Konverzióoptimalizálás (CRO): gyakorlati útmutató

A konverzióoptimalizálás (CRO) annak rendszeres gyakorlata, hogy növeld azoknak a látogatóknak az arányát, akik értékes műveletet végeznek a weboldaladon: kideríted, miért nem teszik, és kijavítod. Ez a lényeg. Az útmutatóban minden más módszer: hogyan találd meg a valódi okokat, hogyan döntsd el, mit javíts először, honnan tudod, hogy egy változtatás működött-e, és hogyan csináld folyamatosan úgy, hogy közben ne áltasd magad.

Ez egy általános útmutató. Az elvek egy webshopra és egy B2B szoftvercégre egyaránt érvényesek, de külön időt szánunk arra a helyzetre, amelyet a legtöbb útmutató kihagy: mérsékelt forgalmú oldalak, hosszú értékesítési ciklusok és nagyon eltérő értékű konverziók. Akár konverzióoptimalizálásnak, akár CRO-nak hívod, a szakterület ugyanaz.

Mi is valójában a konverzióoptimalizálás

Konverzió minden olyan művelet, amelyet szeretnél, hogy egy látogató végrehajtson: vásárlás, demókérés, próbaregisztráció, hírlevél-feliratkozás. A konverziós arány azoknak a látogatóknak (vagy munkameneteknek) az aránya, amelyek ezt végrehajtják:

Konverziós arány = konverziók / látogatók × 100

Példa: egy landing page egy hónap alatt 18 400 munkamenetet kap, és 460 regisztrációt hoz. 460 / 18 400 = 0,025, tehát a konverziós arány 2,5%. Ha egy változtatás ugyanazon a forgalmon 3,0%-ra emeli, 552 regisztrációt kapsz: havonta 92-vel többet anélkül, hogy egyetlen extra kattintást vásárolnál. Ez 20%-os relatív vagy 0,5 százalékpontos abszolút javulás. Mindig mondd meg, melyikre gondolsz; a kettő összekeverése a leggyakoribb riportolási hiba a CRO-ban. A saját számaidat a konverziósarány-kalkulátorban futtathatod le.

Két döntés rejtőzik ebben a képletben. Először a nevező: a munkamenetek felfújják az alapot a sok visszatérő látogatóval rendelkező oldalakon, a felhasználók pedig alábecsülik, ha a követésed nem tudja eszközökön át szűrni a duplikációkat. Válassz egyet, és tartsd meg. Másodszor a számláló: melyik konverzió számít.

Makro- és mikrokonverziók

• A makrokonverziók azok a műveletek, amelyekért az üzlet létezik: egy rendelés, egy demókérés, egy fizetős csomag.
• A mikrokonverziók az odavezető lépések: kosárba helyezés, űrlap elkezdése, árazás megtekintése, termékvideó megnézése, CTA-ra kattintás.

A mikrokonverziók két okból fontosak. Megmutatják, hol a szivárgás (a látogatók megnézik az árazást, de soha nem kattintanak az „Első lépések” gombra), és sokkal gyakrabban fordulnak elő, mint a makrokonverziók, így olyan oldalakon is tesztelhetők, ahol a makrokonverzió túl ritka a méréshez. Erről bővebben az alacsony forgalmú oldalakról szóló részben.

Mi nem a CRO

• Nem a gombszín teszteléséről szól. A kozmetikai tesztek ritkán mozdítanak el bármit, mert nem foglalkoznak azzal, miért haboznak az emberek. A jó CRO azt változtatja meg, amit a látogató megért, elhisz, vagy amit tennie kell.
• Nem csak A/B tesztelés. A tesztelés a validálási lépés. Az érték nagy része a kutatásból jön, amely megmondja, mit változtass. Sok javítást (egy Safarin hibás űrlap, egy hiányzó ár) egyszerűen meg kell csinálni, nem tesztelni.
• Ez nem bevált gyakorlatok gyűjteménye. A „teremts sürgetést” vagy a „rövidítsd le az űrlapot” a közönségedtől függően segíthet vagy árthat. Egy gyakorlat addig hipotézis, amíg a saját adataid alá nem támasztják.
• Ez nem forgalomszerzés. A CRO azzal foglalkozik, ami a látogatás kezdete után történik. Minden forgalomszerzési csatornát hatékonyabbá tesz, de egyiket sem helyettesíti.

A CRO-folyamat lépésről lépésre

Minden hiteles CRO-program ugyanannak a ciklusnak valamilyen változatát futtatja. A nevek változnak, a sorrend nem.

