}w !"#$%&'()+,-./012345
Masarykova univerzita Fakulta informatiky
Optimalizace konverzního poměru v online prostředí Diplomová práce
Bc. David Mareček
Brno, Jaro 2015
Prohlášení Prohlašuji, že tato diplomová práce je mým původním autorským dílem, které jsem vypracoval samostatně. Všechny zdroje, prameny a literaturu, které jsem při vypracování používal nebo z nich čerpal, v práci řádně cituji s uvedením úplného odkazu na příslušný zdroj.
Bc. David Mareček
Vedoucí práce: Mgr. Lukáš Pokorný ii
Poděkování V prvé řadě bych rád poděkoval vedoucímu mé diplomové práce panu Mgr. Lukáši Pokornému za jeho odborné vedení, konzultace, trpělivost a podnětné návrhy k této práci. Dále bych chtěl poděkovat digitální agentuře RobertNemec.com za to, že jsem se díky jejich stáži měl možnost o optimalizaci konverzního poměru vůbec dozvědět. Velký dík také patří panu Robertu Škvarkovi ze Store4you.cz, Tomáši Horkému z Hsport.cz, Pavlu Adamcovi z Zirafa-shop.cz a pánům Františku Vaverkovi a Radkovi Ambrožovi z MrakyHracek.cz za umožnění testování na jejich obchodech. Rád bych poděkoval i Petře Štorkové z Jdipracovat.cz, Michalu Drapákovi z Goddog.cz a Josefu Polčiakovi z Vsemina.cz za ochotu propůjčit svoje stránky k testování, i když je nakonec nebylo možné využít. Na závěr bych rád poděkoval rodině a přítelkyni Šárce za komfort během vytváření této práce a usměrňování mého psaného projevu.
iii
Shrnutí Tato práce se zabývá problematikou optimalizace konverzního poměru se zaměřením na e-commerce a lead generation. Konkrétně se zaměřuje na část mezi příchodem návštěvníka na web a jeho konverzí. Seznamuje s pojmy z oblasti konverzního poměru. Popisuje základní faktory, které ovlivňují motivaci návštěvníka webu k uskutečnění konverze. V druhé části jsou tyto poznatky ověřovány testováním na reálných webových projektech. Za tímto účelem je ustanoven testovací proces zahrnující témata od tvorby hypotézy, přes volbu nástrojů, až po samostatné testování a vyhodnocení výsledků.
iv
Klíčová slova optimalizace konverzního poměru, cro, konverze, e-commerce, lead generation, e-shopy, A/B testování, heatmapy
v
Obsah 1 2
3
Úvod . . . . . . . . . . . . . . . . . . . . . . . . Seznámení s pojmy . . . . . . . . . . . . . . . . 2.1 E-commerce . . . . . . . . . . . . . . . . . . 2.2 Lead generation . . . . . . . . . . . . . . . . 2.3 Návštěvník vs. návštěva (relace) . . . . . . . 2.4 Konverze . . . . . . . . . . . . . . . . . . . 2.5 Měření konverzí . . . . . . . . . . . . . . . . 2.6 Konverzní poměr . . . . . . . . . . . . . . . 2.7 Optimalizace konverzního poměru . . . . . . 2.8 Konverzní trychtýř . . . . . . . . . . . . . . 2.9 CRO a další marketingové kanály . . . . . . 2.10 Motivace pro zvyšování konverzního poměru 2.10.1 Zisk . . . . . . . . . . . . . . . . . . 2.10.2 Konkurence . . . . . . . . . . . . . Motivace / vliv na zákazníka . . . . . . . . . . 3.1 Vše je relativní . . . . . . . . . . . . . . . . 3.2 Kouzelné slovíčko zdarma . . . . . . . . . . . 3.3 Paradox volby . . . . . . . . . . . . . . . . . 3.4 Cenotvorba . . . . . . . . . . . . . . . . . . 3.4.1 Baťovy ceny . . . . . . . . . . . . . 3.4.2 Cenová kotva . . . . . . . . . . . . 3.4.3 Cena dopravy . . . . . . . . . . . . 3.5 Vizuální komunikace . . . . . . . . . . . . . 3.5.1 Call-to-action tlačítka . . . . . . . . 3.5.2 Von Restorff efekt . . . . . . . . . . 3.5.3 Zeigranik efekt . . . . . . . . . . . 3.5.4 F vzor . . . . . . . . . . . . . . . . 3.5.5 Bannerová slepova . . . . . . . . . 3.5.6 Vnímaní barev . . . . . . . . . . . 3.5.7 Obrázky . . . . . . . . . . . . . . . 3.6 Vliv okolí . . . . . . . . . . . . . . . . . . . 3.6.1 Hodnocení zboží . . . . . . . . . . 3.6.2 USP . . . . . . . . . . . . . . . . . . 3.6.3 Konkurenční výhody . . . . . . . . 3.7 Vliv copywrittingu . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 3 3 3 3 4 5 7 7 8 9 11 11 12 13 13 16 17 18 18 19 20 20 20 21 21 22 24 25 29 30 31 31 31 32 vi
3.8 3.9 3.10 3.11 4
5
6
Důvěryhodnost . . . . . . . . . . . . . . . Rychlost stránek . . . . . . . . . . . . . . . Pocit nedostatku . . . . . . . . . . . . . . . Nenuťte uživatele přemýšlet . . . . . . . . 3.11.1 Zvyklosti . . . . . . . . . . . . . . 3.12 Optimalizace webu pro mobilní zařízení . . Poznání zákazníka - stanovení hypotéz . . . 4.1 Webová analytika - Google Analytics . . . . 4.1.1 Cíle . . . . . . . . . . . . . . . . . 4.1.2 Rozšířený elektronický obchod . 4.1.3 Způsob měření návštěvnosti . . 4.1.4 Rozdíl mezi vstupy a návštěvami 4.1.5 Přesnost Google Analytics . . . . 4.1.6 Webová analytika a CRO . . . . . 4.2 Analýza konverzních cest . . . . . . . . . . 4.3 Heatmapy . . . . . . . . . . . . . . . . . . 4.3.1 Scrollmapy . . . . . . . . . . . . . 4.3.2 Movemapy . . . . . . . . . . . . . 4.4 Zpětná vazba . . . . . . . . . . . . . . . . 4.5 Formuláře . . . . . . . . . . . . . . . . . . 4.6 Uživatelské testování . . . . . . . . . . . . 4.7 Vlastní testování . . . . . . . . . . . . . . 4.8 Expertní odhad - LIFT model . . . . . . . . 4.9 Tvorba hypotézy . . . . . . . . . . . . . . . Testovací proces . . . . . . . . . . . . . . . . . 5.1 A/B testování . . . . . . . . . . . . . . . . 5.2 B/A testování . . . . . . . . . . . . . . . . 5.3 MVT . . . . . . . . . . . . . . . . . . . . 5.4 Podmínky pro A/B testování . . . . . . . . 5.5 Vyhodnocení testů . . . . . . . . . . . . . Použité nástroje . . . . . . . . . . . . . . . . 6.1 Optimizely . . . . . . . . . . . . . . . . . 6.1.1 Tvorba testovacích variant . . . . 6.1.2 Cíle testování . . . . . . . . . . . 6.1.3 Možnosti zacílení . . . . . . . . . 6.1.4 Metriky a pojmy v Optimizely . 6.1.5 Problémy . . . . . . . . . . . . . 6.2 Hotjar . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34 37 39 39 40 40 41 41 41 41 43 44 44 44 45 46 46 47 48 49 50 51 52 53 55 55 56 56 57 58 60 60 61 61 61 63 64 64 vii
7
8
Testování . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1 Testování důvěryhodnosti a vlivu sezóny na Store4you.cz 7.1.1 Stanovení hypotézy . . . . . . . . . . . . . . . 7.1.2 Testované varianty . . . . . . . . . . . . . . . 7.1.3 Testovací podmínky . . . . . . . . . . . . . . 7.1.4 Vyhodnocení testů . . . . . . . . . . . . . . . 7.1.5 Nepřesnosti . . . . . . . . . . . . . . . . . . . 7.1.6 Poučení se z chyb . . . . . . . . . . . . . . . . 7.2 Testování sociálního potvrzení . . . . . . . . . . . . . . 7.2.1 Testované subjekty . . . . . . . . . . . . . . . 7.2.2 Testované varianty . . . . . . . . . . . . . . . 7.2.3 Testovací podmínky . . . . . . . . . . . . . . 7.2.4 Vyhodnocení testů . . . . . . . . . . . . . . . 7.3 Doporučení na základě testů . . . . . . . . . . . . . . . Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
65 65 67 70 71 71 79 79 80 80 81 81 83 86 87
viii
1 Úvod V roce 2014 se na českém internetu utratilo 68 miliard korun, toto číslo každý rok stoupá tempem mezi 13 a 15 procenty [7]. Se zvyšujícím se objemem obchodů se zvyšuje i důležitost tohoto prodejního kanálu. V souvislosti s tím se zvyšuje kvalita a úroveň jednotlivých online obchodníků a vzrůstá boj o každého zákazníka. Návštěvník webu se tak stává hodnotnějším než kdy dříve a pouze přivést ho na stránky již nestačí. Je potřeba, aby zde provedl i požadovanou akci (například nakoupil). Tímto procesem přeměny návštěvníka webu v zákazníka se zabývá optimalizace konverzního poměru. Tu lze však pojmout velmi ze široka - začít optimalizovat můžeme již na úrovni samotného business modelu. My se budeme zaměřovat na část procesu mezi příchodem na web a provedením konverze. Proč se optimalizace konverzního poměru řeší a proč je to důležité téma, demonstrujme na následujícím příkladu. Má-li například internetový obchod měsíční tržby 1 milion korun, ročně to je pak 12 milionů. V případě, že by u něj došlo ke zvýšení konverzního poměru o pouhé 1 %, znamená to nárůst ročních tržeb o celých 120 tisíc korun. To vše bez dalších nákladů na marketing a pouze díky úpravám webových stránek. V úvodu této práce se seznámíme se základními pojmy z oblasti optimalizace konverzního poměru, proč je důležité optimalizaci řešit a jaké důvody nás k tomu vedou. V rámci celé práce se budeme zaměřovat na proces optimalizace ve spojení s e-shopy. Hlavním důvodem je názornost, protože zkušenosti s e-shopy mají dnes téměř všichni. Principy na nich demonstrované platí obecně nejen pro lead generation, ale i mnoho dalších oblastí e-commerce. V první části práce si popíšeme faktory, které mají vliv na návštěvníka a jeho motivaci k nákupu. V druhé části se budeme zabývat již samotným testováním. Určíme si jak a na základě čeho stanovit testovací hypotézu. Seznámíme se s webovou analytikou, heatmapami a jejich variantami. Tyto znalosti doplníme dalšími možnostmi, které nám pomohou poznat návštěvníka a jeho problémy. Poté popíšeme samotný testovací proces, který jsme stanovili a popsali během našeho testování. Popsat samotný proces testování je hlavním cílem této práce. Ještě před ním si ale popíšeme jednotlivé 1
1. Úvod druhy testů, jaké jsou podmínky pro A/B testy a jak je vyhodnotit. Detailněji se seznámíme s nástroji používanými při testování. V závěru se pokusíme námi zjištěné skutečnosti z první části demonstrovat na reálných testech. Popíšeme celý testovací proces a zhodnotíme výsledky.
2
2 Seznámení s pojmy Než se dostaneme k samotnému jádru práce, je nutné se seznámit s některými základními pojmy, jako jsou rozdíly mezi návštěvníkem a návštěvou, či samotnými pojmy z oblasti optimalizace konverzí.
2.1
E-commerce
Tento pojem je poměrně široce využíván k označení veškerých obchodních transakcí realizovaných pomocí internetu či jiných elektronických prostředků. Nosným prvkem jsou především internetové obchody (e-shopy). Pod e-commerce také spadají také aktivity s tím spojené jako je třeba online marketing. Pod e-commerce patří i různé webové stránky, které nějakým způsobem něco nabízejí.[2]
2.2
Lead generation
Lead generation je způsob získávání leadů (neboli kontaktů na potencionální klienty), kteří projevili skutečný a prokazatelný zájem pořídit si určitou službu nebo produkt [55]. Návštěvník se stává tedy leadem po tom, co vyplní například poptávkový formulář. Leady jsou pro nás hodnotnější z důvodu, že již projevili jistý zájem a je tedy u nich daleko vyšší míra pravděpodobnosti, že se stanou našimi zákazníky. Lead generation nám tedy taktéž spadá pod pojem e-commerce. Z hlediska optimalizace zde platí stejné principy. V následujících textech tedy nebudeme přímo odlišovat optimalizace pro lead generation a pro e-commerce.
2.3
Návštěvník vs. návštěva (relace)
Na úvod je třeba si definovat tyto dva pojmy. Ač jsou stejně znějící, jejich význam není totožný, avšak poměrně značné množství osob mezi těmito pojmy nerozlišuje. Valná většina webů dnes [9] využívá pro webovou analytiku služeb Google Analytics (viz kapitola 4.1). Proto zde definujme tyto pojmy tak, jak jsou vnímaný tímto nástrojem. 3
2. Seznámení s pojmy Návštěvník je metrika, kdy každému zařízení od kterého je zaznamenán požadavek, je přiřazeno unikátní ID a to je považováno za unikátního návštěvníka. Takto identifikovanému zařízení jsou poté přiřazovány jednotlivé návštěvy. Jeden návštěvník může provést více návštěv. Důležité je povšimnout si spojení ID se zařízením. Tedy, připojíme-li se z telefonu, tabletu a počítače jsme považováni za 3 unikátní návštěvníky. [51] Návštěva je skupina interakcí, které proběhnou na webu během určitého časového rámce [4]. Jedna návštěva je ukončena na základě několika událostí. V GA to je: uplynutí času (včetně konce dne), po 30 minutách nečinnosti, o půlnoci. Jestliže je spuštěno naráz několik kampaní, může dojít k ukončení i na základě změny kampaně (odejdeme a vrátíme se přes jinou kampaň) [4]. Doba návštěvy se počítá mezi zobrazeními stránky, tzn. poslední zobrazení stránky se nezapočítává, proto například při zobrazení pouhé jedné stránky je doba návštěvy 0 sekund.
