Bei AB Tasty denken, atmen, essen, trinken und schlafen wir Experimente – alles zur Verbesserung digitaler Erfahrungen. In der kommenden Zeit werden wir einen genaueren Blick auf das werfen, was hinter Experimenten steckt: die Daten. Daten treiben den Experimentierzyklus immer weiter voran – all die Ideen, Hypothesen, das statistische Management und die Analyse von Testergebnissen. Es ist kein Geheimnis, dass die Welt von heute auf Daten basiert, und das sollte auch für die Entwicklung Ihrer digitalen Customer Experience gelten.
Die KundInnen von heute – ganz gleich, ob GeschäftskundInnen oder normale VerbraucherInnen – geben dem Erlebnis Vorrang vor anderen Aspekten einer Marke. In der nächsten Zeit werden wir mit einigen unserer Partner und Datenexperten bei AB Tasty darüber sprechen, wie Marken Daten nutzen können, um ein besseres Profil ihrer KundInnen zu erstellen, ihre Bedürfnisse zu verstehen, wertvolle emotionale Beziehungen zu ihnen aufzubauen, aber auch um den gesamten digitalen Einfluss zu messen und eine datenbasierte, kundenorientierte Vision zu entwickeln.
Bevor wir beginnen, sollten wir uns einen Moment Zeit nehmen, um unsere Diskussionen über Daten in einem datenschutzfreundlichen Rahmen zu führen.
Jeder Vermarkter weiß, dass es nichts wertvolleres als Kundendaten gibt, aber die Beschaffung dieser Daten ist zunehmend heikel geworden. Die weitreichende europäische Datenschutzgrundverordnung (DSGVO), die 2018 in Kraft trat, war ein Wendepunkt. Sie verlangt von Unternehmen, vor der Erhebung personenbezogener Daten eine Einwilligung einzuholen. Bald darauf folgte der California Consumer Privacy Act (CCPA), der VerbraucherInnen unter anderem das Recht einräumt, dem Verkauf ihrer Daten zu widersprechen.
Selbst wenn Sie glauben, dass Ihr Unternehmen nicht unter solche Vorschriften fällt, müssen Sie sich möglicherweise trotzdem damit befassen. Der elektronische Handel hat die nationalen Grenzen verschwinden lassen, so dass Waren und Dienstleistungen ohne Rücksicht auf ihre Herkunft gekauft werden können. Die Globalisierung von Marken bedeutet, dass ein Influencer in Pennsylvania, der über Ihre Produkte postet, KundInnen aus Paris auf Ihre Website leiten könnte. Plötzlich sammeln Sie Daten, die den DSGVO-Richtlinien unterliegen – die eine Zustimmung des Kunden oder der Kundin zur Nutzung erfordern.
Nutzung der richtigen Kundendaten
Ihre KundInnen, deren Bedürfnisse und deren sich ändernden Verhaltensweisen zu verstehen ist der Schlüssel zur Übermittlung zeitnaher, relevanter Nachrichten, die die Kundenbindung stärken und den Umsatz steigern. Unabhängig davon, ob Ihr Unternehmen Yogamatten, Süßkartoffeln oder Yachtversicherungen verkauft, benötigen Sie Daten, um die Erfahrungen Ihrer KundInnen mit Ihnen zu verbessern und Ihre Beziehung zu ihnen zu stärken.
Aber wie können Sie die benötigten Daten nutzen und gleichzeitig sicherstellen, dass Ihre KundInnen Ihnen weiterhin vertrauen? In den letzten Jahren sind die VerbraucherInnen skeptischer geworden, was die Herausgabe ihrer persönlichen Daten angeht. Laut einer Umfrage von KMPG aus dem Jahr 2021 gaben 86 % der befragten VerbraucherInnen an, dass sie sich zunehmend Sorgen um den Datenschutz machen. Und das sollten sie auch: In der gleichen Umfrage gaben 62 % der UnternehmensleiterInnen an, dass ihre Unternehmen mehr für den Schutz von Kundendaten tun sollten.
Dank der wohlverdienten Abschaffung der Cookies von Drittanbietern suchen die Vermarkter jetzt nach den benötigten Daten, indem sie zustimmungsbasierte Beziehungen zu ihren Zielgruppen aufbauen. Dies ist zwar ein Schritt in die richtige Richtung, aber der Datenschutz muss noch weiter gehen.
Steigerung des Markenwerts durch einwilligungs- und datenschutzorientierte Prozesse
VerbraucherInnen kaufen eher bei Unternehmen mit transparenten Datenschutzpraktiken, die klar erklären, wie personenbezogene Daten erhoben, verwendet und gespeichert werden. Die Erteilung oder Verweigerung der Zustimmung zur Verwendung ihrer Daten sollte mühelos möglich sein, und KundInnen sollten wissen, dass Marken auf Wunsch nicht nur alle gespeicherten Daten löschen, sondern auch alle Zugriffsrechte, die sie Partnern oder Dritten gewährt haben, aufheben.
Durch die einfache Verwaltung von Einwilligungen und Präferenzen kann an jedem Kunden-Touchpoint eine Vielzahl von Daten ausgetauscht werden, die Aufschluss über das Verhalten, die Präferenzen, Einstellungen und Werte der KundInnen geben. Eine Consent Management Plattform (CMP) kann Sie dabei unterstützen mit diesen Omnichannel-Daten umzugehen und persönliche Daten auf datenschutzfreundliche Weise zu erfassen und zu verarbeiten. Mit einer CMP können Sie Zustimmungsprotokolle über alle kundenorientierten Kanäle hinweg führen und so sicherstellen, dass die Verarbeitung personenbezogener Daten stets mit den Präferenzen der betroffenen Person übereinstimmt, was der Customer Experience eine ethische Dimension verleiht.
Der ethische Umgang mit Kundendaten ist für den Erfolg von Marken heutzutage von entscheidender Bedeutung. Von Big Tech bis hin zum Einzelhandel verfolgen Unternehmen jeglicher Branche einen ethischen und datenschutzfreundlichen Ansatz im Umgang mit Daten. Denn, wie es ein Artikel in der Harvard Business Review treffend formuliert: „Datenschutz ist für das digitale Zeitalter das, was Produktsicherheit für das Industriezeitalter war.“
Kundendaten können Ihnen helfen, relevante, personalisierte und innovative Erfahrungen zu liefern. Kundendaten können Ihre Marke aufbauen, indem sie neue Leads generieren, Vertriebs- und Marketingtrends vorhersagen und Ihnen ermöglichen, die personalisierten Nachrichten zu erstellen, die KundInnen lieben. Aber wenn Ihre Daten nicht geschützt und leicht zugänglich sein sollten, ist Ihr Kundenstamm gefährdet.
Wir bei AB Tasty setzen uns aktiv für die Einhaltung aller einschlägigen Datenschutzbestimmungen ein. Wir sind unseren Nutzern gegenüber vollkommen transparent, was die einvernehmlich erhobenen personenbezogenen und unpersönlichen statistischen Daten angeht, die wir beim Besuch unserer Website erheben. Weiterhin sind wir bestrebt sicherzustellen, dass unsere Partneragenturen die Verantwortung für die Verwendung der personenbezogenen Daten der KundInnen übernehmen und schnell reagieren, wenn ein Kunde oder eine Kundin sich abmelden oder vergessen werden möchte.
In dieser Artikelserie befassen wir uns mit der Nutzung von Daten, um aus anonymen BesucherInnen einen Mehrwert zu ziehen, mit Experimenten, um Kundenbedürfnisse zu ermitteln, mit der Schaffung emotionaler Bindungen zu KundInnen mit Hilfe von Daten und mit der Nutzung von Daten, um Ihren digitalen Einfluss zu messen. All dies mit DatenexpertInnen aus der Branche, die uns auf unserer Reise begleiten. Wir sehen uns bald wieder!
Eine der wichtigsten Kennzahlen für DevOps ist die Geschwindigkeit, in der neue Features ausgeliefert werden. Wenn Entwickler, Ops- und Support-Teams gut aufeinander abgestimmt sind, können sie eine neue Software zügig in die Produktion geben, was schneller einen Mehrwert generiert und oft darüber entscheidet, ob sich Ihr Unternehmen einen Wettbewerbsvorteil verschafft.
Eine schnelle Auslieferung verkürzt auch die Zeit zwischen Softwareentwicklung und Feedback der UserInnen, ein entscheidender Faktor für Teams, die auf Continuous Integration und Continuous Deployment (CI/CD) setzen.
Vor diesem Hintergrund sollten Sie daran denken, Blue-Green Deployment in Ihr CI/CD Toolkit einzuführen. Mit diesem Prozess lassen sich technische und unternehmerische Risiken von Software-Releases reduzieren.
Bei diesem Modell werden zwei identische Produktionsumgebungen mit der Bezeichnung „Blau“ und „Grün“ parallel ausgeführt. Allerdings ist nur eine der beiden Umgebungen aktiv und erhält die Transaktionen der UserInnen. Die andere Umgebung ist produktionsfähig, aber nicht aktiv.
In diesem Artikel beschäftigen wir uns mit der Frage, wie Blue-Green Deployments funktionieren. Wir gehen näher auf die Pros und Kontras dieses Konzepts für Software-Releases ein. Darüber hinaus erklären wir, wie Blue-Green Deployments im Vergleich mit anderen Deployment-Methoden dastehen, und empfehlen Ihnen einige Best Practices für reibungslose Blue-Green-Deployments.
In diesem Artikel greifen wir folgende Punkte auf:
[toc]
Wie funktionieren Blue-Green Deployments?
Eine der größten Herausforderungen beim Deployment-Prozess ist das Cutover vom Testen auf die Produktion. Es muss schnell und reibungslos erfolgen, um die Ausfallzeit zu minimieren.
Das Blue-Green Deployment löst diese Aufgabe, indem zwei parallele Produktionsumgebungen verwendet werden. Dabei ist immer nur eine der beiden Umgebungen aktiv und erhält die Transaktionen der UserInnen. Im Bild unten ist es die grüne Umgebung. Das blaue – nicht aktive – System ist eine nahezu identische Kopie.
Routing-Diagramm für Blue-Green Deployment (Quelle)
Ihr Team verwendet das blaue, nicht aktive System als Staging-Umgebung für die finale Testrunde, wenn ein neues Feature veröffentlicht werden soll. Sobald die neue Software in der blauen Umgebung problemlos funktioniert, kann Ihr Ops-Team den Datenverkehr auf die blaue Umgebung umleiten und dieses System dann live schalten. Anschließend können Sie das Feature in der grünen – inzwischen nicht aktiven – Umgebung implementieren, damit beide Systeme wieder synchron sind.
Damit wäre eigentlich das Wichtigste zum Blue-Green Deployment gesagt. Sie sind sehr flexibel, was die Strukturierung der parallelen Systeme und den Wechsel auf das jeweils andere System betrifft. Es könnte zum Beispiel sein, dass Sie keine parallelen Datenbanken pflegen möchten. In diesem Fall ändern Sie einfach das Routing und leiten den Datenverkehr auf Web- und App-Server weiter. Bei einem anderen Projekt könnten Sie ein Blue-Green Deployment verwenden, um ein noch nicht getestetes Feature im aktiven System zu veröffentlichen, wobei aber das Feature für A/B User-Tests hinter ein Feature Flag gesetzt wird.
Beispiel für ein Blue-Green Deployment
Angenommen, Sie sind in einem e-Commerce-Nischenunternehmen für ein DevOps-Team zuständig. Sie bieten Outfits und Accessoires an, die auf einem kleinen, jedoch hochwertigen Markt gefragt sind. Auf Ihrer Website können die KundInnen Produkte On-Demand personalisieren und bestellen.
Das Backend Ihrer Website enthält viele Microservices in einigen verschiedenen Containern. Sie haben Microservices für die Bestandsverwaltung, das Auftragsmanagement, Personalisierungs-Apps und ein integriertes soziales Netzwerk zur Unterstützung der Nischencommunity Ihrer KundInnen.
Ihr Team gibt frühzeitig und häufig Releases heraus, weil die anhaltende Beliebtheit Ihrer Website Ihrer Meinung nach dem CI/CD-Modell zu verdanken ist. Weil diese Nischencommunity auf der ganzen Welt verstreut ist, bleibt der Traffic auf Ihrer Website recht stabil. Deshalb ist es immer schwierig, einen relativ ruhigen Zeitpunkt zu finden, um Ihr Produktionssystem zu aktualisieren.
Sobald eines Ihrer Teams erklärt, dass das aktualisierte Customization Interface für den finalen Test in der Produktionsumgebung bereit steht, entscheiden Sie sich für ein Blue-Green Deployment, damit das Interface sofort veröffentlicht werden kann.
Animation des Load-Balancers, der den Traffic von Blau und Grün steuert (Quelle)
Am nächsten Tag entschließt sich Ihr Team vor der Mittagpause, den neuen Customizer bereitzustellen. Ab dieser Entscheidung wird der gesamte Traffic auf das blaue Produktionssystem geleitet. Sie aktualisieren die Software auf dem inaktiven grünen System und bitten die Tester und TesterInnen, eine QA durchzuführen. Weil alles in bester Ordnung zu sein scheint, verwendet Ihr Ops-Team einen Load-Balancer, um die User Sessions von „Blau“ auf „Grün“ zu leiten.
Nachdem der gesamte Traffic auf „Grün“ geleitet wurde, machen Sie diese Umgebung zur offiziellen Produktionsumgebung und setzen „Blau“ auf inaktiv. Ihr Dev-Team pusht den aktualisierten Customizer Code auf „Blau“, bestellt das Mittagessen und wirft einen Blick auf Ihren Backlog.
Pros von Blue-Green Deployments: Vorteile und Use Cases
Ein wesentlicher Vorteil von Blue-Green Deployments gegenüber anderen Strategien für Software-Releases ist ihre Flexibilität. Sie können in verschiedensten Umgebungen und vielen Use Cases nützlich sein.
Schnelle Releases
Für Product Owner, die innerhalb von CI/CD Frameworks arbeiten, sind Blue-Green Deployments eine ausgezeichnete Methode, Ihre Software in Produktion zu nehmen. Software können Sie praktisch zu jedem Zeitpunkt veröffentlichen. Sie müssen den Release nicht mehr auf ein Wochenende verschieben oder außerhalb der Geschäftszeiten planen: Meistens können Sie die Software einfach durch Umschalten aktiv stellen. Weil mit diesen Deployments keine Ausfallzeiten verbunden sind, haben sie keine negativen Auswirkungen auf die UserInnen.
Sie sind auch für DevOps-Teams weniger disruptiv. Sie müssen Updates nicht mehr überstürzt in einem bestimmten Zeitfenster vornehmen, wodurch sich Deployment-Fehler und unnötiger Stress vermeiden lassen. Auch für Führungsteams hat diese Methode Vorteile. Sie müssen bei einem Ausfall nicht ständig auf die Uhr schauen und sich den Umsatzverlust ausrechnen.
Rollbacks leicht gemacht
Der umgekehrte Prozess kann genauso schnell durchgeführt werden. Weil Blue-Green Deployments zwei parallele Produktionsumgebungen verwenden, können Sie bei einem Problem in Ihrer Liveumgebung schnell auf die stabile Umgebung zurückschalten.
Dadurch lassen sich die Risiken beim Experimentieren während der Produktion reduzieren. Ihr Team kann Probleme durch die Umleitung auf die stabile Produktionsumgebung einfach beheben. Dabei besteht die Gefahr Transaktionen der UserInnen zu verlieren – wir kommen später noch darauf zurück – doch es gibt eine Reihe von Strategien, um mit dieser Situation umzugehen.
Sie können Ihre App während eines Cutover vorübergehend in den Read-Only Modus setzen. Oder Sie können rollierende Cutover mit einem Load-Balancer durchführen, während Sie den Abschluss der Transaktionen in der Liveumgebung abwarten.
Integriertes Disaster Recovery
Weil Blue-Green Deployments zwei Produktionsumgebungen verwenden, bieten sie implizit Disaster Recovery für Ihre Business-Systeme. Eine duale Produktionsumgebung fungiert als eigenes Hot Backup.
Bei parallelen Blue-Green Produktionsumgebungen lässt sich der Load-Balancer leicht bewerkstelligen. Wenn zwei Umgebungen funktionsmäßig identisch sind, können Sie einen Load-Balancer oder ein Feature Toggle in der Software verwenden, um Traffic nach Bedarf auf verschiedene Umgebungen zu leiten.
Einfacheres A/B Testing
Ein weiterer Use Case für parallele Produktionsumgebungen ist A/B Testing. Sie können neue Features in die inaktive Umgebung laden und den Traffic dann mit einem Feature Toggle zwischen Ihrer blauen und Ihrer grünen Umgebung aufteilen.
Sammeln Sie Daten von diesen geteilten User Sessions, überwachen Sie Ihre KPI und wenn die Analysen der neuen Features in Ihrem Management-System in Ordnung zu sein scheinen, können Sie den Traffic auf die aktualisierte Umgebung umleiten
Kontras von Blue-Green Deployments: Probleme, über die Sie sich im Klaren sein sollten
Blue-Green Deployments bieten viele Vorteile, stellen DevOps-Teams jedoch auch vor große Herausforderungen hinsichtlich Infrastruktur und Praktiken. Bevor Sie Blue-Green Deployments in Ihren CI/CD-Prozess integrieren, sollten Sie diese Probleme verstehen.
Blue-Green Deployments sind ressourcenintensiv
Wie inzwischen klar ist, müssen Sie für ein Blue-Green Deployment Ressourcen für zwei Produktionsumgebungen bereitstellen und beide Umgebungen pflegen. Für einige Unternehmen können die entsprechenden finanziellen Kosten und der Zeitaufwand für den Sysadmin zu hoch sein.
Andere Unternehmen können diese Ressourcen möglicherweise nur für ihre besonders hochwertigen Produkte bereitstellen. Soll das DevOps-Team in diesem Fall Software nur für bestimmte Produkte in einem CI/CD-Modell veröffentlichen? Langfristig ist dies möglicherweise nicht tragbar.
Zusätzlicher Aufwand für die Datenbankverwaltung
Die Verwaltung einer bzw. mehrerer Datenbanken in parallelen Produktionsumgebungen kann kompliziert sein. Sie müssen daran denken, was sie nach einem Software Update brauchen, sowohl in der blauen als auch in der grünen Umgebung, wie zum Beispiel alle externen Services, die Sie aufrufen.