1. Kutatás: derítsd ki, hol és miért nem konvertálnak a látogatók.
2. Hipotézisek: minden megállapítást alakíts tesztelhető állítássá.
3. Priorizálás: rangsorold a hipotéziseket, hogy a szűkös forgalom és fejlesztési idő a legjobb tétekre menjen.
4. Tesztelés: futtass kontrollált kísérletet (vagy ahol ez lehetetlen, a következő legjobb módszert).
5. Elemzés: értelmezd őszintén az eredményt, a szegmensekkel és a védőkorlátokkal együtt.
6. Bevezetés és tanulás: élesítsd a győzteseket, rögzíts minden eredményt, és forgasd vissza a tanulságokat a kutatásba.

1. Kutatás: hol és miért

A kutatásnak két fele van. A kvantitatív adat megmondja, hol van a probléma. A kvalitatív adat megmondja, miért. Mindkettőre szükséged van: egy tölcsérriport megmutatja, hogy a látogatók 70%-a elhagyja az árazási oldalt, de azt nem, hogy azért távoztak, mert az enterprise csomagnál ársáv nélkül csak az áll, hogy „Lépj kapcsolatba velünk”.

Az analitikával kezdd, és válaszd ki a két-három legfontosabb oldalt (nagy forgalom, közel a bevételhez, meredek lemorzsolódás), majd csak ott fordíts energiát kvalitatív kutatásra. Egy két-háromhetes kutatási sprint jellemzően több tesztötletet hoz, mint amennyit hat hónap alatt le tudsz futtatni.

Mielőtt bármelyikben megbíznál, ellenőrizd az alapokat. Győződj meg róla, hogy a konverziós események konverziónként egyszer futnak le, hogy a tölcsér lépéseit minden eszközön mérik, és hogy a belső forgalom ki van szűrve. A „konverziós problémák” meglepően nagy része mérési problémának bizonyul.

2. Hipotézisek: minden ötlet legyen cáfolható

A hipotézis egy megfigyelést köt össze egy változtatással és egy mérhető eredménnyel. Használd ezt a sablont:

„Mivel azt tapasztaltuk”, amit az adatok mutattak, „úgy gondoljuk, hogy” egy elem megváltoztatása „egy közönségnél” „azt eredményezi”, hogy bekövetkezik a várt eredmény, „amit” egyetlen elsődleges mutatóval „mérünk”.

Példa: „Mivel a munkamenet-felvételekből és egy kilépési kérdőívből azt láttuk, hogy az árazási oldalon a mobilos látogatók nem tudják megállapítani, melyik csomag tartalmazza az SSO-t, úgy gondoljuk, hogy ha a mobilos látogatóknak a csomagkártyák fölé egy funkció-összehasonlító kapcsolót teszünk, több csomagválasztás születik, amit az árazási oldal látogatónkénti, bármely »Csomag kiválasztása« gombra leadott kattintásokkal mérünk.”

A sablon három feladatot lát el. Bizonyítékot követel (nincs „mert a vezérigazgatónak tetszik”). Megnevezi a közönséget, így ott tesztelsz, ahol a probléma van. És a teszt indulása előtt rögzíti az elsődleges mutatót, ami megakadályozza, hogy utólag egy hízelgő mutatót válassz. Egy másolható változat az A/B tesztterv sablonunkban található.

3. Priorizálás: PIE, ICE vagy PXL

Mindig több ötleted lesz, mint kapacitásod. Három pontozási keretrendszer dominál:

• PIE (Potential, Importance, Ease), amelyet a WiderFunnel tett népszerűvé: mindegyiket 1–10-ig pontozd, és átlagold. Az „Importance” azt jelenti, mennyire értékes az oldal forgalma.
• ICE (Impact, Confidence, Ease – hatás, megbízhatóság, egyszerűség) a growth marketingből: mindegyiket 1–10-ig pontozd, és átlagold. A „megbízhatóság” azt jelenti, mennyire erős a bizonyítékod.
• PXL, a CXL-től: többnyire igen/nem kérdésekből álló ellenőrzőlista fix pontokkal, például: a változtatás a hajtás felett van-e, észrevehető-e öt másodpercen belül, hozzáad vagy eltávolít-e egy elemet, nagy forgalmú oldalon fut-e, és felhasználói tesztelésből, kvalitatív visszajelzésből vagy analitikából feltárt problémát kezel-e. A könnyűséget a becsült ráfordítás alapján pontozzák. A CXL azért alkotta meg, hogy kiküszöbölje azt a találgatást, amit a PIE és az ICE a „hatás” értékelésében meghagy.

