Blog

HomeE-CommerceWarum das Zusammenspiel aus Personalisierung und A/B-Testing einen Nutzen für jeden Online-Shop hat

Warum das Zusammenspiel aus Personalisierung und A/B-Testing einen Nutzen für jeden Online-Shop hat

Warum A/B-Testing und Personalisierung kombinieren?

Website-Besucher individuell ansprechen: Das ist das Ziel von allen Personalisierungsstrategien. Doch was ist, wenn manche Besucher nicht auf Produktempfehlungen im Zusammenhang Ihrer letzten Einkäufe reagieren, sondern vor allem Preisvorteile? Mit der Dual-Layer-Personalisierung setzen wir an dieser Stelle an. Und dafür kommt das A/B-Testing ins Spiel.

Echtzeit-Personalisierung und A/B-Testing bringen grossen Nutzen im Online-Shop und E-Commerce

Mit A/B-Testing die Vorteile verschiedener Ansätze herausarbeiten

Was ist A/B-Testing?

A/B-Testing ist ein einfacher, effektiver Ansatz von Marketing-Experten, um funktionierende Konzepte oder Ideen zu identifizieren. Früher wurden klassische Direkt-Mailings per Post an Kunden verschickt. Die Empfänger erhielten zwei verschiedene, zufällig ausgewählte Versionen dieses Mailings. Mit den Reaktionen darauf wurde messbar, welche Variante die besseren Ergebnisse brachte.

Warum A/B-Testing?

Der Nutzen liegt auf der Hand: Man lernt, welche Version besser funktioniert hat. Dies ist wesentlich wertvoller als das einfache Ergebnis, welches auf dem Bauchgefühl des Marketingverantwortlichen basiert. Und die wenigen, nicht vergleichbaren Informationen tragen langfristig nicht viel zum Verständnis bei, welche Faktoren welchen Effekt hatten.

Online wesentlich leichter umsetzbar

Im Internet ist A/B-Testing heute weit verbreitet und viel einfacher einsetzbar im Vergleich zu den alten, physikalischen Methoden: Varianten sind einfacher umzusetzen und zu managen, und auch die Reaktionen der Nutzer sind besser erfassbar und auszuwerten.

Der Einsatz von personalisierten Produktempfehlungen ist kein eigentliches Ziel. Wenn Präsentation von Bestsellern auf der Startseite für manche Nutzer eine bessere Performance zeigen als jede Personalisierungsstrategie, zeigen wir unbedingt die Bestseller.

Personalisierung ist ein Hilfsmittel. Es ist ein Ansatz, bessere Resultate zu erreichen. Mit der Kombination aus A/B-Testing und Personalisierung individualisieren wir diesen Ansatz.

Welche Leistungskennzahlen sind relevant und sollen optimiert werden?

Das ist ein sehr wichtiger Punkt: Eine höhere Conversionrate sollte nicht das einzige Ziel sein.

Es geht eben nicht nur um die Conversion-Rate

Sehr oft wird Echtzeit-Personalisierung wegen des positiven Einflusses auf die Conversion-Rate eingesetzt. Das klingt zunächst nach einer guten Idee, da diese eine der wichtigsten Kennzahlen darstellt. Aber das heisst nicht, dass sich die Personalisierung nur auf die Sales Conversion-Rate auswirkt.

Auswirkungen der Personalisierung abseits der Conversion-Rate

Wenn eine Website personalisierte Inhalte auf der Startseite zeigt, muss sich nicht unbedingt eine Verbesserung der Conversion-Rate in diesem Zusammenhang zeigen. Ein langfristiger Effekt kann aber sein, dass Besucher viel häufiger zurückkehren. Auch wenn die Conversion-Rate bei diesen Besuchen relativ niedrig ist, ist das Interesse der Nutzer geweckt. Mit den gezeigten, individuellen Vorschlägen positioniert sich der Online-Shop als relevanter Händler. Regelmässige Besuche werden zur Gewohnheit und kosten kein Werbebudget, zahlen aber nachhaltig auf strategische Ziele wie Markenaufbau und Kundenloyalität ein. So wird der Verkauf und Umsätze sehr positiv gestützt – potentiell viel nachhaltiger als mit anderen Ansätzen, die sofort höhere Conversion-Rates zeigen.