Was passiert zum Beispiel, wenn eine Spalte der Datenbank aufgrund einer Änderung des Features umbenannt werden muss? Sobald Sie den Namen der Spalte in der blauen Umgebung ändern, funktioniert die grüne Umgebung (mit dem alten Code) mit dieser Datenbank nicht mehr.
Kann Ihre gesamte Produktionsumgebung überhaupt mit zwei separaten Datenbanken funktionieren? Meistens nicht, nämlich wenn Sie Ihr Blue-Green System für Load-Balancing, Testing oder irgendeine andere Funktion verwenden, außer als Hot Backup.
Grafische Darstellung Blue-Green Deployment mit einer einzigen Datenbank (Quelle)
Produktmanagement
Abgesehen von der Systemadministration, erfordert das Produktmanagement in zwei nahezu identischen Umgebungen auch mehr Ressourcen. Produktmanager brauchen zuverlässige Tools, um nachzuverfolgen, wie ihre Software performt, welche Services die verschiedenen Teams aktualisieren und wie sie die entsprechenden KPI überwachen können. Weil diese Aktivitäten überwacht und kontrolliert werden müssen, ist ein zuverlässiges Produkt- und Feature-Management Dashboard besonders wichtig.
Blue-Green Deployments und Rolling Deployments
Blue-Green Deployments sind selbstverständlich nicht die einzige Option für schnelle Software-Releases. Ein weiteres beliebtes Konzept ist das Rolling Deployment.
Auch Rolling Deployments benötigen eine Produktionsumgebung, bei der eine Applikation auf mehreren Servern gehostet wird. Oft, aber nicht immer, ist ein Load-Balancer vorgeschaltet, um den Traffic zu verteilen. Wenn das DevOps-Team für ein Update seiner Applikation bereit ist, wird ein gestaffelter Release konfiguriert, wobei die aktualisierte Applikation von einem Server zum nächsten gepusht wird.
Beim Ausrollen des Release läuft die aktualisierte Applikation auf einigen Live-Servern, während auf anderen noch die alte Version läuft. Beim Blue-Green Deployment hingegen ist die aktualisierte Software für alle UserInnen live oder inaktiv.
Wenn UserInnen eine Session mit der Applikation starten, leitet sie der Load-Balancer entweder auf die alte oder auf die neue Version der Applikation weiter. Wenn das Rollout abgeschlossen ist, wird jede eingehende neue User Session auf die aktualisierte Version der Software geleitet. Sollte während des Rollouts ein Fehler auftreten, kann das DevOps-Team die Aktualisierung stoppen und den gesamten Traffic auf die verbleibenden einwandfrei funktionierenden Server umleiten, bis der Fehler behoben ist.
Rolling Deployments sind eine praktikable Option für Unternehmen mit Ressourcen, die für das Hosting einer Produktionsumgebung dieser Größenordnung notwendig sind. Für diese Unternehmen sind sie eine effiziente Methode, um kleine, graduelle Updates zu veröffentlichen – genau wie Sie das bei agilen Entwicklungsmethoden machen würden.
In anderen Use Cases sind Blue-Green Deployments möglicherweise die bessere Wahl. Wenn Sie zum Beispiel ein wichtiges Update vornehmen möchten und die UserInnen keinen Zugriff auf die alte Version haben sollen, ist ein „alles oder nichts“ Konzept wie das Blue-Green Deployment genau richtig.
Angenommen, Ihre Applikation erfordert ein hohes Maß an technischem Support oder Kundensupport. In diesem Fall ist der Support während der Rolling Deployment Windows noch mehr gefordert, weil die Support-Mitarbeiter nicht wissen können, welche Version der Applikation bei einem User oder einer Userin läuft.
Blue-Green Deployments und Canary Releases
Rolling Deployments und Blue-Green Deployments sind nicht die einzigen Release Strategien. Canary Releases stellen eine weitere Möglichkeit dar. Bei einer Canary Release erhält zuerst nur ein Teil aller Produktionsumgebungen ein Software-Update. Doch statt das Deployment auf den Rest auszurollen, bleibt dieser partielle Release für Testzwecke auf den Teilbereich beschränkt. Ein Teil der UserInnen wird dann durch einen Load-Balancer oder ein Feature Flag zur neuen Software weitergeleitet.
Canary Releases sind sinnvoll, wenn Sie von identifizierbaren UserInnen Daten und Feedback zu einer aktualisierten Software erhalten möchten. Canary Releases fügen sich perfekt in umfassendere rollierende Deployments ein: Sie können die aktualisierte Software schrittweise an immer größere Segmente Ihrer User Base ausrollen, bis schließlich alle Produktionsserver aktualisiert sind.
Best Practices für Blue-Green Deployment
Sie haben viele Möglichkeiten, Software schnell zu veröffentlichen. Wenn Sie Blue-Green Deployment als neue Software Release-Strategie in Betracht ziehen, empfehlen wir Ihnen die folgenden Best Practices.
Automatisieren Sie, was automatisierbar ist
Beim Release-Prozess so oft wie möglich auf Scripting und Automatisierung zurückzugreifen, bietet viele Vorteile. Sie führen nicht nur schneller zum Cutover, sondern lassen auch weniger Raum für menschliche Fehler. Ein Entwickler kann nicht versehentlich einen Punkt auf einer Checkliste vergessen, wenn die Liste von einem Script oder einer Management-Plattform abgearbeitet wird. Wenn alles in ein Script gepackt wird, kann jeder das Deployment durchführen, ob Entwickler oder nicht. Sie müssen nicht warten, bis Ihr Systemexperte wieder im Büro ist.
Überwachen Sie Ihre Systeme
Überwachen Sie immer sowohl die blaue als auch die grüne Umgebung. Damit ein Blue-Green Deployment reibungslos verläuft, müssen Sie wissen, was im aktiven und im inaktiven System vor sich geht.
Beide Systeme benötigen wahrscheinlich dasselbeWarnsystem, für das jedoch verschiedene Prioritäten gesetzt werden. Sie möchten zum Beispiel sofort erfahren, wenn in Ihrem Live-System ein Fehler auftritt. Im inaktiven System hingegen reicht es, wenn der betreffende Fehler im Laufe des Arbeitstages behoben wird.
Entwickler bei der Überwachung des Deployments (Quelle)
Schreiben Sie rückwärts und vorwärts kompatible Codes
In einigen Fällen können die neue und die alte Version Ihrer Software während eines Cutovers nicht gleichzeitig ausgeführt werden. Angenommen, Sie müssen das Datenbankschema ändern: In diesem Fall wäre es sinnvoll, Ihre Updates so zu strukturieren, dass sowohl das blaue als auch das grüne System über das gesamte Cutover funktionsfähig ist.
Eine Lösung wäre, Ihre Releases in eine Reihe von noch kleineren Release-Paketen aufzuteilen. Nehmen wir an, unser e-Commerce Unternehmen detailliert sein Sortiment und muss seine Datenbank aktualisieren. Um Klarheit zu schaffen, soll das Feld „Hemd“ in „langaermliges_Hemd“ umbenannt werden.
Dieses Update könnte folgendermaßen aufgegliedert werden:
Veröffentlichung einer Zwischenversion des Codes, die mit einem Flag aktiviert wird und sowohl die Ergebnisse von „Hemd“ als auch von „langaermliges_Hemd“ interpretieren kann.
Migration der gesamten Datenbank, um das Feld umzubenennen.
Veröffentlichung der endgültigen Codeversion – oder Umlegen des Feature Flags – damit die Software nur „langaermliges_Hemd“ verwendet.
Führen Sie mehr und kleinere Deployments durch
Kleinere, häufigere Updates haben sich bereits als integraler Bestandteil der agilen Entwicklung und von CI/CD etabliert. Bei Blue-Green Deployments ist diese Vorgehensweise noch wichtiger. Geringere Deployment-Zeiten verkürzen die Feedback-Schleifen, die Informationen für das nächste Release liefern. Dadurch wird jedes inkrementelle Upgrade effektiver und wertvoller für Ihr Unternehmen.
Reorganisieren Sie Ihre Applikationen in Microservices
Diese Methode geht Hand in Hand mit kleineren Deployments. Durch die Restrukturierung des Applikationscodes in Microservices können Sie Updates und Änderungen einfacher verwalten. Verschiedene Features werden so unterteilt, dass sie leichter getrennt aktualisiert werden können.
Verwenden Sie Feature Flags zur weiteren Risikoreduzierung
An sich öffnen Blue-Green Deployments ein einziges, kurzes Risikofenster. Sie aktualisieren alles, alles oder nichts, können aber jederzeit einen Rückzieher machen, falls ein Problem auftritt.
Blue-Green Deployments verursachen mit jedem Cutover aber auch einen ziemlich konstanten Administrationsaufwand. Sie können diesen Mehraufwand zwar durch Automatisierung reduzieren, doch der Prozess bleibt gleich – egal ob Sie nur eine Codezeile oder Ihre gesamte e-Commerce Suite aktualisieren.
AB Tasty Feature Flag Service
Mit Feature Flags lässt sich bis ins Detail kontrollieren, wie und wann UserInnen neu verfügbare Software nutzen können. Feature Flags verhalten sich wie leistungsstarke „If“-Statements, ab denen während der Laufzeit mindestens einem von zwei oder mehreren verschiedenen Codepfaden abhängig von einer gegebenen Bedingung gefolgt wird.
Diese Bedingungen können einfache „Ja/Nein“ Prüfungen oder komplexe Entscheidungsbäume sein. Feature Flags machen Software Releases überschaubarer, denn mit ihnen lässt sich Feature für Feature kontrollieren, was ein- oder ausgeschaltet ist.
Ihr e-Commerce Unternehmen kann beispielsweise ein Blue-Green Deployment seines Microservices Customizer durchführen, aber den neuen Code im Live-System hinter einem Feature Flag inaktiv lassen. Das DevOps-Team kann das betreffende Feature dann je nach gewünschter Bedingung zum gewünschten Zeitpunkt einschalten.
Eventuell möchte das Team weitere A/B-Tests in Produktion nehmen oder weitere Tauglichkeitstests vornehmen. Oder es könnte für das Team sinnvoller sein, für eine identifizierte Gruppe von Early UserInnen ein Canary Release des Customizer durchzuführen.
Ihre Feature Flags können zusammen mit einem Load Balancer bestimmen, welche UserInnen welche Applikation und Feature-Subsets während eines Blue-Green Deployments zu sehen bekommen. Statt ganze Applikationen auf einmal umzuschalten, können Sie auf die neue Applikation wechseln und dann im aktiven und inaktiven System nach und nach einzelne Feature aktivieren und deaktivieren, bis das Upgrade vollständig durchgeführt ist. Dieser schrittweise durchgeführte Prozess reduziert das Risiko und hilft Ihnen, Bugs aufzuspüren, da die einzelnen Features nach und nach live geschaltet werden.
Sie können Feature Flags manuell in Ihrer Codebase steuern oder für eine effektivere Steuerung Feature Flag Services verwenden. Diese Plattformen bieten ein detailliertes Reporting und KPI-Tracking sowie ein ausführliches Spektrum von DevOps Management-Tools.
Wir empfehlen Ihnen, Feature Flags zu verwenden, wenn Sie ein Blue-Green Deployment für einen größeren Release der Applikation durchführen. Sie sind auch in kleineren Deployments praktisch, bei denen Sie nicht unbedingt zwischen den Umgebungen umschalten. Sie können nach und nach Features in der blauen Umgebung einzeln aktivieren und die grüne Umgebung im Standby als Hot Backup verwenden, falls ein ernsthaftes Problem auftritt. Die Kombination aus Blue-Green Deployments und Feature Flags eignet sich ausgezeichnet für eine Continuous Delivery jeder Größenordnung.
Ziehen Sie in Betracht, Blue-Green Deployments in das Arsenal Ihrer DevOps hinzuzufügen
Blue-Green Deployments eignen sich bestens für Software Releases jeder Größe, egal, ob es sich um eine ganze Applikation, größere Updates, einen einzigen Microservice oder das Update eines kleinen Features handelt.
Bevor Sie sich für Blue-Green Deployments entscheiden, müssen Sie auf jeden Fall prüfen, wie gut sie sich in Ihren aktuellen Delivery Prozess integrieren lassen. In diesem Artikel haben wir erklärt, wie Blue-Green Deployments funktionieren, was für und was gegen ihre Verwendung in Ihrem Delivery Prozess spricht und wie sie sich von anderen möglichen Deployment-Methoden differenzieren. Sie sollten sich jetzt eine Vorstellung davon machen können, ob Blue-Green Deployments für Ihr Unternehmen in Frage kommen.
Vielleicht sind Sie sich dessen nicht bewusst, aber wahrscheinlich sind Sie bereits mehr als einmal auf den seriellen Positionseffekt gestoßen.
Ein Konzept, das von dem renommierten Psychologen Hermann Ebbinghaus geprägt wurde und beschreibt, wie die Position eines Items in einer Reihe das Gedächtnis einer Person oder den Abruf von Erinnerungen beeinflusst.
Das Konzept besagt, dass sich Menschen in der Regel an Elemente am Anfang oder am Ende einer Liste oder Reihe genauer erinnern als an Elemente, die sich in der Mitte befinden.
User Experience (UX)-Designer nutzen den seriellen Positionseffekt, um ihre Designs zu optimieren und den VerbraucherInnen eine umfassendere, nahtlose Experience zu bieten. Dieser Ansatz für digitales Design lässt sich in den Websites, Apps oder Landing Pages bekannter Marken wie Apple, Nike oder Electronic Arts (EA) beobachten.
In diesem Artikel werden wir den seriellen Positionseffekt sowie einige beachtenswerte Designbeispiele beleuchten und überlegen, wie Sie dieses einflussreiche Prinzip nutzen können, um UX-Angebote Ihrer Marke zu verbessern.
In diesem Artikel greifen wir folgende Punkte auf:
[toc]
Was ist der serielle Positionseffekt?
Bei der Optimierung der User Experience spielt die Reihenfolge der Dinge eine wichtige Rolle. Als Mensch neigen wir in der Tat dazu, uns an die Elemente zu erinnern, die am Anfang oder Ende einer Liste stehen – ähnlich wie unser Gehirn auf Storytelling reagiert.
Hermann Ebbinghaus prägte den Begriff auf der Grundlage eingehender Studien über das Kurz- und das Langzeitgedächtnis und deren Auswirkungen auf die Art und Weise, wie wir uns an Informationen erinnern oder sie wahrnehmen. Diese Studien wurden von den Psychologen B. Murdock 1962 und Glanzer & Cunitz 1966 weiter entwickelt.
Diese umfangreichen Studien führten zu den beiden wichtigen Konzepten des seriellen Positionseffekts: dem Primacy-Effekt und dem Recency-Effekt.
Primacy-Effekt
Der Primacy-Effekt beruht auf der Erkenntnis, dass eine Person Items, Assets oder Informationen eher in Erinnerung ruft, wenn sie am Anfang einer Liste stehen.
Wenn jemand zum Beispiel versucht, sich an etwas aus einer langen Wortliste zu erinnern, wird er sich wahrscheinlich eher an die Begriffe erinnern, die am Anfang stehen, als an die in der Mitte.
Daher trägt der Primacy-Effekt dazu bei, dass sich UserInnen an die Informationen, die sie zuerst aufnehmen, besser erinnern als an die Informationen, die sie später auf der Customer Journey sehen (z. B. weiter unten auf einer Landing Page).
Recency-Effekt
Im Grunde ist der Recency-Effekt ein Konzept, das dem Primacy-Effekt entgegengesetzt ist. Statt die zuerst aufgenommenen Informationen abzurufen, beruht der Recency-Effekt auf der Auffassung, dass wir uns an die zuletzt gesehenen Informationen besser erinnern als an Informationen, die wir zu einem früheren Zeitpunkt aufgenommen haben. Dieses Modell wird durch das Kurzzeitgedächtnis bestimmt.
Verschiedene Studien deuten darauf hin, dass der Recency-Effekt in Gerichtssälen vorherrscht. In vielen Fällen erinnern sich die Geschworenen eher an das zuletzt gehörte, beispielsweise Beweismittel oder Schlussfolgerung, und stimmen ihnen dann auch zu.
Im Kontext eines UX-Designs wird sich zum Beispiel ein(e) potenzielle(r) KundIn an die beiden letzten Artikel auf einem personalisierten Produktempfehlungskarussell erinnern und daraufhin eines dieser Produkte kaufen.
Der Primacy- und der Recency-Effekt sind zentrale Elemente des seriellen Positionseffekts, was uns zu unserem nächsten Punkt bringt.
Seriellen Positionseffekt auf Design anwenden
Nachdem wir nun die grundlegenden Konzepte des seriellen Positionseffekts erklärt haben, werden wir erläutern, wie Sie ihn auf Design anwenden können – oder genauer gesagt, auf das Design der User Interfaces.
Beide, der Primacy- sowie der Recency-Effekt, können einen erheblichen Einfluss auf das Design der User Interfaces haben. Lange Informationslisten belasten das Gedächtnis des Menschen und beeinträchtigen oft die Wahrnehmung und den Abruf von Informationen. Wenn beide Enden des Spektrums des seriellen Positionseffekts (Primacy und Recency) genutzt werden, können Sie Ihr Design erheblich verbessern.
Wenn Sie verstehen, dass Elemente oder Werte in der Mitte einer Reihe in der Regel am wenigsten aufgenommen werden, kann man den seriellen Positionseffekt nutzen, um den Informationsverlust zu minimieren. So können Interface Designs entwickelt werden, die umfangreicher sowie wertvoller sind und durch die sich einfacher navigieren lässt.
Da 38 % der VerbraucherInnen eine Webseite verlassen, wenn das Layout schlecht oder unattraktiv ist, ist das richtige Design für Ihren langfristigen Erfolg ausschlaggebend.
Den seriellen Positionseffekt auf Ihren Interface Design-Prozess anzuwenden, besteht im Kern darin, sicherzustellen, dass die UserInnen durch die Elemente oder Informationen auf Ihrer Seite intuitiv navigieren können.
Wenn Ihr Design leicht zu verstehen, flüssig und nahtlos ist, werden sich die UserInnen an wichtige Informationen klarer erinnern und die gewünschten Aktionen ausführen, wie z. B. sich für einen Newsletter anmelden oder ein bestimmtes Produkt kaufen.
Hier vier wesentliche Grundsätze für die Anwendung des seriellen Positionseffekts beim Interface Design:
1. Sorgen Sie für praktische, aufgabenrelevante Informationen
Wenn Sie zu Ihrem Interface aufgabenrelevante Informationen hinzufügen und diese beibehalten, wird nicht nur Ihr Design ansprechender, sondern sondern die UserInnen werden auch weniger gefordert, was Konzentration und Abruf betrifft.