Példa (szemléltető pontszámok egy backloghoz, a PXL hét kérdésre egyszerűsítve):

Mindhárom keretrendszer egyetért abban, hogy az A az első és a D az utolsó. A C-ben nem értenek egyet: a PIE a B ligájához közel sorolja, mert a „potenciál” nagyvonalú, míg az ICE és a PXL bünteti a bizonyítékok hiányát. Éppen ezért érdemes tudatosan keretrendszert választani.

A mi véleményünk: egy kis csapatnak, amelynek egy délután alatt kell 20 ötletet rangsorolnia, az ICE a jó választás. Válts PXL-re, amint egynél több ember pontozza az ötleteket, mert az igen/nem kérdések következetes pontszámokat adnak az emberek között, és nem engedik, hogy a leghangosabb hang felfújja a „hatást”. A PIE akkor hasznos, ha azt döntöd el, melyik oldalon dolgozz, egyes ötleteknél kevésbé. Bármelyiket választod, adj nagy súlyt a bizonyítékoknak: egy nyertes teszt fő előrejelzője a kutatáson alapuló hipotézis.

4. Tesztelés

Készítsd el a változatot, végezd el a QA-t minden fő böngészőn és eszközön, és ahol a forgalom engedi, futtass kontrollált kísérletet (lásd lent a statisztikáról szóló részt). Indulás előtt írd le: az elsődleges mutatót, a védőmutatókat, a mintaméretet, a tervezett időtartamot és a leállítási szabályt. Ha ezt az ötöt nem tudod kitölteni, még nem állsz készen az indulásra.

5. Elemzés

Amikor elérted a tervezett mintát, először az adatminőséget ellenőrizd (mintaarány, követés), aztán az elsődleges mutatót, aztán a védőkorlát-mutatókat, végül az előre rögzített szegmenseket, például eszköz vagy új és visszatérő látogató szerint. A nem tervezett szegmensszintű megállapításokat új hipotézisként kezeld, ne következtetésként: ha egy tesztet elég sokféleképpen felszeletelsz, valami a véletlen folytán szignifikánsnak fog tűnni.

6. Bevezetés és tanulás

A nyerteseket rendesen vezesd be (a kódbázisban, ne hagyd őket hónapokig 100%-on futni a tesztelőeszközben). Minden tesztet rögzíts egy naplóban: hipotézis, képernyőképek, számok, döntés, és mit tanultál belőle a látogatóidról. Egy vesztes teszt, amely megcáfol egy széles körben elfogadott hiedelmet, gyakran többet ér egy kis győzelemnél – de csak akkor, ha valaki leírja.

Tesztstatisztika, helyesen

Nem kell statisztikusnak lenned ahhoz, hogy érvényes teszteket futtass, de öt alapgondolatot tiszteletben kell tartanod. A legjobb egyetlen forrás: Kohavi, Tang és Xu, Trustworthy Online Controlled Experiments (2020).

Mintaméret: döntsd el, mielőtt elkezded

A szükséges látogatószám függ az alap konverziós rátádtól, a legkisebb kimutatandó hatástól (minimum detectable effect, MDE), a szignifikanciaszinttől (alfa) és a statisztikai erőtől. Két arányt összehasonlító kétoldalú tesztnél:

n variánsonként = [ z_1-α/2 × √(2 p̄(1-p̄)) + z_1-β × √(p₁(1-p₁) + p₂(1-p₂)) ]² / (p₂ - p₁)²

Kidolgozott példa: kiinduló p₁ = 3%, MDE = 20% relatív, tehát p₂ = 3,6%. Alfa = 0,05 (kétoldali), tehát z = 1,96. Erő = 0,8, tehát z ≈ 0,8416. Az összevont arány p̄ = 3,3%.

1. Első tag: 1,96 × √(2 × 0,033 × 0,967) = 1,96 × √0,06382 = 1,96 × 0,2526 = 0,4951
2. Második tag: 0,8416 × √(0,03 × 0,97 + 0,036 × 0,964) = 0,8416 × √(0,02910 + 0,03470) = 0,8416 × 0,2526 = 0,2126
3. Számláló: (0,4951 + 0,2126)² = 0,7077² = 0,5009
4. Nevező: (0,036 - 0,03)² = 0,006² = 0,000036
5. n = 0,5009 / 0,000036 ≈ változatonként 13 900 látogató, összesen kb. 27 800.