2.4
Konverze
Konverze pochází z latinského spojení con-versio[47], který se překládá jako přeměna, změna či obrat. Konverze na internetu značí, ve smyslu elektronického obchodu, přeměnu návštěvníka v zákazníka. Tento termín se však netýká pouze oblasti elektronického obchodu, ale využívá se obecně k pojmenování akce, při které dochází k dosažení cílů webu (zákazník vykoná námi požadovanou akci). Z výše uvedeného vyplývá, že konverzí může být nepřeberné množství a záleží pouze na námi definovaném cíli webu. Pro příklad uvedeme další možné cíle/konverze: •
odeslání poptávkového formuláře,
•
návštěva určité stránky (např. stránky s kontaktem pro poptávku),
•
přihlášení se k odběru newsletteru,
•
stažení nějakého produktu, e-booku, programu,..., 4
2. Seznámení s pojmy •
registrace nového uživatele,
•
vyplnění dotazníku,
•
a další...
Zároveň konverze ještě dále rozlišujeme dle významu [3] na: •
Makrokonverze - hlavní cíl, kterého chceme dosáhnout. V případě e-shopů je to objednávka.
•
Mikrokonverze tzv. pomocná konverze - vedlejší cíl, který slouží k dosažení hlavního cíle. Máme-li jako makrokonverzi uskutečnění objednávky na e-shopu, pak může být mikrokonverzí například přidání zboží do košíku, či třeba pouhý proklik z kategorie produktů na samotný detail produktu.
Konverze se také rozlišují podle toho jak s nimi pracujeme na: •
Primární konverze - konverze, které proběhly na webu a vidíme je v analytických nástrojích. Tyto konverze však nemusejí a často neodpovídají realitě - zákazník může objednávku stále stornovat, zboží vrátit, či neodebrat. Stejně tak odeslání poptávky neznamená, že k obchodu nakonec dojde.
•
Reálné konveze - konverze ke kterým ve skutečnosti opravdu dojde.
Pro názornost budeme v následujících kapitolách konverzi prezentovat ve smyslu e-commerce, tj. jako nákup. Z výkladového hlediska je to příkladnější.
2.5
Měření konverzí
Konverze můžeme opět měřit hned několika způsoby. Prvním z nich je sice přesnější, ale za to značně pracnější. Je to ruční způsob, kdy vycházíme přímo z dat interního systému a sledujeme počty uskutečněných objednávek, počty přijatých poptávek, uskutečněných registrací či stažení - záleží na našem cíli. Výhodou tohoto způsobu je vysoká přesnost a korekce chybných dat. Při ručním zpracování totiž obvykle 5
2. Seznámení s pojmy konverze počítáme jednou za čas a tak můžeme již rovnou odfiltrovat zrušené, na první pohled neplatné objednávky, či jinak nevhodná data. Měříme tedy reálné konverze. Druhým způsobem je technické, automatické řešení, kdy se o měření konverzí starají externí služby (viz kapitola 6). Zde měření probíhá tak, že na konverzní stránku, tj. na stránku, kde jsme si jisti, že již konverze proběhla, umístíme měřící kód. Většinou je jako konverzní stránka určena přímo speciální tzv. děkovací stránka, která následuje hned po odeslání objednávky. Typicky jde o stránku s textem typu: “Děkujeme za vaši objednávku a těšíme se na viděnou”. Do této stránky jsou vloženy trackovací kódy - krátké skripty, které se načtou spolu se stránkou, čímž je započítána konverze. Do těchto kódů je u některých nástrojů možné vložit i informace o objednávce a její ceně, objednaných produktech apod. Měříme tedy primární konverze. Nejčastěji používaným nástrojem je již několikrát zmiňovaný Google Analytics (viz kapitola 4.1), který poskytuje poměrně širokou paletu funkcí a přehledů. Již nějakou dobu jsou totiž součástí tohoto nástroje i služby rozšířeného elektronického obchodu (v originálním znění Enhanced Ecommerce), které nám poskytují spoustu dalších možností jako je konverzní trychtýř (popsán dále), možnost sledovat výkon jednotlivých produktů, či pokročilé možnosti segmentování návštěvníků webu. Dalšími měřícími nástroji, kde můžeme měřit konverze, jsou přímo testovací softwary, které mají jednoduché měřiče konverzí interně zabudované. Některé (například Optimizely, viz kapitola 6.1) dokáží přímo měřit i hodnoty objednávek a poskytnout nám tak zajímavý pohled na data, kdy získáme např. průměrnou hodnotu objednávek u jednotlivých testovaných variant. Nevýhodou těchto automaticky měřících nástrojů je právě jejich hlavní výhoda, a to automatické měření v reálném čase. Tyto nástroje totiž nejsou schopny rozpoznat na první pohled falešnou objednávku (smyšlené jméno, testovací objednávky apod), nemůžou ani vědět, že objednávka nakonec nebyla zaplacena, odebrána, že byla vrácena či stornována. Dostáváme se tak do nekonzistentního stavu mezi daty v nástrojích a skutečným stavem. Tuto nevýhodu se už snaží třeba Google Analytics kompenzovat právě pomocí zmíněného rozšíření Enhanced Ecommerce, kde je možnost ručního importu dat a tak je možné importovat refundaci za neuskutečněné objednávky apod. Při 6
2. Seznámení s pojmy správném importu jsou tyto hodnoty navzájem vynulovány a nekonzistence napravena.
2.6
Konverzní poměr
Konverzní poměr udává poměr mezi návštěvníky webu a těmi, kteří tzv. zkonvertovali, tj. splnili cíle webu. Některé prameny uvádějí a většina nástrojů i reálně používá pro výpočet vztah:
konverzní poměr = počet konverzí / počet návštěv * 100 Z logiky věci je však smysluplnější [31] vypočítávat konverzní poměr jako:
konverzní poměr = počet konverzí / počet návštěvníků * 100 Tento výpočet je smysluplnější z důvodu, že zákazníci prochází určitými fázemi nákupu (viz kapitola 4) a málokterý nakoupí hned při první návštěvě. Mnohdy provedou konverzi až po několikáté návštěvě a tak je smysluplnější k výpočtu konverzního poměru využít právě metriku návštěvníků, která udává kolik lidí na webu bylo, tedy bez opakovaných návštěv. Zde je však nutno podotknout, že tuto skutečnost žádný s dále použitých nástrojů neřeší a tak budeme konverze počítat stejným způsobem a to z návštěv.
2.7
Optimalizace konverzního poměru
Pro pojem optimalizace konverzního poměru je běžně využívána zkratka CRO z anglického Conversion Rate Optimization. Michal Pařízek definuje CRO jako: “Souhrn aktivit, které mají za cíl zlepšit obchodní výkonnost či úspěšnost webu. Bez dodatečných nákladů do propagace.” [43] Důležité je však říci, že CRO se netýká pouze webu. Je to komplexní soubor aktivit, na které má vliv spoustu dalších okolností jako je třeba vnímání samotného produktu - u špatného produktu nám je optimalizace poměrně k ničemu. Vliv má třeba i renomé firmy, zákaznický servis, komunikace se zákazníky, kvalita souvisejících služeb, vnímání naší značky, konkurence, předchozí zkušenost atd. 7
2. Seznámení s pojmy
Obrázek 2.1: Optimalizace konverzního poměru. Převzato z [43]. „Optimalizace není cíl, ale proces.“[43] CRO je vhodné především, když je online prodej naším silným prodejním kanálem, máme dostatečnou návštěvnost a dostatečný počet konverzí a panuje jistá názorová flexibilita a vůle ke změnám. CRO naopak není vhodné tam, kde online není prioritou, nepanuje ochota ke změnám, či není technicky možné tyto změny provádět. V souvislosti s optimalizací konverzního poměru vyvstává otázka: Jaký je tedy ideální konverzní poměr? Vzhledem k výše uvedenému je zřejmé, že tuto otázku není možné jednoznačně určit kvůli značnému množství vstupních faktorů. Obecně lze však říci, že pokud je konverzní poměr u e-shopu pod 1 %, je někde problém. Existují však e-shopy, které jsou specificky zaměřené (např. e-shopy pro velkoobchod), kde ani konverzní poměr pod 1 % nemusí znamenat žádný problém. U většiny mnou testovaných e-shopů se konverzní poměr pohyboval v jednotkách procent - kolem 2 %. Některé zdroje [59] uvádějí, že průměrný konverzní poměr je 3 %. Tyto čísla však rozhodně není možné bráti jako dogma pro určení optimálního konverzního poměru a vždy je třeba zvažovat konkrétní situaci.
2.8
Konverzní trychtýř
Konverzní trychtýř je grafická vizualizace jednotlivých kroků vedoucích ke konverzi. V podstatě jde o sled mikrokonverzí, které ve výsledku vedou k makrokonverzi. K jednotlivým krokům jsou doplněny informace o návštěvnosti. Přesně tedy vidíme, kolik návštěvníků bylo v kterém kroku. Díky tomuto řazení získáváme poměrně zajímavý vhled na data, který nám umožní identifikovat slabá místa 8
2. Seznámení s pojmy našeho konverzního procesu. Typickým konverzním trychtýřem je vyobrazení průchodu objednávkovým procesem. Trychtýř začíná na produkt detailu, pokračuje košíkem, následuje volbou dopravy a platby a končí shrnutím a dokončenou objednávkou. Zvláště v objednávkovém procesu je velmi důležitý, protože to je část nákupního procesu, ve které už jsou uživatelé připraveni nakoupit, a jestliže v některém kroku opustí proces, je záhodno toto místo identifikovat a podrobit bližšímu zkoumání.
Obrázek 2.2: Konverzní trychtýř v Hotjar. Konverzní trychtýř zvládneme vytvořit i ručně v grafických programech, ale to však bývá zbytečné, protože konverzí trychtýře bývají součástí analytických nástrojů. Každý z nástrojů je pak vizualizuje trochu jiným způsobem - Google Analytics (obrázek 2.3) či Hotjar (obrázek 2.2).
2.9
CRO a další marketingové kanály
Optimalizace konverzního poměru je úzce spjatá se všemi možnými kanály. Aby CRO dosáhlo co největšího možného efektu, musí být 9
2. Seznámení s pojmy
Obrázek 2.3: Konverzní trychtýř v Google Analytics.
10
2. Seznámení s pojmy součástí komplexní marketingové strategie a to především ve spojení se SEO (optimalizace pro vyhledávače), PPC (placená reklama) a emailingem (rozesílka emailových sdělení). Tyto marketingové kanály jsou důležité z důvodu: •
Návštěvnosti. Bez návštěvnosti webové prezentace by bylo zbytečné nějakou optimalizaci konverzního poměru řešit. Samozřejmě, jistá přímá návštěvnost by byla, ale pokud by nebylo investováno do jiných marketingových kanálů bylo by to mizivé množství (zajisté však nemůžeme generalizovat, i zde mohou existovat výjimky).
•
Optimalizace na relevantní fráze. Pokud náš zákazník přišel skrze některý z výše uvedených kanálů, tak automaticky očekává, že když sem přes jistý termín přišel, bude se tohoto termínu týkat i odkazovaná stránka. Pokud přichází návštěvnost kvůli něčemu jinému než je ve skutečnosti obsahem webu, můžeme optimalizaci konverzního poměru řešiti sebe více, ale výsledky se nedostaví (případně jen mizivé) a konverzní poměr bude stále velmi malý.
2.10 Motivace pro zvyšování konverzního poměru Proč vlastně v poslední době tak roste zájem o zvyšování konverzí? Co k tomu různé firmy, či podniky vede? Jaká je jejich motivace ke zvyšování konverzního poměru se dozvíte v následující kapitole. 2.10.1 Zisk Jako u většiny podnikatelských aktivit je základní motivací pro investice do optimalizace konverzního poměru zisk. Zisk nemusí být nutně finanční (nefinančním ziskem je např. zisk emailové adresy), ale ve značné části případů k finančnímu zisku přímo či nepřímo vede. I smyslem takového získaného emailu je jeho další využití pro marketingové účely - nabídnout zákazníkovi produkt po kterém touží a dovést ho tak k nákupu a tím pádem i k podnikatelskému zisku. Ač v dalších částech popisuji ostatní druhy motivace, všechny z níže uvedených nakonec vždy vedou k zde zmiňované motivaci - k zisku. 11
2. Seznámení s pojmy 2.10.2 Konkurence Je-li náš web řádně otestován a optimalizován, získáváme tak oproti konkurenci značnou výhodu. Navíc nebudeme zbytečně plýtvat prostředky, které jsme investovali do marketingu na přivedení zákazníků. Budou-li naše testy kvalitní a reflektující požadavky uživatele, získáme tak spokojené zákazníky, kteří se budou jistě raději vracet do e-shopu, kde se jim pohodlně nakupovalo, než do e-shopu, kde jim byl neustále nějakým způsobem znepříjemňován pobyt na stránkách. Vystoupíme tak jistým způsobem z šedi ostatních obchodů. Lidské chování je nepředvídatelné a tak dokud neproběhne sada testů, nejsme schopni říct jak se zákazníci budou chovat. Do té doby můžeme pouze tipovat a odhadovat.
12
3 Motivace / vliv na zákazníka Již v předchozí kapitole jsme si řekli, že problematika optimalizace konverzního poměru je komplexní disciplína, na kterou má vliv značné množství externích faktorů. Existují však jisté stálice, které mají prokazatelný vliv na zákazníka a jeho motivaci. Některé z nich si popíšeme v této kapitole.
3.1
Vše je relativní
Lidé se téměř nikdy nerozhodují podle absolutních čísel. Namísto toho porovnáváme zboží mezi sebou. Behaviorální ekonom Dan Ariely [6] uvádí výborný příklad: nikdo netušíme jaká je cena šestiválcového auta, ale všichni podvědomě tušíme, že by mělo být dražší než cena čtyřválcového. Právě tohoto principu je při různých variantních nabídkách poměrně široce využíváno a poptávka tak může být směrována určitým směrem. Klasickým případem je nabídka s třemi variantami - z toho dvě jsou poměrně srovnatelné a třetí je nějakým způsobem odlišná, takže není s předchozími dvěma nabídkami lehce srovnatelná. Potom srovnání probíhá mezi zbývajícími dvěma variantami a vyhraje právě ta lepší z těchto dvou variant. Příkladem je jeden z mnoha Arielyho výzkumů [6] na studentech MIT (Massachusetts Institute of Technology) s předplatným časopisu Economist. Jednotlivé varianty jsou zobrazeny na obrázcích 3.1: Na levé straně je původní verze nabídky předplatného s třemi různými variantami: 1.
internetová verze,
2.
tištěná verze,
3.
tištěná a internetová verze.
