Jak zwiększać konwersję na stronie lub w produkcie, gdzie brakuje ruchu do przeprowadzania testu A/B?

Wbrew pozorom problem zbyt małego ruchu na stronie lub w produkcie nie jest tylko domeną lokalnych biznesów lub startupów na początkowym etapie.

Według Forbes aż 21% właścicieli biznesów boryka się z niską odwiedzalnością ich stron.

Ahrefs z kolei podaje statystykę, że prawie 97% stron w ich bazie nie zbiera żadnego ruchu organicznego.

Żeby to lepiej zobrazować – 97% z 14 miliardów stron ma 0 (słownie: zero) wizyt…

Mówimy więc o czymś, co jest bardziej powszechne niż nam się wydaje.

Czy w związku z tym powinniśmy zrezygnować z testowania zmian mających na celu poprawę konwersji sprzedażowej albo doświadczenia i zaangażowania użytkowników?

Wręcz przeciwnie. Jest przynajmniej parę sprawdzonych metod, które pozwalają prowadzić skuteczne działania optymalizujące konwersję (CRO) nawet przy niewielkiej liczbie odwiedzających.

Jak to jest robić testy A/B na małym ruchu, niedobrze? Moim zdaniem to nie ma tak, że dobrze albo że nie dobrze…

Sparafrazowanie tego słynnego już monologu Skryby idealnie obrazuje zawiłość tematu. Ale do rzeczy…

Jakiś czas temu pisałem o tym, jak przeprowadzić test A/B za darmo na przykładzie strony zbudowanej na WordPressie oraz na tych zbudowanych na Hubspot CMS.

Z tego drugiego tekstu (a chronologicznie pierwszego) dowiadujemy się, że żeby A/B test był wiarygodny potrzebny jest dostatecznie duży ruch. Jest to jednak pewnego rodzaju uproszczenie całego zagadnienia, bo jak to mówią – to zależy 😉

Co do zasady jest to całkowita prawda – przy tradycyjnym testowaniu A/B potrzebujesz określonej wielkości próbki, aby uzyskać statystycznie istotne wyniki.

Jednak to nie oznacza, że posiadając mały ruch nie jesteś w stanie przeprowadzić żadnego sensownego testu.

Całość bowiem rozbija się o to, co się chce testować i hmmm, z jakim rozmachem że tak to określę.

Posiadając niewielki ruch można wyróżnić 2 główne strategie testów A/B:

Testowanie w oparciu o mikrokonwersje

Zazwyczaj testując coś na stronie lub w produkcie dążymy do tego, aby poprawić współczynnik konwersji głównych metryk biznesu, np.:

• pierwszego zakupu
• rejestracji konta
• wypełnienie formularza kontaktowego/demo
• użycie funkcji X, która daje wartość użytkownikowi lub też sprawia że klient decyduje się na zakup produktu
• opracowanej North Star Metric.

Jeśli jednak niewiele osób wykonuje powyższe akcje, oznacza to że mamy za mało konwersji aby uznać test za wiarygodny.

I tutaj z pomocą przychodzą nam mikrokonwersje – metryki, które są powiązane z głównymi akcjami w Twoim biznesie, ale występują znacznie częściej, dzięki czemu łatwiej uzyskamy wiarygodność testu, np.

• dodanie pierwszego produktu do koszyka lub też przejście do ostatniego kroku przed zakupem po raz pierwszy
• wejście na stronę rejestracji lub do kroku poprzedzającego założenie konta (w zależności od złożoności procesu)
• wejście na stronę z formularzem
• skorzystanie z filtrowania, sortowania lub wyszukiwania, które prowadzi do użycia funkcji X, ewentualnie stworzenie elementu, który jest kompontentem funkcji X, np. w Autenti może to być stworzenie i nadanie dokumentu do podpisania go elektronicznie
• jedna z metryk wejściowych do North Star Metric (składowa), która prowadzi do wykonania NSM, np. zaproszenie użytkownika do organizacji w produkcie typu Slack lub Hubspot (generalnie temat North Star Metric jest bardzo złożony, więc szczegóły dot. tego zagadnienia zostawię na inną porę).