Ez egyezik azzal, amit az Evan Miller-féle mintaméret-kalkulátor ugyanezekkel a bemenetekkel ad, és a saját forgatókönyvedet az A/B teszt kalkulátorunkban ellenőrizheted. Figyeld meg, milyen kíméletlen a matematika: ha az MDE-t 10%-ra felezed, nagyjából négyszer annyi forgalom kell. Az A/B teszt mintaméretről szóló cikkünkben gyakori alapértékekhez tartozó táblázatokat találsz.

Időtartam: a mintaméret osztva a forgalommal, teljes hetekben

Tesztidőtartam = teljes szükséges minta / heti jogosult látogatók, egész hetekre felfelé kerekítve.

Példa: a fenti oldal hetente 7000 releváns látogatót kap. 27 800 / 7000 = 3,97, tehát futtasd 4 teljes hétig. A teljes hetek azért számítanak, mert a hétköznapi és a hétvégi látogatók másként viselkednek; egy szerdai leállítás túlreprezentálja a hét egy részét. Ökölszabályként futtass legalább egy teljes üzleti ciklust, és kerüld a hat-nyolc hétnél hosszabb teszteket, mert utána a sütitörlés és a szezonális változások szennyezni kezdik a mintát.

Ne kukucskálj (vagy használj erre tervezett módszert)

Ha egy hagyományos, rögzített időtávú tesztet naponta ellenőrzöl, és abban a pillanatban leállítod, amint eléri a p < 0,05 értéket, drámaian megnő a hamis pozitív eredmények aránya, ahogy Evan Miller bemutatja a How Not To Run an A/B Test című írásában. Vagy elkötelezed magad a tervezett mintanagyság mellett, és csak a végén olvasod le az eredményt, vagy olyan eszközt használsz, amelynek statisztikája folyamatos megfigyelésre készült (szekvenciális tesztelés). Az irányítópultot nyugodtan nézheted; a probléma az, ha idő előtt cselekszel alapján.

Ellenőrizd a mintaarány-eltérést

Ha 50/50 arányban osztod meg a forgalmat, és a kontrollban 10 000, a változatban 9400 látogatód van, valami elromlott: egy átirányítás felhasználókat veszít, egy botszűrő csak az egyik ágat érinti, vagy egy változat egyes böngészőkben összeomlik. A látogatószámokon végzett khi-négyzet próba ezt jelzi. Kohavi és munkatársai a mintaarány-eltérést (SRM) az egyik legfontosabb megbízhatósági ellenőrzésnek tartják; ha elbukik, ne értelmezd az eredményt, hanem keresd meg a hibát.

Újdonsághatás, egy elsődleges mutató és védőkorlátok

• Újdonság- és elsőbbségi hatások: a visszatérő látogatók azért kattinthatnak egy új elemre, mert új, vagy figyelmen kívül hagyhatják, mert a régi elrendezéshez szoktak. Hasonlítsd össze az első hetet a későbbiekkel; ha a hatás elhalványul, légy szkeptikus.
• Egy elsődleges mutató: előre rögzítve, ideális esetben a bevételhez legközelebb álló mutató, amelyet elég volumennel mérni tudsz. Tíz „elsődleges” mutató garantálja, hogy valahol hamis győztes lesz.
• Védőkorlát-mutatók: amiknek nem szabad romlaniuk, például a látogatónkénti bevétel, a leadminőség, a visszatérítési arány, az oldalbetöltési idő. Egy variáns, amely 10%-kal növeli a regisztrációkat, miközben 15%-kal csökkenti az átlagos rendelési értéket, nem győztes.

És változatonként egyetlen, összefüggő módosítást tesztelj, hacsak nincs nagyon sok forgalmad. Az A/B tesztelés és a többváltozós tesztelés összehasonlításában elmagyarázzuk, mikor éri meg a többváltozós út a forgalmi költségét (ritkán, havi százezer látogató alatt).