Zum Beispiel hat die Veröffentlichungsplattform Medium ihr User Interface so gestaltet, dass die Interaktionen sowohl aus der Sicht der LeserInnen als auch der AutorInnen vereinfacht wird.
Mit einer Fülle an visuellen Tools, die auf die bevorzugten Themen oder Interessen der UserInnen zugeschnitten sind, erhalten Sie eine visuelle Momentaufnahme von Informationen, die Ihnen Zugang zu relevantem Content und zu Ihrer Leseliste bietet und Ihnen ermöglicht, mit schnellen, nahtlosen Aktionen einen neuen Content zu erstellen.
2. Erkennbare Auslösereize (Cues) hinzufügen
Zum Design Ihres User Interface hinzufügte dynamische Cues minimieren den Cognitive Strain und machen es leichter, Informationen in Erinnerung zu rufen.
Akustische Benachrichtigungen (z. B. Pings beim Eingang einer Nachricht) oder Texthinweise (z. B. kleine informative Popup-Boxen) sorgen für ein echtes Gefühl der Wiedererkennung. Videospiele wie „Need For Speed“ oder „Broken Sword“ sind hervorragende Beispiele für die Gestaltung von User Interfaces mit Cues.
Das einst beliebte Spiel „Plants vs Zombies“ von EA Games zum Beispiel nutzt eine Vielzahl wiedererkennbarer visueller und akustischer Cues, um den Spielern durch das Spiel zu helfen und „im Jetzt“ zu bleiben, ohne sie an ihre kognitiven Grenzen zu bringen.
Die Sound-Effekte bei jeder Bewegung des Spielers (Pflanzgeräusche, Grabungsgeräusche usw.), die textbasierten Beschriftungen, die dem Spieler sagen, was ihn als Nächstes erwartet, und die visuellen Symbole am oberen Rand des Bildschirms sorgen für eine möglichst natürliche User Experience. Vergleichbare Cues können Sie in E-Commerce-Websites für Ihre Designs verwenden, um sie intuitiver zu gestalten.
3. Reduzieren Sie das erforderliche Abruf-Level
Die Aufmerksamkeit des Menschen hat ihre Grenzen. In der Regel kann er nur fünf Informationen auf einmal aufnehmen.
Wenn Sie die Priorität darauf legen, dass sich die UserInnen möglichst wenig in Erinnerung rufen müssen, führen Sie sie durch eine Customer Journey, in der sie sich bei Bedarf an relevante Informationen erinnern können.
Informationsauswahl auf der Website von Apple (Quelle)
Der Technologieriese Apple verwendet ein visuelles gitterartiges System mit informativen Titeln und scanbaren Dropdown-Boxen, um seinen KundInnen die Auswahl von Modellen zu erleichtern, damit sie ein Produkt auswählen können, das ihren spezifischen Anforderungen entspricht. An jedem Punkt im Interface werden den UserInnen nur die Informationen angezeigt, die sie brauchen – wie die wichtigsten technischen Daten und Vergleiche sowie die Preise.
Dieses einfache, aber effektive Design legt den Schwerpunkt auf die wertvollsten Informationen und minimiert so die Notwendigkeit, im Prozessverlauf Informationen aus dem Gedächtnis abzurufen.
4. Betonen Sie die wichtigsten Informationen am Anfang und am Ende
Spielen Sie direkt in die Hände des Primacy- und Recency-Effekts, stellen Sie die wichtigsten Items am Anfang und am Ende Ihres Interface (oder oben und unten) in den Vordergrund und die weniger wichtigen Elemente in die Mitte.
Der weltbekannte E-Commerce-Marktführer Amazon zeigt zum Beispiel oben auf seiner Homepage leicht verständliche personalisierte Aufforderungen, Befehle und Informationen an.
In der Mitte der Seite erhalten Sie Zugang zu aktuellen Produkten und Angeboten. Unten auf der Seite oder auf dem Interface werden Ihnen personalisierte Vorschläge präsentiert, die auf Ihrer Einkaufshistorie oder Ihrem Surfverhalten basieren:
Diese Designtechnik maximiert das Potenzial der UserInnen, sich an die Informationen zu erinnern, die den größten Wert bieten oder zu weiterem Engagement anregen. Ein wirkungsvoller Ansatz, der die User Experience fördert und gleichzeitig die Chancen auf regelmäßige Conversions der KundInnen erhöht.
„Früher war Design das Gewürz, das man für den Geschmack hinzugab; heute ist es das Mehl, das man am Anfang des Rezepts braucht.“ – John Maeda, Experte für Design & UX
Serieller Positionseffekt für die UX auf der Landingpage
Aus den von uns untersuchten Designmethoden für User Interfaces wird deutlich, dass die Reihenfolge sowie die Art und Weise, wie Sie Informationen präsentieren, einen erheblichen Einfluss darauf haben, wie Menschen mit Ihrer Marke oder Ihrem Unternehmen interagieren.
Im heutigen, hypervernetzten digitalen Zeitalter zählen Ihre UX-Angebote mehr denn je. 88 % der UserInnen kehren wahrscheinlich nicht zu einer Website zurück, mit der sie schlechte Erfahrungen gemacht haben.
Für eine bessere UX Ihrer Landingpage und ein Erlebnis, das für ein erhöhtes Engagement sorgt und gleichzeitig die Kundentreue fördert, sollten Sie den seriellen Positionseffekt in Betracht ziehen.
Um zu bekräftigen, dass sich der serielle Positionseffekt auf die UX der Landingpage auswirkt, zeigen wir Ihnen hier die serielle Positionskurve.
Aus Sicht des digitalen Marketings zeigt die serielle Positionskurve deutlich, dass Menschen sich an Informationen am Anfang und am Ende einer Informationsreihe erinnern und Items oder Botschaften in der Mitte einer Landingpage am wenigsten aufnehmen. Es handelt sich um eine gleichmäßige, einheitliche Kurve, die ein praktisches Framework für das UX-Design Ihrer Landingpages bieten kann.
Die russische E-Commerce-Marke Marc Cony nutzt die Methodik des seriellen Effekts, um das Engagement neuer UserInnen auf ihrer primären Landingpage zu erhöhen.
Homepage von Marc Cony mit Rabattinformationen im Vordergrund (Quelle)
Hier sehen Sie ein sauberes und minimalistisches Design der Landingpage: Den UserInnen wird die Navigation einfacher gemacht und gleichzeitig wird eine Message in den Vordergrund gestellt, die das Engagement der UserInnen vorantreiben soll.
Beim Navigieren auf der Landing Page gibt es eine klare Hierarchie der Informationen. Wenn Sie nach unten scrollen, können Sie Ihr Shopping-Erlebnis personalisieren, bevor der Content rund um den Blog und die Social Media-Seiten der Marke zu sehen sind.
Zum Schluss kommt ein klarer, prägnanter CTA-Button, der die UserInnen auffordert, sich für den Newsletter der Marke anzumelden und zu „konvertieren“. Ein hervorragendes Beispiel dafür, wie die Prinzipien des seriellen Effekts für eine nahtlose User Experience sorgen und gleichzeitig die VerbraucherInnen zu einer gewünschten Aktion bringen – in diesem Fall Verkaufsartikel anzuzeigen oder dem E-Mail-Abo zuzustimmen.
Der innovative Online-Retailer Thread bietet einen interaktiven und besonders visuellen Ansatz, damit VerbraucherInnen sich weniger anstrengen müssen, Erinnerungen abzurufen, und um seine Landingpage für ein stärkeres Engagement mit der Marke zu optimieren.
Das saubere, gitterbasierte Design von Thread lässt sich leicht durchlaufen und die „Above the fold“-Message fordert die oder den UserIn zum Handeln auf, ohne dass sie oder er sich selbst Fragen stellen muss.
Dieser interaktive Ansatz bietet einen persönlichen Wert und ist gleichzeitig ein Anreiz zur Interaktion. Zum Anklicken der bevorzugten Styles müssen Erinnerungen nur minimal abgerufen werden, sodass die Informationen am oberen Rand der Seite frisch im Gedächtnis des Verbrauchers bleiben.
Website von Thread, Navigation durch Untertitel (Quelle)
Sobald die oder der UserIn den bevorzugten Style ausgewählt hat, wird sie oder er zu einer neuen Landingpage weitergeleitet. Mit klaren Untertiteln können Sie bei minimalem Cognitive Strain durch die Seite navigieren. Und wenn Sie das Ende der Seite erreicht haben, sagt Ihnen der CTA „Weiter“, was zu tun ist.
Dieser Ansatz des seriellen Positionseffekts trägt dazu bei, die User Experience zu optimieren, während die oder der UserIn zu jeder Zeit mit der Marke verbunden bleibt.
Eine gut durchdachte Informationshierarchie und ein interaktiver visueller Ansatz sind ein Beweis dafür, wie wichtig es ist, Informationen effektiv zu präsentieren, ohne UserInnen mit unnötigen Daten zu überfordern. Dies ist definitiv eine treibende Kraft hinter dem anhaltenden Erfolg dieses Startups!
Die Landingpage von Thread ist ein gutes Beispiel für ein UX-unterstützendes Konzept, das unter der Bezeichnung „Priming“ bekannt ist. Lesen Sie unseren praktischen Leitfaden zum Priming von UserInnen-Erwartungen, um die UX zu verbessern und mehr darüber zu erfahren.
Ob Sie Waren oder Services verkaufen, der serielle Positionseffekt hilft Ihnen, die UX Ihrer Landing Pages zu verbessern und Ihre Conversion Rates zu steigern.
Digital Marketing Institute, Primacy- und Recency-Effekt auf der Homepage (Quelle)
Der Anbieter von Digital-Marketing-Kursen, Digital Marketing Institute, nutzt sowohl den Primacy- als auch den Recency-Effekt zur UX-Optimierung vieler seiner Landingpages.
Auf der Homepage des DMI befindet sich zum Beispiel ganz oben auf der Seite eine deutlich gekennzeichnete Schaltfläche „Download Brochure“. Das Hauptbanner erklärt den UserInnen genau, was die Marke macht und wie sie von einer Anmeldung profitieren können (mit einem zweiten „Download-Button“, der zum Handeln auffordert), und nutzt so den Primacy-Effekt, um Conversions hervorzubringen.
Am Seitenende der Landingpage präsentiert das Digital Marketing Institute seine wichtigsten KundInnen, um ein Gefühl der Markenautorität zu vermitteln, das sich bei den VerbraucherInnen einprägt. Gleichzeitig werden klare, präzise FAQs in einem übersichtlichen Dropdown-Format angezeigt.
Dieser mit dem Recency-Effekt vergleichbare Ansatz stellt sicher, dass sich die BesucherInnen an wesentliche Details zu den Kursen des DMI erinnern, während sie sich gleichzeitig an die eindrucksvollen KundInnen erinnern, die diese Marke betreut hat.
Mit dem seriellen Positionseffekt auf Ihren Landingpages wird Ihrem UX-Design und Ihren Content-Konzepten eine eindeutige Richtung vorgegeben, die Navigation verbessert und das Engagement während des Prozesses gesteigert.
Anhand unserer aufgeführten Beispiele hier einige zusätzliche Tipps, die auf dem seriellen Positionseffekt basieren und Ihnen helfen, die UX Ihrer Landingpage zu verbessern:
Platzieren Sie Ihre teuersten Artikel oder Services ganz oben auf Ihrer Landingpage, damit Ihre Artikel oder Services im mittleren Preissegment kostengünstiger erscheinen und Ihr durchschnittlicher Bestellwert (AOV) erhöht wird.
Fügen Sie ein verlockendes Bild, einen Schriftzug und eine CTA-Schaltfläche zu Ihrem Banner oben auf der Seite hinzu, um wichtige Informationen so zu vermitteln, dass der Cognitive Strain minimiert und die Konversionen der KundInnen erhöht wird.
Unterteilen Sie den Text in der Mitte der Seite mit Zwischenüberschriften, Bildern, fett- oder kursivgedruckter Schrift, Aufzählungspunkten und kleinen Textabschnitten, um Ihr UX-Design übersichtlicher zu gestalten. So erhöhen Sie auch die Wahrscheinlichkeit, dass die VerbraucherInnen zu wichtigen Informationen weiter unten auf der Seite geführt werden.
Platzieren Sie wertvolle Informationen und Alleinstellungsmerkmale am Ende der Seite und verwenden Sie informative CTA-Schaltflächen, um den UserInnen mitzuteilen, was sie als Nächstes machen sollen.
Achten Sie stets darauf, dass Ihre Landingpage sauber und logisch ist, so dass Sie leicht durch die Seite navigieren können. Wenn Sie nicht die Funktion in den Vordergrund stellen, sind Ihre Angebote an User Experiences vermutlich schlecht, sodass Ihre BesucherInnen keine Informationen behalten können.
Wie Experimente im Design eingesetzt werden
Mit effektiven Design- und Texterstellungsprinzipien an Ihren verschiedenen digitalen Touchpoints und mit dem seriellen Positionseffekt, der Ihren KundInnen wertvolle Informationen bieten soll, beschleunigen Sie Ihren kommerzieller Erfolg.
Aber wie können Sie in einem zunehmend übersättigten digitalen Zeitalter, mit seiner Fülle von Informationen für die VerbraucherInnen, feststellen, ob Ihr Design und Ihre Bemühungen um den seriellen Positionseffekt so funktionieren wie sie sollten?
Eine Reihe von Faktoren wie Farbe, Layout, Designelemente und sogar die kognitive Verzerrung der VerbraucherInnen können das Browsing-Verhalten auf der Landingpage beeinflussen. Um zu verstehen, ob Ihre Initiativen funktionieren, und um mit dem Design effizient zu experimentieren, sind A/B-Tests die beste Methode. Durch effektive Daten zusammen mit der richtigen A/B-Testing-Plattform können die Stärken oder Schwachpunkte einer bestimmten Landingpage oder eines User Interface genau bestimmt werden.
Indem Sie zwei Versionen derselben Landingpage entwickeln, können Sie bestimmte Seitenelemente genauer untersuchen und herausfinden, welche Version am besten abschneidet.
Sie könnten beispielsweise feststellen, dass Version A einer Landingpage aufgrund des Designs oder der Platzierung der Schaltfläche „Jetzt kaufen“ mehr Engagement „Above the fold“ erzielt. Mit Tests könnten Sie auch herausfinden, dass Version „B“ aufgrund eines bestimmten Textes oder einer bestimmten Message mehr E-Mail-Abonnenten erhält.
Wenn Sie diese Fülle vergleichender Informationen nutzen, können Sie mit jedem Designelement experimentieren und aus den Elementen mit der besten Performance eine vollständig optimierte Version einer bestimmten Seite oder eines bestimmten Touchpoints erstellen.
A/B-Tests verleihen Ihren Design-Experimenten Gestalt und schonen gleichzeitig Ihr Marketing-Budget.
Wenn Sie wissen, auf welche Messaging- oder Designelemente Sie den Fokus legen müssen, können Sie das Problem an der Wurzel packen und Optimierungen mit dem wahrscheinlich bestmöglichen Return on Investment (ROI) vornehmen.
Hinsichtlich des seriellen Positionseffekts können Sie mit A/B-Tests und Experimenten die serielle Positionskurve abflachen, um die Informationen auf Ihren Interfaces oder Landing Pages in Balance zu bringen.
Dadurch kann einfacher durch Ihre UX-Designs navigiert und gleichzeitig eine stärkeres Engagement mit der Marke erzielt werden. Zudem haben Sie die Möglichkeit, mit Designelementen zu experimentieren, um die Informationen oder Assets am oberen oder unteren Rand Ihrer digitalen Touchpoints hervorzuheben.
Wenn sich UserInnen nicht mit den Informationen am oberen oder unteren Rand einer bestimmten Seite befassen, wird im Grunde genommen deutlich, dass Ihre Bemühungen um den seriellen Positionseffekt nicht funktionieren. Dann können Sie mit der Hierarchie Ihrer Informationen sowie mit Designelementen wie Schaltflächen, Farbkombinationen, Bildern, Textformatierungen und Textfeldern experimentieren.
An dieser Stelle sei angemerkt, dass Experimentieren in unserer sich ständig ändernden kommerziellen Landschaft nie aufhört. Was heute funktioniert, kann morgen nicht mehr funktionieren – und um Ihre digitalen Touchpoints für nachhaltiges Wachstum zu optimieren, sind ständige Tests und Weiterentwicklungen unerlässlich.
„Design schafft Kultur. Kultur formt Werte. Werte bestimmen die Zukunft.“ – Robert L. Peters, Graphic Designer
Schlussgedanken
Wir haben die Grundlagen des seriellen Positionseffekts beschrieben und gesehen, wie dieses Konzept auf UX- und Landingpage-Design angewendet werden kann. Gleichzeitig haben wir die Bedeutung von Experimenten und Tests dargelegt.
Beim Gedanken an unsere Customer Journey wird klar, dass Sie den Cognitive Strain möglichst reduzieren müssen, wenn Sie Ihren KundInnen die besten Designs und UX-Angebote bieten möchten.
Der serielle Positionseffekt hilft uns, die menschlichen Grenzen beim Langzeit- und Kurzzeitgedächtnis zu verstehen und zu erkennen, wie wichtig es ist, Informationen effektiv zu ordnen.
Für Designer ist es bei der Anwendung des seriellen Positionseffekts entscheidend, die UserInnen mit aufgabenrelevanten Informationen, kurzen Aufforderungen oder Cues auf dem Bildschirm zu unterstützen, wodurch über die gesamte User Journey hinweg weniger Erinnerungen abgerufen werden müssen und die wertvollsten Informationen am Anfang und Ende einer Reihe herausgestellt werden.
Bei der Interaktion mit Ihren digitalen Touchpoints oder Interfaces sollten Ihre UserInnen nicht mit Informationen überhäuft werden. Die UserInnen sollten durch jeden Aspekt Ihrer Interfaces oder Landingpages intuitiv und mit wenig zusätzlichen Überlegungen browsen können und dabei verstehen, was als Nächstes zu machen ist und warum sie es machen.
Ihre UX- und Designangebote sollten Ihren UserInnen völlig nahtlos relevante, wertvolle Informationen liefern – und mit dem seriellen Positionseffekt als Entscheidungshilfe heben Sie sich von Ihren Mitbewerbern ab.