Testowanie odważnych, bardziej radykalnych zmian

Mierzenie tego, czy lepiej konwertuje przycisk pomarańczowy, czy czerwony jest kuszące, jednak wymaga to odpowiedniego wolumenu ruchu, gdyż zmiana ta najczęściej ma zbyt mały impakt w odniesieniu do metryki, którą chcemy poprawić.

Stąd też powinniśmy skupić się na opracowaniu testu z większą różnicą między wariantami, np. całkowicie inny układ strony/ekranu aplikacji lub też odmienna propozycja wartości w danej sekcji.

Większe zmiany zazwyczaj przynoszą bardziej spektakularne rezultaty, dzięki czemu łatwiej jest osiągnąć istotność statystyczną w krótszym czasie.

Pamiętaj jednak, aby nie tworzyć testów wielowymiarowych – im więcej wariantów, tym większa potrzebna próbka.

Skup się na testach A/B z maksymalnie 2-3 wariantami, które zawierają bardziej radykalne zmiany.

Nie wymyślajmy koła na nowo, czyli znane nie(wiadome)

Donald Rumsfeld powiedział kiedyś:

Mamy znane wiadome. Rzeczy, o których wiemy, że je wiemy. Wiemy również, że istnieją znane niewiadome. Innymi słowy, wiemy, że są pewne rzeczy, których nie wiemy. Ale są również nieznane niewiadome takie, o których nie wiemy, że ich nie wiemy.

Tymi ‘znanymi wiadomymi rzeczami‘ POWINNIŚMY (z dużej napisałem, bo wiadomo że jest to kwestią naszej dotychczasowej wiedzy i logicznego łączenia kropek) nazywać takie podstawy UX jak:

• za duża ilość tekstu w jednym miejscu zwiększa szansę, że użytkownik tylko przeleci wzrokiem i nie zostanie dłużej
• zbyt duża liczba pól w formularzu zmniejsza prawdopodobieństwo wypełnienia
• nikt nie lubi czekać 6 sekund na załadowanie się strony
• brak portfolio, case studies czy innych elementów social proof zmniejsza zainteresowanie naszą marką
• i tak dalej

Jeśli więc chcemy zwiększyć konwersję na stronie lub w produkcie, a nie mamy dużego ruchu, to nie powinniśmy więc wymyślać tytułowego koła na nowo, tylko zaczerpnąć wiedzy, z tego co obecnie określa się sprawdzoną regułą lub standardem.

Można to zrobić wykorzystując np. 10 heurystyk Nielsena lub inne skuteczne praktyki UX, o których pisałem jakiś czas temu.

Można też zebrać benchmarki rynkowe, np. poprzez ChatGPT, Gemini lub inny LLM, i znaleźć wspólny mianownik w przypadku najlepszych projektów na świecie w Twojej branży lub pokrewnej.

Oczywiście nie chodzi o to, aby bezmyślnie sklonować stronę konkurencji lub ‘lidera’ rynku – tylko zastanowić się czego ja nie mam, a co mają inne projekty większe od nas, niekoniecznie z tej samej branży.

A już tym bardziej warto poprawić pewne elementy, jeśli klienci sami Ci o nich mówią, o czym więcej niżej.

Klient ma zawsze rację! Czyżby?

Przyjęło się, że klient ma zawsze rację i generalnie ‘Nasz klient, nasz pan’. Co do zasady trudno z tym polemizować:

• wiele startupów upada, bo działają w oderwaniu od klienta i budują produkt według swojej wizji nie zważając na to, czego klienci oczekują – w myśl zasady ‘sam wiem lepiej jak budować X czy Y’
• wiele lokalnych firm gasi światło po 20-30 latach obecności na rynku, bo właściciele myślą że skoro tyle lat są na rynku, to przetrwają drugie tyle, nie zważając na pogarszającą się obsługę klienta oraz to, że konkurencja wrzuciła trzeci czy czwarty bieg, a rynek oczekuje teraz innego podejścia.

To drugie to niekoniecznie zawsze jest przypadkiem firm lokalnych, bo przecież tak wielkie firmy jak Kodak czy Nokia idealnie pasują do tej grupy.

