Conversieoptimalisatie: breng structuur aan in je proces [A/B-testcase]

Er wordt veel geschreven over conversieoptimalisatie. Eén van de belangrijkste succesfactoren is dat je een gestructureerd proces volgt. Maar hoe richt je het conversieoptimalisatie-proces in?

Je hoeft deze vraag niet zelf te beantwoorden. Dat heeft de expertgroep Revenue Optimization van onderzoeksplatform ShoppingTomorrow al voor je gedaan, waar ik voorzitter van ben. In afbeelding 1 zie je het proces uitgetekend. Door dit proces te doorlopen, liet ik in samenwerking met Lucardi de conversie in hun webshop structureel verhogen. Op basis van een voorbeeldcase laat ik je stap voor stap zien hoe ik dit met Lucardi gerealiseerd heb.

Conversieverbeteringen ontdekken

Hoe kom je op potentiële verbeteringen voor je webshop? De belangrijkste succesfactor is dat je je potentiële verbeteringen met data onderbouwt, in plaats van op basis van onderbuikgevoel. Er zijn ontzettend veel waardevolle databronnen die drempels in de customer journey in je webshop blootleggen. Denk aan een analyse van de klantenservicevragen of aan interviews met klanten. Maar ik ben ervan overtuigd dat je altijd als eerst aan de slag moet met webanalytics.

Bij Lucardi dook ik ook eerst in de data om te achterhalen waar de uitval van bezoekers het grootst is. Het viel me op dat 63 procent van de desktopbezoekers die de winkelmand bereikt, deze verlaat zonder verder te gaan met bestellen. Op basis van data uit onze e-commercebenchmark voor de modebranche is dat erg hoog. Deze bezoekers ervaren duidelijk een drempel in het bestelproces.

Te agressief

Daarom bekeek ik op de pagina waar de uitval het grootst was, wat mogelijk de reden is van de uitval. Als expert weet ik dat mensen het eng vinden om op buttons te klikken. Zeker als het definitief is en het hun portemonnee raakt. De call-to-action op de bestelknop was te agressief. Er staat op: ‘Bestelling afronden’ (zie afbeelding 2). Levert Lucardi het product direct zodra je op die knop klikt? Nee, maar de webshopbezoekers twijfelen wel. De knop zorgt dus voor onzekerheid. Deze call-to-action geeft dus geen goede ‘feed forward’, omdat je bij het klikken niet je bestelling afrondt, maar doorgaat in de volgende stap van het bestelproces.

Daarnaast viel mij nog iets op. Ik weet uit onderzoek naar online consumentengedrag dat bezoekers zich ergeren als ze verplicht een account moeten aanmaken als ze iets willen bestellen. Bij Lucardi hoef je dit niet te doen, maar dat meldde de juweliersketen niet in de winkelmand. Als ze het hier al communiceren, neemt het alvast een drempel in de volgende stap weg.

Prioriteer je verbeteringen

Alle databronnen leiden waarschijnlijk tot 1001 inzichten voor mogelijke verbeteringen. Het is daarom essentieel dat je ze prioriteert. Begin met het idee dat de minste inspanningen vergt en de meeste impact maakt op je bedrijfsdoelstelling.

Moeten verbeteringen direct live of ga je het eerst A/B-testen?

Eigenlijk wil je altijd alles testen. Maar dat kan alleen in de ideale wereld, want we hebben niet onbeperkt middelen tot onze beschikking. Je moet dus keuzes maken. Gebruik daarom het model uit afbeelding 3. De mogelijke verbeteringen van Lucardi gaan over onzekerheid reduceren, oftewel een emotie. Potentiële veranderingen op dit gebied moet je altijd A/B-testen.

Stel een duidelijke hypothese op

Een goede hypothese is voor iedereen duidelijk en kun je altijd ontleden op basis van de volgende onderdelen: testlocatie, apparaat, beschrijving van de aanpassing, beschrijving waar het impact op heeft, testpopulatie en test-KPI.

De hypothese die ik voor deze case van Lucardi opstelde luidt:

“Door de buttontekst in de winkelmand (testlocatie) op desktop (apparaat) te wijzigen naar ‘Verder met bestellen’ en door een groene tekst toe te voegen onder de button ‘Bestel snel: Een account aanmaken is NIET verplicht’ (beschrijving aanpassing) verlaagt dit de gepercipieerde onzekerheid (impact op gedrag/gevoel), waardoor meer bezoekers die de winkelmand bereiken (testpopulatie) hun bestelling afronden (test-KPI).”

Maak een testplan en daarna de testvariant

Documenteer in een testplan exact wat de aanpassingen zijn in je testvariant. Ontwikkelaars, designers en andere stakeholders weten hierdoor hoe de testvariant eruit komt te zien. In afbeelding 4 zie je het testplan van Lucardi met alle essentiële elementen. Benoem bijvoorbeeld dat de test drie weken live staat, het alleen wordt getoond aan desktopbezoekers en dat het conversiepercentage de test-KPI is.

Nadat je het testplan hebt opgesteld maak je de testvarianten en implementeer je de A/B-test. In afbeelding 5 zie je het origineel (A) en de testvariant (B) van deze case.

 

Resultaten van de A/B-test analyseren

Nadat je test is afgerond, analyseer je de resultaten. De testvariant van Lucardi leverde 7.3 procent (sign. 99%) meer conversie op. Met andere woorden: in drie weken tijd had de test ongeveer €10.000 euro meer omzet opgeleverd! Belangrijk is ook dat je deze data nog segmenteert, bijvoorbeeld op nieuwe of terugkerende bezoekers. Of zijn er verschillen in de gedrag tussen leeftijdsgroepen of geslacht? Zo leer je steeds beter het gedrag van je bezoekers kennen.

Laatste stap: learnings delen

Conversie-optimalisatie gaat niet alleen om meer omzet genereren. Je kunt andere KPI’s gebruiken dan conversie, maar nog belangrijker is dat je je doelgroep beter leert kennen. Waar gaat hun voorkeur naar uit? Welke drempels ervaren ze nog meer in je webshop? Wat missen ze? Waarom kiezen ze voor jouw propositie? Het is belangrijk dat je de leerpunten deelt met de organisatie zodat de gehele organisatie profiteert van die kennis. Bij Lucardi zorgde het voor een vervolgtest op de smartphone. En wat bleek: opnieuw een significante conversieverhoging.

Lucardi is overigens niet de enige die een gestructureerd proces volgt voor conversieoptimalisatie. De experts van onze expertgroep Revenue Optimization (o.a. Google, Bol.com, Transavia, Bax-shop, Gamma, Karwei, Euroflorist, BCC, Ziggo, Sanoma, Tele2, en Hunkemöller) deelden hier hun cases.

Afbeelding header met dank aan 123RF