-

Conversie-optimalisatie kan veel exacter: kies voor real-time profiling

A/B en multivariaat testen zijn populair voor conversie-optimalisatie. Ja, onderaan de streep tref je nu nog een hogere conversieratio. Maar alleen real-time optimalisatie is toekomstbestendig.

Een alternatieve tekst voor de call-to-action, een nieuw likje verf: de juiste wijziging in opmaak of inhoud resulteert al snel in een hogere conversie en extra euro’s omzet. Een prettig resultaat, maar is de wijziging goed voor iedere bezoeker? Nee. Vanuit de gedragswetenschappen weten we namelijk dat iedere digitale bezoeker andere behoeften heeft en dus op eigen wijze met trucs en nudges is te verleiden tot een koop.

Zo verkoop je een kilo tomaten voor 3,99 euro plus de tweede verpakking gratis aan een deel van de klanten nog altijd significant sneller dan twee kilo tomaten voor 3,99 euro. De opbrengst is hetzelfde, maar toch grist een deel liever die tweede zak ‘gratis’ mee dan te betalen voor een grootverpakking.

Een profiel is fluïde

En dus test iedereen zich suf: marketeers verleiden met prijsmechanismes of plakken digitale labels op het product. ’Nieuw in de collectie’, ‘de laatste twee exemplaren die beschikbaar zijn’ en ‘de keuze van’ zijn slechts enkele voorbeelden. Met conversietests wordt continu vastgesteld of het conversiepercentage is opgekrikt.

Binnen de nu gangbare conversie-optimalisatie – specifieker: het A/B en multivariaat testen – dienen statistische gemiddelden als uitgangspunt. De (omgevings)factoren die ieder individu afzonderlijk op een later moment beïnvloeden worden daarin volledig genegeerd. Opmerkelijk, want iemand zijn profiel is voor een groot deel fluïde: heeft het gemoed vandaag invloed op de bereidheid een nieuw merk uit te proberen dan zijn de gister achtergelaten sporen deels weer onbruikbaar.

Vergelijk het met marketing automation waarvoor complete processen – van leadgeneratie tot after sales – worden geautomatiseerd. Vaak vormen lineaire ‘flows’ de basis: als ‘A’ gebeurt dan volgt content ‘B.’ Vertoont de bezoeker plots gedrag dat niet past bij zijn profiel dan valt die persoon buiten de flow en krijgt niet langer de juiste content geleverd.

Kan dat anders?

Jazeker. Het alternatief is de wiskundige kansberekening zoals die in algoritmen wordt gebruikt. Net zoals een een lineaire flow dus geen recht doet aan de werkelijkheid moet je je niet laten leiden door statistische gemiddelden. Online kun je juist heel goed nagaan wat bezoekers nú doen en op basis van kansberekening bepalen wat de beste reactie of verleidingstechniek is. De voedingsbodem voor zo’n algoritme? Gebruikersdata.

Een voorbeeld. Science Rockstars – inmiddels onderdeel van webpower – nam de proef op de som bij cosmeticabedrijf Rituals. Gebaseerd op real time verzamelde profielinformatie werd vastgesteld voor welke verleidingstechniek een bezoeker zou zwichten. De personalisatie bestond uit productlabels als ‘beperkt beschikbaar’ en ‘bestseller.’

social proof rituals

Binnen twaalf weken had het algoritme al 190 duizend profielen samengesteld en 800 duizend adviezen voor de verleidingstechniek afgegeven. 80 procent van de bezoekers zag een bij het profiel passend label – neutraal, of inspelend op schaarste of autoriteit. De rest vormde de controlegroep.

Die persuasieve communicatie op basis van individuele voorkeuren in plaats van statistische gemiddelden had in die korte tijd al concreet resultaat: een toename van de verkoop met 15,3 procent.

A: toevoeging van enkele labels zorgt doorgaans al voor een toename van de conversie met vijf procent. B: niet ieder label heeft op iedereen hetzelfde effect. Door hierin uit te gaan van eerder gedrag neemt de effectiviteit toe. C: het verschil tussen vijf en dertien procent kan niet worden bereikt met A/B-testen. Dat verschil is het resultaat van dynamisch aanpassen.  

Schermafbeelding 2015-12-04 om 11.11.38

Gelukkig neemt ook in de klassieke conversie-optimalisatie het oog voor andere statistische methoden langzaam toe. Zo moet volgens critici de huidige frequentistische statistiek ingeruild worden voor de Bayesiaanse statistiek. Hierbij wordt niet alleen naar de data uit een experiment gekeken, maar neemt men bijvoorbeeld eigen aannames of vermoedens mee. Het experiment wordt dus actief gestuurd. Iets dat gelijktijdig op de nodige kritiek kan rekenen.

Toch zie je de nodige beweging: Google experimenteert met soortgelijke methoden en her en der zijn er tools voor conversie-optimalisatie die dit handmatig sturen inbouwen. Voor welke methode je uiteindelijk ook kiest, de nauwkeurigheid neemt toe bij meer kennis van de bezoeker. Die gebruikersdata leiden uiteindelijk tot real-time optimalisatie zoals in het voorbeeld van Rituals. Door klantdata te verzamelen wordt helder welke verleidingstechniek het beste op iemand kan worden toegepast. Het resultaat: relevantie in content en een hogere conversie.

Foto: Ververidis Vasilis / Shutterstock.com

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond