Πώς να μετρήσεις την απόδοση των εξατομικευμένων widgets προτεινόμενων προϊόντων στο eCommerce

Τα widgets προτεινόμενων προϊόντων είναι ισχυρά εργαλεία στο e-commerce, οδηγώντας σε engagement, βελτιώνοντας την εμπειρία του χρήστη και αυξάνοντας τα conversions. Παρόλα αυτά, δεν είναι πάντα εύκολο να μετρηθεί ο πραγματικός τους αντίκτυπος. Σε αυτό το άρθρο, θα διερευνήσουμε δύο κύριες μεθόδους για την αξιολόγηση της επίδοσης των widgets συστάσεις: την απόδοση και τη σταδιακή αύξηση. Θα εμβαθύνουμε σε καθεμία από αυτές, καλύπτοντας έννοιες όπως η απόδοση της περιόδου σύνδεσης, η δοκιμή Α/Β για προσαύξηση, καθώς και εργαλεία που μπορούν να σε βοηθήσουν να βελτιστοποιήσεις την ανάλυσή σου.

1. Απόδοση: Κατανοώντας το Ρόλο των Συστάσεων Προϊόντων

Τα μοντέλα απόδοσης μας βοηθούν να κατανοήσουμε πώς τα widgets προτεινόμενων προϊόντων συμβάλλουν στη διαδρομή του αγοραστή, μετρώντας τον αντίκτυπό τους στις περιόδους σύνδεσης και τις παραγγελίες. Με την εφαρμογή ισχυρής απόδοσης, μπορούμε να προσδιορίσουμε τις περιόδους σύνδεσης ή τις παραγγελίες που επηρεάστηκαν από τις συστάσεις και να μετρήσουμε την επίδραση του widget.

Clicks → Παραγγελίες → Έσοδα

Οι βασικές μετρήσεις όταν εκτιμούμε την απόδοση είναι οι περίοδοι σύνδεσης με clicks προτεινόμενων προϊόντων, οι παραγγελίες που περιέχουν προτεινόμενα προϊόντα, και τα έσοδα από αυτά τα προϊόντα. Μας επιτρέπουν να αξιολογήσουμε την απόδοση των συστάσεων. Παρακολουθώντας το ποσοστό των περιόδων σύνδεσης που έχουν επηρεαστεί, των παραγγελιών και των συνολικών εσόδων, μπορούμε να αξιολογήσουμε πόσο καλά συμβάλλουν οι συστάσεις στις συνολικές πωλήσεις και στην αλληλεπίδραση με τον πελάτη. Εξετάζοντας αυτές τις μετρήσεις με την πάροδο του χρόνου, μπορούμε να εντοπίσουμε patterns και να μετρήσουμε τη διαρκή αξία που έχουν οι στρατηγικές συστάσεων.

Άμεση Απόδοση vs. Υποβοηθούμενη Απόδοση

• Άμεση Απόδοση: Η άμεση απόδοση μετράει απευθείας στο widget προτειμόμενων προϊόντων μόνο τα clicks που οδήγησαν άμεσα σε conversion. Αυτή η προσέγγιση είναι απλή και πιο προσεγμένη, αλλά μπορεί να χάσει τη γενικότερη εικόνα, καθώς τα widgets προτεινόμενων προϊόντων μπορούν να επηρεάσουν τις αποφάσεις ακόμη και όταν οι χρήστες δεν κάνουν απευθείας click σε αυτά ή καταλήγουν να αγοράζουν άλλα προϊόντα. 

• Υποβοηθούμενη Απόδοση: Αντίθετα, η υποβοηθούμενη απόδοση περιλαμβάνει έμμεσες συνεισφορές. Για παράδειγμα, αν ένας χρήστης αλληλεπιδρά με ένα προτεινόμενο προϊόν, αλλά καταλήγει να αγοράσει ένα άλλο, τα έσοδα εξακολουθούν να αποδίδονται στις συστάσεις προϊόντων. Αυτή η προσέγγιση παρέχει μια πιο ολιστική άποψη της επιρροής του widget, καταγράφοντας τη "μεγαλύτερη εικόνα" των συνεισφορών του.