Entsprechend ist es immer wichtig, verschiedene Kennzahlen in die Beurteilung mit einzubeziehen. Natürlich ist die Sales Conversion Rate sehr häufig ein guter Indikator für die Relevanz des strategischen Ansatzes im Vergleich zu weiteren Alterativen. Sie zeigt dessen Kapazität, die Entscheidungsfindung beim Kauf der Nutzer positiv zu beeinflussen.

 

A/B-Testing und Personalisierung: Gemeinsam stärker

Personalisierung und A/B-Testing ergänzen sich gut, doch die Kombination ist noch besser ist als die Summe ihrer einzelnen Teile. Denn nicht zu vernachlässigen ist der Wert dessen, was darüber hinaus gelernt werden kann.

Deshalb verwenden wir bei Boxalino diese beiden Ansätze zusammen. Alleine die Lerneffekte sind bereits viel wert. Richtig interessant wird es dann über die Erkenntnis hinaus, dass eine Strategie mit einem bestimmten Personalisierungsansatz besser als eine andere ist: Wenn man auch versteht, für wen sie besser ist.

Anhand einfacher Beispiele den Nutzen verstehen

Ein Beispiel wäre eine Strategie, die auf den bisherigen Transaktionen des Kunden basiert: Produktempfehlungen orientieren sich an den daraus erkennbaren Interessen. Das wird für identifizierbare Kunden gelegentlich zum Erfolg führen, aber für anonyme Nutzer nicht funktionieren.

Wenn Transaktionen einem Nutzer zugeordnet werden können, kann diese erfolgreiche Verknüpfung als Auslöser für die Verwendung dieser Strategie genutzt werden und zu guten Ergebnissen führen.

In anderen Fällen ist die zu lernende Bedingung nicht so trivial und leicht zu automatisieren. Nutzer, die zum Beispiel via einer Facebook Anzeige auf eine Website kommen, könnten völlig unerwartet mit einer anderen Strategie besser interagieren als zunächst geplant. So betrachtet wird deutlich, dass die Lernfähigkeit des Systems sehr wichtig sein kann. Es wird nicht immer so einfach möglich sein, Reaktionen der Nutzer in Regeln zu definieren.

Dual-Layer-Personalisierung: Zweifache Personalisierung

Wir personalisieren die Auswahl der richtigen Strategie. Und die Strategie selbst arbeitet mit Personalisierung. Das ist Dual-Layer-Personalisierung.

Das bedeutet, die Strategie selbst wird auf Basis von A/B-Testing personalisiert. Welche Strategie mit welchen Details, Varianten und Algorithmen der Personalisierung ist die Richtige für diesen individuellen Kunden: Bestseller, Angebote oder einfach Produkt-Empfehlungen auf Basis der Interessen des Kunden?

Das Endresultat ist mehr als die Summe seiner Einzelteile

Test-Resultate sind Kundenprofilen zugeordnet und können für andere Tests und Situationen genutzt werden. Wenn wir zwei Varianten der Empfehlungsstrategien testen: Eine wird die persönlichen Interessen sehr stark berücksichtigen, die andere wird den Discount-Level der Produkte schwer gewichten.

Die Ergebnisse des Tests, welche Kunden auf die erste Version besser reagieren, sind nicht allein interessant, weil sie die für verschiedene Kundensegmente individuelle Optimierung von Recommendations ermöglichen. Für manche funktionieren personalisierte Empfehlungen besser, während andere auf Sonderangebote reagieren.

Diese Ergebnisse sind auch interessant, weil diese Informationen auch anders genutzt werden können: Wir können ein Kundensegment (z.B. Menschen, die auf personalisierte Angebote besser reagieren als auf hohe Rabatte) für andere individuelle Marketing-Aktivitäten verwenden und dazu diese Daten in das CRM-Systeme exportieren.

Dies wird zur Eigenschaft von Kunden und kann so verwendet werden. So werden die Resultate aus der Kombination der Personalisierung und A/B-Testing wesentlich wertvoller, weil sie auch anders verwendet und genutzt werden können.

Personalisierung und A/B-Testing können einzeln nicht zu solchen Ergebnissen und Erkenntnissen führen.

Written by / 4 Articles

Als Vicepresident Products ist Sylvain Paillard entscheidend an der Produktentwicklung bei Boxalino beteiligt und Experte für künstliche semantische Intelligenz.

Leave a Comment