CRO kis forgalmú és B2B weboldalakhoz

A legtöbb CRO-tanácsot olyanok írták, akik nagy forgalmú fogyasztói oldalakat optimalizálnak. A B2B oldalak és a kis fogyasztói oldalak három strukturális problémával szembesülnek:

1. Alacsony forgalom. A fenti kidolgozott példához egy teszthez körülbelül 27 800 látogató kell. Egy havi 5000 látogatós oldalnak ez öt-hat hónapig tartana, és addigra megváltozik a piac, a hirdetések és maga az oldal is.
2. Hosszú sales ciklusok. Egy teszt hetek alatt megszámolja az űrlapkitöltéseket, de hogy ezekből a leadekből lett-e pipeline, az hónapokig tart. A februárban demókérésekben nyerő változat júniusra veszíthet bevételben, ha rosszul illeszkedő cégeket vonzott.
3. Eltérő konverziós érték. Egy demókérés jöhet egy cégtől, amely a legnagyobb ügyfeled lehet, egy másik egy diáktól. A konverziós ráta egyenlőként kezeli őket, a bevétellel súlyozott mutatók pedig sokkal zajosabbak, így még több adat kell hozzájuk.

Ez nem azt jelenti, hogy „ne csinálj CRO-t”. Azt jelenti, hogy változtass a módszeren.

Mit tesztelj először

Ha évente csak maroknyi tesztet tudsz futtatni, azokat futtasd, amelyektől nagy hatás várható, a bevételhez közeli oldalakon. Egy ésszerű sorrend:

1. Főcímek és értékajánlat a legnagyobb forgalmú kereskedelmi oldalaidon: eredményközpontú kontra funkcióközpontú, célközönség-specifikus kontra általános, problémából kiinduló kontra megoldásból kiinduló.
2. Az ajánlat és a CTA: nem csak a gomb szövege, hanem az is, mit kínálsz (demó, terméktúra, felmérés, árazási hívás) és hol jelenik meg.
3. Űrlapok: mezők, minősítő kérdések, egy- vagy többlépéses. A lead minőségét mérd, ne csak a kitöltést.
4. Elrendezés és oldalszerkezet utoljára: ezt a legdrágább megépíteni, és átlagosan ez a legkisebb és leglassabban mérhető hatású.

Merj nagyobbat lépni

A szükséges mintaméret a hatás négyzetével fordítottan arányos. Egy 40%-os javulás kimutatásához nagyjából negyedannyi forgalom kell, mint egy 20%-oshoz. Kis forgalom mellett az apró finomítások nem tesztelhetők; a merész, kutatással alátámasztott változtatások (egy teljesen más címsorérvelés, egy másik ajánlat) igen. Ezekből ráadásul többet tanulsz a vásárlóidról, míg az apró finomításokból csak az oldalról.

Teszteld a korábbi mikrokonverziókat

Ha a demókérések túl ritkák, válassz a tölcsérben feljebb lévő elsődleges mutatót, amely hihetően kapcsolódik hozzájuk: kattintások a demóoldalra, űrlapkitöltés megkezdése, árazási oldal látogatása a kezdőlapról. Egy tízszer gyakoribb mutatóval nagyjából tízszer gyorsabban éred el a szükséges statisztikai erőt. Az ár az, hogy a makrokonverziót továbbra is figyelned kell védőkorlátként, mert egy mikrokonverzió nőhet, miközben a valódi konverziók stagnálnak.

Fogadd el a döntéshez illő megbízhatóságot

Nem minden döntéshez kell 95%-os megbízhatóság. Könnyen visszafordítható szövegváltoztatásoknál egy alacsonyabb küszöb (vagy egy bayesi „legjobbnak lenni valószínűség” értékelés) ésszerű kompromisszum a sebesség és a bizonyosság között. Drágán visszacsinálható szerkezeti változtatásoknál, például egy árazási oldal újratervezésénél, várj erős bizonyítékra. A küszöböt a teszt előtt döntsd el, ne azután, hogy meglátod a számokat.

Szekvenciális és előtte–utána tesztek, fenntartásokkal

Ha egy osztott teszt lehetetlen (célfiók-élmények néhány tucat látogatással, a teljes oldal navigációjának megváltoztatása), az előtte–utána összehasonlítás jobb a semminél, de légy őszinte a gyengeségével kapcsolatban: a szezonalitás, a kampányok, az értékesítési aktivitás és a piaci hírek mind az oldaladdal egy időben változnak. Csökkentsd a kockázatot azzal, hogy egyenlő időszakokat hasonlítasz össze, ellenőrzöl egy kontrollmutatót, amelyre a változtatásod nem hathat (ha az is elmozdult, a változás valószínűleg külső), és ahol lehet, megismétled a kapcsolást (be, ki, be).

Támaszkodj kvalitatív kutatásra

Alacsony forgalomnál öt ügyfélinterjú és húsz értékesítési hívás felvétele többet ér egy alulméretezett tesztnél. A kvalitatív munkát olyan változtatásokhoz használd, amelyekben elég biztos vagy, a tesztelést pedig tartsd meg a valóban bizonytalan, nagy téttel járó döntésekre.

