalisatie waarbij het principe van sequential testing gebruikt wordt.

Split testing

Het alternatief voor sequential testing is split testing. Hierbij test je één of meerdere varianten van een bepaalde pagina tegen de bestaande versie van die pagina (de ‘control’). Test je één variant? Dan is er sprake van een A/B-test. Test je meerdere varianten? Dan heet dat meestal een multivariatietest. Multivariatietesten kun je zo uitgebreid maken als je zelf wilt.

Het is belangrijk om te onthouden dat je voor iedere vorm van split-testen wel genoeg bezoekers op je website moet hebben (of rekening moet houden met een hele lange testperiode voor er bruikbare resultaten komen). Verder heeft een split-test veel voordelen: het levert (meestal) betrouwbare en duidelijke cijfers op en het is (meestal) vrij eenvoudig om een split-test op te zetten met behulp van online optimalisatiesoftware zoals Visual Website Optimizer of Optimizely.

Testplan/testrapport

Zet je een split-test op? Dan is het aan te raden om een testplan of testrapport op te stellen, en dit vooraf en achteraf in te vullen. In een testplan of testrapport beschrijf je onder andere:

• Het gewenste doel van de test
• De hypothese die getest wordt
• De wijzigingen die in de praktijk door worden gevoerd (in de variant of varianten die getest worden)
• De testopzet: welk deel van je bezoekers neemt deel aan de test? En hoe lang moet de test ongeveer draaien?

Na afloop van de test beschrijf je onder andere:

• De uiteindelijke testperiode
• De hoeveelheid deelnemers
• De resultaten: welke variant heeft gewonnen? Met welke cijfers? En welke conclusies of vervolghypothesen kan je daaruit trekken?

Het opstellen van een testplan of testrapport is net als het uitpluizen en analyseren van data niet het meest spannende onderdeel van conversie-optimalisatie. Maar het biedt een aantal voordelen voor degenen die gestructureerd aan de slag willen gaan. Het dwingt je bijvoorbeeld om vooraf na te denken over hoe lang je test moet lopen voordat deze een bruikbaar (significant) resultaat oplevert (dat kan je namelijk uitrekenen met behulp van handige tools). Achteraf helpt het met rapporteren over je test en de resultaten.

Case: conversie-optimalisatie contactpagina

Eigenlijk leent de contactpagina in deze case zich niet voor een split-test: er komt simpelweg te weinig verkeer op de pagina. Als ik de hierboven genoemde tool invul met de gegevens die ik in stap 1 heb verzameld, schat de tool dat mijn test ruim 300 dagen zou moeten draaien voordat deze een significant resultaat oplevert. Normaal gesproken zou ik dus kiezen voor een sequential test: ik zou mijn bedachte wijzigingen doorvoeren en per maand de resultaten van de pagina meten (de gemiddelde tijd op de pagina met behulp van Google Analytics en het conversiepercentage van het contactformulier met behulp van Visual Website Optimizer).

Voor de vorm heb ik er echter toch een A/B-test van gemaakt. In de A/B-test wordt de bestaande pagina (de control) getest tegen een in Visual Website Optimizer gebouwde variant:

Zoals op de screenshots te zien is, heb ik in de variant de tekst op de pagina iets herschreven en het telefoonnummer, e-mailadres en de link naar Twitter boven het contactformulier geplaatst. Dubbele informatie onder het contactformulier heb ik verwijderd.

In de test worden twee doelen gemeten: het aantal formulieren wat verzonden wordt en het aantal clicks op het e-mailadres. De hypothese heb ik hierboven geschreven. Ik verwacht dat in de variant het conversiepercentage van het formulier hoger ligt (let op: dat betekent niet dat ik verwacht dat er ook meer formulieren ingevuld gaan worden) en het aantal clicks op het e-mailadres ook. De gemiddelde tijd op de pagina meet ik niet in de A/B-test: hiervoor blijf ik Google Analytics aanhouden. Ik verwacht dat de gemiddelde tijd de komende weken gaat dalen.

Honderd procent van de bezoekers van de contactpagina doet mee met de test, en hoewel deze dus ruim 300 dagen zou moeten draaien voor significante resultaten, verwacht Visual Website Optimizer na een paar weken al iets zinnigs te kunnen zeggen over welke variant (de control of de variant) het beter doet.