Jednak to, że zawsze będziemy się słuchać klientów nie oznacza, że jesteśmy ‘skazani na sukces’, gdyż ludzie często mają słabe zrozumienie tego, co naprawdę cenią i co ich motywuje.

A tym bardziej nie powiedzą Ci jak rozwiązać ich problemy – to moja i Twoja rola odkryć, jaką funkcją czy też komunikatem marketingowym zwrócić ich uwagę i sprawić, że kupimy ich czas, serce oraz portfel 🙂

Dlatego dane deklaratywne (dane zebrane w ankietach, wywiadach z klientem itp) są mocno podatne na rozbieżności między słowami użytkowników a ich zachowaniem w praktyce.

Idealnym przykładem potwierdzającym tę tezę jest to, że każdy mówi, że nie klika w pop-upy i generalnie gardzi nimi, a prowadząc niejednokrotnie kampanie marketingowe współczynnik kliknięć (CTR) w taki pop-up miałem na poziomie paru %, a co więcej był to jeden z ważniejszych kanałów promocji kampanii – czyli dane deklaratywne mówią swoje, a dane ilościowe swoje.

Stąd najlepiej stworzyć strategię badawczą w oparciu o 2 źródła danych: dane deklaratywne (jakościowe) i behawioralne (ilościowe):

• wywiady z użytkownikami połącz z analizą kohortową – przykładowo przydatne w przypadku, kiedy podczas wywiadu pytasz klientów o nowe funkcje, parę z nich mówi o funkcji X, że chętnie by z niej korzystali, a po wdrożeniu jej w analizie kohortowej sprawdzasz czy osoby ‘od’ funkcji X faktycznie ją używają
• grupa fokusowa razem z sesjami nagraniowymi – niekiedy podczas badań grupy fokusowej niektóre osoby ulegają ‘psychologii tłumu‘ przez co wyniki badań mogą być skrajnie pozytywne lub negatywne, sesje nagraniowe sprawdzające faktyczny ruch tych osób może prowadzić do odwrotnych wniosków
• testy 5-sekundowe wraz z testami A/B – najpierw sprawdzamy podczas testów 5-sekundowych czy dany widok jest czytelny lub intuicyjny, po czym wdrażamy najbardziej obiecującą wersję jako wariant B i testujemy na żywym organiźmie, czy jest poprawa konwersji (sam z tej strategii korzystałem w momencie kiedy miałem mały ruch na stronie głównej jednego projektu, co skutecznie zwiększyło prawdopodobieństwo znalezienia lepszej wersji)
• analizę transkryptów czatów i zgłoszeń do supportu połącz z heatmapami/clickmapami – przydatne gdy spory procent użytkowników wskazuje na problem z elementem X, a według danych ilościowych większość osób nie ma interakcji z tym elementem mylnie przypisując lub nazywając problem (wbrew pozorom ten przypadek nie jest czymś rzadkim, bo bywa i tak, że osoby pracujące w jednej organizacji jedną rzecz lub zagadnienie nazywają 4 lub 5 różnymi pojęciami/zwrotami – pomyśl więc sobie ile nazw wymyśli klient 🙂 )

Oczywiście to tylko parę przykładów takich ‘combo’ – czasem warto jest połączyć kilka z nich nie ograniczając się tylko do pary, szczególnie jeśli właśnie borykamy się z problemem małego współczynnika konwersji jednocześnie nie posiadając wystarczającego ruchu do przeprowadzenia złożonych testów A/B.

Więcej o user testingu, czyli metodach pozyskiwania danych jakościowych opiszę w osobnym artykule.

Podsumowanie

Jak widać powyżej nawet przy małym ruchu możemy przeprowadzić pełnoprawne testy A/B, niemniej będzie wymagało to opracowania innego podejścia niż zazwyczaj się uskutecznia.

Nie ma sensu być jednak zafiksowanym na jednej technice optymalizacji konwersji.

Warto sprawdzić, czy w Twojej organizacji sprawniejsze nie będzie skorzystanie z innej metody, np. dzięki posiadanym przez kogoś umiejętnościom w researchu lub też zasobom w postaci wdrożonego już procesu czy też narzędzia.