Παράθυρα Απόδοσης

Το παράθυρο απόδοσης (attribution window) καθορίζει το χρονικό πλαίσιο εντός του οποίου οι αλληλεπιδράσεις με το widget προτεινόμενων προϊόντων  υπολογίζονται ως conversions. Για παράδειγμα, μπορείς να ορίσεις ένα παράθυρο απόδοσης 7 ημερών για να καταγράψεις τις αγορές που πραγματοποιούνται εντός μιας εβδομάδας από την αρχική αλληλεπίδραση με το widget. Η επιλογή ενός κατάλληλου παραθύρου εξαρτάται από την αγοραστική συμπεριφορά των πελατών σου: οι σύντομοι κύκλοι μπορεί να δικαιολογούν ένα παράθυρο 1-3 ημερών, ενώ οι μεγαλύτερες διαδρομές αγοράς μπορεί να επωφεληθούν από 30 ή περισσότερες ημέρες.

👍 Η συμβουλή της Aqurate

Τα περισσότερα εργαλεία εξατομίκευσης παρέχουν έναν πίνακα ελέγχου για την ανάλυση της απόδοσης, αλλά φρόντισε να ρωτήσεις τον πάροχο σου πώς λειτουργεί λεπτομερώς το μοντέλο απόδοσης, ώστε να ξέρεις τι αριθμούς βλέπεις πραγματικά.

2. Αυξητικότητα: Απομονώνοντας τον Αντίκτυπο των Συστάσεων

Η ανάλυση της σταδιακής αύξησης βοηθά να προσδιοριστεί εάν το widget σύστασης δημιουργεί πρόσθετα έσοδα ή απλώς επηρεάζει αγορές που θα είχαν πραγματοποιηθεί ανεξάρτητα. Υπάρχουν δύο κύριες προσεγγίσεις εδώ: η δοκιμή Α/Β και η ανάλυση χρονοσειρών.

A/B Δοκιμή: Ένα Χρυσό Πρότυπο για την Αυξητικότητα

Σε μια δοκιμή Α/Β, οι χρήστες χωρίζονται σε δύο ομάδες:

• Η ομάδα Α βλέπει τα widgets προτάσεων προϊόντων.
• Η ομάδα Β δεν βλέπει τα widgets.

Συγκρίνοντας τις μετρήσεις μεταξύ των δύο ομάδων, μπορείς να απομονώσεις την πραγματική αυξητική επίδραση του widget. Αυτή η προσέγγιση παρέχει σαφείς, υποστηριζόμενες από δεδομένα πληροφορίες, αλλά απαιτεί τμηματοποίηση του traffic και μπορεί να επηρεάσει τα βραχυπρόθεσμα έσοδα.

Ακολουθεί ο τρόπος δημιουργίας μιας επιτυχημένης Α/Β δοκιμής για ένα widget προτεινόμενων προϊόντων:

1. Όρισε το Στόχο: Αποφάσισε ποια μετρική θα αξιολογήσεις για την σταδιακή αύξηση, όπως η μέση αξία παραγγελίας, το conversion rate ή τα έσοδα ανά περίοδο σύνδεσης (συνίσταται).
2. Τμηματοποίησε το Κοινό σου: Όρισε τυχαία τους χρήστες στις ομάδες ελέγχου και δοκιμής, εξασφαλίζοντας ένα στατιστικά σημαντικό μέγεθος δείγματος.
3. Καθόρισε μια Περίοδο Δοκιμής: Εφάρμοσε τη δοκιμή για μεγάλο χρονικό διάστημα ώστε να καταγράψεις ουσιαστικά αποτελέσματα. Μια τυπική δοκιμή Α/Β μπορεί να διαρκέσει δύο έως τέσσερις εβδομάδες για να ληφθούν υπόψη τυχόν διακυμάνσεις στην συμπεριφορά αγορών.
4. Ανάλυσε τα Αποτελέσματα: Σύγκρινε τα αποτελέσματα της ομάδας δοκιμής (με widget) με την ομάδα ελέγχου (χωρίς widget) για να μετρήσεις τυχόν αύξηση των conversions ή των εσόδων.