Laut einer Umfrage von PWC würde ein Drittel der KundInnen schon nach einer einzigen schlechten Erfahrung eine Marke links liegen lassen. Deshalb investiert Ihr Unternehmen möglicherweise viel Zeit und Geld in die Optimierung Ihres digitalen Produkts, damit es auf den oft überfüllten Märkten der heutigen Zeit bestehen kann.
Ein kritischer Punkt in der gesamten Product Experience ist User Onboarding: Wenn Sie alles richtig machen, gewinnen Sie loyale KundInnen. Machen Sie aber etwas falsch, verlieren Sie diese UserInnen für immer.
Also ist es sinnvoll, den User Onboarding-Prozess kontinuierlich zu optimieren – der perfekte Job für ein Produktteam. Ein solches Team setzt sich oft aus 5 bis 8 Mitarbeitern und Mitarbeiterinnen zusammen, u. a. aus ProduktmanagerInnen, DesignerInnen und EntwicklerInnen. Verschiedene Unternehmen arbeiten mit Produktteams unterschiedlicher Größe und Konfigurationen, je nachdem, was für ihren Use Case am besten ist. Allerdings sind DevOps Engineers selten Teil dieser Teams, denn für viele gelten DevOps nur als Instrument für erfolgreiche Feature Releases.
Letzten Endes sind es aber diese DevOps Engineers, die mitten in der Nacht aufstehen und ein neu implementiertes Feature korrigieren müssen, wenn es eine App zum Absturz bringt, sobald eine Userin oder ein User sich durch den Onboarding-Prozess navigiert.
Wir fragen Sie: Kann eine App, deren Onboarding-Prozess nicht funktioniert, erfolgreich sein, und haben Release Teams überhaupt einen signifikanten Einfluss auf die UX? Lassen Sie es uns herausfinden.
In diesem Artikel untersuchen wir genauer:
[toc content=“.entry-content“]
Wie Sie mit einer einwandfreien Onboarding-Experience dafür sorgen können, dass sich die UserInnen gleich heimisch fühlen
Die meisten Apps benötigen einen Onboarding-Prozess, um neuen UserInnen zu zeigen, wie sie ihre Ziele möglichst effizient und unkompliziert erreichen.
Dabei dürfen wir nicht vergessen, dass das Onboarding-Erlebnis Ihr Verhältnis zu potenziellen KundInnen beeinflussen kann – sowohl positiv als auch negativ.
Egal, wie gut Ihre App tatsächlich ist. Was zählt, ist der erste Eindruck!
Große Unternehmen wie Slack oder Dropbox überarbeiten häufig ihr User Onboarding, damit UserInnen bequem, heiter und zielführend in ihr Produkt einsteigen können. Überzeugen Sie sich selbst. Die folgenden Abbildungen zeigen einen Ausschnitt des Onboarding-Prozesses von Slack aus den Jahren 2014 und 2021. Das Design hat sich natürlich komplett geändert, aber statt der Beschreibung, wo der Name des Teams auf dem Interface von Slack später erscheint, werden nun das User Interface und der Name unseres Teams angezeigt. Diese Verbesserungen sind sicher nicht dem Zufall überlassen, sondern das Ergebnis sorgfältig koordinierter Optimierungsworkflows.
–
Die Entwicklung des Onboarding-Prozesses von Slack (Quelle)
Da sogar große Unternehmen in die Optimierung ihrer Onboarding-Prozesse investieren, sollten auch wir das tun und uns nicht auf unseren Lorbeeren ausruhen. Es bleibt die Frage, wie Sie sicherstellen, dass Sie die richtige Onboarding-Experience auf die richtige Weise erstellen können?
Und genau hier kommen funktionsübergreifende Produktteams und Flagship ins Spiel!
Nutzen Sie Flagship, um Produktteams zusammenzubringen und eine einwandfreie UX sicherzustellen
Bei AB Tasty konzentrieren wir uns auf zwei Hauptthemen für eine einwandfreie User Experience:
Das richtige Feature veröffentlichen: Wir versetzen uns in unsere UserInnen und führen Experimente und Tests durch, damit das Feature einen Mehrwert und ein gutes Look and Feel bietet.
Das Feature richtig bereitstellen: Es geht nicht nur um Funktionalität und Look. Mit Feature Management stellen wir sicher, dass unser Produkt jederzeit und auf verschiedenen Plattformen einwandfrei funktioniert. –
Flagship bietet eine gemeinsame Umgebung für Experimente und Feature Management
–
Mit Flagship haben Sie die Mittel in der Hand, aus beiden Potenzialen das Beste herauszuholen: datenbasierte Experimente und Feature Management, um Features für einwandfreie Customer Experiences zu erstellen und zu veröffentlichen. Daher betrachten wir Release Teams als integralen Bestandteil in der Wertschöpfung für unsere UserInnen. Möglicherweise sind nicht alle derselben Auffassung. Trotzdem möchten wir Ihnen näher erklären, warum DevOps unserer Ansicht nach enger in die Produktteams eingebunden werden sollten.
Es ist kein Geheimnis, dass Teams, die ein gemeinsames Ziel verfolgen, ihr volles Potenzial eher erreichen als solche, die nicht dieselbe Richtung einschlagen. Wenn DevOps von Produktteams isoliert werden, können Sie wahrscheinlich nicht auf die positiven Effekte von Verbundenheit und leidenschaftlichem Einsatz zählen, die für die Entwicklung und den Release gelungener Produkte notwendig sind. Aus diesem Grund raten wir Produktteams, enger mit DevOps zusammenzuarbeiten. Auch Release Teams bemühen sich, UserInnen Mehrwert und großartige Experiences zu bieten. Und sie bringen die entsprechenden Skills dafür mit.
Flagship bietet ProduktmanagerInnen, EntwicklerInnen und DevOps Engineers eine gemeinsame Umgebung für Experimente und Feature Management. Sie haben alle Daten und Tools zur Hand, die Sie für ein produktives Gespräch über den Produktoptimierungsprozess in einer gemeinsamen datenbasierten Sprache brauchen. Spezifische Rollen und Verantwortlichkeiten werden nicht in Silos isoliert. Stattdessen kann sich jedes Mitglied des Produktteams auf seine Aufgabe konzentrieren und gleichzeitig weiterhin mit geballter Kraft arbeiten.
Werfen wir nun einen Blick darauf, wie Produktteams durch die Experimentier- und Feature Management-Funktionen von Flagship für herausragende User Experiences sorgen können.
Stellen Sie das Feature mit Feature Management richtig bereit
Sprechen wir zunächst über ein paar Beispiele, wie sich Feature Management und der richtige Release eines Features positiv auf das Onboarding-Erlebnis der UserInnen auswirken können.
Angenommen, Sie möchten Ihrem Onboarding-Prozess Tooltips hinzufügen, damit UserInnen sicher durch das Dashboard Ihres Produkts navigieren können. Das Produktteam bereitet das neue Feature entsprechend vor und testet seine Funktionsweise ausgiebig auf den Testservern. Nachdem alles zu funktionieren scheint, wird das neue Feature auf einen Schlag für alle UserInnen veröffentlicht. Hoffentlich nicht an einem Freitagnachmittag, denn die Umstellung könnte unvorhergesehene Probleme auf dem Produktionsserver verursachen, wie z. B.:
Ihre UserInnen stecken in einer Endlosschleife, aus der es keinen Ausweg gibt
Die Eingaben der UserInnen werden nicht gespeichert, z. B. in einem Formular
Die App stürzt wiederholt ab
Die UserInnen werden ohne ersichtlichen Grund wieder an den Start zurückgeschickt.
Stellen Sie sich vor, was das für die UserInnen bedeutet, die Ihren Onboarding-Prozess durchlaufen und sich schon darauf freuen, Ihr Produkt zu verwenden – und plötzlich funktioniert nichts mehr. Der magische Moment verpufft. Wegen einer schlechten UX haben die UserInnen höchstwahrscheinlich das Vertrauen in Ihre App verloren.
Flagship sorgt für eine stressfreie Code-Implementierung
Mit den Feature Management-Funktionen von Flagship können Ihre Produktteams neue Features unbesorgt veröffentlichen – sogar an einem Freitagnachmittag.
Mit Feature Management können Release Teams das neue Tooltips Feature einer ausgewählten Zielgruppe bereitstellen, bevor es für alle UserInnen veröffentlicht wird. Auf diese Weise können Sie sicher sein, dass das neue Feature unter realistischen Bedingungen funktioniert, d. h. auf Produktionsservern mit realen UserInnen.
Durch die Kontrolle und Überwachung der Rollouts wissen DevOps Teams sofort, wenn etwas nicht nach Plan verläuft. Dadurch können sie rechtzeitig reagieren und sich freuen, dass nur wenige UserInnen den Fehler bemerkt haben.
Nehmen wir zum Beispiel an, die EntwicklerInnen haben das Tooltip Feature in ein Feature Flag gepackt (was sie wirklich tun sollten). In diesem Fall können sie das Feature bei einem Problem schnell über das Flagship-Dashboard deaktivieren. Selbstverständlich können sie auch automatische Code-Rollbacks auf Basis von KPIs konfigurieren, um noch schneller zu reagieren.
Richtiges Feature Management kann gestresste Release Teams entlasten: Es macht Schluss mit schlaflosen Nächten zur Schadensbegrenzung! Wenn Sie mehr über die Vorteile von Feature Management für Tech Teams erfahren möchten, empfehlen wir Ihnen unseren Blogpost.
Veröffentlichen Sie das richtige Feature mit Experimenten
Vielleicht können Sie sich gut in Ihre Produktteams hineinversetzen und haben den Eindruck, Ihre UserInnen ziemlich gut zu kennen. Trotzdem sind Experimente und Tests sinnvoll, um einen Onboarding-Prozess zu erstellen, der Ihre UserInnen begeistert.
Werfen wir noch einmal einen Blick auf das Tooltip-Beispiel von vorhin. Angenommen, Ihr Produktteam hat die Tooltips erfolgreich im User Onboarding-Prozess integriert. Ihre Analysedaten weisen jedoch darauf hin, dass etwas nicht stimmen kann. Viele UserInnen wissen immer noch nicht, wie Ihre App genutzt wird, und brechen den Prozess auf halbem Weg ab. Wenn Sie das Problem nicht sofort identifizieren und beheben können, müssen Sie auf andere Mittel zurückgreifen, um die User Experience des Tooltips zu verbessern.
Stellen Sie zunächst sicher, dass aus technischer Sicht alles in Ordnung ist. Als Nächstes sollte Ihr Produktteam an möglichen Varianten im Hinblick auf eine bessere Präsentation und Funktionalität von Tooltips arbeiten. Sie können dann mit Experimenten und Tests in Flagship festlegen, welche Varianten und Ideen die beste User Experience bieten.
Zum Beispiel könnten Sie mit A/B-Tests herausfinden, ob ein Anleitungsvideo für UserInnen hilfreich wäre, bevor die Tooltips angezeigt werden und sie mit dem Produkt starten. Oder experimentieren Sie mit der Abfolge der Tooltips – vielleicht ist der Prozess verständlicher, wenn Sie die Reihenfolge der Tooltips ändern.
Sie können auch mit verschiedenen Farben, Texten, UI-Elementen, Call-to-Action usw. experimentieren. Damit Ihre Experimente möglichst aussagekräftig sind, können Sie festlegen, welche UserInnen welche Feature-Variante zu sehen bekommen, und die Nutzerakzeptanz, Testergebnisse und KPIs im Flagship-Dashboard verfolgen.
Ein weiterer Vorteil von Flagship ist die mögliche Verwendung einer 1-zu-1-Personalisierung auf Basis von Zielgruppensegmenten, um UserInnen einzigartige Erlebnisse zu bieten. Zum Beispiel können Sie UserInnen nach der Registrierung für ein zahlungspflichtiges Abo eine personalisierte Begrüßungsnachricht anzeigen und ihrem Onboarding-Erlebnis so einen Mehrwert verleihen.
… Was ist mit clientseitigen Tools für Experimente?
Viele clientseitige Tools für die Experience-Optimierung, wie beispielsweise unser AB Tasty Tool, können die meisten dieser Experimente ebenfalls durchführen – und das ohne Code-Deployment. Wenn Sie Ihre Experimente für einen kritischen Prozess wie User Onboarding codieren, hat das allerdings folgenden Vorteil: Sie verlangsamen den Prozess nicht potenziell mit automatisch generierten UI-Overlays. Hingegen sind Tests und Experimente mit Flagship schnell, sicher und „flickerfrei“, da sie direkt vom Server kommen und nicht im Browser der UserInnen berechnet werden müssen. Selbstverständlich haben clientseitige Tools nach wie vor ihre Berechtigung und ihre einzigartigen Einsatzmöglichkeiten – Flagship ist ein großartiges Tool, um Ihre clientseitige Strategie zu ergänzen.
Takeaway
Wenn Sie UserInnen die bestmögliche Onboarding-Experience bieten möchten, brauchen Sie funktionsübergreifende Teams, die wissen, wie das richtige Feature richtig veröffentlicht wird. Eines unserer Ziele ist es, die Bedeutung von Release Teams für eine einwandfreie UX zu propagieren – ob ein Produkt technisch einwandfrei funktioniert, ist genauso wichtig wie sein Erscheinungsbild und sein Verhalten.
Mit den Experimentier- und Feature Management-Funktionen von Flagship können Produktteams von einer Plattform profitieren, um zusammen produktiv und datenbasiert an der Verbesserung des Onboarding-Erlebnisses zu arbeiten.
Sie möchten Flagship für Ihre Produktteams ausprobieren? Buchen Sie eine Demo und sehen Sie wie Experimente und Feature Management die Onboarding-Experience Ihrer UserInnen von „okay“ zu „super“ verändern können.
Um einen Experimentierprozess in einem Unternehmen in Gang zu setzen, empfiehlt Lukas Vermeer, klein anzufangen und es (auch in Zukunft) einfach zu halten.
Diesen Rat nahm sich Lukas Vermeer zu Herzen, als er sich kopfüber in die Welt von KI und Machine Learning stürzte – zu einem Zeitpunkt, an dem diese neuen Technologien noch in den Kinderschuhen steckten und in der Branche kaum Nachfrage bestand. Als Consultant für diverse Unternehmen fand Lukas heraus, wie die ideale Arbeitsumgebung für ihn aussieht: ein Scale-up, in dem er seine Expertise in puncto Daten und Machine Learning einbringen könnte.
So kamBooking.com für Lukas ins Spiel. Lukas trat dem niederländischen Online-Unternehmen bei, als es sich in der Scale-up-Phase befand. Dort leitete Lukas 8 Jahre lang das Experimentation Team, und vergrößerte das Team in dieser Zeit von 3 auf 30 Mitglieder.
Als das Experimentation Team bei Booking.com ausgereift war, ließ sich Lukas 2021 auf einneues Abenteuer als Director of Experimentation beiVista ein. Er entwickelt und prägt die Experimentierkultur und nutzt das Potenzial der Unternehmensdaten, um Vista´s Einfluss als Branchenführer in Design- und Marketinglösungen für kleine Unternehmen zu stärken.
Lukas sprach mit Marilyn Montoya, VP Marketing von AB Tasty, über den Prozess und die Kultur des Experimentierens – von den Methoden bis hin zur Rolle der beteiligten Teams. Hier ein paar wichtige Erkenntnisse aus ihrem Gespräch.
Geh Experimentieren strategisch an
Es ist wichtig, den Zweck eines Experiments zu kennen. Lukas empfiehlt, den Fokus statt auf UI-Design, auf das Testen „großer“ Features zu legen, die wirkliche Veränderungen bewirken oder sich auf den Gewinn des Unternehmens auswirken können.
Frag dich, „Welche Fragen sind momentan von zentraler Bedeutung für meinen Business Case?“ oder „Welche wesentlichen Hypothesen stecken hinter meiner strategischen Planung?“. Statt die Anzahl deiner Experimente zu erhöhen, solltest du dich auf die korrekte Durchführung der wichtigeren Experimente konzentrieren.
Lukas empfiehlt die Flywheel-Methode, um eine Experimentierkultur in einem Unternehmen aufzubauen. Das erste Experiment sollte Aufmerksamkeit erregen, indem die Meinung des Unternehmens darüber, ob es funktioniert, 50/50 geteilt ist. Das zeigt, dass sich der Erfolg von Experimenten nicht leicht vorhersagen lässt und unterstreicht den „nicht quantifizierbaren Wert des Experimentierens“. Wir müssen anerkennen, dass es genauso wichtig ist, kein schlechtes Produkt zu liefern (was den Umsatz schmälern würde), wie sich strategisch zu überlegen, in was künftig investiert werden soll.
Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!
Strukturiere deine Organisation für erfolgreiches Experimentieren
Die Struktur deines Unternehmens und deiner Teams wirkt sich darauf aus, wie nahtlos Experimente durchgeführt werden. Lukas empfiehlt, dass das Produktentwicklungsteam für sämtliche Experimente verantwortlich sein sollte.
Das Experimentierteam sollte die Experimente erleichtern, indem es dem Produktentwicklungsteam die Tools, Schulungen und Support zur Fehlerbehebung bereitstellt, damit dieses die Experimente dann selbständig durchführen kann.
Produktmanager sollten für den Experimentierprozess geschult werden, z. B. durch das Erklären verschiedener Tests und Tools mit ihren jeweiligen Stärken und Schwächen, welche Annahmen diese jeweils treffen und wann sie angewendet werden sollen. So kannst du dann selbstständig deine Ideen testen und anhand eines Portfolios von Experimentiermethoden eine Entscheidung treffen.
Allerdings fließt beim Experimentieren auch ein sozialer Aspekt ein, der nicht ignoriert werden sollte. Da die Interpretation und Analyse von Daten subjektiv ist, betont Lukas, wie wichtig es ist, Ergebnisse zu diskutieren und Feedback zur Optimierung eines Experimentierprozesses zu geben.
„Sinn und Zweck eines Experiments ist es, (…) eine Entscheidung zu treffen, die durch vorliegende Beweise bekräftigt werden kann“, sagt Lukas. So wie Wissenschaftler ihre Paper vor der Veröffentlichung zur Peer Review vorlegen, sollten auch wissenschaftlich durchgeführte Experimente denselben Richtlinien folgen, um die Hypothese, Methode, Ergebnisse und Diskussion im Reporting zu dokumentieren. (Eine Meinung, die auch vonJonny Longden, ebenfalls Podcast-Gast im 1,000 Experiments Club, vertreten wird.)
Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!
Die größte Gefahr für die Experimentierkultur: Leadership oder Roadmaps?