Čísla u jednotlivých nabídek udávají výsledky experimentů provedených na stovce studentů MIT Sloan School of Management. Z nich je vidět, že jednoznačně a výrazně vyhrála varianta s oběma verzemi. Druhým v pořadí byla internetová verze, což se dá na MIT trochu 13
3. Motivace / vliv na zákazníka
Obrázek 3.1: Varianty předplatného časopisu Economist. Převzato z [45]. čekat. Samotnou tištěnou verzi by si nikdo nekoupil, je tu tedy jistým způsobem nadbytečná. Zajímavé však je, že pokud byla tato varianta vynechána, tak by se dalo logicky očekávat, že rozložení zůstane stejné, ale bylo tomu přesně naopak. V průzkumu na další stovce respondentů by si totiž přes dvě třetiny vybraly najednou internetovou variantu namísto kombinace. Druhá možnost (tedy samotná tištěná verze) v prvním testu působila jako tzv. volavka, aby nás zmanipulovala. Pro většinu lidí je těžké se rozhodnout, jestli je lepší tištěná či internetová verze. Za to je náramně snadné poznat, že kombinace obou (za cenu tištěné verze) je lepší než samotná tištěná verze. Internetová verze je v tomto balíčku v podstatě „zdarma“ a při vzájemném porovnání se jeví jako relativně nejvýhodnější. Pokud tuto variantu však vynecháme, rozhodujeme se již pouze mezi dvěma a tak není s čím porovnávat. Lidé často v praktickém životě rádi srovnávají věci, které leží vedle sebe, ale hlavně věci, které se srovnávají snadno. Toho rádi využívají různí obchodníci, takže často v nabídkách bývají dva produkty doplněny o třetí, který je jednomu z nich podobný, jen o trochu horší. Právě oním přidáním návnady umožňujeme dva produkty porovnat mezi sebou a tak pomoci vybrat vítěze. Jako potvrzení principu relativity uvádí Ariely kromě dalších příkladů i případ s prodejcem domácích pekáren. Když jedna nejme14
3. Motivace / vliv na zákazníka novaná firma uvedla na trh domácí pekárnu, nebyl o ni nijak velký zájem. Firma se však s výsledky nespokojila a najala si výzkumnou agenturu, která jako řešení navrhla uvést další model pekárny, který byl větší a o polovinu dražší. Od tohoto okamžiku se prodeje začaly prudce zvyšovat, protože zákazníci již měli původní model pekárny s čím porovnat. „Relativita nám pomáhá se rozhodovat.“ Dan Ariely Relativita má vliv nejen při výběru samotného zboží, ale i při vnímání ceny. Výzkumníci Amos Tversky a Daniel Kahneman publikovali zajímavý příklad (lokalizován do češtiny): Jdete-li si koupit kvalitní pero za 200 Kč. Už jej máte skoro zaplaceno, když si vzpomenete, že jste jej ve vedlejší ulici viděli o 50 Kč levněji, tak jdete a koupíte ho tam. Když však kupujete oblek za 5000 Kč a dozvíte se, že jej vedle v ulici mají o 50 Kč levněji, zřejmě se, jako většina, nepoženete kupovat jej tam. Ač je absolutní sleva stejná, u vyšší částky se jeví jako zanedbatelná. Tohoto poznatku je využíváno při různých doplňkových službách, nadstandardní výbavě. Nejpatrnější je to na automobilovém průmyslu, kde některé modely aut jsou téměř nevybaveny a zákazníci si volí přímo variace na míru. Fenoménu relativity se často využívá ke zvýšení tržeb. K nabídce produktů je přiřazen podobný, ale dražší produkt. Tím pádem předchozí produkty působí ve srovnání s dražším produktem výhodněji a dojde tak přesunu poptávky k dražším produktům. Na obrázku 3.2 je zobrazen tzv. „pivní experiment“. Jednotlivé řádky jsou jednotlivé dílčí testy. V první testu byly jen dvě piva. V druhém testu bylo přidáno třetí levnější a ve třetím testu bylo místo levného přidáno dražší pivo. Jak je patrné z obrázku, poptávka se výrazně přesunula k dražšímu produktu. V rámci optimalizace konverzního poměru bývá princip relativity hojně využíván. Často například při různých variantních nabídkách, kdy se snažíme směrovat poptávku podobně jako u pivního experimentu. V e-shopech pak můžeme pozorovat využívání tohoto principu v souvislosti s vnímáním ceny - například jsou zdůrazňovány dražší produkty a v porovnání s nimi se cena obdobných produktů jeví jako mnohem výhodnější. 15
3. Motivace / vliv na zákazníka
Obrázek 3.2: Pivní experiment. Převzato z [43].
3.2
Kouzelné slovíčko zdarma
Slovo zdarma je fenoménem skrz mnoho oborů a již se jím zabýval nejeden psycholog či ekonom. Zdarma totiž pro člověka neznamená pouhé vyjádření ceny, ale něco více. Nula působí na mozek jako alarm a zdroj iracionálního vzrušení [6]. Význam slova zdarma dokládá Ariely [6] na jednom svém výzkumu, kdy začali studentům nabízet dva druhy čokolády. Dražší, kvalitní švýcarskou čokoládu Lindt a levnější v USA známé pusinky Hershey. Každý si mohl koupit pouze jednu čokoládku. V prvé části experimentu nastavili cenu na 15 centů za pralinky Lindt a 1 cent za pusinku Hershey, obě ceny byly o dost levnější než skutečné obchodní, ale odpovídaly zhruba rozdílu jejich cen v běžných obchodech. Zákazníci se v tomto případě chovali velmi racionálně a rozdělili se na 73 % pro Lindt a 27 % pro Hershey. Druhá část experimentu byla o dost zajímavější. Výzkumníci obě ceny snížili o 1 cent, tedy u obou o stejnou hodnotu. Pralinky Lindt teď byly za 14 centů a Hershey za nula, tedy zdarma. Právě tento fakt měl zásadní dopad. Čokoládky zdarma si vybralo 69 % zákazníků, což byl rapidní 16
3. Motivace / vliv na zákazníka nárůst. Přitom Lindt spadl z 73 % na 31 % při stejném snížení ceny. Tento experiment potvrdilo několik dalších sérií, kdy postupně snižovali cenu ve třech krocích o 1 cent. Poměr nakupujících se výrazněji neměnil. K zásadní změně došlo až při snížení z 1 na 0. Aby byl vyloučen vliv lenosti hledat peníze, byl test proveden v menze těsně před pokladnou, kde byla cena připočtena k jejich obědu. Zde byl rozdíl opět velmi razantní. Jako nám bližší příklad Ariely uvádí slevové poukázky, kdy zdarma je poskytován 10dolarový kupón a za 7 dolarů 20dolarový. I když racionálně by měli všichni zvolit 20dolarový za 7 dolarů, kde je absolutní sleva větší, stejně si ji málo kdo vybere. Ariely jako vysvětlení fenoménu slova zdarma uvádí strach ze ztráty, kdy u položky zdarma teoreticky nic neztrácíme. Efekt slovíčka zdarma byl mnohokrát testován i ve webovém prostředí. Pro příklad uvedu případovou studii uveřejněnou na stránkách testovacího nástroje VWO (Visual Website Optimizer) [41]. Tuto studiu uskutečnila agentura Greenlane z Philadelphie na webu finančního nástroje Corcentric na vzorku 800 návštěvníků. Testovány byly dvě verze CA tlačítka „Založit demo“ a „Demo zdarma“, zbytek byl totožný. Výsledek byl velmi zajímavý. Upravená verze zaznamenala zvýšení konverzního poměru u prokliku na tlačítku o 99,42 %. Pokud tedy máme na webu něco, co stojí 0 Kč, je vhodné to náležitě prezentovat. Dopad na konverze bude zajisté netriviální. Zároveň tím pomůžeme odbourat jistý strach z nákupu.
3.3
Paradox volby
Dáte-li zákazníkům příliš mnoho možností na výběr, s větší pravděpodobností si nevyberou nic. Přehlcení různými variantami popisuje psychologický jev, který se nazývá „paradox volby“. Tento jev popisuje Barry Schwartz ve své knize „The Paradox of Choice“. Schwartz uvádí, že široký výběr podobných produktů zákazníkovi nejen ztěžuje výběr, ale ho i jistým způsobem frustruje [46]. Ilustrujme jej na případu z výzkumu, který je nazýván „marmeládový test“. Test proběhl v jednom supermarketu, kde lidé měli nejprve na výběr 24 druhů marmelád a poté 6 druhů. Marmelády mohli ochutnávat a následně i zakoupit. Jak je popsáno na obrázku 3.3. Při vystavení široké nabídce začalo ochutnávat 60 % lidí, ale jen 2 nakou17
3. Motivace / vliv na zákazníka pili. U menší nabídky se zastavilo sice méně (40 % lidí), ale nakoupilo jich hned 12.
Obrázek 3.3: Marmeládový experiment jako potvrzení paradoxu volby. Převzato z [43]. Pro oblast webu z toho plyne, že není dobré uživatele zahltit příliš mnoha produkty a variantami. Řešení je udělat uživatelům předvýběr. K tomu slouží různé boxy „Doporučujeme“, „Nejčastěji prodávané“, apod.
3.4
Cenotvorba
Cena má samozřejmě na konverze značný vliv. Nezáleží však pouze na ceně jako takové, ale i na tom jak je utvořena, co je v ní obsaženo a jak působí na zákazníky. 3.4.1
Baťovy ceny
Při optimalizaci nemusíme testovat pouze prodejní stránky. Velmi zajímavé mohou být i testy s tvorbou cen. Z oblasti cenotvorby jsou asi nejzajímavější tzv. Baťovy ceny, tj. ceny končící devítkou (9 Kč, 99 Kč, 18
3. Motivace / vliv na zákazníka 999 Kč). V moderní době se využívají i ceny zakončené devadesátkou (90 Kč, 900 Kč, 9000 Kč) či i osmdesátkou (8 Kč, 88 Kč, 888 Kč, 80 Kč, 800 Kč, . . . ). Principem Baťových cen je manipulace s mozkem, který první číslici přisuzuje automaticky vyšší význam než číslici další. Ač v současné době mohou být někteří zákazníci proti podobným cenovým „optimalizacím“ imunní, výzkumy dokazují, že tyto ceny mají stále vliv. Ve Francii proběhl v roce 2008 výzkum, kde testovali rozdíl prodejnosti pizzy s cenou 8 euro a 7,99 euro. Experimenty proběhly celkem tři a bylo prokázáno, že pokud měla pizza cenu končící na devítku, zvedla se její oblíbenost a tedy i prodeje o 15 % [19].
3.4.2
Cenová kotva
Pokud lidem ukážete nový produkt a stanovíte jeho cenu (jakkoliv), pak se tato první cena stane kotvou. Jakmile se tato cenová kotva vtiskne lidem do paměti, budou s ní v budoucnu srovnávat ceny tohoto produktu. Tento jev popsal a věděcky podložil Dan Ariely ve své studii popsané v [6]. Ariely zde popisuje i situaci, kdy může sloužit jako cenová kotva zcela náhodné číslo, které nemá s nabízeným zbožím žádnou souvislost (v experimentu jí byly poslední dvě číslice rodného čísla). Klasickými cenovými kotvami jsou různé doporučené ceny, maloobchodní ceny, akční nabídky, zaváděcí ceny, atd. Důležité je však upozornit, že ne všechny ceny se automaticky stávají kotvami. Kotvu si vytváříme až v okamžiku, kdy začneme vážně uvažovat o koupi určitého zboží či služby. První cenová kotva je však velmi silná a působí na další naše rozhodnutí. Cenovou kotvu je možné i změnit, avšak již je k tomu potřeba více úsilí a je třeba nabídnout nějakou přidanou hodnotu. Ariely jako příklad používá kavárny Starbucks, které mají oproti dalším kavárnám značně vyšší ceny. Na rozdíl od ostatních se však Starbucks pozicuje jako zážitková kavárna, která nabízí svým zákazníkům nejen kávu, ale i prožitek a tak zákazníky v podstatě “kotví” ne na cenu, ale na úroveň kvality služeb. Skrze tento prvotní impuls si po nějaké době zákazníci zvyknou platit za kávu více, až jim to přijde jako zcela běžné - jsou ukotveni na jinou cenu. 19
3. Motivace / vliv na zákazníka 3.4.3
Cena dopravy
Jak si řekneme v kapitole 3.6.3, doprava zdarma je nejoblíbenější konkurenční výhodou, která rozhoduje o nákupu v tom či onom obchodě. Důležité je, aby doprava byla opravdu zdarma. Ne za nějaký drobný poplatek. Ariely [6] popisuje situaci společnosti Amazon, která se rozhodla plošně zavést dopravu zdarma. To mělo za následek zvýšení prodejů ve všech zemích až na Francii. Francouzský Amazon se totiž rozhodl namísto nuly účtovat zanedbatelnou částku 1 frank. Když se po nějaké době rozhodli i oni změnit dopravné na nulu, dostavil se výrazný efekt i zde. Samotný konverzní poměr neovlivňuje však pouze cena dopravy, ale i její druh a možný výběr. Nejvíce preferovaným způsobem dopravy je osobní odběr, ať již v klasických kamenných pobočkách, či různých výdejnách zboží, které poslední dobou zažívají velký rozmach. Jak dokazuje experiment [52] - odebráním možnosti dopravy, kterou využívá 10 % zákazníků mohou prodeje klesnout až o 25 %. Vzhledem k magickému slovu zdarma je velmi zajímavou možností nastavení dopravy zdarma nad určitou hodnotu objednávky. Ariely uvádí příklad Amazonu, kdy sledoval souvislost mezi hranicí dopravy zdarma a průměrnou hodnotou objednávky. Průměrná hodnota byla vždy jen o málo větší než hranice pro dopravu zdarma. Došlo-li ke zvýšení této hranice, došlo opět i k vzrůstu průměrné hodnoty objednávky.
