NoInk

Öka konverteringsgraden

Som en uppföljning till mitt förra inlägg om konverteringsgrad tänkte jag ta upp Hur man kan mäta sin konverteringsgrad/omvandlingsfrekvens. Först behöver man ett sorts verktyg för att ha kontrollen på vad webbplatsens avslut blir.

Jag brukar rekommendera Google Analytics om man vill börja så smått och inte kräver realtidsmätning.

Google Analytics Omvandlingsfrekvens

En funktion som är bra är inbyggd A/B testning. A/B är en funktion för att kunna testa alternativa flöden, kampanjer och utseende på delar av trafiken. Funktionen ger e-handlare möjlighet att optimera försäljningen utifrån målgrupp, tidspunkt och upplägg. Allt för att optimera konverteringsgraden. A/B testning innebär att en grupp besökare ser en sida medan andra exponeras för en alternativ sida och sedan mäts vilken som ger bäst konvertering.

Det finns olika saker du kan mäta med A/B split test.

• Du kan använda A/B testning för att bättre förstå besökarnas beteende och prioriteringar när de besöker din webbplats.
• Du kan använda A/B testning för att lösa specifika problem du har med din webbplats sidor. Med andra ord, använda det som ett diagnostiskt verktyg för att ta reda på vad som går fel och hur man rättar till det.
• Du kan använda A/B testning för att dramatiskt kontrollera antaganden du har om det “bästa” sättet att utforma en sida. (Testa inte bara förändringar i mindre delar, men även kompletta och dramatiska redesigns av en hel sida.)

Ska man köra lite mer avancerade tester krävs ett inbyggt tjänst/verktyg för realtids mätning av trafiken t.ex. Coremetrics, som enligt mig har marknadens snabbaste, mest kraftfulla och visuell in-memory analys, kan man direkt se hur den ändring man gjort påverkar sin omvandlingsfrekvens.

Coremetrics Sommarrea

I detta exempel har det körts en “Sommarrea” där kampanj B skiljer sig åt från A och resten av sajten med mer anpassad design med ett sommartema. Ganska snart kan man se hur ens ändring påverkar avsluten.

Det finns även möjlighet att automatisera vissa ändringar så dom slår över hela webbplatsen när vissa mål är uppföljda. Det kan t.ex. vara när skillnaden mellan 2 test är över 2%.

Ett typiskt A/B test scenario kan vara:
Du känner dina användare inte kan hitta “Till kassan” knappen som är “på fel ställe” på sidan och tror att detta kan orsaka att besökarna lämnar din webbplats innan de gör ett köp. Du har skapat en ny design som du tycker är mer effektivt men du vill veta säkert.

För att A/B-testa din nya sida låter du 90% av besökarna se den vanliga designen, men  slumpvis utvalda 10% ska se din nya design. Vill du vara ännu säkrare testa med 50/50.

Om din nya design har den positiva effekt du misstänker, så ska du se en förbättring på dom som kör den nya designen med ett par %. Detta blir då ett bevis på att du bör byta design för resten av dina besökare.