Wenn in der Produktentwicklung von „Roadmaps“ die Rede ist, handelt es sich laut Lukas genau genommen nicht um Roadmaps. Meistens stellt dies eher eine lineare Wunschliste mit Schritten, durch die das Ziel erreicht werden soll, dar. Das Problem ist, dass es selten alternative Routen oder Umleitungen gibt, wenn man vom ursprünglichen Plan abweicht.
Aufgrund des „Escalation of Commitment“ fällt es schwer, schon beim ersten fehlgeschlagenen Experiment den Kurs zu ändern, erklärt Lukas. Mit anderen Worten: Je mehr Zeit und Energie man in etwas investiert, desto schwieriger wird es, das Steuer herumzureißen.
Sollte in Zukunft also auf Roadmaps insgesamt verzichtet werden? Laut Lukas sollten Roadmaps einfach eine inhärente Ungewissheit mit einbeziehen. In der Produktentwicklung gibt es viele Unbekannte, die sich erst zeigen, wenn die Produkte fertiggestellt sind und den Kunden angeboten werden. Deshalb funktioniert das Modell Build-Measure-Learn: Wir unternehmen ein paar Schritte und prüfen dann, ob wir uns in die richtige Richtung bewegen.
Lukas betont, dass das Ziel nicht sein sollte, „innerhalb von zwei Monaten ein fertiges Produkt zu liefern“. Vielmehr sollte man den Aspekt der Ungewissheit in die Deliverables integrieren und das Ziel entsprechend formulieren, z. B. prüfen, ob Kunden in der gewünschten Weise reagieren.
Was kannst du noch aus unserem Gespräch mit Lukas Vermeer lernen?
Wann man mit dem Experimentieren beginnen sollte und wie man eine Experimentierkultur aufbaut
Wie wichtig Eigenständigkeit für Experimentation Teams ist
Die drei Ebenen des Experimentierens: Methode, Design, Durchführung
Wie der Experimentierprozess beschleunigt werden kann
Über Lukas Vermeer
Lukas Vermeer ist ein Experte für die Implementierung und Skalierung von Experimenten und kommt aus dem Bereich KI und Machine Learning. Derzeit ist Lukas Director of Experimentation bei Vista. Davor war er acht Jahre lang für Booking.com tätig, zuerst als Informatiker, dann als Produktmanager und schließlich als Director of Experimentation. Als Experte bietet er nach wie vor Consulting Services für Unternehmen an, die mit der Implementierung von Experimenten beginnen. Sein jüngster, als Co-Autor veröffentlichter Artikel „It Takes a Flywheel to Fly: Kickstarting and Keeping the A/B Testing Momentum“ hilft Unternehmen, Experimente mit dem Flywheel „Investition zieht Wert nach, der wieder Investition nach sich zieht“ zu starten und zu beschleunigen.
Über den 1,000 Experiments Club
Der 1,000 Experiments Club ist ein von AB Tasty produzierter Podcast, der von Marylin Montoya, VP of Marketing bei AB Tasty, moderiert wird. Begleite Marylin und das Marketing-Team, wenn sie sich mit den erfahrensten Experten in der Welt des Experimentierens zusammensetzen, um Erkenntnisse darüber zu sammeln, was nötig ist, um erfolgreiche Experimente zu entwickeln und durchzuführen.
Kennst du diese Folge schon?
Wenn nicht, wirf doch gerne direkt einen Blick in unseren letzten Artikel zur Podcast-Episode mit Jonny Longden, mit dem wir über die benötigten Zutaten für das Experimentieren gesprochen haben.
In einer digitalen Welt, die hauptsächlich auf einen kundInnenorientierten Ansatz und auf datengesteuerte Technologien angewiesen ist, ist das Sammeln von Feedback, Gefühlen und Erfahrungen der BenutzerInnen der Schlüssel für die Entwicklung erfolgreicher Produkte. Seien es Apps, Websites, Produkte oder Dienstleistungen.
Um Produkte und Dienstleistungen zu entwickeln, die den Bedürfnissen der KundInnen wirklich entsprechen und um den Erwartungen der KundInnen zu entsprechen, verwenden effektive Unternehmen iterative Designprozesse, deren einziger Zweck es ist, die Benutzererfahrung ständig zu verbessern.
Beim Usability-Test geht es darum, Menschen zu fragen und zu prüfen, wie intuitiv und einfach ein Produkt verwendet werden kann.
Viele Leute gehen davon aus, dass Usability-Testing nur in der Entwurfsphase vor dem Launch durchgeführt werden.
Das ist total falsch.
Bei der Entwicklung eines iterativen Designprozesses müssen Sie in jeder Phase Ihres Produktlebenszyklus wiederholt User Tests durchführen.
Warum?
Hauptsächlich, weil Ihr Produkt mehrere neue Versionen, Funktionen und Services durchläuft, für die alle User Tests erforderlich sind, um die Annahmen zu überprüfen.
Da digitale MarketingexpertInnen und UX ForscherInnen seit langem die Methoden und Prozesse erforscht haben, um Erkenntnisse über die NutzerInnen zu gewinnen, haben sich in den letzten Jahren viele verschiedene Testmöglichkeiten für die Benutzerfreundlichkeit ergeben.
Was genau ist Usability Testing?
Usability-Tests sind Prozesse, mit denen BenutzerInnen beobachtet werden, während sie ein Produkt verwenden, um die Verwendbarkeit und Benutzerfreundlichkeit zu messen, um entsprechende Marketingziele zu erreichen.
Moderiert oder nicht: Ihre Usability-Tests dienen dazu, die Erkenntnisse der BenutzerInnen zu sammeln, um eine effiziente Benutzererfahrung zu entwickeln und ein insgesamt besseres Produkt zu entwerfen.
Usability-Tests werden verwendet, um sich mit Annahmen auseinanderzusetzen, bevor ein neues Produkt eingeführt oder ein neues Feature veröffentlicht wird.
Sie sind auch nützlich, um die Effizienz eines Produkts in seiner aktuellen Version zu messen, um mögliche Probleme zu identifizieren und sie somit zu lösen.
Ihre Ziele hinter Usability Testing
Weil Entwicklungs- und Marketingteams oft mit engen Terminen und Führungsdruck fertig werden müssen, kann die Versuchung, eine Usability-Testphase zu überspringen, stark sein.
Aber das könnte Sie eine Menge kosten.
Tatsächlich sollten Usability-Tests von Anfang an in Ihre Produktentwicklungs-Roadmap aufgenommen werden.
Auf diese Weise haben Sie Zeit, um geeignete Benutzertests durchzuführen.
Warum ist Usability Testing so wichtig?
Als Produktentwickler ist es Ihre Aufgabe, ein Produkt oder eine Dienstleistung zu bieten, die:
effizient
benutzerfreundlich
profitabel
ist.
Um diese drei Ziele zu erreichen ist es Ihr Ziel, so viel Feedback wie möglich zu erhalten bevor Sie das Produkt oder Feature tatsächlich auf den Markt bringen.
Vor diesem Hintergrund müssen Ihre User Tests aussagekräftige Erkenntnisse liefern, die schließlich zu Produktaktualisierungen führen.
Beachten Sie: die Ziele hinter Usability Testing unterscheiden sich von einem Produkt zum nächsten.
Hier sind jedoch einige wichtige Ziele, die mit User Tests verfolgt werden können, unabhängig von dem Produkt des Unternehmens.
Nutzen die Leute gerne Ihr Produkt?
Können BenutzerInnen vordefinierte Aufgaben erfolgreich ausführen?
Entspricht das Produkt den Erwartungen Ihres Hauptziels?
Wie einfach ist Ihr Produkt zu benutzen?
Sind die User mit dem Interface, den Farben und Formen zufrieden?
Nun, da wir uns mit den allgemeinen Aspekten von Usability-Tests befasst haben, wollen wir uns die verschiedenen Arten von Usability-Tests, die Sie implementieren können, genauer ansehen, um ein besseres Produkt zu entwickeln.
Moderierte & Unmoderierte User Tests
a) Moderierte User Tests
Moderiertes User Testing besteht aus verschiedenen Tests, die in Anwesenheit eines Moderators oder einer Moderatorin durchgeführt werden.
Diese ModeratorInnen werden die TeilnehmerInnen leiten, ihre Fragen beantworten und nützliches Feedback sammeln.
Obwohl ModeratorInnen das Live-Erlebnis stören könnten, sind moderierte Tests hilfreich, um präzise Fragen zu bestimmten Zeitpunkten zu stellen und gezieltes Feedback auf der Grundlage von Annahmen zu sammeln.
Diese Tests sind eine großartige Gelegenheit für Unternehmen, diejenigen Prototypen zu entwickeln, die in den frühen Entwicklungsphasen umfangreiches Feedback erfordern.
Mit moderierten Tests können Sie umsetzbare Erkenntnisse gewinnen, die Ihrem Unternehmen wertvolle Zeit und Geld sparen, die sonst für einen teuren ineffizienten Prototyp aufgewendet worden wären.
Takeaway: Moderierte User Tests sind speziell auf Produkte und Dienstleistungen der frühen Phase abgestimmt, da ModeratorInnen die TeilnehmerInnen durch den Prozess führen können. Seien Sie jedoch vorsichtig, damit Ihre Moderatoren und Moderatorinnen den Usern nicht schon vorab sagen, was sie tun sollen: die User Experience muss natürlich bleiben.
Gut zu wissen: moderierte User Tests können entweder aus der Entfernung (Remote) durchgeführt werden oder in Anwesenheit der TeilnehmerInnen.
Wenn Sie die User extra zu Ihnen kommen lassen oder umgekehrt, kostet dies natürlich mehr als Online-Tests.
Obwohl beide Arten von Tests möglich sind, generieren Sie während eines echten Live-Tests in der Regel mehr Reaktionen von den TeilnehmerInnen als ein Remote-Test.
b) Unmoderierte User Tests
Wie der Name schon sagt, werden unmoderierte User Tests ohne jegliche Aufsicht Ihrerseits durchgeführt.
Im Allgemeinen werden diese Testtypen aus der Entfernung ohne ModeratorIn ausgeführt.
Diese Tests erfordern die Verwendung bestimmter Tools oder SaaS-Plattformen, um automatisch Erkenntnisse der BenutzerInnen zu sammeln und deren Interaktionen für eine verzögerte Analyse aufzuzeichnen.
Bei unkontrollierten Tests werden den BenutzerInnen vordefinierte Aufgaben zugewiesen und sie werden aufgefordert, ihre Gedanken und Probleme laut auszudrücken.
Mit dieser Lösung analysiert Ihr Unternehmen die Reaktionen der BenutzerInnen, die während der Tests aufgezeichnet wurden.
Takeaway: unmoderierte Tests sind definitiv günstiger und einfacherer zu implementieren. Lösungsanbieter wie User Testing können innerhalb von Stunden einsatzbereite Panels für Ihr Kernziel liefern, was im Vergleich zur manuellen Rekrutierung von TeilnehmerInnen äußerst praktisch ist.
Da Sie, abgesehen von der Erstellung und Überprüfung von Benutzertests, nicht involviert sind, können unmoderierte Tests auch gleichzeitig und in einem viel größeren Umfang durchgeführt werden.
Gut zu wissen: unmoderierte Tests ersetzen nicht zwingend moderierte Tests – sie ergänzen sich eher.
Da es keine Überwachung von Ihrer Seite gibt, wird dringend empfohlen, klare Richtlinien und Erwartungen zu formulieren, um Verwirrung unter den BenutzerInnen zu vermeiden.
Fokusgruppen
Fokusgruppen sind spezifische Prozesse, bei denen ca. 10 TeilnehmerInnen eingeladen werden, ihre Bedürfnisse und Erwartungen an Ihr Produkt zu besprechen.
Diese Tests können sowohl vor als auch nach einer Produktveröffentlichung durchgeführt werden – abhängig von Ihren Zielen.
Im Gegensatz zu moderierten User Tests werden Fokusgruppen verwendet, um die Bedürfnisse, Erwartungen und Gefühle der TeilnehmerInnen bezüglich Ihres Produkts zu diskutieren, anstatt nur die Verwendbarkeit Ihres Designs zu bewerten.
Normalerweise erstellen ModeratorInnen eine Reihe von vordefinierten Fragen, die zu mehreren Diskussionen darüber führen, was die TeilnehmerInnen in Bezug auf Ihr Produkt oder bestimmte Funktionen fühlen.
Takeaway:Fokusgruppen sind nützlich, um Erkenntnisse über die potentiellen Bedürfnisse und Erwartungen Ihrer User zu sammeln. In Verbindung mit moderierten oder nicht moderierten User Tests werden sie aussagekräftiges Feedback liefern, das zum Erstellen neuer Funktionen oder zum Überdenken der Benutzeroberfläche genutzt werden kann.
Beta Tests & Umfragen
Auch wenn sie sich sehr von anderen User Tests unterscheiden,können Beta Tests äußerst nützlich sein, um Ihren Usability Testing Prozess mit einem eher quantitativen Ansatz zu versorgen.
Einfach ausgedrückt bestehen Beta Tests daraus, einer beschränkten Anzahl freiwilliger TeilnehmerInnen Zugang zu einem neuen Feature oder Produkt zu gewähren.
Da Beta Tests eine große Stichprobe erfordern, kann es für Unternehmen schwierig sein, eine ausreichende und repräsentative Anzahl von Beta-TesterInnen zu rekrutieren, damit der Test erfolgreich ist.
Beta Tests können jedoch zu einer unbezahlbaren Gelegenheit werden, um viele Usability-Probleme auf einmal zu entdecken, angereichert von einer Vielzahl von Meinungen, die von Hunderten oder Tausenden TeilnehmerInnen kommen.
Beta-Tests, die in der Videospielbranche besonders beliebt sind, können auch verwendet werden, um Ihr MVP (Minimum viable product) zu testen, bevor Ihr Endprodukt tatsächlich auf den Markt kommt.
Mit demselben quantitativen Ansatz bieten Umfragen (online und offline) eine günstige, schnelle und verlässliche Möglichkeit, um Feedback zu Ihrem Produkt zu sammeln.
Damit Sie relevante Antworten auf Ihre Fragen erhalten, müssen Sie die richtige Zielgruppe ansprechen.
Umfragen sind nützlich, wenn es um einen quantitativen Vergleich geht.
Beispiel: Ihr Unternehmen entwickelt einen neuen Fashion Marketplace und zögert zwischen zwei Logos: Sie könnten Umfragebögen an Ihre Zielgruppe senden, in der diese zwischen den beiden Designs wählen können.
A/B Tests
Zugegeben, diese Tests sind ein bisschen anders – aber sie funktionieren wirklich.
Im Gegensatz zu den meisten anderen Tests, die wir erwähnt haben, werden A/B-Tests mit der aktuellen Version Ihres Produkts ausgeführt, um festzustellen, welche der beiden Designoptionen besser ist.
Beispiel: Sagen wir mal, Ihr Unternehmen führt eine E-Commerce Website und hat kürzlich ein neues Produktseiten-Layout erstellt. Ihr Team möchte sich nun für eines der beiden Layouts (Version A & B) entscheiden, ohne die Conversions zu beeinträchtigen: sie werden A/B Testing nutzen, um genau das herauszufinden und einen “Gewinner” aus den beiden Optionen auswählen.
A / B-Tests können bequem verwendet werden, um alle Arten von „Zielen“ abhängig von Ihrer Website oder Ihrem Produkt zu verfolgen. Dies ist äußerst praktisch, um Daten zu sammeln und die Verwendbarkeit und Benutzerfreundlichkeit Ihres aktuellen Produkts zu verbessern.
Es scheint naheliegend, dass Homepages die wichtigste Landingpage auf einer Website sind, weil sie den ersten Eindruck einer Marke vermitteln. Allerdings sind für den Online Handel die E-Commerce-Produktseiten die tatsächlich wichtigsten Landingpages, die es zu optimieren gilt. Denn genau auf diesen Seiten werden direkte Verkäufe verzeichnet.
Ansprechende E-Commerce-Produktseiten sind für den Erfolg im E-Commerce von entscheidender Bedeutung (Quelle)
Der Online-Kauf von Waren und Dienstleistungen hat im Laufe der Jahre kontinuierlich zugenommen. Einfachheit und Bequemlichkeit, Kostenersparnis und kostenloser Versand sind einige derHauptgründe, weshalb sich Menschen für den Online-Kauf entscheiden und nicht im stationären Handel shoppen. Laut Schätzungen wurden 2021 weltweit über2,14 Milliarden Online-ShopperInnen gezählt und die COVID-19-Pandemie hat dieses Kaufverhalten sogar zusätzlich gepusht. Es ist offensichtlich, dass sowohl für traditionelle als auch für Online-Unternehmen die Erstellung erstklassiger E-Commerce-Produktseiten ein Schlüsselfaktor für den Erfolg in der heutigen digitalen Wirtschaft ist.
In diesem Artikel gehen wir auf die Bedeutung der Produktseiten ein, erklären, welche Elemente eine erstklassige E-Commerce-Produktseite ausmachen und wie sie optimiert werden können. Einige Beispiele erfolgreicher Produktseiten können als Inspiration für Ihre eigene Seite dienen. Los geht‘s!
[toc]
Warum sind E-Commerce-Produktseiten so wichtig?
Der Name sagt es schon: E-Commerce-Produktseiten sollen mit einem beschreibenden Text und relevanten Fotos oder Videos wichtige Details über ein bestimmtes Produkt vermitteln. Sie sollen KundInnen eine einfache Möglichkeit bieten, das Produkt sofort online zu kaufen. Auf vielen Websites finden UserInnen auch Bewertungen oder verwandte Produkte und können Artikel auf einer Wunschliste speichern.
E-Commerce-Produktseiten sollten sich mit Blick auf die beste User Experience durch ein ausgewogenes Verhältnis zwischen Inhalt und Funktionalität auszeichnen (Quelle)
Je nachdem, wie gut Ihre E-Commerce-Produktseiten gestaltet sind, können sie Ihren Online-Umsatz ankurbeln oder aber einbrechen lassen. Dabei geht es nicht nur um das Layout, den Inhalt oder die Funktionalität Ihrer Website, da alle drei Elemente – UI (User Interface), UX (User Experience) und IxD (Interaktionsdesign) – dieInteraktionskosten stark beeinflussen. Diese Kosten werden definiert als „Summe der mentalen und physischen Anstrengungen, die UserInnen unternehmen müssen, um ihr Ziel zu erreichen.“ Der Zeitaufwand und die Anstrengungen Ihrer KundInnen beim Navigieren auf Ihrer Website wirken sich direkt auf die Conversion Rates und Sales Performance aus und folglich auch auf den Gewinn Ihres Unternehmens.