3.5
Vizuální komunikace
Vizuální komunikace se zákazníkem má na konverze podstatný dopad. Nezáleží však pouze na tom, které barvy použijeme, ale i na jejich okolí - v souvislosti s jakými prvky jsou použity, jak jsou zpracovány, či jak jsou použité barvy vnímány. V této kapitole si popíšeme několik jevů, které jsou s vizuální stránkou webu spojeny, stručně si uvedeme jak jsou některé barvy vnímány, atd. 3.5.1
Call-to-action tlačítka
Jak anglický název napovídá, call-to-action tlačítka (zkráceně CTA) jsou tlačítka, která mají návštěvníka webu/e-shopu vybídnout k námi 20
3. Motivace / vliv na zákazníka požadované akci. Asi nejznámějším a nejdůležitějším CTA tlačítkem je u e-shopu tlačítko pro přidání do košíku. Tlačítko by mělo být co nejvýraznější. Nejedná se však pouze o barevnost. Záleží také na těchto vlastnostech [26]: •
text tlačítka,
•
okolní prvky a jejich blízkost (viz Zeigranik a Von Restorff efekt níže),
•
velikost,
•
ikona,
•
umístění.
3.5.2
Von Restorff efekt
Tento efekt, též nazýván isolation effect, je příklad kognitivního zkreslení 1 . Tento jev předpokládá, že položka, která je nějakým způsobem výrazná či neobvyklá, se s vyšší pravděpodobností uloží do paměti, než položka jiná. Tento efekt byl identifikován Hedwigou von Restorff v roce 1933, kdy provedla sadu paměťových experimentů s izolovanými či výraznými předměty a došla k závěru, že tyto položky si účastníci testů zapamatovali lépe než tomu bylo u jiných podobných položek. Je zde i vedlejší efekt a tím je snížení zapamatovatelnosti u okolních položek, které tímto ztrácí na pozornosti. Čerpáno z [18]. Tohoto efektu bývá velmi často využíváno u CTA tlačítek, tlačítek pro přidání do košíku, registračních tlačítek atd., která jsou provedena v kontrastní barevné variaci než zbytek stránky. Demonstrace tohoto principu je zřetelná z následujícího obrázku 3.4, kde CTA tlačítko zaujme na první pohled i na rozmazaném obrázku. 3.5.3
Zeigranik efekt
Ruská psychiatrička Bluma Zeigarnik popsala v roce 1927 jev, kdy lidé mají tendenci si lépe pamatovat to, co je nedokončené či nekompletní (přerušené) než to, co je již dokončené, hotové. 1. Určité tendence myšlení, díky nimž může docházek k chybným úsudkům, které si člověk neuvědomuje. Výsledek chybného myšlenkového procesu.
21
3. Motivace / vliv na zákazníka
Obrázek 3.4: Ukázka Von Restroff efektu. Převzato z [12]. Tento jev má souvislost i s naším tématem. Procházíme-li totiž nějakou webovou stránkou, ať již je to eshop, či cokoliv jiného, tak na nás neustále vyskakují různé odkazy, tlačítka, které jsou pro nás jistým způsobem nekompletní, protože nevíme, co se za nimi skrývá. Máme tak tendenci opouštět naši cestu k , kvůli kterému jsme přišli a směřovat svoje kroky k prozkoumání tohoto neznámého. Z tohoto důvodu není vhodné návštěvníka webu vyrušovat více než je nutné. Čerpáno z [8]. 3.5.4
F vzor
V originále „F-shaped reading pattern“. V roce 2006 Jakob Nielsen objevil, že i během procházení webu je možné najít predikovatelné vzory. Během svých testů [38], při kterých sledoval pohyb očí při procházení webů u 232 uživatelů, si totiž všiml, že většina z nich čte webové stránky velmi podobným způsobem - do tvaru písmene F (odtud název). Většina čtenářů bezmyšlenkovitě začne vlevo nahoře, poté se pohybuje na stránce směrem dolů, kde opět následuje horizontální pohyb, tentokrát o něco kratší. Následuje vertikální pohyb směrem dolů. U rychlého pohybu je svislý pohyb užší, u pomalejšího (dochází k detailnějšímu skenování obsahu) je svislý pohyb značně 22
3. Motivace / vliv na zákazníka širší. Záleží zřejmě na atraktivitě obsahu pro daného jedince. Společnost CrazyEgg uvádí [44], že záleží na cíli uživatele - zda web pouze prochází (pomalu a důkladně) či hledá něco konkrétního (prochází rychle a nesystematicky). Na obrázku 3.5 vidíme heatmapy (stručně: výraznější barvou jsou zobrazeny oblasti na které je nejvíce klikáno, více o heatmapách pojednává kapitola 4.3) z výzkumu. Jde o tři typy stránek: článek ze sekce „O nás“ (vlevo), uprostřed je pak produktová stránka z e-shopu a úplně vpravo SERP2 .
Obrázek 3.5: Ukázka F vzoru na třech typech stránek. Převzato z [38]. Z obrázků je patrné, že na základě konkrétního obsahu je vzor písmene F poněkud více či méně deformovaný, ale stále určitelný. To bychom měli brát v potaz i při optimalizaci konverzního poměru. Plynou z toho totiž tyto tři závěry [38]: •
Většina lidí nečte text důkladně slovo po slovu.
•
Pokud chceme umístit do textu nějaké důležité informace, jsou k tomu nejvhodnější první dva odstavce.
•
Informačně důležitá slova je vhodné umísťovat na začátky podnadpisů, odstavců, či výčtů. Upoutáme tak pozornost při závěrečné vertikální fázi.
2.
Search engine results page - stránka s výsledky vyhledávačů.
23
3. Motivace / vliv na zákazníka 3.5.5
Bannerová slepova
Další z věcí, co je třeba mít při vizuální komunikaci na paměti, je problém tzv. bannerové slepoty. Pod tímto pojmem se skrývá fakt, že lidé jsou již tak přehlceni reklamou, že některé z nich již podvědomě ignorují. Nejčastěji jsou ignorovány různé reklamní bannery. Abychom však byli konkrétnější. Nejde pouze o bannery, ale i prvky, jejiž zpracování se jim náramně podobá. Tento fenomén identifikoval a pojmenoval opět Jakob Nielsen ve své další studii [37]. Obrázky 3.6 pocházejí přímo ze studie. Tyto obrázky zobrazují tři módy uživa-
Obrázek 3.6: Ukázka bannerové slepoty. Převzato z [37]. telů: rychlé vyhledávání (vlevo), částečné čtení (uprostřed) a detailní čtení (vpravo). Zelené obdélníky byly přidány po studii a zvýrazňují reklamu. Povšimněme si pak hlavně bloků, které nejsou zvýrazněny - jedná se prvky webu, které mají v rámci webu vlastní funkci, avšak protože se designově velmi podobají reklamám, jsou také ignorovány. Tento fakt je třeba brát v potaz například při prezentaci různých informací skrze bannery a prvky jim podobné. Doporučením je tedy nevytvářet prvky vizuálně podobné reklamním prvkům a pokud je třeba umístit na web reklamu, je třeba ji co nejvíce přizpůsobit designu webu, aby ji nebylo možné jednoduše odlišit. 24
3. Motivace / vliv na zákazníka 3.5.6
Vnímaní barev
Díky webové reprezentaci můžeme na webu zobrazit více než 16 miliónů barev. Která z nich je pro náš web ta nejlepší? Bohužel, takto jednoduše to říci nelze. I když proběhly A/B testy, které dokládají vítězství jednotlivých barev, tak nelze určit jednoznačného vítěze. Vždy záleží na kontextu webu, na ostatních použitých barvách, na našem publiku, jeho náladě a dalších faktorech. Abychom však význam barev zcela nebagatelizovali, je nutné podotknout, že ve světě proběhly testy, kde rozdíl mezi testovanými variantami byl extrémních 21 procent [24] (testovaly se dvě identické varianty jednoduché landing page - jedna varianta se zeleným tlačítkem a druhá s červeným tlačítkem). Proběhly také výzkumy [28], které dokázaly, že 92,6 % lidí přiznává, že vizuální stránka produktu na ně má největší vliv. Různé studie nasvědčují tomu, že 90 % zákazníků si u impulzivních nákupů udělá první dojem o produktu během 90 vteřin. Barvy tedy není radno zanedbávat, avšak je nutné je vždy testovat v kontextu konkrétního webu. Jak jsme si již řekli výše: barvy nikdy nevnímáme samostatně, ale vždy v souvislosti s okolím, a to nejen s okolními barvami. Vnímání barev je pak velmi rozličné a nezáleží pouze na individuální osobě, ale i na osobních zkušenostech a kultuře ve které žijeme. Samotná psychologie barev je velmi komplexní psychologická disciplína a proto se zde pokusíme pouze povrchně generalizovat vnímání barev v kontextu naší středoevropské kultury. Obecně můžeme barvy rozdělit na: •
základní (primární), tj. barvy, které nelze namíchat, což je žlutá, červená, modrá;
•
sekundární, které vznikají namíchání dvou primárních barev, což jsou ostatní barvy.
Barvy můžeme také rozdělit podle vnímání na: •
teplé – žlutá, oranžová, červená, fialová (převažuje-li červená),
•
studené – zelená, modrá, fialová (převažuje-li modrá), 25
3. Motivace / vliv na zákazníka •
neutrální – černá, bílá.
Působení barev na člověka můžeme také rozdělit na dvě kategorie a to: •
subjektivní - působí na každého individuálně,
•
objektivní - působí na většinu lidí stejně.
Z výše uvedeného je zřejmé, že barvy působí rozličně i na pohlaví. Jaké barvy jsou u jakého pohlaví oblíbené je procentuálně znázorněno na obrázcích 3.7 až 3.10 níže. U obou pohlaví vede jasně modrá barva, následována zeleno, černou a červenou. U žen je modrá následována fialovou, zelenou a poté také červenou. Obecně se dá říci, že ženy preferují spíše světlejší a jemnější pastelové barvy, za to muži tmavší odstíny světlých barev. Šesti nejpoužívanějšími [12] „pozitivními“ barvami jsou červená, žlutá, modrá, oranžová, zelená a fialová. Vnimání jednotlivých barev (čerpáno z [13]): Červená barva Pro lidský zrak a mozek nejzajímavější barva. Vzbuzuje silné a intenzivní emoce, pocit nebezpečí. Představuje akci, radost, místy až agresivitu. Červená bývá také spojována se zákazy a příkazy (dopravní značky, červená na semaforu), či slevami. Žlutá barva Žlutá barva je veselá a hřejivá, přináší s sebou energii. Zároveň je to však barva, která nejvíc zatěžuje oko a unavuje ho [34]. V oblasti marketingu se používá z důvodu nalákání pozornosti. Modrá barva Modrá bývá velmi často upřednostňována oběma pohlavími. O něco více pak muži. Modrá barva vyjadřuje klid a mír. V marketingu se využívá k vzbuzení pocitu racionality, důvěry, ke zdůraznění kvality produktu. Lidé u této barvy jsou citlivější na konkrétní odstíny. Zelená barva Vzbuzuje pocit vnitřního klidu. Využívá se ke zdůraznění “přírodního” původu, k vyjádření souladu, rovnováhy, klidu. 26
3. Motivace / vliv na zákazníka
Obrázek 3.7: Oblíbené barvy u mužů. Převzato z [12].
Obrázek 3.8: Neoblíbené barvy u mužů. Převzato z [12].
27
3. Motivace / vliv na zákazníka
Obrázek 3.9: Oblíbené barvy u žen. Převzato z [12].
Obrázek 3.10: Neoblíbené barvy u žen. Převzato z [12].
28
3. Motivace / vliv na zákazníka Bílá barva Nese čistotu a nevinnost. Navozuje pocit prázdnoty a napomáhá zvětšovat prostor. Často využívána k propagaci luxusních výrobků (ve spojení s černou, zlatou, či stříbrnou). Fialová barva Je barvou majestátu. Symbolizuje úspěch, bohatství a moudrost. Růžová barva Má celkově velmi uklidňující účinky. Černá barva Barva prázdnoty, marnosti, ale i jisté exkluzivity. Symbolizuje možný luxus – vhodná je tedy pro propagaci luxusních výrobků. Hnědá barva Pojí se k zemi, asociuje praktičnost, pragmatičnost a spolehlivost, zároveň však vyznívá nudně. V reklamní komunikaci se proto ani moc nevyskytuje. Oranžová barva Oranžová naopak vzrušuje, je dynamická, povzbudivá, sebevědomá a uklidňující. Většinou se stejně jako žlutá využívá k přilákání pozornosti. U volby barev je také důležité brát v potaz, že čím dál více osob trpí nějakým typem vady zraku. Například pouze ve Spojených státech má okolo 7 % můžu a 0.4 % žen nějakou formu poruchu vnímání barev [42]. 3.5.7
Obrázky
Lidé jsou značně zatížení na vizuální stránku věci. Při rozhodování o koupi jsou tedy obrázky, produktové fotografie a různé infografiky jednou ze stěžejních částí. Obrázek produktu Velikost produktového obrázku a její vliv na konverze - to byla studie [15], která proběhla na českém e-shopu Mall.cz. Testovány byly celkem tři varianty (viz obrázek 3.11) - původní, s větším obrázkem a s velkým obrázkem, u kterého se zobrazoval popisek po najetí myší. Vítězem se stala varianta tři - s velkým obrázkem a popiskem zobrazujícím se po najetí. Tato varianta způsobila 9,46% nárůst prodejů. 29
3. Motivace / vliv na zákazníka
Obrázek 3.11: Testování vlivu velikosti obrázku produktu na konverze. Upraveno z [15]. Obrázky z fotobank vs. reálné obrázky Na otázku, zda je vhodnější použít vlastní fotografii nebo fotografii z fotobanky odpověděla studie od společnosti SpectrumInc, která provedla test na jedné americké autoškole. Na úvodní straně webu této autoškoly agentura zaměnila fotku z fotobanky za vlastní fotku studenta. Tato změna způsobila nárůst počtu odeslaných formulářů z webu o 161 %.[50]
3.6
Vliv okolí
Na konverze nemají dopad pouze přímé „interní“ vlivy, což je náš web či jeho provedení. Na zákazníky mají vliv i externí okolnosti, kterými rozumíme především to, jak je zboží hodnoceno ostatními zákazníky, či jak je naše značka vnímána (důvěryhodnost). Některé z nich je poměrně těžké ovlivnit, avšak je třeba je mít na zřeteli, protože taková optimalizace konverzního poměru u produktů, které mají silně negativní hodnocení mezi zákazníky, je zcela zbytečná. 30
3. Motivace / vliv na zákazníka 3.6.1
Hodnocení zboží
Již jsme si řekli, že člověk je obecně ovlivňován svým okolím. Tohoto faktu bývá hojně využíváno a proto snad na žádné prodejní stránce nechybí testimonialy3 od spokojených zákazníků, či odkazy na různé recenze. V e-shopech jsou pak oblíbené především boxy s hodnocením, či přímo textové recenze. Oblíbené je hodnocení číselné jako ve škole nebo udělování počtu hvězdiček. Takováto hodnocení však není vhodné uvádět vždy. Zvláště v případech, kdy je hodnocení minimální a vzhledem ke stáří produktu, či prodávaných objemech to může mít na zákazníky opačný efekt. Lidé jsou podezřívaví a nic není podezřelejšího než vysoce obratové zboží s minimem hodnocení. Proto pokud není hodnocení zákazníky využíváno je vhodnější jej odebrat nebo alespoň odebrat údaj o počtu hodnocení. 3.6.2
USP
USP je zkratka anglického unique selling proposition nebo také unique selling point. Do češtiny je překládáno jako unikátní (jedinečný) prodejní argument. Ve zkratce je to (racionálně znějící) důvod, proč by si měli lidé koupit zrovna váš produkt (zahrnuje výrobek i službu)[39]. Důležité je však zmínit, že USP musí být pravdivý, přínosný a opravdu jedinečný. Široká nabídka a nízké ceny nejsou USP, protože to dnes tvrdí každý, ale málo kdy to platí. USP je věc, která může mít na konverze velmi dramatický vliv. Pokud nejsou USP náležitě prezentovány, měl by to být podnět k testování s vysokou prioritou. 3.6.3
Konkurenční výhody
Konkurenční výhody nejsou oproti USP zcela jedinečné. Nejedná se o to „odlišit se“. Ve své podstatě je to výčet, kterým říkáme zákazníkovi proč by měl nakoupit zrovna v našem obchodě a zodpovědět 3. Zákaznické ohlasy. Používá se v reklamě a inzerci. Jde o písemné nebo mluvené vyjádření buď známé osobnosti, nebo běžného občana ke kvalitám některého produktu[25].