👍 Η συμβουλή της Aqurate

Για να είναι ουσιαστική μια τυπική δοκιμή Α/Β, βεβαιώσου ότι έχεις τουλάχιστον 1000 παραγγελίες ανά μήνα και επικεντρώσου στα έσοδα ανά περίοδο σύνδεσης ως το βασικό σου μέτρο εκκίνησης.

Ανάλυση Χρονοσειρών: Παρατηρώντας Τάσεις με την Πάροδο του Χρόνου

Όταν η δοκιμή Α/Β δεν είναι εφικτή, η ανάλυση χρονοσειρών μπορεί να χρησιμοποιηθεί για τη μέτρηση της σταδιακής αύξησης παρατηρώντας τις αλλαγές στα ποσοστά μετατροπής, τα έσοδα ή άλλες μετρήσεις με την πάροδο του χρόνου. Για παράδειγμα, μπορείς να συγκρίνεις τις επιδόσεις της ιστοσελίδας πριν και μετά την εφαρμογή του widget. Ενώ αυτή η προσέγγιση μπορεί να αποκαλύψει τάσεις, είναι επιρρεπής σε συγκεχυμένους παράγοντες (όπως η εποχικότητα ή εξωτερικά γεγονότα) που μπορεί να επηρεάσουν τα αποτελέσματα.

Σύγκριση Μεθόδων Αυξητικότητας: Πλεονεκτήματα και μειονεκτήματα

3. Εργαλεία για Δοκιμές και Βελτιστοποίηση

Διάφορα εργαλεία διευκολύνουν την εφαρμογή και τη μέτρηση των δοκιμών Α/Β για τα widgets προτεινόμενων προϊόντων. Ακολουθούν δύο δημοφιλείς πλατφόρμες:

• Omniconvert Explore: Ένα ολοκληρωμένο εργαλείο CRO που επιτρέπει την εύκολη τμηματοποίηση και δοκιμή Α/Β, με ειδική υποστήριξη για πειράματα e-commerce. Τα ισχυρά αναλυτικά στοιχεία του μπορούν να σε βοηθήσουν να καταλάβεις πώς τα widgets σύστασης επηρεάζουν τα έσοδα.

• abconvert.io: Το abconvert.io παρέχει εκτεταμένες επιλογές για δοκιμές Α/Β προσαρμοσμένες για το e-commerce, συμπεριλαμβανομένων των split testing και της τμηματοποίησης του κοινού. Το συνιστούμε για καταστήματα Shopify, καθώς είναι πολύ εύκολο στη ρύθμιση και την εκτέλεση δοκιμών σε Theme versions.

Συμπέρασμα

Για να αξιοποιήσεις πλήρως τα widgets προτεινόμενων προϊόντων, χρειάζεσαι μια σαφή στρατηγική για την αξιολόγηση του αντίκτυπου τους. Η ανάλυση απόδοσης σε βοηθάει να καταλάβεις το ρόλο του widget στο ταξίδι του χρήστη, ενώ η ανάλυση αυξητικότητας απομονώνει την πραγματική επίδρασή του στα έσοδα. Ο συνδυασμός και των δύο μεθόδων, μαζί με εργαλεία για δοκιμές Α/Β όπως το Omniconvert, θα σου δώσει τις πληροφορίες που χρειάζεσαι για να βελτιστοποιήσεις τη στρατηγική σου για τις συστάσεις και να προωθήσεις την ανάπτυξη. Επενδύοντας χρόνο στην ακριβή αξιολόγηση της απόδοσης αυτών των widgets, η επιχείρησή σου στο e-commerce μπορεί να διασφαλίσει ότι οι προσπάθειες εξατομικευμένων προτάσεων προϊόντων που καταβάλλει μετακινούν πραγματικά τη βελόνα των πωλήσεων.