A pipeline-t mérd, ne az űrlapkitöltéseket

Példa: az A változat 20 leadet hoz, ebből 25% lesz lehetőség (5 lehetőség). A B változat 30 leadet hoz, ebből 10% lesz lehetőség (3). A B „nyert” a konverziós rátán, és veszített azon a mutatón, amely számít. Kösd össze a tesztelőeszközödet vagy az analitikádat a CRM-mel, hogy minden lead hordozza a változatát, és nézd át újra az eredményeket, amikor a lehetőségadatok beértek. A szegmenseredményeket is ellenőrizd: egy lapos összesítés elrejthet egy nagyvállalati látogatóknál nyerő és egy kis cégeknél vesztes változatot, amelyek kioltják egymást. A B2B-specifikus CRO-taktikákért, például a minősítő űrlapokért, a nagyvállalati társadalmi bizonyítékért és a beszerzési bizottságnak szóló tartalomért lásd részletesebb útmutatónkat a B2B konverzióoptimalizálásról.

CRO audit lefolytatása

A CRO-audit egy egyszeri átvizsgálásba sűrített kutatási lépés, amely akkor hasznos, ha egy oldalt örökölsz, vagy gyorsan kell priorizált terv. A rövid változat:

1. Ellenőrizd a mérést: konverziós események, tölcsérlépések, domainek közötti követés, kiszűrt belső forgalom.
2. Térképezd fel a tölcsért eszköz és csatorna szerint, és keresd meg azt a két lépést, ahol a legnagyobb az abszolút veszteség.
3. Vizsgáld át ezeket az oldalakat heurisztikusan: az ajánlat egyértelműsége öt másodperc alatt, relevancia a forgalmi forráshoz, súrlódás (mezők, lépések, betöltési idő), aggodalom (bizalom, ár, adatvédelem) és figyelemelterelés.
4. Gyűjts kvalitatív bizonyítékokat ugyanazokon az oldalakon: felvételek, egy rövid kérdőív, néhány felhasználói teszt.
5. Rögzítsd a megállapításokat „csak javítsd” (hibák, elromlott folyamatok), „vizsgáld meg” vagy „teszteld” kategóriában, mindegyiket hipotézissel és prioritási pontszámmal.

A CRO audit checklistünk minden ellenőrzést felsorol, a CRO audit útmutató pedig megmutatja, hogyan lesz a megállapításokból roadmap.

Mire fókuszálj oldaltípusonként

Két külső benchmarkot érdemes ismerni. A Baymard Institute 50 tanulmány átlagolásával nagyjából 70%-ra teszi a dokumentált online kosárelhagyást; azok között, akik nem „csak nézelődés” miatt hagyták el a kosarat, előkelő helyen szerepelnek a többletköltségek (40%) és a kötelező fiókregisztráció (18%), és a Baymard becslése szerint egy ideális fizetési folyamathoz mindössze 7–8 űrlapmező kell, szemben a nagyjából 15-ös amerikai átlaggal. Az űrlapokra általában a Nielsen Norman Group űrlap-használhatósági ajánlásai (rövid, egyoszlopos űrlapok, a követelmények előre ismertetése, konkrét hibaüzenetek) jó ellenőrzőlistát adnak. A B2B űrlapok részben kivételt jelentenek a „rövidebb mindig jobb” szabály alól, mert a minősítő mezők védik az értékesítés idejét; a leadgyűjtő űrlapok tervezéséről szóló útmutatónk bemutatja, hogyan igazítsd az űrlap hosszát a szándékhoz, a B2B landing page optimalizálás pedig mélyebben foglalkozik a kampányoldalakkal.

A perszonalizáció mint CRO-eszköz

Egy klasszikus A/B teszt azt kérdezi: „melyik változat a legjobb mindenkinek?” Néha az őszinte válasz az, hogy „egyik sem”: egy nagyvállalati vevő és egy ötfős startup más bizonyítékot, más nyelvezetet és más következő lépést akar, és az átlageredmény ezt elfedi. A személyre szabás azt jelenti, hogy meghatározott szegmenseknek különböző élményt nyújtasz, majd mindegyiket az adott szegmens kontrollcsoportjával szemben méred.

