Lesen Sie sich als Erstes die Einleitung unserer Serie über kundenzentrierte Daten durch.
Im ersten Blog unserer fünfteiligen Serie über die verschiedenen Möglichkeiten, wie Sie Daten nutzen können, um Marken beim Aufbau einer kundenzentrierten Vision zu unterstützen, gehen unsere Partnerin Aimee Bos, VP of Analytics and Data Strategy bei Zion & Zion, und der Chief Data Scientist von AB Tasty, Hubert Wassner, folgender Frage nach: Wie können Sie mit Hilfe von Testdaten Ihre KundInnen besser verstehen? Sie erforschen das Wer, Was und Wann des Testens, erörtern die wichtigsten Metriken zum Kundenverständnis, die Bedeutung von Zielgruppengrößen, wo Ihre besten Ideen für Tests lauern und vieles mehr.
Warum sind Experimente wichtig, um KundInnen zu verstehen?
Einfach ausgedrückt: Experimente ermöglichen es Marken, ihre Produkte zu perfektionieren. Durch die Verbesserung des bereits entwickelten Werts wird die Customer Experience verbessert. Zudem wird jedes Mal, wenn eine neue Funktion oder Option einem Produkt hinzugefügt wird, durch konsequente A/B-Tests für einheitliche Kundenreaktionen gesorgt. Das Experimentieren funktioniert in einer Feedback-Schleife mit den KundInnen und geht über Conversions oder Akquisitionen hinaus. Es verbessert die Akzeptanz und die Kundenbindung und macht Ihr Produkt schließlich für Ihre KundInnen unverzichtbar.
Welche Schlüsselmetriken liefern die besten Erkenntnisse über KundInnen?
Hubert sagt: „Grundsätzlich sind die Kennzahlen, die verlässliche Erkenntnisse über die KundInnen liefern, die Conversion-Rate und der durchschnittliche Warenkorbwert, segmentiert nach aussagekräftigen Kriterien wie Geolocation oder CRM-Daten. Aber es gibt auch andere interessante Kennzahlen, wie z. B. der Umsatz pro Besucher (RPV). Es handelt sich dabei um eine Metrik mit geringem Wert, die aber wichtig zu überwachen ist.“
„Und der durchschnittliche Auftragswert (AOV) ist eine weitere. Diese Kennzahl schwankt im Laufe der Zeit enorm und sollte daher nicht als Tatsache betrachtet werden. Saisonale Schwankungen (z. B. an Weihnachten oder Black Friday) oder sogar ein einzelner großer Käufer können die Statistik verfälschen. Sie muss in mehreren Zusammenhängen betrachtet werden, um ein besseres Verständnis des Fortschritts zu erhalten – nicht nur von Jahr zu Jahr, sondern auch von Monat zu Monat und sogar von Woche zu Woche. Nur so kann sie effektiv berechnet werden.“
„AOV und RPV sind wichtig, weil ihre Auslassung zu Datenverzerrungen führen kann. Oft wird vergessen, die Metriken über nicht konvertierende BesucherInnen zu analysieren. Natürlich liefert der AOV nur Daten über diejenigen, die den Kaufzyklus tatsächlich vollständig durchlaufen haben.“
Aimee stimmt zu: „Nun, natürlich die Gewinnrate. Im E-Commerce geht es um Conversions, Wert, RPV und ob der Wert der durchschnittlichen Bestellung erhöht wird. Wir wollen so viele Daten wie möglich auf einer möglichst granularen Ebene für Lead-Generierung, Gated Content und Micro-Conversions haben… Diese kleineren Tests können mit kundenorientierten Metriken verknüpft werden, im Gegensatz zu größeren Unternehmens-Metriken wie Umsatz, Wachstum, Anzahl der Kunden, ROI usw.“
Wo gibt es die besten Quellen für Experimentierideen?