Viele potenzielle KundInnen auf Ihre Homepage zu leiten, mag zunächst wie ein garantierter Erfolg erscheinen. Allerdings ist es nur einer von mehreren Schritten in einer einzigartigen Customer Journey. Statt mehr Traffic auf die Homepage Ihrer Website zu lotsen, sollten Sie die Conversion Rate eher erhöhen, indem Sie Ihre Zielgruppen auf bestimmte Produktseiten leiten.
Was macht eine gute Produktseite aus?
Eine gute E-Commerce-Produktseite steigert die Conversion Rate und reduziert gleichzeitig Warenkorbabbrüche in erheblichem Umfang. Im Idealfall stöbern Ihre KundInnen bei der Customer Journey durch Ihre Produkte, sehen sich die Empfehlungen für verwandte Produkte an, legen Produkte in den Warenkorb und bezahlen.
Eine starke Produktseite senkt auch die Absprungrate auf Ihrer Website (Prozentsatz der Personen, die Ihre Website besuchen und dann verlassen, ohne eine weitere Seite aufzurufen). Der Grund? Ansprechende E-Commerce-Produktseiten regen KundInnen an länger zu stöbern, andere Seiten der Website zu besuchen und letztendlich schneller und ohne langes Zögern zu kaufen.
Besonders leistungsfähige E-Commerce-Produktseiten steigern die Conversion Rate und reduzieren Warenkorbabbrüche (Quelle)
In einer idealen Welt würden KundInnen jedes Mal, gleich beim ersten Besuch einer Website, Käufe tätigen. Doch in der Praxis ist ein realistischeres Ziel, Ihre KundInnen durch eine herausragende User Experience und werbewirksame Incentives so schnell wie möglich zum Kauf zu bewegen. Im Wesentlichen möchten Sie, dass Ihre KundInnen möglichst schnell auf Ihre Website zurückkehren, um ihren Kauf abzuschließen, falls sie ihren Warenkorb stehen gelassen oder sich bestimmte Produkte angesehen haben.
Um dieses Ziel zu erreichen, müssen das Design der E-Commerce-Produktseite und die Customer Experience möglichst optimal sein. Hier einige wesentliche Elemente für eine High-Performance Produktseite:
Bilder, die ins Auge fallen. Am besten funktionieren qualitativ hochwertige und aussagekräftige Produktfotos und -videos. Zeigen Sie das Produkt aus verschiedenen Blickwinkeln, um einen Gesamtüberblick zu vermitteln. ShopperInnen würden das Produkt in einem Ladengeschäft nämlich ebenfalls von allen Seiten betrachten. Es ist auch eine gute Idee, einige „Produktdemo“-Fotos oder -Videos einzustellen, die das Produkt im Gebrauch zeigen.
Gut formulierte und informative Produktbeschreibung. Zusätzlich zu offensichtlichen Details wie Produktzweck, Materialen/Inhaltsstoffe und Größe möchten immer mehr KundInnen auch wissen, wie und wo die Produkte hergestellt werden und woher die Ausgangsstoffe für die Herstellung stammen. Je nach Branche und Marke lassen sich Produktbeschreibungen mit kreativen Texten oder Storytelling deutlich verbessern. Verfassen Sie immer einen eigenen Text. Kopieren Sie niemals einfach nur einen Text von anderen Websites, denn dann zieht Ihre Website bei den Suchmaschinen garantiert den Kürzeren.
Einfacher und eindeutiger Call-to-Action. Es wäre eine verpasste Chance, wenn potenzielle KundInnen auf einer ansprechenden Produktseite landen … nur um sie dann wieder zu verlassen, weil ihnen nicht klar ist, was zu tun ist. Lassen Sie dieses Problem erst gar nicht aufkommen. Erhöhen Sie die Conversions, indem Sie immer eineneindeutigen, einfach auszuführenden CTA in Ihre Produktseiten einbauen, z. B. „Jetzt kaufen“, „Mehr anzeigen“ oder „In den Warenkorb“.
Positiver Social Proof. Social Proof – in Form von KundInnenbewertungen, Rezensionen und Kommentaren, um nur einige zu nennen – stärkt das Vertrauen der KundInnen in die Glaubwürdigkeit Ihrer Marke. Über die Hälfte der Online-ShopperInnen liest mindestensvier Produktrezensionen, bevor sie ihreKaufentscheidung trifft. Satte92 % der VerbrauerInnen vertrauen eher unbezahlten Produktempfehlungen als jeder anderen Art von Werbung. Echte, authentische Rezensionen sind wichtig – lassen Sie die Finger von Fake-Bewertungen, denn wenn Sie dabei erwischt werden, kann der Ruf Ihrer Marke unwiderruflich ruiniert werden.
Relevante Produktvorschläge. Cross-Selling und Upselling sind effiziente Möglichkeiten,den durchschnittlichen Bestellwert (AOV) zu erhöhen. Beim Cross-Selling werden ergänzende oder verwandte Produkte zu den, von den potenziellen KundInnen gesuchten Produkten, empfohlen. Beim Upselling wird ein relevantes Produkt empfohlen, das etwas kostspieliger ist als das, welches der Kunde oder die Kundin bereits ins Auge gefasst hat. Manchmal soll hierbei ein exklusiver Rabatt als Anreiz dienen. Diese Praktiken steigern den Gesamtbestellwert und sorgen gleichzeitig für eine hohe KundInnenzufriedenheit.
Zugängliche Ressourcen und schnelle KundInnenhilfe. Haben Sie gewusst, dass80 % der Smartphone UserInnen eher bei Unternehmen shoppen, bei denen sie über ihre mobile Website oder App schnell und einfach eine Antwort auf ihre Fragen finden? Durch eine kleine FAQ Rubrik auf der Produktseite oder einen Link zu einer Wissensdatenbank können KundInnen Probleme eventuell selbst und ohne lange Wartezeiten beim Kundendienst lösen. Wenn Ihr Unternehmen einen Live Customer-Support anbietet, versuchen Sie, die schnellstmögliche Option anzubieten, um Frustration bei den KundInnen zu vermeiden (z. B. können E-Mails oder Chat-Support im Gegensatz zu Telefonanrufen verwendet werden, um mehreren KundInnen gleichzeitig zu helfen).
Im Folgenden gehen wir näher darauf ein, wie einige Elemente mit Best Practices optimiert werden können, um die Performance der Produktseite weiter zu verbessern.
Best Practices für die Gestaltung und Optimierung von E-Commerce-Produktseiten
Es gibt zahlreiche Möglichkeiten, Ihre Produktseite von der Konkurrenz abzuheben. Viele Strategien konzentrieren sich darauf, die Customer Journey mit einfachen, intuitiven und einprägsamen User Experiences zu verbessern.
Oft besteht auch die Möglichkeit, nicht nur den Inhalt Ihrer Produktseiten, sondern auch die allgemeine Funktionalität und die Navigation Ihrer E-Commerce-Website zu verbessern. Hier ein paar Best Practices, die Sie in Ihre eigene E-Commerce-Produktseiten Strategie integrieren können:
Definieren Sie Ihre Buyer Personas. Nehmen Sie sich vor dem Launch Ihres E-Commerce Stores Zeit, Ihre KundInnen-Avatare zu erstellen. Identifizieren Sie Ihre Zielgruppen im Voraus. Sie wissen dadurch besser, welche spezifischen Features und Vorteile Sie bei der Bewerbung Ihrer Produkte hervorheben sollen. Nur wenn Sie die Bedürfnisse, Ziele und Werte Ihrer KundInnen kennen, können Sie ihnen gezielte Lösungen anbieten.
Stellen Sie Produktbeschreibungen als Liste mit Aufzählungspunkten dar. AusführlicheProduktbeschreibungen sind eine gute Sache. Sie sollten allerdings auch darauf achten, dass sich der Text rein visuell leicht lesen lässt. Die meisten Online-ShopperInnen nehmen sich nicht die Zeit, umfangreiche Textabschnitte zu lesen, wenn sie die Seite nur durchstöbern. Erregen Sie auf Ihren Produktseiten die Aufmerksamkeit Ihrer Zielgruppe und erhalten Sie das Interesse aufrecht: Listen Sie wichtige Details und Vorteile anhand von übersichtlichen Aufzählungspunkten auf. So wie wir es in dieser Liste getan haben.
Verbessern Sie die UX auf Ihrer Produktseite. Eine gute Faustregel zur Optimierung der User Experiences besteht darin, ständig neue Strategien auszuprobieren, um Verbesserungsmöglichkeiten und Verbesserungspunkte zu identifizieren. Mit einer Lösung zur Digital Experience Optimierung wieAB Tasty können Sie fast jeden Aspekt Ihrer Produktseiten A/B-testen. Zusätzlich können Sie Inhalte und Formate mit dem intuitiven visuellen Editor direkt bearbeiten. Es ist immer besser, in kleinerem Maßstab mit Website-Varianten zu experimentieren. Auf diese Weise können Sie testen, inwieweit Ihre Theorie Bestand hat, bevor Sie endgültige oder hartcodierte Änderungen auf Ihrer Website vornehmen.
AB Tasty Case Studies: E-Commerce Produktseiten-Optimierung
Entdecken Sie, wie diese E-Commerce-Marken die Performance ihrer Produktseite mit dem visuellen Editor von AB Tasty verbessert haben:
Stellen Sie sicher, dass Ihre Produktseiten mobilfreundlich sind. Hohe Absprungraten sind oft bei Websites zu beobachten, die nicht geräteübergreifend ausgelegt sind. Mehr als50 % des gesamten Internet Traffics erfolgt heute auf Mobilgeräten. Daher sind nicht-mobilfreundliche E-Commerce-Websites wahrscheinlich zum Scheitern verurteilt. Das mag sich extrem anhören, aber wenn im Jahr 2021 voraussichtlich54 % des gesamten E-Commerce-Umsatzes über Mobilgeräte erzielt wurden, ist diese Entwicklung ernst zu nehmen.
Platzieren Sie Bestseller auffällig. Das funktioniert besonders gut bei neuen und unentschlossenen ShopperInnen. Bestseller-Artikel sind eine andere Form von Social Proof. Sie steigern dasVertrauen der KundInnen und zeigen ihnen, dass andere das betreffende Produkt für gut betrachten und entsprechend bewerten. Es verkürzt die Zeit, die für weitere Recherchen oder Einkäufe benötigt wird, weil ihnen die beste Wahl empfohlen wurde. Das beschleunigt die Customer Journey zur Kasse in effizienter Weise. Lesen Sie, wie die Firma Melvin & Hamilton ihrenUmsatz um 34 % steigern konnte, nachdem sie empfohlene Produkte ganz oben auf ihre Produktseite platzierte.
Optimieren Sie SEO für die Produktseite. Verbessern Sie das Ranking Ihrer Website in den Suchmaschinen durch eine extensive Keyword-Recherche. Finden Sie heraus, welche Begriffe (sowohlShort-Tail- als auch Long-Tail-Keywords) ihre Zielgruppen verwenden würden, wenn sie nach Produkten suchen, die in Ihrem E-Commerce-Shop angeboten werden. Fügen Sie diese relevanten Keywords in die Titel, Beschreibungen und Alt-Texte Ihrer Produktseiten ein, damit Ihre Website leichter zu finden ist.
Drei Beispiele für E-Commerce-Produktseiten und warum sie gut funktionieren
Im Folgenden haben wir ein paar Beispiele für ausgezeichnete Produktseiten zusammengestellt und hervorgehoben, welche Elemente einer Seite besonders gut funktionieren. Diese können Ihnen als Bezugspunkt und Inspirationsquelle dienen.
1. DHappyMakers
DHappyMakers nutzt Social Proof, um ein Gefühl von Kaufdringlichkeit zu erzeugen (Quelle)
Warum diese Methode funktioniert:
Die Produktbeschreibung auf dieser Produktseite ist sehr ausführlich und in vier separate Registerkarten mit Aufzählungspunkten unterteilt. Dadurch lässt sich auf den ersten Blick erkennen, wo die verschiedenen Arten von Informationen zu finden sind. Diese Produktseite für Schmuck geht schon im Vorfeld auf weit verbreitete Belange und Fragen der KäuferInnen ein, mit detaillierten Angaben zu den Materialien, Pflegeanleitungen sowie Umtauschbedingungen und Garantiebestimmungen. Die Produktseite zeigt außerdem in Echtzeit ein Pop-up an, wenn jemand ein bestimmtes Produkt kauft. Das Pop-up enthält eine Erinnerung an Kaufanreize wie den kostenlosen Versand und erzeugt ein Gefühl von Dringlichkeit, den Kauf schneller abzuschließen.
2. Benefit Cosmetics
Auf der Produktseite von Benefit werden die „Brauen-Bestseller“ als Eyecatcher hervorgehoben (Quelle)
Warum diese Methode funktioniert:
Die Produktseiten von Benefit vermitteln Spaß und zeichnen sich durch ein buntes und ansprechendes Design aus. Sie sorgen für eine Customer Experience, die perfekt auf ihre Zielgruppe zugeschnitten ist: Frauen, die Spaß an Kosmetik haben. Auf der Produktseite sind viele der wichtigen Elemente zu sehen, die wir zuvor erwähnt haben: ein Abschnitt mit Bestsellern, eindeutige CTAs, Social Proof (Produktbewertungen) und ein Hinweis auf die Farbnuancen, die für jedes Produkt erhältlich sind.
3. H&M
Die Produktseite von H&M nutzt zwei Strategien für das Cross-Selling verwandter Produkte (Quelle)
Warum diese Methode funktioniert:
Obwohl die Produktseiten von H&M auf den ersten Blick einen relativ minimalistischen Eindruck machen, werden auf der gesamten Seite subtile Social Proof-Strategien auf verschiedene Weise eingesetzt. Zusätzlich zu den klassischen Bewertungen der KäuferInnen wird eine Social Proof-Skala für die Passgenauigkeit verwendet, die das Vertrauen der KäuferInnen erhöht, dass das Produkt gut sitzt und passt – eine weit verbreitete Sorge bei Online-ShopperInnen. Für das Cross-Selling empfiehlt H&M verwandte Produkte, um das betreffende Produkt abzurunden, sowie Artikel in der Rubrik „Andere Kunden kauften auch“ (noch mehr Social Proof!). Zusätzlich passen sich die Produktseiten von H&M allen Geräten und Screen-Größen an. Dadurch bieten sie den KundInnen auf den meisten Plattformen ein nahtloses Browser-Erlebnis.
Setzen Sie neue Maßstäbe für Ihre Customer Experience
Es liegt auf der Hand, dass die Optimierung der Produktseite eine Schlüsselkomponente für denErfolg eines E-Commerce-Unternehmens ist. Weltweit gibt es Hunderte Millionen VerbraucherInnen, die ihre täglichen Einkäufe auch weiterhin online erledigen werden. Daher sollten Sie jetzt sicherstellen, dass auf Ihren E-Commerce-Websites alle wesentlichen Elemente und Best Practices berücksichtigt wurden, die wir in diesem Artikel aufgeführt haben. Wenn Sie bereit sind, neue Varianten auf Ihrer Website zu testen, probieren Sie für Ihre nächste Kampagnedas leistungsstarke Experimentier-Tool von AB Tasty aus.
Erzielen Sie mehr Conversions auf Ihren E-Commerce-Produktseiten durch einprägsame Customer Experiences (Quelle)
Die Debatte über die beste Methode zur Interpretation von Testergebnissen gewinnt in der Welt der Conversion Rate Optimierung zunehmend an Bedeutung.
Zwei inferenzstatistische Methoden (Bayessche vs. Frequentistische) lösen heftige Diskussionen darüber aus, welche die „beste“ sei. Bei AB Tasty haben wir beide Ansätze sorgfältig untersucht und für uns gibt es nur einen Gewinner.
Es gibt viele Diskussionen über die optimale statistische Methode: Bayessche vs. Frequentistische Methode (Source)
Lassen Sie uns zunächst auf die Logik hinter den beiden Methoden eingehen und die wesentlichen Unterschiede sowie Vorteile beider Methoden untersuchen. In diesem Artikel greifen wir folgende Punkte auf:
[toc]
Was sind Hypothesentests?
Der Rahmen für statistische Hypothesentests bei digitalen Experimenten kann durch zwei gegenteilige Hypothesen ausgedrückt werden:
H0 besagt, dass es keinen Unterschied zwischen dem Treatment (die bearbeitete Variante) und der Originalversion gibt. Mit anderen Worten: das Treatment hat keinen Einfluss auf den gemessenen KPI.
H1 besagt, dass es einen Unterschied zwischen dem Treatment und der Originalversion gibt. Somit hat das Treatment also Einfluss auf den gemessenen KPI.
Ziel ist es, Indikatoren zu berechnen, die Ihnen anhand der experimentellen Daten bei der Entscheidung helfen, ob Sie das Treatment (im Kontext von AB Tasty eine Variante) beibehalten oder verwerfen sollen. Zunächst bestimmen wir die Anzahl der zu testenden BesucherInnen, sammeln die Daten und prüfen dann, ob die Variante besser als das Original abschneidet.
Es gibt zwei Hypothesen im statistischen Hypothesen-Vorgehen (Quelle)
Im Wesentlichen gibt es zwei Ansätze für statistische Hypothesentests:
Frequentistischer Ansatz: Vergleich der Daten mit einem Modell.
Bayesscher Ansatz: Vergleich zweier Modelle (die aus Daten erstellt wurden).
Zur Durchführung des aktuellen Reportings und der Experimente, entschied sich AB Tasty vom ersten Moment an für den Bayesschen Ansatz.
Was ist der frequentistische Ansatz?
Bei diesem Ansatz erstellen wir ein Modell Ma für die Originalversion (A), die die Wahrscheinlichkeit P angibt, bestimmte Daten Da zu sehen. Es handelt sich dabei um folgende Funktion:
Ma(Da) = p
Dann können wir aus Ma(Db) einen p-Wert (Pv) errechnen. Dieser gibt die Wahrscheinlichkeit an, die bei Variante B gemessenen Daten zu sehen, wenn sie durch die Originalversion (A) erzeugt wurden.
Rein vom Gefühl her bedeutet ein hoher Pv, dass die bei B gemessenen Daten auch von A hätten produziert werden können (was die Hypothese H0 unterstützt). Ist Pv hingegen niedrig, bedeutet dies, dass die Wahrscheinlichkeit sehr gering ist, dass die bei B gemessenen Daten auch durch A hätten erzeugt werden können (was die Hypothese H1 unterstützt).