Akkor jobb az egységes tesztelésnél, ha három feltétel teljesül: a közönséged valóban eltérő igényű szegmensekre bomlik (iparág, cégméret, tölcsérfázis vagy forgalmi forrás szerint), ezeket a szegmenseket érkezéskor megbízhatóan fel tudod ismerni, és mindegyikhez van ténylegesen eltérő tartalmad. Ha ezek bármelyike hiányzik, a személyre szabás bonyolultságot hoz javulás nélkül. Ráadásul megosztja a forgalmadat, így nem rövidíti meg a mintanagyság-számítást; kezdj egy-két nagy szegmenssel és egy oldallal. Ha előbb a szegmenseket akarod felépíteni, a szegmentálási stratégia útmutató végigvezet rajta, a szegmentálási funkcióink pedig megmutatják, hogyan szolgál ki a Markettailor szegmensspecifikus változatokat kontrollcsoporttal.

Gyakori CRO-hibák (és megoldásuk)

1. Tesztelés kutatás nélkül. Az ötletelésből született ötletek ritkábban nyernek, mint a bizonyítékon alapulók. Javítás: minden teszt hivatkozzon a mögötte álló megfigyelésre.
2. Tesztek korai leállítása. A korai vezetés többnyire zaj, a menet közbeni eredménynézés pedig felfújja az álpozitívokat. Javítás: rögzítsd előre a mintaméretet és az időtartamot.
3. Alulméretezett tesztek. Egy teszt, amely csak 50%-os javulást tud kimutatni, a legtöbb valódi javulást „nincs különbség”-nek fogja minősíteni. Megoldás: indulás előtt számold ki, milyen MDE-t tudsz kimutatni, és csak olyan teszteket futtass, amelyek reálisan elérhetik.
4. Rossz mutató optimalizálása. Több lead, rosszabb pipeline. Javítás: az elsődleges mutató legyen olyan közel a bevételhez, amennyire a volumen engedi, plusz minőségi korlátok.
5. A vesztes tesztek kudarcnak nevezése. A csapatok csendben elejtik a vesztes teszteket, és elveszítik a tanulságot. Javítás: naplózz minden eredményt, és azt is, mit cáfolt meg.
6. A szegmensek figyelmen kívül hagyása vagy túlértelmezése. Mindkettő előfordul. Javítás: előre rögzíts két-három szegmenst (eszköz, új vagy visszatérő, cégméret), a többit pedig kezeld hipotézisként.
7. Versenytársak vagy „bevált gyakorlat” listák másolása. Az oldalukat látod, nem az eredményeiket. Megoldás: használd őket hipotézisforrásként, soha ne válaszként.
8. A QA kihagyása. Egy változat, amely egy böngészőben elromlik, hamis vesztest és mintaarány-eltérést okoz. Megoldás: indulás előtt teszteld minden változatot a fő böngészőkön és eszközökön.
9. A CRO projektként kezelése. Egy audit, öt javítás, kész. A megoldás: állandó ritmus felelőssel, backloggal és naplóval.
10. A nyilvánvaló hibák javításának elmulasztása azzal, hogy „ezt tesztelnünk kellene”. A megoldás: ami elromlott, azt javítsd; ami bizonytalan, azt teszteld.

CRO-eszközök feladatonként

Az eszközöket az általuk végzett feladat alapján válaszd, és a tesztelőeszközt vedd meg utoljára: a legtöbb csapatnak előbb jobb kutatásra van szüksége, mint több tesztelési kapacitásra.

• Analitika: tölcsérek, szegmensek és események. Google Analytics 4, Adobe Analytics vagy termékanalitika, például Mixpanel és Amplitude.
• Viselkedéselemzés: hőtérképek és munkamenet-felvételek. Microsoft Clarity, Hotjar, Contentsquare.
• Tesztelés és personalizáció: kliensoldali vagy szerveroldali kísérletezés. Optimizely, VWO, AB Tasty vagy feature flag platformok a szerveroldali tesztekhez.
• Kérdőívek és felhasználói kutatás: oldalon belüli szavazások és moderált vagy moderálatlan felhasználói tesztek. Hotjar kérdőívek, Typeform, UserTesting, Maze.

A forgalmi szint és költségkeret szerinti teljesebb összehasonlításért lásd a konverzióoptimalizálási eszközökről szóló összefoglalónkat.