31
3. Motivace / vliv na zákazníka zákazníkovi jeho otázky. Klasické konkurenční výhody jsou[27]: doprava zdarma, doba dodání, počet let na trhu, informace o skladovosti, výdejní místa, prodej na splátky, garance nejnižších cen, atd. Mohou být prezentovány způsobem jako třeba u obchodu Alza.cz, který je uveden na obrázku 3.12.
Obrázek 3.12: Prezentace konkurenčních výhod na Alza.cz. Převzato z [27]. Konkurenční výhody by mělo být [27] vhodné komunikovat nejen na úvodní stránce, ale i detailu produktu, protože všichni nemusí přijít přes úvodní stránku. Pro představu možného dopadu jednotlivých konkurenčních výhod - v roce 2014 proběhl každoroční průzkum na vzorku 1459 osob, kteří nakupují na internetu, jeho výsledky vidíme na obrázku 3.13. Jak vidíme na obrázku, největší vliv na zákazníky má doprava zdarma, poté doba dodání, bezplatné vrácení zboží, důvěryhodnost v bezpečnosti plateb. Nutno poznamenat, že tento test proběhl v Americe, kde je chování spotřebitelů např. při platbách poněkud odlišné, ale obdobný průzkum zpracovala i česká Asociace pro elektronickou komerci (APEK) a první příčky jsou velmi podobné. Povšimněme si, že na první příčce je opět kouzelné slovíčko „zdarma“, jeho vliv jsme si popsali již v kapitole 3.2.
3.7
Vliv copywrittingu
Velmi důležitou, ne-li nejdůležitější věcí na optimalizaci konverzí je vliv samotných textů. Někteří zákazníci jsou schopni přejít nelogické uspořádání stránek, přehlcení různými rušivými prvky, ale pokud nepochopí, co mají udělat, je vše ostatní zbytečné. Proto je třeba textům věnovat zvýšenou pozornost. Například pouhá změna z „Create My Account“ na „Create Your Account“ snížila konverze o 24,91 % [1]. Přidání ujištění k přihlašovacímu formuláři „100 % soukromé - nebudeme Vám zasílat žádný 32
3. Motivace / vliv na zákazníka
Obrázek 3.13: Průzkum nejžádanějších konkurenčních výhod. Převzato z [33]. spam“ způsobilo pokles o 18,7 procent. Autoři se domnívají, že je to použitím slova „spam“, které je vnímáno značně negativně. Vzápětí byl proveden další test, kde byly varianty dvě viz obrázek 3.14. Pokles u varianty se slovem „spam“ byl 24 procent. Čtyři marketingově nejefektivnější slova jsou:[22] 1.
Ty. Člověk je tvor egocentrický. Když je text cílen přímo na nás evokuje v nás silnější vazbu, viz příklad s textací tlačítka výše.
2.
Nový. Toto slovo vyvolává v lidech zlepšení, zážitek, dobrodružství, něco co je třeba vyzkoušet.
3.
Zdarma. Vliv slova zdarma popisujeme v kapitole 3.2.
4.
Garantováno. Lidé mají rádi jistotu, viz kapitola o důvěryhodnosti.
Samotný copywriting není podstatou této práce, avšak pomocí něj prezentujeme zásadní věci, které mají vliv na konverze. 33
3. Motivace / vliv na zákazníka
Obrázek 3.14: Test na my vs. your. Převzato z [1].
3.8
Důvěryhodnost
Zásadní vliv na konverzní poměr má důvěryhodnost webu. Pokud budeme hodně obecní, tak důvěryhodnost znamená, že se lidé nebojí v daném e-shopu nakupovat. Pokud je stránka vyhodnocena návštěvníkem jako nedůvěryhodná, je startovní pozice optimalizace konverzního poměru extrémně ztížena. Ve většině případů takto rozhodnutý návštěvník ihned opouští web. Zvláště výrazné to bude v případech s vysoce konkurenčním prostředím, kdy obdobné zboží nabízí x dalších obchodů. V opačném případě to sice není neřešitelné, ale i tak značně ztížené. Na důvěryhodnost má vliv mnoho faktorů, jako hlavní bývají uváděny tyto [56]: Jednoznačný provozovatel Nic není pro zákazníky podezřelejšího než když není uveden jednoznačný provozovatel. Vhodné argumenty Důvěryhodnost je vhodné podpořit pádnými argumenty. Je však důležité, aby nešlo pouze o prázdné fráze, ale vše bylo podloženo čísly, certifikáty, členstvím v asociacích, 34
3. Motivace / vliv na zákazníka referencemi, apod. Oblíbenými argumenty jsou počty spokojených zákazníků, počty prodaných zboží/služeb, apod. Sociální ověření Jeden z nejvyužívanějších a nejsilnějších nástrojů. Pokud zákazník vidí mnoho spokojených hodnocení, ať už eshopu či konkrétního produktu, je zde vyšší pravděpodobnost, že se rozhodne ke koupi. V českém prostředí v této oblasti dominuje společnost Heureka.cz, proto není vhodné ji opomenout. V této oblasti mohou pomoci i sociální sítě, kde zákazníci vidí, že nejsou první, že je obchod jistým způsobem oblíbený, že někdo vyjádřil potřebu jej sledovat. Dalším způsobem ověření jsou pak samotná osobní doporučení od zákazníků. Sociální ověření je také možné zvýšit tím, že jsou na stránky umístěny loga známých institucích (loga bank, platebních karet, apod). [58]. Grafika Grafické zpracování webu má samozřejmě dopad i na celkovou důvěryhodnost. Proto je třeba, aby web korespondoval se svým zaměřením. Je všeobecně očekáváno, že web banky půjde na první pohled odlišit od webu pro děti. Dle Jana Řezáče [56] jsou jako důvěryhodnější vnímány buď značně staré weby nebo naopak ty zcela nové, moderní. Konzistence komunikace Důvěryhodnost i přesvědčivost posilujeme, pokud se zákazníky komunikujeme kvalitně a průběžně. Konzistentní se web stane tehdy, pokud bude již nějakou dobu na trhu, bude poskytovat kvalitní služby a lidé o něm čas od času uslyší (ideálně nejen z reklamy) [57]. Vnímání značky (branding) Vnímání značky je velmi důležité. Jeli značka u zákazníků oblíbená jsou ochotni odpustit některé menší prohřešky. Oblíbenost může být také onen faktor pro nákup. V případě, že nabídka je více méně stejná, vyhrává oblíbený obchod, ve kterém je očekáváno nulové riziko. S vnímáním značky má souvislost i pojem „autorita“. Je-li zákazníkem značka vnímána jako autorita v nějakém oboru, vytváří tím pocit kvality/záruky a bezpečí. Zdůvodnění Aby se návštěvníci proměnili v zákazníky, musí k tomu mít důvod, musí si to sami vnitřně zdůvodnit a odpovědět si 35
3. Motivace / vliv na zákazníka na jednoduchou otázku: „Proč?“. Proč by měl nakoupit zrovna zde a ne někde jinde. Právě odpověď na tuto otázku by mu měly dát výše uvedené faktory. Že má důvěryhodnost zásadní vliv na konverze dokazuje test od agentury High Position na e-shopu s hodinkami [11]. Proti sobě stály dvě testovací verze. Původní verze zahrnovala blok, který popisoval, proč nakoupit zrovna v tomto e-shopu. Testovací varianta pak obsahovala namísto tohoto bloku widget ze serveru TrustPilot.com, což je obdoba u nás známého serveru Heureka.cz - obsahuje hodnocení eshopu konkrétními osobami. Obě testovací varianty jsou zobrazeny na obrázku 3.15 a 3.16. Vliv na konverze byl při testech poměrně
Obrázek 3.15: Testování vlivu hodnocení zákazníků. Původní verze. Převzato z [11]. značný - prodeje se u varianty s widgetem zvýšily o 58,29 %. Testování probíhalo po dobu dvou měsíců na tisícovkách zákazníků. Zajímavější je tento fakt ještě více, když se podíváme na zbytek stránky. Obsahuje totiž i další prvky podporující důvěru jako je certifikace autorizovaného dealera, či jednoduchý prvek od TruePilot.com, což je důležité z hlediska uvědomění, že zvýšení způsobilo především ono slovní hodnocení přímo od uživatelů. Důležitost důvěryhodnosti dokazuje i další test [14] na tom samém e-shopu, který předcházel výše zmíněnému. Při tomto testu byla ikonka zdůrazňující nízké ceny nahrazena grafikou zdůrazňující, že e-shop je autorizovaný dealerem společnosti vyrábějící hodinky, viz 36
3. Motivace / vliv na zákazníka
Obrázek 3.16: Testování vlivu hodnocení zákazníků. Upravená, vítězná verze. Převzato z [11]. obrázek 3.17. Tato změna způsobila nárůst konverzního poměru o celých 107 % během 30 dní. Obdobný test [32] byl proveden i v českém prostředí. Provedla jej společnost Czc.cz na svém e-shopu s elektronikou. Test prováděla na 50 % návštěvnosti, což bylo 90 000 návštěvníků. Testovány byly hned 4 varianty umístění prvku „Ověřeno zákazníky“ od společnosti Heureka, viz obrázek 3.18. Dvě varianty v oblasti košíku a dvě varianty vyjíždějící ze stran - jedna z levé strany, druhá z pravé strany. Z těchto testů vyšla jako vítězná varianta 4 s vysouvacím hodnocením na levé straně, která zaznamenala 7,5 % nárůst tržeb. Na téma podpoření důvěryhodnosti byl proveden experiment i v rámci této práce. Více se dozvíte v kapitole 7.
3.9
Rychlost stránek
Důležitý vliv na konverze má také rychlost stránek. Uvádí se, že každá vteřina čekání při načítání stránek snižuje pravděpodobnost konverze o 7 % a zároveň o 11 %[17] snižuje počet zobrazených stránek. 37
3. Motivace / vliv na zákazníka
Obrázek 3.17: Testování vlivu certifikátu. Původní verze vlevo, vítězná vpravo. Převzato z [14].
Obrázek 3.18: Testování vlivu certifikátu do společnosti Heureka. Upraveno z [32].
38
3. Motivace / vliv na zákazníka Pravdivost potvrzuje svým výzkumem společnost Amazon, která změřila, že každé zrychlení o 100 ms se rovná nárůstu tržeb o 1 % [53]. Obdobné hodnoty byly naměřeny i u obchodu Wallmart. Z téže výzkumu vychází také fakt, že 1 ze 4 zákazníků opouští web, jestliže doba načítání přesáhne 4 vteřiny. Další příklady z praxe: •
Během kampaně Baracka Obamy v roce 2011 proběhl test při kterém snížili dobu načítání jeho volebních stránek z 5 na 2 vteřiny. Toto mělo za následek zvýšení darů skrze webové stránky o 14 %[23].
•
Shopzilla.com snížila dobu načítání z 6 na 1,2 vteřiny a tím zvýšila tržby o 12 %[53]. Agentura Velocity na přelomu let 2012 a 2013 provedla zrychlení u webové prezentace softwarové firmy Intuit. Dopad na konverze byl následující[53]: –
+ 3 % konverzí za každou vteřinu při snižování z 15 na 7 vteřin,
–
+ 2 % konverzí za každou vteřinu při 7 až 5 vteřinách,
–
+ 1 % konverzí za každou vteřinu při snížení ze 4 na 2 vteřiny.
3.10 Pocit nedostatku Klasickým marketingovým prostředek k vyvolání okamžitého zájmu o produkt je vyvolání pocitu nedostatku. Tento pocit bývá vyvolávám prostřednictvím „omezeného“ počtu kusů, omezenou časovou nabídkou. Tento prostředek využívá lidského strachu ze ztráty.[57] „Když chcete, aby po něčem opravdu toužili, stačí, když to uděláte těžko dostupným.“ Tom Sawyer z dětské knížky Marka Twaina.