Aimee hat ihren eigenen Prozess. „Ich beginne damit, mich zu fragen, was meine Geschäftsziele sind (Mikro-/Makroebene). Dann überprüfe ich Google Analytics und frage mich: ‚Wo finden keine Conversions statt?‘ Um Ideen für Experimente zu finden, schaue ich mir Tools wie HotJar, Voice-of-Customer-Data (VoC), Qualtrics-Daten, tatsächliches Kundenfeedback und Benutzerpanelisten an: Lassen Sie ihnen die Wahl, fragen Sie sie, was sie bevorzugen. Stellen Sie immer Hypothesen über Reibungspunkte auf, diese werden Ihnen die besten Ideen für Tests liefern!“
Hubert holt sich seine Ideen gerne aus NPS-Werten. „Der Net Promoter Score (NPS) enthält nützliche Informationen und Kommentare und kann ein guter Ausgangspunkt für faktenbasierte und nicht für zufällige Hypothesen sein, die nur Zeitverschwendung sind. Der NPS kann gut konzipierten Tests eine echte Stärke verleihen. Er basiert auf einer einzigen Frage: Auf einer Skala von 0 bis 10, wie wahrscheinlich ist es, dass Sie das Produkt oder die Dienstleistung dieses Unternehmens einem Freund oder Kollegen empfehlen? Der NPS ist eine gute Möglichkeit, verbesserungsbedürftige Bereiche zu identifizieren, aber als Indikator für den CX-Wert eines Unternehmens muss er mit qualitativen Erkenntnissen gepaart werden, um den Kontext hinter dem Wert zu verstehen.“
Wie füge ich alles zusammen? Was brauche ich, um meine Tests durchzuführen?
Natürlich brauchen Sie ein Tool, um Ihre AB-Tests durchzuführen und die notwendigen Daten zu sammeln, um gute Hypothesen aufstellen zu können. Aber eine gute Möglichkeit, Ihrem Testprogramm einen großen Schub zu geben – und zu einem höheren ROI beizutragen – sind Tools wie Contentsquare oder Fullstory. Diese bieten mehr Daten zum Kundenverhalten und zur Customer Experience, um Ihre Testdaten zu fokussieren. Analyseplattformen wurden entwickelt, um die Lücke zwischen den digitalen Erlebnissen, die Unternehmen ihren KundInnen zu bieten glauben, und dem, was die KundInnen tatsächlich bekommen, zu schließen. Sie bieten gute Möglichkeiten Hypothesen zu testen, indem sie fundiertere Vermutungen über Variablen für Tests zur Verbesserung der CX liefern.
Ich bin bereit zu testen, aber ich habe mehrere Hypothesen. Wie fange ich an?
Aimee sagt: „Wenn es so weit ist, zerlegen wir große Probleme in kleinere. Wir haben einen Kunden oder eine Kundin, welche/r sein/ihr Geschäft verdreifachen und in diesem Jahr unter anderem auch einen CDP durchführen möchte. Das ist eine ganze Menge! Um zu helfen, erstellen wir eine Customer Journey Roadmap, um zu sehen, was die Ziele des Kunden oder der Kundin beeinflusst. Wir wählen fünf oder sechs übergeordnete Ziele aus (z. B. Landing Page oder Navigation gemessen an der Click-Through-Rate) und testen dann verschiedene Aspekte jedes dieser Ziele.“
Hubert merkt an: „Es ist möglich, mehr als eine Hypothese auf einmal zu testen, wenn die Stichprobe groß genug ist. Aber zuerst müssen Sie wissen, wie groß die statistische Aussagekraft Ihres Experiments ist. Kleine Stichproben können nur starke Effekte aufdecken. Es ist wichtig, die Größenordnung zu kennen, um sinnvolle Experimente durchführen zu können. Es ist immer am besten, die Variablen an einem großen Publikum mit unterschiedlichen Verhaltensweisen und Bedürfnissen zu testen, um möglichst zuverlässige und fundierte Ergebnisse zu erhalten.“
Ist es sinnvoll, Experimente zur Datenerfassung durchzuführen (im Gegensatz zur Verbesserung der Conversion-Rate / Steigerung einer bestimmten Kennzahl)?
Hubert glaubt fest an das Testen, unabhängig davon, was Sie glauben, was passieren könnte. „Testen ist immer nützlich, denn aus einem guten Test lernt man etwas, man lernt etwas, egal ob man gewinnt oder verliert. Solange man eine Hypothese hat. So ist es zum Beispiel nützlich, die Wirkung eines (vermeintlichen) Verkaufsmerkmals (wie einer Anzeige oder eines Verkaufs) zu messen. Man weiß, wie viel eine Anzeige oder ein Verkauf kostet, aber ohne Experimente weiß man nicht, wie sehr es sich lohnt.“
„Oder sagen wir, Sie haben eine 100%ige Gewinnrate. Das bedeutet, dass Sie nicht mehr lernen. Also testet man, um neue Informationen in anderen Bereichen zu gewinnen, man bleibt nicht einfach stehen. Man minimiert die Verluste, um die Gewinne zu maximieren.“