CRO-program felépítése

A CRO csak akkor hoz egymásra épülő eredményeket, ha programként fut, nem egyszeri javítások soraként. A minimális struktúra:

• Egy felelős erre elkülönített idővel, valamint hozzáféréssel dizájn- és fejlesztési kapacitáshoz. Fejlesztési idő nélkül a backlog kívánságlistává válik.
• Ritmus: negyedévente egy kutatási sprint, kéthetente priorizálási áttekintés, és havonta eredményismertetés az érintetteknek.
• Egy tesztnapló, amelyben bárki kereshet: hipotézis, célközönség, képernyőképek, minta, eredmény, döntés, tanulság. Egy év után ez a legértékesebb CRO-eszközöd.
• Reális áteresztőképességi cél. Egy nagy forgalmú fogyasztói oldal havonta több tesztet is futtathat párhuzamosan különböző oldalakon. Egy havi 10 000 látogatós B2B oldal havonta talán egyet-kettőt tud, kutatásalapú javításokkal kombinálva.

Előre tisztázd a nyerési arányokkal kapcsolatos elvárásokat. Az Online Experimentation at Microsoft (Kohavi és mtsai, 2009) szerzői szerint az ötleteknek csak körülbelül egyharmada javította azokat a mutatókat, amelyeket javítania kellett, nagyjából egyharmad semleges, egyharmad pedig negatív volt. A Microsoft ötletei nem voltak rosszak; a jó ötleteket egyszerűen nehéz megjósolni. Ha a programod a tesztjei 80%-át „megnyeri”, valószínűbb magyarázat a laza statisztika, mint a kivételes ötletek. Egy CRO-programot az igazolt kumulatív hatása és a megszerzett tudás minősége alapján ítélj meg, ne a nyerési aránya alapján.

Gyakran ismételt kérdések

Mi számít jó konverziós aránynak?

Nincs univerzálisan jó szám, mert a konverziós arány attól függ, mit számolsz, milyen a forgalmi összetételed, az árszinted és a vásárlási ciklusod. Egy ingyenes hírlevél-feliratkozás és egy hatszámjegyű nagyvállalati demókérés nem osztozhat egy benchmarkon. A hasznos összehasonlítás a saját kiinduló értékeddel történik ugyanarra az oldalra, forgalmi forrásra és eszközre. Ezt igyekezz folyamatosan javítani, és a sikert látogatónkénti bevétel vagy pipeline alapján ítéld meg, ne pusztán az arány alapján.

Meddig fusson egy A/B teszt?

Futtasd addig, amíg el nem éri az indulás előtt kiszámított mintaméretet, teljes hetekre kerekítve, hogy a hét minden napja egyenlő arányban szerepeljen. Oszd el a szükséges összes látogatót a heti jogosult forgalmaddal. A legtöbb oldalon ez két-hat hetet jelent. Ha a számítás szerint több hónap, tesztelj nagyobb változtatást vagy nagyobb volumenű mutatót, ahelyett hogy végtelen tesztet futtatnál.

Mi a különbség a CRO és a SEO között?

A SEO azt növeli, hány minősített látogató érkezik az oldaladra az organikus keresésből. A CRO azt növeli, hogy ezeknek a látogatóknak – bármely csatornából – mekkora része tesz értékes lépést. Támogatják egymást: a keresési szándékra világosan válaszoló oldalak általában jobban rangsorolnak és jobban is konvertálnak. Ütközés ritka, de kerüld az olyan CRO-változtatásokat, amelyek elrejtik vagy eltávolítják a keresőmotorok és a látogatók számára szükséges tartalmat.

Megéri a CRO alacsony forgalmú oldalaknál?

Igen, de a módszer megváltozik. Korlátozott forgalom mellett támaszkodj kvalitatív kutatásra – ügyfélinterjúkra, munkamenet-felvételekre és felhasználói tesztekre –, a nyilvánvaló problémákat javítsd ki közvetlenül, az A/B teszteket pedig tartsd fenn a merész, nagy tétű változtatásoknak, gyakori, tölcsérben korábbi mutatókon mérve. Tesztelés nélkül is általában talál javítandó súrlódást egy kutatásalapú audit a két-három legfontosabb oldaladon.

Mit csinál egy CRO-specialista?

A CRO-specialista viszi az optimalizálási ciklust: tölcséreket elemez, felhasználói kutatást végez, hipotéziseket ír, priorizál és kísérleteket tervez, ellenőrzi azok statisztikai érvényességét, és az eredményekből ajánlásokat készít. A szerep ötvözi az analitikát, a UX-kutatást, a szövegírói ítélőképességet és annyi statisztikát, amennyi a hamis nyertesek elkerüléséhez kell. Ha ezen a pályán gondolkodsz, a konverzióoptimalizálási állásokról szóló áttekintésünk bemutatja a szerepeket, a készségeket és az indulás módját.