3.11 Nenuťte uživatele přemýšlet Obecná zásada tvorby webu zní: „Nenuťte uživatele přemýšlet“. Na toto téma napsal Steve Krug celou stejnojmennou knihu [29]. Tato zá39
3. Motivace / vliv na zákazníka sada se vztahuje na celou paletu témat - pokrývá oblasti od informační architektury, designu, struktury textů až po obsah samotný. Z podstaty věci tato zásada je cílem většiny předchozích kapitol. Ať již jde o samotnou vizuální hierarchii, kdy se snažíme uživatele vést, aby se neztratil, či copywriting, kdy se uživateli snažíme dodat co nejpochopitelnější text. Tyto oblasti velmi úzce souvisí s paradoxem volby, který se tímto snažíme minimalizovat. 3.11.1 Zvyklosti Při optimalizaci konverzí je třeba brát v souvislosti i obecně uznávané zvyklosti u webů v našem oboru. Například vhodně zvolené umístění prvků, správně zvolená grafika, apod. Vybočení z řady sice může být vhodné k upoutání pozornosti, ale tyto změny je třeba vždy pečlivě zvážit a testovat. Například v oblasti e-shopu je obecně očekáváno, že košík bude vpravo nahoře, protože jej tam má téměř 90 % webů [54]. Že v patičce webu bude kontakt. Že kliknutí na hlavičku se dostanu na úvodní stránku apod.
3.12 Optimalizace webu pro mobilní zařízení Ač se na první pohled může zdát, že toto téma se k optimalizaci konverzního poměru nevztahuje, opak je pravdou. Mobilní zařízení (telefony, tablety) získávají stále na oblibě a dle Sdružení pro internetový rozvoj, které monitoruje české internetové prostředí, přesáhl v únoru 2015 počet uživatelů využívající mobilní zařízení k přístupu na internet v ČR hranici 4 milionů reálných uživatelů [36]. Tento trend je celosvětový a v některých zemích ještě více razantní. Především pro mladší generace se mobil stává hlavním zařízením pro přístup k internetu. Ruku v ruce s tímto trendem získávají mobilní zařízení stále důležitější pozici v nákupním procesu, proto není vhodné při optimalizaci konverzního poměru tento fakt brát na lehkou váhu a webové stránky optimalizovat i pro mobilní zařízení.
40
4 Poznání zákazníka - stanovení hypotéz Cílem této části je získat na základě „technických“ dat (tzv. datadriven approach) a poznatků z kapitoly 3 podněty, na kterých bude postavena testovací hypotéza. V podstatě je cílem této fáze zjistit co testovat. Ještě před začátkem této fáze je vhodné se seznámit s optimalizovaným webem osobně na uživatelské úrovni. Projít si stránky, vytvořit testovací objednávky, seznámit se s provozovatelem, konkurencí atd. Získáme tím vhled do samotných probíhajících procesů a lépe pochopíme výsledky jednotlivých analýz.
4.1
Webová analytika - Google Analytics
Webová analytika je komplexní disciplína, která by vydala na několik samostatných diplomových prací, proto není možné (a ani to není cílem této práce) zde poskytnou návod k expertní analýze nasbíraných dat. Cílem této kapitoly je nastínit možnosti webové analytiky a seznámit s moduly, které jsou pro náš účel nejzajímavější, tj. se sekcí Konverze. Pro Google Analytics se často využívá zkratka GA, kterou budeme využívat i my v následujícím textu. 4.1.1
Cíle
V nastavení GA si můžeme stanovit cíle našeho webu a případně i kroky k tomuto cíli vedoucí. Díky tomu pak můžeme detailně analyzovat nejen samotný cíl, ale i jednotlivé kroky. K dispozici nám jsou standardní metriky, vizualizace cesty a tok uživatelů směrem k onomu cíli a mnoho dalších metrik. Pokud máme jako cíl nastaveno odeslání objednávky, pak nám přehled „vizualizace cesty“ slouží jako konverzní trychtýř. 4.1.2
Rozšířený elektronický obchod
Tento nástroj se v originále nazývá „Google Analytics Enhanced Ecommerce“ a je nástavbou původního Ecommerce modulu, kde najdeme základní informace o konverzích jako je konverzní poměr, počty transakcí, atd. 41
4. Poznání zákazníka - stanovení hypotéz Pokud máme měření konverzí správně nastavené, tak zde máme kompletní a velmi cenné informace nejen o jednotlivých objednávkách, ale i produktech, skupinách produktů a delší detaily. Vše je možné patřičně segmentovat a filtrovat. Díky pokročilé segmentaci můžeme např. sledovat chování návštěvníků, kteří nakoupili a porovnávat je s těmi, kteří nenakoupili, apod. Najdeme zde i modul Analýza chování nakupujících, který nám ukáže, jak se chovají návštěvnicí během nákupu - kolik jich zhlédne produkt, kolik opustí košík, kolik opustí pokladnu a kolik učiní transakci. Jedná se tedy o analýzu konverzní cesty. Ukázka na obrázku 4.1.
Obrázek 4.1: Ukázka modulu pro analýzu chování nakupujících v GA. Převzato z [49]. Dalším novým modulem je Analýza chování ve službě Checkout, tj. chování při platbě, které nám odhalí nedostatky v objednávkovém procesu, což je v podstatě pokročilý konverzní trychtýř v závěrečné části konverzní cesty, viz obrázek 4.2. Dalšími moduly dostupnými v rozšířeném elektronickém obchodě jsou Výkon produktu, Výkon prodeje, Výkon seznamu produktů, jejichž ná42
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.2: Ukázka modulu pro analýzu chování při platbě v GA. Převzato z [49]. zvy dostatečně popisují jejich zaměření. 4.1.3
Způsob měření návštěvnosti
Pojem návštěvníka a návštěvnosti jsme si již definovali v kapitole 2.3. Návštěvník a návštěvnost jsou zcela odlišné pojmy. V této kapitole si popíšeme, jak samotné měření v Google Analytics probíhá. V Google Analytics probíhá měření návštěvnosti následujícím způsobem. Po načtení obsahu (zaznamenání požadavku na server) je našemu zařízení přiřazeno unikátní ID, které se tímto považuje za unikátního uživatele. Toto ID se pak odesílá při každém požadavku na server. Je-li zjištěno již existující ID, je identifikován tzv. vracející se uživatel. Není-li zjištěno, je započítán nový uživatel. Při tomto mě43
4. Poznání zákazníka - stanovení hypotéz ření dochází k nepřesnostem, které jsou způsobeny tím, že toto ID je ukládáno prostřednictvím cookies1 , která jsou ukládána v konkrétním zařízení. Přihlásí-li se uživatel zároveň z tabletu, mobilu i počítače, jsou identifikována tři různá zařízení a tedy tři návštěvníci. Návštěvou se v GA rozumí interakce s webem v určitém období. Jak jsme si již řekli, ve výchozím nastavení je návštěva ukončena po 30 minutách nečinnosti. Tento časový limit lze v konfiguraci GA změnit, což je vhodné například u stránek s videi delšími než oněch 30 minut. Při dalším požadavku po uplynutí této doby je uživatel započítán jako nová návštěva. Čerpáno z nápovědy Google Analytics [4]. 4.1.4
Rozdíl mezi vstupy a návštěvami
Vstupy a návštěvy jsou v GA počítány různě, takže se jejich počty mohou v jednotlivých přehledech navzájem lišit. Hodnota návštěv se zvyšuje při jakémkoliv požadavku na server, kdežto vstupy se zvyšují pouze při zobrazení stránky nebo obrazovky. Konkrétní detaily jsou popsány v nápovědě GA [5]. 4.1.5
Přesnost Google Analytics
Při práci s GA je třeba upozornit, že tento software nedává zcela přesné údaje, ale pouze orientační, s odchylkou od reality kolem 10–40 % [40]. Ač se tyto čísla zdají být poměrně vysoká, tak i přesto je GA nejpoužívanějším nástrojem pro webovou analytiku. Částečně je to způsobeno malou konkurencí, kdy další nástroje, jako třeba IBM Digital Analytics, Adobe Analytics nebo pokročilá verze GA Premium jsou nástroje placené a jejich pořizovací cena se pohybuje v závratných dolarových částkách. 4.1.6
Webová analytika a CRO
Samotná čísla jsou nic neříkající. Důležité je dát si tyto čísla do kontextu, do souvislosti s časovou dimenzí, či segmenty. Kontext je důležitý, abychom mohli dát význam některým anomáliím. Kontext může být různý. Data můžeme dát do kontextu s bě1.
Krátký textový soubor, který je odesílán prohlížečem na server.
44
4. Poznání zákazníka - stanovení hypotéz žícími marketingovými kampaněmi, akcemi, událostmi ve společnosti, apod. Záleží na povaze a zaměření webu. Časová dimenze nám dává pohled na data v průběhu času. Pokud řekneme, že konverzní poměr je 1,7 % nic nám to nepoví. Řekneme-li ale, že konverzní poměr během měsíce klesl z 3,2 % na 1,7 %, to je již mnohem hodnotnější informace. V souvislosti s časem je třeba brát v úvahu nákupní cykly návštěvníků (například určité dny v týdnu se nakupuje více, jiné méně) a prodejní sezónu (Vánoce znamenají několikanásobný nárůst). Důležité je tedy porovnávat vhodné časové období, například celý týden s celým týdnem a ne sobotu s pondělkem. Srovnávání na úrovni měsíců nemusí být u nesezónního zboží problém, avšak porovnávat prosinec s lednem, kdy bývají prodeje obecně slabší není vhodné. I u této dimenze je třeba brát v úvahu kontext. Segmenty je též třeba brát v potaz. U každého segmentu se může konverzní poměr vyvíjet jiným směrem a varianta, která u jednoho segmentu vyhrává, může u druhého prohrávat. Tradičními segmenty jsou: •
prohlížeče (Internet Explorer, Chrome, Firefox, . . . ),
•
geografie (stát, kraj, případně i město, . . . ),
•
demografie (věk, pohlaví, . . . ),
•
noví a vracející se návštěvníci,
•
zdroje návštěv (placená návštěvnost, z vyhledávání, přímá, z odkazů, . . . )
Zde je třeba vyzvednout segment zdroje návštěv. Odkud k nám návštěvník přichází, může mít na jeho poznání zásadní vliv.
4.2
Analýza konverzních cest
Konverzní cesta je cesta, kterou musí návštěvník webu projít, aby splnil požadovaný cíl. Například u e-shopu začíná minimální konverzní cesta na detailu produktu, pokračuje přes košík, vyplnění kontaktních údajů, výběr dopravy a platby a končí odesláním objednávky. 45
4. Poznání zákazníka - stanovení hypotéz Konverzní cestě je třeba věnovat zvýšenou pozornost, protože čím dále na ní zákazník je, tím více je pravděpodobnější uskutečnění jeho nákupu. K analýze se využívá konverzních trychtýřů (viz kapitola 2.8), které znázorňují jednotlivé kroky v konverzní cestě. Můžeme tak přesně pozorovat dění v jednotlivých částech. Pokročilejší analýzu je možné provést skrze Google Analytics a jeho modul Analýza chování ve službě Checkout viz kapitola 4.1.2.
4.3
Heatmapy
Webová analytika nám dává pohled na data na úrovni odkazů. Problém nastává v situacích, kdy máme na stránce více odkazů, které směřují stejným směrem. Z analytiky se sice dozvíme, že z této stránky přišlo na tuto stránku tolik a tolik osob, avšak již se nedozvíme, jestli to bylo přes odkaz v hlavičce, patičce či třeba v textu. Právě tuto situaci nám pomáhají řešit tzv. heatmapy (v našich končinách využíván i lokalizovaný název „teplotní mapy“). Heatmapy zaznamenávají kliky na stránce a graficky znázorňují četnost kliknutí. Ukázku heatmapy vidíte na obrázku 4.3. Výhodou tedy je, že dokážeme identifikovat i místa, kam uživatelé klikají, ale není zde odkaz - těmto místům je vhodné se v rámci optimalizace věnovat s vyšší prioritou. Na obrázku je ještě jedna zajímavost a to je ona světlá čára lehce nad polovinou obrázku. Tato čára naznačuje průměrnou hranici tzv. foldu, tedy přehybu stránky. Termínem nad foldem bývá označována část stránky, která je návštěvníkovi zobrazena bez nutnosti rolování myší. Nevýhodou heatmap je, že v případech, kdy jeden prvek dočasně překrývá druhý (např. výsuvné menu) či se vyskytuje jiný dynamický obsah (slidery) jsou kliky zaznamenány přesně na pozici a tyto elementy neberou v potaz. Může tak dojít ke značnému zkreslení. 4.3.1
Scrollmapy
Scrollmapy jsou podmnožinou heatmap a dávají nám odpověď na to, která část stránek je uživately nejčastěji sledována, tedy jak daleko směrem dolů se uživatelé dostali. Odtud také název (scroll = po46
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.3: Ukázka heatmapy. hyb kolečkem myši). Tyto mapy (ukázka na obrázku 4.4) jsou důležité z hlediska tvorby webu a rozmístění prvků. Na první pohled dostáváme odpověď například na to, kam je vhodné ještě umísťovat prvky do levého sloupce, kdy to má ještě význam a kdy to uvidí už pouze mizivé procento návštěvníků. 4.3.2
Movemapy
Movemapy jsou taktéž podmnožinou heatmap a jsou jim i velmi podobné. Narozdíl od heatmap nám nedávají odpověď na to, kam uživatelé nejvíce klikají, ale na to, kde se nejvíce pohybují myší. Ukázka na obrázku 4.5. U heatmap jsme si řekli, že mohou být vhodné k hledání míst, kde uživatelé klikají, ale není odkaz. I k tomuto účelu jsou movemapy více než vhodné. Existuje velké procento uživatelů, kteří nad „odkaz“ pouze najedou a pokud se jim nezmění kurzor, neklikají, tudíž bychom se o této skutečnosti z heatmap vůbec nedozvěděli. 47
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.4: Ukázka scrollmapy. Existuje výzkum, který prokazuje 80% korelaci mezi pozicí kurzoru myši a tím, kam se návštěvníci skutečně dívají [56].
4.4
Zpětná vazba
Zpětná vazba je vždy hodnotným zdrojem informací a nejinak tomu je i v online prostředí. Existuje velké množství služeb, které nám technicky umožní dotazovat se našich zákazníků na webu, ať už permanentně, či v určitých situacích (např. v košíku, při opuštění určité stránky, či dokonce celého webu). Zvláště možnost položit otázku uživatelům, kteří opouští naši konverzní cestu, je velmi cenná. Podobná otázka je zobrazena na obrázku 4.6. Existuje spousta služeb a nástrojů, které provedou automatizovaný sběr dat za nás, ať už jde o pouhé dotazníky, či dotazy z technické podpory, konverzaci se zákazníky, anebo plně sofistikované a 48
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.5: Ukázka movemapy. personifikované otázky během nákupního procesu.