Stap 4: meten

De laatste stap is het goed meten van de resultaten van de (mogelijke) verbeteringen die je in de praktijk hebt gebracht, en daarmee aan de slag gaan:

• Verzamel relevante data: data uit analytics-software of een nieuwe contentaudit bij een sequential test, en data uit optimalisatiesoftware bij een split-test.
• Interpreteer deze data: hebben de aanpassingen ook echt betere resultaten als gevolg? Klopt je hypothese?
• Maak aanpassingen op basis van de resultaten: heeft jouw variant in een split-test de bestaande pagina ‘verslagen’? Voer de wijzigingen dan definitief door. Vergeet niet om dat ook op vergelijkbare pagina’s te doen.
• Stel vervolghypotheses op: hebben de aanpassingen niet het gewenste effect gehad? Wat zou je dan kunnen proberen? Of als ze wel het gewenste resultaat hebben behaald: hoe zou het nog beter kunnen?

In deze stap is het belangrijk om zoveel mogelijk zaken te meten, zeker als je een funnel optimaliseert. Heb je in de eerste stap micro- en macroconversies geïdentificeerd? Zorg dan dat je voor alle conversies data meet. Misschien werken je aanpassingen aan microconversies wel al heel goed, zonder dat dit nog het gewenste effect heeft op het uiteindelijke doel (de macroconversie). Of andersom: misschien hebben aanpassingen om microconversies te optimaliseren totaal geen of zelfs een averechts effect gehad, maar wordt het hoofddoel wel behaald. Het is belangrijk om precies te weten welke aanpassingen wel en welke aanpassingen niet werken.

Case: conversie-optimalisatie contactpagina

Mijn A/B-test op de contactpagina zou ruim 300 dagen moeten draaien voor significante resultaten, maar gelukkig: na een paar weken is er al een trend te zien. En die trend lijkt mijn hypothese te bevestigen. De variant van de contactpagina doet het iets beter dan de control. Beide pagina’s hebben ongeveer evenveel bezoekers gehad, maar de variant heeft bij beide doelen (ingevulde formulieren en clicks op het e-mailadres) meer conversies en dus ook een hoger conversiepercentage opgeleverd. Nog niet spectaculair meer en hoger, maar dat is voer voor een vervolghypothese. Het enige doel waarvan de resultaten mijn hypothese nog niet echt bevestigen, is de gemiddelde tijd op de contactpagina: deze is in de eerste weken van de A/B-test nog niet gedaald.

Voor mij zouden deze cijfers aan het einde van een A/B-test overtuigend genoeg zijn om de variant als winnaar uit te roepen, en de contactpagina definitief aan te passen met de wijzigingen in de variant. Maar omdat het hier om een trend gaat, wil ik de A/B-test nog een paar weken laten draaien om (wekelijks) te kijken of deze trend doorzet of niet. Ik verwacht van wel. Bij gelijkblijvende of betere resultaten van de variant voer ik eind juli de aanpassingen in de variant alsnog definitief door en ga ik me buigen over een vervolghypothese. Benieuwd of de trend doorzet en hoe de vervolghypothese eruit zou zien? Kom na die tijd eens langs op de pagina!

De conversie-optimalisatiecyclus

Tot slot: van meten is het weer een kleine stap naar analyseren (stap 1). Wie structureel aan de slag wil gaan met conversie-optimalisatie, ziet deze vier stappen dan ook niet als een rechte lijn, maar als een cyclus.

Het belangrijkste advies is daarom: blijf doorgaan. Blijf analyseren, blijf verbeteringen bedenken én in de praktijk brengen en blijf daar de resultaten van meten om te ontdekken wat werkt en wat niet. Laat je niet ontmoedigen door teleurstellende resultaten, maar hou ook niet op na goede resultaten. Ontwikkelingen gaan snel en optimalisatie-ideeën zijn er genoeg.

Heb jij ervaring met conversie-optimalisatie en kun je je vinden in deze vier stappen? Mis je iets? Of is een bepaalde stap nog niet helemaal duidelijk? Heb je een vraag over de case? Ik hoor het graag!

Afbeelding header met dank aan 123RF.com