Ein weit verbreiteter Schwellenwert für Pv ist 0,05. Das heißt, damit die Variante einen Effekt hat, muss die Wahrscheinlichkeit unter 5 % liegen, dass die bei B gemessenen Daten auch von A stammen könnten.
Dieser Ansatz bietet den wesentlichen Vorteil, dass nur A modelliert werden muss. Dies ist interessant, da es sich um die ursprüngliche Variante handelt und diese schon länger als B existiert. Man könnte also durchaus glauben, dass man über einen langen Zeitraum Daten aus A sammeln kann, um aus diesen Daten ein genaues Modell zu erstellen. Leider bleibt der KPI, den wir beobachten, nur selten unverändert. Transaktionen oder Klickraten sind im Laufe der Zeit sehr variabel, weshalb man das Modell Ma erstellen und die Daten aus B im selben Zeitraum erheben muss, um einen gültigen Vergleich zu erhalten. Dieser Vorteil lässt sich offensichtlich nicht im Kontext digitaler Experimente anwenden.
Dieser Ansatz wird als „Frequentist“ bezeichnet, da er die Frequenz misst, in der bestimmte Daten wahrscheinlich bei einem bekannten Modell auftreten.
Wichtig ist darauf hinzuweisen, dass dieser Ansatz – wie wir oben gesehen haben – die beiden Prozesse nicht vergleicht.
Hinweis: Da p-Werte nicht intuitiv sind, werden sie oft wie folgt in eine Wahrscheinlichkeit umgewandelt:
p = 1-P-Wert
Häufig werden sie fälschlicherweise als die Wahrscheinlichkeit dargestellt, dass H1 wahr ist (was bedeutet, dass es einen Unterschied zwischen A und B gibt). Tatsächlich handelt es sich aber, um die Wahrscheinlichkeit, dass die bei B gesammelten Daten nicht von A erzeugt wurden.
Was ist der Bayessche Ansatz (den AB Tasty verwendet)?
Bei diesem Ansatz erstellen wir zwei Modelle, Ma und Mb (eines für jede Variante) und vergleichen sie dann. Diese Modelle, die auf der Grundlage von experimentellen Daten erstellt werden, erzeugen nach dem Zufallsprinzip die Stichproben: A und B. Wir verwenden diese Modelle, um Stichproben möglicher Raten zu erstellen und die Differenz zwischen diesen Raten zu berechnen. Mit dem Ziel, die Verteilung der Differenz zwischen den beiden Prozessen einzuschätzen.
Im Gegensatz zum ersten Ansatz, vergleicht dieser zwei Modelle miteinander. Hier spricht man vomBayesschen Ansatz oder der Bayesschen Methode.
Nun müssen wir ein Modell für A und B erstellen.
Klicks können alsBinomialverteilungen, mit den Parametern Anzahl der Versuche und Erfolgsquote, dargestellt werden. Bei digitalen Experimenten entspricht die Anzahl der Versuche der Anzahl der BesucherInnen und die Erfolgsquote der Klick- oder Transaktionsrate. In diesem Fall ist es wichtig zu wissen, dass es sich bei den uns betreffenden Raten nur um Schätzungen für eine begrenzte Anzahl von BesucherInnen handelt. Um diese begrenzte Genauigkeit zu modellieren, verwenden wirBeta-Verteilungen (entspricht derkonjugierten a-priori-Verteilungvon Binomialverteilungen).
Diese Verteilungen modellieren die Wahrscheinlichkeit einer Erfolgsquote, die bei einer begrenzten Anzahl von Versuchen gemessen wird.
Beispiel:
1.000 BesucherInnen bei A mit 100 Erfolgen
1.000 BesucherInnen bei B mit 130 Erfolgen
Wir erstellen das Modell Ma = beta(1+Erfolg_a,1+Misserfolge_a), wobei Erfolg_a = 100 & Misserfolge_a = BesucherInnen_a – Erfolg_a =900ist.
Sicher haben Sie ein +1 für die Parameter Erfolg und Misserfolg bemerkt, was sich in der Bayesschen Analyse durch den „Prior“ erklären lässt. Ein Prior ist etwas, was Sie bereits vor dem Experiment kennen. Z.B. etwas, was aus einem anderen (früheren) Experiment abgeleitet wurde. Bei digitalen Experimenten ist jedoch gut dokumentiert, dass die Klickraten nicht gleichbleibend sind und sich je nach Tages- oder Jahreszeit ändern können. Folglich können wir dies in der Praxis nicht verwenden. Die entsprechende Prior-Einstellung +1 ist einfach ein nicht informativer Prior, da Sie auf keine vorherigen brauchbaren Experimentierdaten zurückgreifen können.
Bei den drei folgenden Diagrammen entspricht die horizontale Achse der Klickrate und die vertikale Achse der Wahrscheinlichkeit dieser Rate. Dabei ist bekannt, dass bei einem vorherigen Experiment 100 Erfolge bei 1.000 Versuchen verzeichnet wurden.
(Quelle: AB Tasty)
Normalerweise sind hier 10 % am wahrscheinlichsten, 5 % oder 15 % sehr unwahrscheinlich und 11 % halb so wahrscheinlich wie 10 %.
Das Modell Mb wird mit den Daten aus Versuch B auf die gleiche Weise erstellt:
Mb= beta(1+100,1+870)
(Quelle: AB Tasty)
Für B liegt die wahrscheinlichste Rate bei 13 % während die Breite der Kurve ähnlich der vorherigen Kurve ist.
Nun vergleichen wir die Ratenverteilung von A und B.
Blau steht für A und Orange für B (Quelle: AB Tasty)
Wir sehen einen sich überlappenden Bereich bei einer Conversion Rate von 12 %. Hier haben beide Modelle die selbe Wahrscheinlichkeit. Für eine Schätzung des sich überlappenden Bereichs müssen wir aus beiden Modellen Stichproben ziehen und sie vergleichen.
Wir ziehen Stichproben aus den Verteilungen A und B:
s_a[i] ist die Stichprobe i th aus A
s_b[i] ist die Stichprobe i th aus B
Dann wenden wir eine Vergleichsfunktion auf diese Stichproben an:
der relative Gewinn: g[i] =100* (s_b[i] – s_a[i])/s_a[i]für alle i.
Es handelt sich um die Differenz zwischen den möglichen Raten für A und B in Bezug auf A (multipliziert mit 100 für die Lesbarkeit in %).
Nun können wir die Stichproben g[i] mit einem Histogramm analysieren:
Die horizontale Achse ist der relative Gewinn, die vertikale Achse die Wahrscheinlichkeit dieses Gewinns (Quelle: AB Tasty)
Wir sehen, dass der wahrscheinlichste Wert für den Gewinn bei rund 30 % liegt.
Die gelbe Linie zeigt, wo der Gewinn bei 0 liegt, d. h. es gibt keinen Unterschied zwischen A und B. Stichproben links von dieser Linie entsprechen Fällen, in denen A > B ist. Stichproben auf der anderen Seite sind Fälle, in denen A < B ist.
Anschließend definieren wir die Gewinnwahrscheinlichkeit wie folgt:
GW = (Anzahl der Stichproben > 0)/Gesamtanzahl der Stichproben
Bei 1.000.000 (10^6) Stichproben für g haben wir 982.296 Stichproben >0, sodass B>A ~ zu 98 % wahrscheinlich ist.
Wir nennen dies die „Gewinnchancen“ oder die „Gewinnwahrscheinlichkeit“ (die Wahrscheinlichkeit, dass man etwas gewinnt).
Die Gewinnwahrscheinlichkeit wird im Report hier dargestellt (siehe rotes Rechteck):
(Source: AB Tasty)
Mit der gleichen Stichprobenmethode können wir klassische Analysekennzahlen wie Mittelwert, Median, Perzentile usw. berechnen.
Bei Betrachtung des vorherigen Diagramms geben die roten vertikalen Linien an, wo sich der größte Teil des blauen Bereichs befindet, d. h. intuitiv, welche Gewinnwerte am wahrscheinlichsten sind.
Wir haben entschieden, ein Best Case- und ein Worst Case-Szenario mit einem Konfidenzintervall von 95 % zu präsentieren. Dabei wurden 2,5 % der Fälle im Extrembereich (beste und schlechteste Fälle) ausgeschlossen, sodass insgesamt 5 % der von uns als selten betrachteten Ereignisse unberücksichtigt bleiben. Dieses Intervall wird durch die roten Linien im Diagramm abgegrenzt. Wir gehen davon aus, dass der tatsächliche Gewinn (so, als wenn wir für die Messung eine unendliche Anzahl an BesucherInnen hätten) in 95 % der Fälle irgendwo in diesem Intervall liegt.
In unserem Beispiel liegt dieses Intervall bei [1,80 %, 29,79 %, 66,15 %], was bedeutet, dass es relativ unwahrscheinlich ist, dass der tatsächliche Gewinn unter 1,8 % liegt. Ebenso ist es relativ unwahrscheinlich, dass der Gewinn 66,15 % überschreitet. Und die Wahrscheinlichkeit ist gleichermaßen groß, dass die reelle Rate über oder unter dem Medianwert von 29,79 % liegt.
Das Konfidenzintervall wird im Report (eines anderen Experiments) hier dargestellt (siehe rotes Rechteck):
(Quelle: AB Tasty)
Was sind „Prior“ beim Bayesschen Ansatz?
In Bayesschen Frameworks wird der Begriff „Prior“ für die Informationen verwendet, über die Sie vor dem Experiment verfügen. Ein Beispiel: Allgemein ist bekannt, dass die Transaktionsrate im e-Commerce in den meisten Fällen unter 10 % liegt.
Es wäre sehr interessant gewesen, diesen Punkt einzubinden, aber diese Vermutungen sind in der Praxis schwer anzustellen, da die Saisonalität der Daten einen großen Einfluss auf die Klickraten hat. Tatsächlich liegt hier der Hauptgrund, weshalb wir die Daten für A und B gleichzeitig erheben. Meistens liegen uns bereits vor dem Experiment Daten von A vor. Wir wissen jedoch, dass sich die Klickraten im Laufe der Zeit ändern, sodass wir die Klickraten im Hinblick auf einen gültigen Vergleich für alle Varianten gleichzeitig erheben müssen.
Daraus folgt, dass wir einen nicht-informativen Prior verwenden müssen. Das bedeutet, dass wir vor dem Experiment nur wissen, dass die Raten zwischen [0 %, 100 %] liegen. Wir wissen nicht, wie hoch der Gewinn ausfallen kann. Dieselbe Vermutung wie beim Frequentistischen Ansatz, auch wenn sie nicht formuliert wurde.
Herausforderungen bei statistischen Tests
Wie bei jedem Testansatz wird auch hier das Ziel gesetzt, Fehler auszuschalten. Es gibt zwei Arten von Fehlern, die Sie vermeiden sollten:
Falsch positiv (FP): Wenn Sie eine Gewinnervariante auswählen, die in Wirklichkeit nicht die Variante mit der besten Performance ist.
Falsch negativ (FN): Wenn Sie eine Gewinnervariante verpassen. Entweder deklarieren Sie am Ende des Experiments keinen Gewinner oder den falschen Gewinner.
Die Performance bei beiden Messungen hängt vom verwendeten Schwellenwert (p-Wert oder Gewinnwahrscheinlichkeit) ab, der wiederum vom Kontext des Experiments abhängt. Die Entscheidung muss der oder die NutzerIn treffen.
Ein weiterer wichtiger Parameter ist die Anzahl der für das Experiment herangezogenen BesucherInnen, da sie einen starken Einfluss auf die falsch negativen Fehler hat.
Aus geschäftlicher Sicht ist ein falsch negatives Ergebnis eine verpasste Chance. Bei der Reduzierung falsch negativer Fehler geht es hauptsächlich um die Größe der Population, die dem Test zugewiesen ist: im Grunde genommen geht es darum, dem Problem mehr Besucher zuzuführen.
Das Hauptproblem sind allerdings falsch positive Ergebnisse, die hauptsächlich in zwei Situationen auftreten:
Bereits sehr früh im Experiment: Bevor die angestrebte Stichprobengröße erreicht ist, wenn die Gewinnwahrscheinlichkeit höher als 95 % ist. Es passiert, dass NutzerInnen zu ungeduldig sind und zu schnell Schlüsse ziehen, ohne dass genügend Daten vorliegen; das Gleiche gilt für falsch positive Ergebnisse.
Sehr spät im Experiment: Wenn die angestrebte Stichprobengröße erreicht ist, aber kein signifikanter Gewinner gefunden wird. Manche UserInnen glauben zu sehr an ihre Hypothese und wollen ihr eine weitere Chance geben.
Beide Probleme können durch strikte Einhaltung des Testprotokolls vermieden werden, indem Sie einen Testzeitraum mit einemStichprobenrechner festlegen und sich daran halten.
Bei AB Tasty gibt es eine visuelle Markierung mit dem Namen „Readiness“. Sie zeigt an, ob Sie sich an das Protokoll halten (ein Zeitraum von mindestens 2 Wochen und mindestens 5.000 BesucherInnen). Bei jeder Entscheidung über diese Richtlinien hinaus sollten die im nächsten Abschnitt beschriebenen Regeln beachtet werden, um das Risiko falsch positiver Ergebnisse zu reduzieren.
Dieser Screenshot zeigt, wie UserInnen darüber informiert werden, ob Maßnahmen ergriffen werden können.
(Quelle: AB Tasty)
Während des Zeitraums der Datenerhebung sollte man im Report lediglich prüfen, ob die Erhebung korrekt ist (ohne Häkchen bei „Zuverlässigkeit“) und nur nach extremen Fälle suchen, bei denen sofort gehandelt werden muss. Geschäftliche Entscheidungen aber sollten noch nicht getroffen werden.
Wann sollten Sie Ihr Experiment abschließen?
Early Stop
Bei einem „Early Stop“ möchte ein Nutzer oder eine Nutzerin einen Test stoppen, bevor die zugewiesene Anzahl der BesucherInnen erreicht ist.
Der oder die NutzerIn sollte warten, bis die Kampagne mindestens 1.000 BesucherInnen erreicht hat, und erst bei besonders hohen Verlusten abbrechen.
Wenn ein Nutzer oder eine Nutzerin für eine vermeintliche Gewinnervariante vorzeitig aufhören möchte, sollte mindestens zwei Wochen gewartet und nur Daten einer vollständigen Woche genutzt werden. Diese Taktik ist dann interessant, wenn die Geschäftskosten eines falsch positiven Ergebnisses noch in Ordnung sind. Dann ist es wohl wahrscheinlicher dass die Performance der vermeintlichen Gewinnervariante ähnlich zu der des Original ist, als dass ein Verlust entsteht.
Nochmals: Wenn dieses Risiko aus geschäftsstrategischer Sicht akzeptabel ist, ist diese Taktik sinnvoll.
Wenn ein(e) UserIn zu Beginn eines Tests eine Gewinnervariante (mit einer hohen Gewinnwahrscheinlichkeit) sieht, sollte für das Worst Case-Szenario eine Marge sichergestellt werden. Eine untere Grenze für den Gewinn nahe 0 % kann sich durchaus ändern und am Ende des Tests unter oder weit unter null liegen, was die anfangs angenommene hohe Gewinnwahrscheinlichkeit untergräbt. Die Vermeidung eines vorzeitigen Abbruchs mit einer niedrigen linken Konfidenzgrenze trägt dazu bei, falsch positive Ergebnisse zu Beginn eines Tests auszuschließen.
Beispielsweise ist eine Situation mit einer Gewinnwahrscheinlichkeit von 95 % und einem Konfidenzintervall wie [-5,16 %, 36,48 %, 98,02 %] ein Merkmal für einen vorzeitigen Abbruch. Die Gewinnwahrscheinlichkeit liegt über dem akzeptierten Standard, weshalb man vielleicht also 100 % des Traffics auf die Gewinnvariante leiten möchte. Das Worst Case-Szenario (-5,16 %) liegt jedoch relativ weit unter 0 %, was auf ein mögliches falsch positives Ergebnis hindeutet und somit auf jeden Fall riskant ist. Denn im Worst Case-Szenario gehen 5 % der Conversions verloren. Besser ist es so lange zu warten, bis die untere Grenze des Konfidenzintervalls bei mindestens >0 % liegt. Eine kleine Marge darüber wäre noch sicherer.
Später Abbruch
Bei einem „späten Abbruch“ lässt man am Ende eines Tests den Test länger als ursprünglich geplant laufen, da keine signifikante Gewinnervariante gefunden wurde. Der Nutzer oder die Nutzerin vertritt dabei die Hypothese, dass der Gewinn kleiner als erwartet ausfällt und für eine signifikante Aussage mehr BesucherInnen benötigt werden.
Wenn man entscheidet, ob die Laufzeit des Tests verlängert werden soll, ohne dem Protokoll zu folgen, sollte eher das Konfidenzintervall statt die Gewinnwahrscheinlichkeit berücksichtigt werden.
Wer Tests länger als geplant durchführen möchte, dem raten wir, nur sehr vielversprechende Tests zu verlängern. Dies bedeutet, einen hohen Wert für das beste Szenario zu haben (die rechte Grenze des Konfidenzintervalls sollte hoch sein).
Zum Beispiel ist dieses Szenario mit einer Gewinnwahrscheinlichkeit von 99 % und einem Konfidenzintervall von [0,42 %, 3,91 %] typisch für einen Test, der nicht über seine geplante Dauer hinaus verlängert werden sollte: Eine große Gewinnwahrscheinlichkeit, aber kein hohes Best Case-Szenario (nur 3,91 %).
Beachten Sie, dass sich das Konfidenzintervall mit zunehmender Stichprobenzahl verkleinert. Das heißt, wenn es am Ende tatsächlich eine Gewinnervariante gibt, wird ihr Best Case-Szenario wahrscheinlich kleiner als 3,91 % sein. Lohnt sich das wirklich? Wir raten, zumStichprobenrechner zurückzukehren und zu sehen, wie viele BesucherInnen für eine solche Genauigkeit erforderlich sind.
Hinweis: Diese Zahlenbeispiele stammen aus einer Simulation von A/A-Tests, wobei ein gescheiterter Test ausgewählt wurden.
Die Lösung: Konfidenzintervalle
Die Verwendung des Konfidenzintervalls anstelle der alleinigen Betrachtung der Gewinnwahrscheinlichkeit wird die Entscheidungsfindung erheblich verbessern. Ganz zu schweigen davon, dass dies unabhängig vom Problem falsch positiver Ergebnisse geschäftlich wichtig ist. Alle Varianten müssen die Kosten für die Umsetzung in der Produktion decken. Man darf nicht vergessen, dass die Originalversion bereits besteht und keine zusätzlichen Kosten verursacht. Daher tendiert man implizit und pragmatisch immer zum Original.