4.5
Formuláře
Formuláře jsou důležitým prvkem našeho webu a jsou přímým účastníkem u většiny makrokonverzí. Z tohoto důvodu je třeba i je podrobit analýze. Většina z výše uvedených přístupů zde však selhává a neposkytuje nám potřebná data. Existují ale specializované nástroje, které se zabývají pouze testováním formulářů. Z těchto nástrojů se pak dozvíme například to, na kterém políčku návštěvníci nejčastěji opouštějí stránku, na kterém tráví nejvíce času či třeba které políčko je nejčastěji zadáváno chybně. Informacím z podobných testování, které se dotýkají přímo konverzí, bychom měli věnovat zvýšenou pozornost. Ukázka z výstupu takovéhoto nástroje je na obrázku 4.7. 49
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.6: Ukázka položení otázky návštěvníkovi webu v nástroji Hotjar. Snímek obrazovky z webu nástroje.
4.6
Uživatelské testování
Uživatelské testování je způsob testování, které je prováděno na reálných uživatelích z naší cílové skupiny. Ti jsou vystaveni na testovaném subjektu standardním úkolům, na které by narazili během běžného používání. Testovaní uživatelé jsou během testů pozorováni a jejich chování následně vyhodnocováno. Účelem není něco prokázat, ale získat nadhled na to jakým způsobem zákazníci testovaný web používají. Krug uvádí, že k tomu, abychom odhalili většinu problémů nám stačí 3 testovací subjekty [30]. Nejedná se tedy o nikterak náročnou metodu. Důležité je zmínit, že není třeba testovat až finální verze, můžeme testovat pouze návrhy, či prototypy a i tak získáme hodnotná zjištění. Data z uživatelského testování jsou celkově velmi cenným zdrojem informací pro optimalizaci konverzního poměru. Uživatelským testováním se zabývá mnoho knih a tato problematika by vydala na samotnou diplomovou práci, proto nebudeme za50
4. Poznání zákazníka - stanovení hypotéz
Obrázek 4.7: Ukázka z testování formuláře, políčka anonymizovány.
býhat do podrobností a zájemce o tuto problematiku odkážeme k nepsané bibli uživatelského testovaní, knize „Nenuťte uživatele přemýšlet! : praktický průvodce testováním a opravou chyb použitelnosti“ [30] od Steva Kruga, která se touto problematikou hluboce zabývá.
4.7
Vlastní testování
K získání zajímavých dat na uživatelské úrovni není třeba ani uživatelské testování. Někdy stačí, když si sami pořádně otestujeme svůj web a zkusíme si udělat objednávku svého produktu, projít si celým nákupním procesem na různých zařízeních, v různých prohlížečích. To vše nejen pro vlastní web, ale i pro konkurenci. I tato cesta nás může dovést k zajímavým testovacím hypotézám. Inspirovat se můžeme hlavně u částí, které u nás nefungují dle našich představ a konkurence je řeší nějakým jiným způsobem. Zdrojem hypotéz můžou a také často bývají výsledky z předchozích A/B testů, během kterých můžeme odhalit další slabá místa. 51
4. Poznání zákazníka - stanovení hypotéz
4.8
Expertní odhad - LIFT model
LIFT model je framework pro optimalizaci konverzního poměru od Chrise Gowarda [21]. Slouží k odhalení slabých míst konverzní stránky a následné vytvoření testovací hypotézy. Tento model popisuje šest konverzních faktorů, které umožňují vyhodnotit stránku z pohledu návštěvníka. Obrázek 4.8 naznačuje koncept LIFT modelu. Vyznačeny jsou jednotlivé faktory a jejích vliv na konverze.
Obrázek 4.8: LIFT model. Převzato z [35]. Jednotlivými faktory jsou (čerpáno z [21]): Nabídka, benefity Nejdůležitější z faktorů, který je potenciálem pro optimalizaci konverzního poměru. Indikuje atraktivitu nabídky pro zákazníka. Pokud zákazník o náš produkt jeví zájem, zvyšuje se pravděpodobnost nákupu. Relevantnost Stránka by měla odpovídat tomu, co návštěvník očekával, že uvidí. Měly by být použité termíny s kterými si návštěvník stránku spojuje a to i v souvislosti se zdrojem přes který přišel. Pokud zákazník neshledá naši stránku jako relevantní s tím kvůli čemu přišel, bude dezorientovaný a z webu velmi rychle odejde. 52
4. Poznání zákazníka - stanovení hypotéz Srozumitelnost Stránka musí být srozumitelná jak z pohledu designu, tak i obsahu. Souvisí i s jasným call-to-action. Naléhavost Vyvolání pocitu, že akce musí být uskutečněna hned. Podporují časově omezené nabídky, termíny. Strach Strach, nedůvěra a nejistota jsou ničitelem konverzí. Rozptylování Přeplněné stránky s mnoha prvky odvádí pozornost od požadované akce (nákupu). Faktory relevantnosti, srozumitelnosti a naléhavosti jsou označovány jako hybatelé konverzí, kdežto strach a rozptylování jako prvky s opačným efektem. Většinu z těchto faktorů jsme si probrali v předchozí kapitole, proto není třeba se jimi nijak detailně zabývat.
4.9
Tvorba hypotézy
Před testováním je nutné mít stanovou hypotézu, kterou chceme testovat, přesně definovaný cíl a metriky, které budeme vyhodnocovat. Cíl by nám měl odpovědět na to, co budeme brát jako úspěch, čeho bychom chtěli testováním dosáhnout. Metriky nám slouží k vyhodnocení dopadu jednotlivých změn. Metriky mohou být různé, záleží na námi zvoleném cíli. Je-li cílem zvýšení konverzního poměru, pak jsou metrikou samotné konverze. Je-li cílem zvýšit průměrnou dobu strávenou na stránce, je metrikou průměrný čas strávený na stránce. Hypotéza nám dává odpověď na to co a proč na webu testovat a jaký je očekávaný dopad. Jedná se o tvrzení vztažené k zákazníkovi, jehož platnost testem ověřujeme [48]. Syntakticky ji můžeme popsat následovně: Pokud domněnka, pak očekávaný výsledek, protože hypotéza. Hypotézu stanovíme na základě analýz a výzkumů s ohledem na efektivnost přinesených změn. Rozhodující je poměr mezi cenou pří53
4. Poznání zákazníka - stanovení hypotéz padné implementace změn a očekávaným přínosem. Z logiky věci je vhodnější testovat hypotézy, které budou mít ten největší přínos, což nutně neznamená největší změnu konverzního poměru. Změna o 1 % před samotnou konverzí má větší hodnotu, než 10 % na začátku konverzní cesty. Místa, kterým je třeba věnovat zvýšenou pozornost jsou: nejčastější vstupní stránky (landing pages), nejnavštěvovanější stránky či stránky na konverzní cestě. Pokud máme více hypotéz, přednost by měla dostat hypotéza, která se týká výše zmíněných míst. Při změnách v těchto místech je možné očekávat větší dopady na konverze. Určit prioritu jednotlivých hypotéz nám mohou pomoci následující otázky: [16] •
Jaká je pravděpodobnost, že se zdvojnásobí konverzní poměr? Pomůže určit ty opravdu velké příležitosti. Malé změny nepřinesou radikální zlepšení.
•
Jak snadné je změny implementovat? Jednodušší změny mají vyšší prioritu
•
Fungoval tento nápad před tím? Vycházíme z našich dříve dokumentovaných testů, abychom neopakovali stejné chyby.
54
5 Testovací proces Poté, co si stanovíme hypotézu můžeme přistoupit k testovacímu procesu. Ještě než započneme samotné testování je třeba rozhodnout zda je vhodné takovouto hypotézu vůbec testovat (proveditelnost / testovatelnost) a jaký test zvolíme. Jestliže se rozhodneme pro testování, je třeba si určit cíle testování a testovací segmenty. Poté již můžeme přejít k samotnému testování. Po skončení testování je nutné test vyhodnotit, zdokumentovat a přijmout závěry.
5.1
A/B testování
Název vychází z testování při kterém proti sobě stojí dvě varianty stránek - varianta A a B. Testovat však je možné i více variant než pouze dvě - i testy s více variantami bývají většinou označovány jako A/B testy. Někde tyto testy s více variantami bývají nazývány jako A/B/N testy, kde N značí počet variant. Obdobný význam jako A/B/N má i A/B/. . . Z testování. Využívá se též anglického termínu „split test“. Podstatou A/B testů je testování na reálných uživatelích ve stejném čase. Příchozí uživatelé jsou náhodně nasměrování na určitou variantu a je měřena úspěšnost dosažení námi stanovených cílů. Každému návštěvníkovi je přiděleno cookies s unikátním ID, kterým je zajištěno, že i při opakovaných návštěvách uvidí na jednom zařízení vždy tu stejnou verzi stránky. Výsledky testování jsou poté vyhodnocovány na základě statistické významnosti. Princip testování je naznačen na obrázku 5.1. Testovat můžeme na úrovni jednotlivých elementů nebo přímo celých stránek - takovéto testování se pak nazývá split URL test. A/B testování bývá označováno jako nejlepší způsob jak vyvíjet a zlepšovat web (i celý business) s ohledem na jeho výkonnost [43]. Umožňuje nám totiž učit se přímo v praxi na reálných zákaznících a tak poznávat jejich potřeby. 55
5. Testovací proces
Obrázek 5.1: Princip A/B testování. Převzato z [20].
5.2
B/A testování
B/A vychází z anglického Before - After, tedy před a po. Jde o testování, kdy jednotlivé varianty nesoutěží přímo proti sobě, ale testovaná varianta je nasazena a poté se porovnávají dopady oproti staré verzi. Výhodou tohoto typu testování je, že můžeme testovat i na stránkách s nižší návštěvností a konverzemi. Nevýhodou je, že testy neběží proti sobě ve stejném časovém úseku, tedy konverze může ovlivňovat rozličná návštěvnost, či sezónní výkyvy.
5.3
MVT
Zkratka MVT pochází z anglického Multi Variable Testing, tj. multivariantní testy. Jak název napovídá, oproti A/B testování testujeme více věcí současně, například 2 verze nadpisů, 4 varianty obrázků, atd. Cílem tohoto testování je potom najít vítěznou kombinaci. Tou může být třeba první verze nadpisu a třetí varianta obrázku. Oproti A/B testování, které je pro testování na úrovni stránek, se MVT využívá k testování na úrovni elementů k doladění detailů. Princip naznačen na obrázku 5.2. Možnost testovat více věcí současně a poté určit vítěznou kombinaci je hlavní výhodou MVT. Nevýhodou tohoto druhu testování je, že oproti A/B testování má mnohem vyšší nároky na návštěvnost a konverze. Testování je také časově mnohem náročnější. 56
5. Testovací proces
Obrázek 5.2: Princip MVT testování. Převzato z [10].
5.4
Podmínky pro A/B testování
Jak bylo zmíněno v předchozích sekcích, abychom mohli testovat, je třeba mít dostatečnou návštěvnost a určité konverze. Obecně je uváděno minimálně 200-250 konverzí na testovanou variantu [43], při menší návštěvnosti může být relevantních i 100 konverzí na variantu. Jaké jsou předpoklady pro relevantní test, či jak dlouho je nutné nechat test spuštěný nám mohou napovědět i nástroje - například „A/B Test Sample Size Calculator“1 . U A/B testů je důležité, aby se jednotlivé varianty lišily pouze v jedné proměnné, protože jinak se můžeme opět pouze domnívat, co mělo jaký efekt. Důležité také je, aby se v případě více souběžných testů netestovaly stejné věci a testy se navzájem neovlivňovaly. Vhodné je z testování také vyloučit vlastní IP adresy, z kterých provádíme testovací objednávky a během testu nespouštět větší marketingové akce. U samotných testů bychom měli dbát na to, aby byly zastaveny ve stejný den, jako byly spuštěny (tím vyloučíme vliv týdenních trendů) a na to, aby na testované varianty byla přidělena stejná 1.
www.optimizely.com/resources/sample-size-calculator/
57
5. Testovací proces procentuální návštěvnost (zjednodušíme tak vyhodnocování testů). A/B test nemusí nutně zahrnovat veškerou návštěvnost. Je možné určit kolik procent návštěvníků se má testu zúčastnit a kolik ne - toto je vhodné převážně u webu s velkou návštěvností či k experimentálnímu testování některých klíčových částí nákupního procesu.
5.5
Vyhodnocení testů
Po provedení A/B testů přichází na řadu zhodnocení výsledků testu. Test je vhodné vyhodnocovat v týdenních intervalech, čímž vyloučíme výkyvy během jednotlivých dní. Test je hotový, jestliže výsledky jsou konzistentní a statisticky významné (viz níže). Důležité je zmínit, že výsledné zlepšení není absolutní číslo, ale interval v kterém se náš výsledek může pohybovat. Čím více dat, tím užší tento interval je. Z výsledků testování mohou vyplynout tři situace: 1.
jasný vítěz,
2.
jasný poražený,
3.
neurčitý výsledek.