Jede Optimierungsstrategie sollte einen minimalen Schwellenwert für die Größe des Gewinns haben.
Eine andere Art von Problem kann auftreten, wenn mehr als zwei Varianten getestet werden. In diesem Fall wird eineHolm-Bonferroni-Korrektur angewendet.
Warum AB Tasty den Bayesschen Ansatz gewählt hat
Zusammengefasst, was ist nun besser? Die Bayessche oder die frequentistische Methode?
Wie bereits gesagt: beide statistischen Methoden sind tragfähig. AB Tasty hat sich aus den folgenden Gründen für das Bayessche Statistikmodell entschieden:
Verwendung eines Wahrscheinlichkeitsindexes, der eher dem entspricht, was die Nutzer und Nutzerinnen denken, statt eines p-Werts oder eines verschleierten Werts
Bereitstellung von Konfidenzintervallen für fundiertere Geschäftsentscheidungen (nicht alle Gewinnervarianten sind wirklich interessant, um sie in die Produktion zu bringen). Ebenfalls ein Mittel, um falsch positive Fehler zu reduzieren.
Im Endeffekt ergibt es einen Sinn, dass die frequentistische Methode ursprünglich von so vielen Unternehmen übernommen wurde. Am Ende handelt es sich um eine Standardlösung, die leicht zu codieren und in jeder Statistikbibliothek zu finden ist (ein besonders wichtiger Vorteil, da die meisten EntwicklerInnen keine Statistiker sind).
Dennoch, auch wenn diese Methode anfangs für Experimente großartig war, gibt es heute bessere Möglichkeiten: die Bayessche Methode. Alles hängt davon ab, was Ihnen diese Möglichkeiten bieten: Während die frequentistische Methode zeigt, ob es einen Unterschied zwischen A und B gibt, geht die Bayessche Methode einen Schritt weiter und berechnet, wie groß der Unterschied ist.
Kurzum, bei Durchführung eines Experiments haben Sie bereits die Werte für A und B. Nun möchten Sie herausfinden, welchen Gewinn Sie erzielen, wenn Sie von A zu B wechseln. Diese Frage lässt sich am besten mit einem Bayesschen Test beantworten.
Wir bei AB Tasty lieben es, Ihnen bei der Verbesserung der Experiences Ihrer Kunden zu helfen. Das Gleiche wollen wir für Sie auf der AB Tasty-Plattform tun! Wir sammeln ständig Feedback von unseren NutzerInnen, und nächsten Monat werden wir unsere neue Navigation auf der Grundlage dieses Feedbacks einführen.
Dies tun wir aus mehreren Gründen:
Wir wollen Ihnen das Beste bieten, indem wir die Qualität Ihrer Erfahrung auf der Plattform weiter verbessern. 💖
Wir wollen, dass Sie genau das finden, was Sie brauchen, wenn Sie es brauchen. Das heißt, dass wir die Organisation der Informationen verbessern und Ihre bevorzugten (und neuen!) Funktionen auf eine leicht zu navigierende Weise klassifizieren. 🕵️
Wir möchten außerdem, dass Sie die Website so intuitiv wie möglich nutzen können, indem wir Ihnen von der ersten Anmeldung an eine bessere Orientierung bieten. Wir bringen Sie so schnell wie möglich von A nach B. 🗺
Und was bedeutet das für Sie?
Wir werden Sie in den kommenden Wochen durch die Updates führen, trotzdem bekommen Sie hier schon mal einen kleinen Vorgeschmack auf das, was Sie erwartet:
Bessere Sichtbarkeit mit einer neuen Seitenleistennavigation. Diese ermöglicht es Ihnen, mit einem einzigen Klick auf jeden Bereich der Plattform zuzugreifen. Für mehr Arbeitsfläche, können Sie diese einfach einklappen.
Wir haben das Hamburger-Menü abgeschafft, um Ihnen mehr Kontrolle darüber zu geben, wohin Sie innerhalb der Plattform gehen möchten – ob zu den Tests, zur Personalisierung, den Zielgruppen, zur Analyse oder zum ROI. Außerdem gibt es eine Login-Schaltfläche, die Sie direkt zu Flagship, unserer Lösung für das Feature-Management, führt. 🧭
Verbesserter, neu organisierter Zugang zu den Einstellungen, um die von unseren Kunden am häufigsten genutzten Optionen anzuzeigen.
Wir haben einen eleganteren Look entworfen, indem wir das Einstellungsmenü für ein saubereres Erscheinungsbild und eine einfachere Navigation konsolidiert haben. 💅
Neue Kopfzeile, die Sie durch jeden Schritt des Workflows begleitet. Von der Kampagnenerstellung bis hin zur Berichterstattung gibt sie Ihnen einen besseren Überblick über den Status einer Kampagne.
Ihre Schritt-für-Schritt-Schaltflächen bleiben genau dort, wo sie sind, nur die Kopfzeile wird verschoben, damit für Sie alles besser sichtbar ist. Einschließlich eines bearbeitbaren Kampagnennamens, Status und Berichts, direkt neben den Tag- und Kontoinformationen. 👀
Wir hoffen, dass diese spannenden Änderungen einen großen, positiven Einfluss darauf haben, wie Sie AB Tasty nutzen! 💥 Wir wissen, dass vielleicht Fragen aufkommen, während Sie sich durch die neue Navigation bewegen und AB Tasty ist da, um Ihnen zu helfen! Auch wissen wir, dass Sie zum neuen Design oder darüber hinaus vielleicht Feedback haben. Wir freuen uns, wenn Sie es mit uns auf unserem Canny Board teilen.Wir sehen uns bald in der neuen Navigation!
Statistische Signifikanz ist ein leistungsfähiges digitales Marketingtool, das aber oft unzureichend genutzt wird.
Als gleichermaßen theoretisches und praktisches Konzept können Sie statistische Signifikanzmodelle zur Optimierung zahlreicher zentraler Marketingaktivitäten (einschließlich A/B-Tests) verwenden.
A/B-Tests sind ein wesentlicher Bestandteil, um die User Experience (UX) eines für den Kunden sichtbaren Touchpoints (Landingpage, Zahlungsprozess, mobile App usw.) zu verbessern, die Performance zu steigern und die Conversions zu fördern.
Durch die Erstellung zweier Versionen eines bestimmten Marketing-Assets – beide mit leicht unterschiedlichen Funktionen oder Elementen – und der Analyse ihrer Performance, können eine optimierte Landingpage, E-Mails, Web-Apps usw. entwickelt werden, die die besten Ergebnisse erzielen. Diese Methodik wird auch als Hypothesentest mit zwei Stichproben bezeichnet.
Wenn es um A/B-Tests und ihren Erfolg geht, spielt statistische Signifikanz eine wichtige Rolle. In diesem Artikel werden wir dieses Konzept im Detail erläutern und erklären, wie statistische Signifikanz den Prozess des A/B-Testing verbessern kann. Zuvor wollen wir jedoch auf die Bedeutung von statistischer Signifikanz eingehen.
[toc]
Was ist statistische Signifikanz und warum ist sie wichtig?
Investopedia definiert statistische Signifikanz wie folgt:
„Die Behauptung, dass ein Ergebnis aus Daten, die durch Tests oder Experimente generiert wurden, wahrscheinlich nicht durch Zufall auftritt, sondern auf eine bestimmte Ursache zurückzuführen ist.“
So gesehen bietet Ihnen die statistische Signifikanz die Möglichkeit, einer bestimmten Ursache auf den Grund zu gehen und dadurch fundierte Entscheidungen zu treffen, aus denen Ihr Unternehmen Nutzen zieht. Im Grunde genommen ist statistische Signifikanz das Gegenteil von „im Dunkeln tappen“.
Mit Tests und Experimenten fundierte Entscheidungen treffen
Berechnung der statistischen Signifikanz
Um die statistische Signifikanz exakt zu berechnen, kommen am häufigsten der Chi-Quadrat-Test bzw. die Chi Quadrat-Verteilung nach Pearson zum Einsatz.
Bei dem von Karl Pearson entwickelten Chi-Quadrat-Test (Chi ist der Buchstabe ‚x‘ im Griechischen) quadrieren NutzerInnen ihre Daten, um mögliche Variablen hervorzuheben.
Diese Methodik basiert auf ganzen Zahlen. Zum Beispiel wird das Chi-Quadrat häufig verwendet, um im Marketing die Conversion Rate zu testen – ein eindeutiges Szenario, bei dem UserInnen entweder die gewünschte Aktion ausführen oder nicht.
Im digitalen Marketing wird die Chi-Quadrat-Methode von Pearson nach folgender Formel angewendet:
Vor diesem Hintergrund wird ein Test oder Experiment als statistisch signifikant betrachtet, wenn die Wahrscheinlichkeit (p) kleiner ist als der festgelegte Schwellenwert (a), welcher auch als Alpha bezeichnet wird. Klarer ausgedrückt: Ein Test erweist sich als statistisch signifikant, wenn die Wahrscheinlichkeit gering ist, dass ein Ergebnis dem Zufall zu verdanken ist.
Statistische Signifikanz ist wichtig, denn die Anwendung dieser im Marketing gibt Ihnen die Sicherheit, dass sich Ihre Anpassungen einer Kampagne, einer Website oder einer App auf das Engagement, die Conversion Rates und andere zentrale Kennzahlen positiv auswirken.
Im Wesentlichen beruhen statistische Signifikanzergebnisse nicht auf Zufall, sondern hängen vorrangig von zwei Variablen ab: Stichprobengröße und Effektstärke.
Statistische Signifikanz und digitales Marketing
An dieser Stelle haben Sie wahrscheinlich eine Vorstellung davon, welche Rolle statistische Signifikanz im digitalen Marketing spielt.
Wenn Sie Ihre Daten nicht validieren oder Ihren Erkenntnissen keine Glaubwürdigkeit verleihen, müssen Sie wahrscheinlich zu Werbeaktionen greifen, die nur einen sehr geringen Wert oder Return on Investment (ROI) bieten, vor allem wenn es um A/B-Tests geht.
Trotz der Fülle an Daten in unserem digitalen Zeitalter treffen viele Marketingexperten immer noch Entscheidungen aus dem Bauch heraus.
Im Dunkeln zu tappen mag zwar gelegentlich positive Ergebnisse hervorbringen, aber um Kampagnen oder Assets zu erstellen, die bei Ihrer Zielgruppe auf deutliche Resonanz stoßen, sind intelligente Entscheidungen auf Grundlage wasserdichter Erkenntnisse von zentraler Bedeutung.
Bei der Durchführung von Tests oder Experimenten, die sich auf Schlüsselelemente Ihrer digitalen Marketingaktivitäten stützen, sollten Sie methodisch vorgehen, um sicherzustellen, dass jeder Schritt, den Sie unternehmen, einen wirklichen Mehrwert bietet. Und die statistische Signifikanz hilft Ihnen dabei.
Statistische Signifikanz für A/B-Tests verwenden
Jetzt zu den A/B-Tests oder genauer gesagt, zu der Frage, wie Sie Ihre A/B-Test mit statistischer Signifikanz verbessern können.
Einsatzmöglichkeiten für Tests
Bevor wir uns mit der Praxis befassen, sollten wir uns fragen, welche A/B-Tests mit statistischer Signifikanz durchgeführt werden können:
E-Mail Klicks, Öffnungsraten und Engagement
Conversion Rates auf Landingpage
Antworten auf Benachrichtigungen
Conversions nach Push Notifications
KundInnenreaktionen und Browsing-Verhalten
Reaktionen auf Produkteinführungen
Calls to Action (CTAs) auf Websites
Die statistischen Schritte
Um A/B-Tests mit statistischer Signifikanz (Chi-Quadrat-Test) erfolgreich durchzuführen, sollten Sie folgende Schritte befolgen:
Stellen Sie eine Nullhypothese auf
Hinter der Nullhypothese steckt der Gedanke, dass Sie hier keine signifikanten Ergebnisse erhalten werden. Eine Nullhypothese könnte beispielsweise lauten, dass es keine ausdrücklichen Beweise dafür gibt, dass Ihre Zielgruppe Ihren neuen Zahlungsprozess dem ursprünglichen Zahlungsprozess vorzieht. Solche Hypothesen oder Behauptungen werden als Benchmark verwendet.
Erstellen Sie eine alternative Theorie oder Hypothese
Nach der Nullhypothese sollten Sie eine alternative Theorie aufstellen, mit dem Ziel, sie endgültig beweisen zu können. In diesem Zusammenhang könnte die alternative Behauptung lauten: Unsere Zielgruppe bevorzugt unseren neuen Zahlungsprozess.
Legen Sie Ihren Schwellenwert fest
Nachdem Sie Ihre Hypothesen aufgestellt haben, sollten Sie einen Schwellenwert in Prozenten ((a) oder Alpha) festlegen, der die Gültigkeit Ihrer Theorie bestimmt. Je niedriger der Schwellenwert – oder (a) –, desto strenger der Test. Wenn Ihr Test auf einem umfangreicheren Asset wie z. B. einer vollständigen Landingpage basiert, können Sie einen höheren Schwellenwert festlegen als für die Analyse einer ganz bestimmten Kennzahl oder eines bestimmten Elements wie beispielsweise eines CTA-Buttons.
Für beweiskräftige Ergebnisse müssen Sie den Schwellenwert unbedingt vor einem A/B-Test oder Experiment festlegen.
Führen Sie Ihren A/B Test durch
Sobald Sie Ihre Theorien und Schwellenwerte festgelegt haben, ist es an der Zeit, den A/B-Test durchzuführen. In diesem Beispiel AB-testen Sie zwei Versionen (A und B) Ihres Zahlungsprozesses und dokumentieren die Ergebnisse.
Hier können Sie die Abbruch- sowie die Conversion Rate vergleichen, um festzustellen, welche Version besser abgeschnitten hat. Wenn der Zahlungsprozess B (die neuere Version) bessere Ergebnisse als das Original (Version A) liefert, dann hat sich Ihre alternative Theorie oder Hypothese bestätigt.
Wenden Sie die Chi-Quadrat-Methode an
Mit Ihren Erkenntnissen können Sie den Chi-Quadrat-Test anwenden und feststellen, ob die tatsächlichen Ergebnisse von den erwarteten Ergebnissen abweichen.
Um Ihnen zu helfen, Chi-Quadrat-Berechnungen auf Ihre A/B-Test-Ergebnisse anzuwenden, finden Sie hier ein Video-Tutorial:
Durch die Anwendung von Chi-Quadrat-Berechnungen auf Ihre Ergebnisse können Sie feststellen, ob das Ergebnis statistisch signifikant ist (wenn Ihr (p)-Wert niedriger als Ihr (a)-Wert ist), und sich gleichzeitig Ihrer Entscheidungen, Aktivitäten oder Initiativen sicher sein.
Setzen Sie die Theorie in die Praxis um
Wenn Sie zu einem statistisch signifikanten Ergebnis gekommen sind, sollten Sie sicher sein, dass Sie die Theorie auch in die Praxis umsetzen können.
Wenn die Theorie des Zahlungsprozesses in diesem Beispiel eine statistisch signifikante Beziehung aufweist, würden Sie die fundierte Entscheidung treffen, die neue Version (Version B) bei Ihrem gesamten KundInnenstamm oder Ihrer Population einzuführen statt nur bei bestimmten Segmenten Ihrer Zielgruppe.
Sollten Ihre Ergebnisse nicht als statistisch signifikant betrachtet werden, würden Sie eine weitere, größere Stichprobe A/B-testen.
Anfangs können sich Experimente zur statistischen Signifikanz als schwierig erweisen. Es gibt jedoch kostenlose Online-Berechnungstools, die Ihnen die Arbeit erleichtern können.
Statistische Signifikanz und A/B-Tests: Was Sie vermeiden sollten
Es ist zwar wichtig zu wissen, wie Sie die statistische Signifikanz bei Ihren A/B-Tests effektiv anwenden können, aber ebenso wichtig ist es zu wissen, was Sie vermeiden sollten.
Im Folgenden finden Sie einen Überblick über die häufigsten Fehler bei A/B-Tests, um sicherzustellen, dass Sie Ihre Experimente und Berechnungen erfolgreich durchführen:
Überflüssige Verwendung: Bei kostengünstigen oder reversiblen Marketinginitiativen oder -aktivitäten müssen Sie Ihren A/B-Tests keine strategische Bedeutung beimessen, da sie letztendlich Zeit kosten. Wenn Sie etwas testen, das nicht reversibel ist oder eine endgültige Antwort erfordert, sollten Sie sich für Chi-Quadrat-Tests entscheiden.
Mangelnde Anpassungen oder Vergleiche: Wenn Sie die statistische Signifikanz bei A/B-Tests anwenden, sollten Sie mehrere Variationen oder mehrere Vergleiche zulassen. Andernfalls werden Ihre Ergebnisse entweder verfälscht oder begrenzt, wodurch sie in manchen Fällen unbrauchbar werden.
Verzerrungen erzeugen: Bei A/B-Tests dieser Art werden Experimente häufig unbewusst beeinflusst, wenn zum Beispiel die Population oder der KundInnenstamm nicht als Ganzes berücksichtigt wird.
Um dies zu vermeiden, müssen Sie Ihren Test vor Beginn auf Herz und Nieren prüfen, damit Ihre Ergebnisse nicht durch bestimmte Variablen in die falsche Richtung gelenkt werden. Ist Ihr Test z. B. auf eine bestimmte geografische Region ausgerichtet oder auf eine bestimmte User-Demografie beschränkt? Wenn ja, sollten vielleicht Anpassungen vorgenommen werden.
Statistische Signifikanz spielt bei A/B-Tests eine zentrale Rolle und bietet eine Reihe von Erkenntnissen, die den geschäftlichen Erfolg branchenübergreifend beschleunigen können, wenn Sie die Dinge richtig angehen.
Für Erkenntnisse oder eine Validierung sollten Sie sich zwar nicht auf statistische Signifikanz verlassen, aber sie ist sicherlich ein Instrument, das Sie in Ihrem digitalen Marketing-Toolkit haben sollten.
Wir hoffen, dass Ihnen dieser Leitfaden alle Informationen bietet, die Sie brauchen, um mit statistischer Signifikanz zu beginnen. Haben Sie eine Anmerkung oder möchten Sie Ihre Erfahrung teilen? Hinterlassen Sie einfach einen Kommentar.