Na tomto místě je třeba si říci, že při správně nastavených procesech při vývoji webu, není možné na A/B testování tratit. Důkaz tohoto tvrzení demonstrujme na příkladu. Pokud se například větší e-shop rozhodne pro změnu v košíku a tuto změnu se rozhodne testovat, mohou nastat výše zmíněné situace. Testovaná varianta je jasný vítěz, např. konverze se zvýší o 20 %, pak je to výborná zpráva a je možné se pustit do implementace a očekávat nárůsty tržeb. Jestliže je testovaná varianta jasný poražený, předpokládáme, že toto nebylo účelem testu a bylo tak zabráněno případné ztrátě při implementací této chybné hypotézy. Je-li výsledek neurčitý, může to být způsobeno tím, že je rozdíl mezi oběma variantami minimální, tudíž jsme ušetřili náklady na implementaci, což mohou být také nemalé částky anebo náš test nemá dostatek dat a pak je na zvážení, zda nechat test běžet déle, či zariskovat a na základě vývoje během testu učinit rozhodnutí. U všech těchto variant je třeba výsledky detailně analyzovat, zda je 58
5. Testovací proces výsledek jednotný ve všech segmentech, zda nedochází k anomáliím, kdy se pozitiva z jedné části zároveň nulují s negativy jiné části, apod. Tato diplomová práce se týká optimalizace konverzního poměru, proto zde nebudeme zabíhat do matematických důkazů statistické významnosti určení výsledku. Pro náš záměr je důležitý hlavně fakt, že data není možné porovnávat pouze v absolutní hodnotě, ale je nutné brát v úvahu i statistiku a pravděpodobnost. Existují nástroje, které nám dokáží říci, zda je náš výsledek platný či nikoliv i bez znalostí statistiky. Zřejmě všechny testovací nástroje mají podobný mechanismus interně zahrnut. Vyjma toho existují samostatné nástroje jako třeba kalkulačka od KISSmetrics2 , či velmi oblíbená od AB Testguide3 , které nám náš test dokáží náležitě vyhodnotit.
2. 3.
getdatadriven.com/ab-significance-test abtestguide.com/calc/
59
6 Použité nástroje Během testování bylo použito několik nástrojů. Abychom správně porozuměli výsledkům testování, je třeba se s nimi seznámit na úrovni principu, používaných termínů a interpretaci jednotlivých metrik.
6.1
Optimizely
Optimizely je pokročilý testovací nástroj zaměřený na A/B a MVT testování. Obsahuje vizuální editor pro jednoduché úpravy, i editor kódu pro složitější úpravy. Umožňuje, mimo jiné , práci se segmenty, pokročilé cílení a integraci s dalšími nástroji, kterých je nyní 33 a najdeme mezi nimi nástroje pro webovou analytiku, heatmapy, různé dotazníkové nástroje a další. Optimizely bylo zvoleno z důvodu široké palety funkcí a výhodné cenové politiky. Během našeho testování se razantně proměnil celý business model, avšak tento nástroj stále zůstává nejvýhodnější. Optimizely v současnosti (duben 2015) nabízí 2 verze - Starter a Enteprise. Enterprise je zaměřena na pokročilejší testování a je zde nutné si vyjednat s prodejním týmem kontrakt na základě návštěvnosti webu a požadovaných funkcí. Verze Starter, která byla využita v rámci této práce, nabízí zdarma testování až do 50 tisíc unikátních návštěvníků měsíčně. Mimo toto omezení je zde nemožné využívat pokročilé funkce integrace, segmentování a jsme omezeni v oblasti množství spuštěných testů. Většina z těchto omezení však nemá vliv na naše testy a tak bylo Optimizely vyhodnoceno jako nejvhodnější testovací nástroj. Všechny skutečnosti popsané dále v této kapitole se vztahují právě k verzi Starter. Konkurenčními nástroji, které byly zvažovány jsou Visual Website Optimizer, Adobe Target a Google Content Experiments. První dva zmiňované byly zamítnuty z důvodu finanční nevýhodnosti, kdy funkce, které má Optimizely v základu zdarma, byly obsaženy až ve verzích s měsíčními platbami v řádu tisíců. Google Content Experiments je sice zdarma a je i součástí Google Analytics, tudíž by jeho použití bylo nejsnadnější, avšak ten umožňuje pouze testování na úrovni URL, tj. celé stránky a ne pouze jednotlivých elementů. Porovnávání a analyzování jednotlivých nástrojů proběhlo v listopadu 2014. 60
6. Použité nástroje 6.1.1
Tvorba testovacích variant
Optimizely nám k samotné tvorbě testů nabízí vizuální editor, kde je vše možné editovat na velmi triviální úrovni. Testy můžeme vytvářet také pomocí pokročilejších javascriptových kódů, které můžeme vkládat do přiloženého editoru. Na úrovni celého experimentu a všech jeho variant je také možné použít javascriptový kód či CSS kód. Na základě URL můžeme nastavit adresy či skupiny adres, na kterých má být test spuštěn. Můžeme tak testovat nejen na konkrétních stránkách, ale pomocí selekce cílových adres vymezit i pouze části webu, kategorie či jen detaily produktů. Samotná implementace Optimizely na testované weby probíhá velmi jednoduchou cestou. Stačí umístit vygenerovaný dvouřádkový kód do hlavičky našich webových stránek. 6.1.2
Cíle testování
Cíle experimentu můžeme v Optimizely vybrat z přednastavených nebo vytvořit vlastní cíle. Předpřipravené cíle jsou dva: Engagement (procentuální vyjádření počtu návštěvníků, kteří klikli na nějakou část testované stránky) a Total Revenue (hodnota získaná na základě návštěvy testované stránky, např. hodnota objednávky, nutno rozšířit implementaci měřícího kódu). Vlastní cíle můžeme určit na základě: •
Zhlédnutí určité stránky - nejběžnější sledovanou stránkou je tzv. děkovací stránka, na které je již jisté, že dochází k požadované konverzní akci.
•
Kliknutí na určitý prvek - tyto prvky můžeme určit prostřednictvím vizuálního editoru či css selektoru. Prvkem tedy může být i celý oddíl jako je například menu.
•
Vlastní události - událost specifikujeme pomocí Javasriptu.
6.1.3
Možnosti zacílení
V Optimizely je defaultně nastavených několik základních segmentů. A to dva na základě použitého zařízení: návštěvníci z mobilních a nemobilních zařízení. Další segmenty jsou přednastaveny na základě 61
6. Použité nástroje zdroje návštěvnosti: přímá, z vyhledávání, z odkazujících stránek a příchozí skrze kampaně. Třetí skupinou je sedm přednastavených segmentů na základě použitého prohlížeče. Mimo tyto předpřipravené segmenty si můžeme ve vyšších verzích definovat i vlastní. Na základě těchto segmentů a dalších prvků můžeme vytvořit poměrně pokročilé publikum, na které můžeme naše testy zacílit. Podmínky, které je možné k vytvoření publika využít vidíme na obrázku 6.1. Můžeme také procentuálně určit, kolik návštěvnosti se má testu zúčastnit.
Obrázek 6.1: Podmínky pro vytvoření publika v Optimizely.
62
6. Použité nástroje 6.1.4
Metriky a pojmy v Optimizely
V Optimizely jsou jako v mnoha nástrojích některé metriky a pojmy vnímány, či definovaný poněkud odlišným způsobem. Na tomto místě si uvedeme jejich význam. Pro názornost uvádíme v závorce i originální názvy, které můžete vidět na výstupech z tohoto nástroje v dalších kapitolách. Unikátní návštěvníci (unique visitors) Návštěvníkům je obdobně jako u Google Analytics přiděleno cookies s unikátním ID. Přijde-li návštěvník na web bez unikátního ID je započítán jako unikátní návštěvník a ID mu je přidělo. Expirace těchto cookies je 10 let. Návštěvníci (visitors) Ač je název odlišný, u Optimizely se pojmy návštěvníci a unikátní návštěvníci shodují, mají tedy stejný význam. Unikátní konverze (unique conversions) Počet unikátních návštěvníků, kteří dosáhli cíle. Funguje zde mechanismus, který zabraňuje tomu, aby jedna konverze byla započítána vícekrát. Konverzní poměr (conversion rate) Procento unikátních návštěvníků, kteří uskutečnili návštěvu a dosáhli cíle. Zlepšení (improvement) Relativní rozdíl v procentech mezi konverzním poměrem obou variant. Statistická významnost (statistical significance, dříve beat baseline) Určuje jak jistý je výsledek, který vidíme v kolonce „Zlepšení (improvement)“ a na kolik je to vliv náhodnosti. Je-li statistická významnost 95 % znamená to, že zobrazený výsledek je s 95% pravděpodobností pravdivý a s 5% pravděpodobností chybný. Interval důvěry (difference interval / confidence interval) Tento interval naznačuje, jakých hodnot může náš experiment dosahovat. V jakém rozmezí se mohou výsledné hodnoty pohybovat, protože jak jsme si řekli, výsledkem optimalizace je interval možných hodnot. 63
6. Použité nástroje 6.1.5
Problémy
Hlavním problémem u Optimizely v současnosti spatřuji v nemožnosti exportu, či pokročilé práci s daty. Bylo by vhodné totiž některá data z výsledných grafů odfiltrovat. Jde především o extrémní objednávky, které vybočují razantně z průměru, či různé testovací objednávky, protože ne všechny testovací IP adresy dokážeme předem definovat. Tyto objednávky nám poté zbytečně zkreslují statistiky.
6.2
Hotjar
Hotjar1 je poměrně mladý nástroj. V době psaní této práce stále ještě probíhal jeho překotný vývoj. V našem případě používání probíhalo v rámci beta testování. V březnu 2015 pak došlo ke spuštění finální verze a nástroj se tak stal dostupný i široké veřejnosti. V rámci této práce byl Hotjar využíván převážně pro práci s Heatmapami. Tento nástroj je ideálním pomocníkem ve fázi poznávání návštěvníka, umožňuje nám totiž: •
Analyzovat web pomocí heatmapy, scrollmap a movemap.
•
Vytvářet dotazníky pro sběr zpětné vazby.
•
Provádět online průzkumy.
•
Analyzovat náš konverzní trychtýř.
•
Analyzovat formuláře a jejich jednotlivá pole.
•
Nahrávat pohyb návštěvníka skrze web.
Hotjar je nabízen v několika verzích. Mimo jiné i verzi Basic, která je zdarma. Je sice omezená množstvím sbíraných dat, ale pro menší weby to může být dostačující. Hlavní výhoda pak tví právě ve výše uvedené funkcionalitě, kterou je možné obsluhovat v rámci jednoho nástroje. Dříve jsme ke každé této funkci museli zakoupit a obsluhovat speciální nástroj k tomu určený.
1.
www.hotjar.com
64
7 Testování Na základě poznatků z předchozích kapitol byla provedena analýza několika obchodů a navrženy změny, které by pomohly zlepšit konverzní poměr. V této kapitole si jednotlivé testy detailně popíšeme a rozebereme. K testování bylo využíváno následujících nástrojů: •
Google Analytics (viz kapitola 4.1) pro webovou analytiku.
•
Hotjar (viz kapitola 6.2) pro heatmapy.
•
Optimizely (viz kapitola 6.1) pro A/B testování.
7.1
Testování důvěryhodnosti a vlivu sezóny na Store4you.cz
Store4you.cz je poměrně malý obchod s pestrým sortimentem zboží. V obchodě nalezneme vše od drobné elektroniky jako usb flash disky, přes monitory, tiskárny až po notebooky, počítače, ledničky, televize, sekačky či hračky pro děti. V podstatě jsou tedy jeho konkurenty giganti typu Alza, Mall či Kasa. Co se funkčnosti e-shopu týče, je využíván systém Sun-shop1 od společnosti Sunlight Systems s.r.o., který nijak výrazněji nezaostává za konkurenty. Ani po stránce vizuální netrpí web žádnými zásadními problémy, viz obrázek 7.1. Marketing Firma se nijak vážněji neangažuje v oblasti digitálního marketingu. V testovací době nejsou spuštěny žádné markentigové kampaně. Jediná věc, která je z této oblasti využívána je promování produktů ve zbožových srovnávačích - zbozi.cz, heureka.cz, srovnanicen.cz. Firma se žádným způsobem ani neprezentuje na sociální sítích, z těch je návštěvnost minimální. 1.
www.sun-shop.cz
65
7. Testování
Obrázek 7.1: Ukázka hlavní stránky Store4you.cz.
66
7. Testování 7.1.1
Stanovení hypotézy
Store4you.cz trpí hlavním problémem, který však není možné řešit v rámci našeho tématu a tím je nízká návštěvnost a s ní spojené malé množství objednávek. Vzhledem k šíři sortimentu dosahuje denní návštěvnosti poměrně nízkých hodnot. Za září-listopad 2014 byl denní průměr 322 návštěvníků. Na tuto návštěvnost připadá v průměru 7 konverzí denně. Konverzní poměr byl tedy 2,19 procent. Nejcitelnějším problémem je, že výše zmíněné konverze jsou z kategorie výrazně levnějšího zboží a objednávka se zpravidla týká jednoho či nízkých jednotek kusů. Průměrná objednávka v listopadu 2014 měla hodnotu 1038 Kč, což je zrovna anomálie, kterou způsobila jedna objednávka televizoru přesahující hodnotu 60 tisíc korun. Po odfiltrování této extrémní objednávky se dostáváme na průměrnou hodnotu objednávky ve výši 806 korun. Hypotéza: Na základě analýzy dat z Google Analytics a skrze heatmapy (obrázky 7.2, 7.3, 7.4) můžeme sledovat poměrně velký zájem o stránku s kontakty, či doručením. Je zde snaha o kliknutí na neklikatelný obrázek, který by měl logicky směrovat na server Heureka.cz, viz obrázek 7.5. Na základě těchto poznatků jsem identifikoval jako největší problém webu důvěryhodnost, která by vysvětlovala i zájem o pouze levnější zboží - pro zákazníky je míra přijatelného rizika úměrná prospěchu, tedy ceně. Je-li cena nižší, je zde i nižší riziko a zákazníci jsou tedy ochotnější nakupovat.
Obrázek 7.2: Menu „O nás“ na Store4you.cz.
67
7. Testování
Obrázek 7.3: Kontaktní stránka na Store4you.cz.
68
7. Testování
Obrázek 7.4: Stránka s dopravou na Store4you.cz.
Obrázek 7.5: Blok na úvodní straně na Store4you.cz.
69
7. Testování 7.1.2
Testované varianty
Jak jsme si řekli v předchozím odstavci, naším cílem je podpořit důvěryhodnost. V kapitole 3.8 jsme si pověděli o faktorech ovlivňujících důvěryhodnost webu. Vzhledem k těmto poznatkům bylo navrženo nahradit banner s nabídkou splátek od společnosti Cetelem (viz levá část obrázku 7.6) nově vytvořeným bannerem se základními výhodami a sociálním potvrzením (viz pravá část obrázku 7.6). Součástí tohoto testu bylo u nově vytvořené varianty i rozšíření stránky „O nás“ (viz obrázky 7.7 a 7.8) na kterou vedl odkaz skrze nový banner. Tato stránka byla doplněna o vybrané recenze z Heureka.cz a rozvedení skutečností prezentovaných na banneru.
Obrázek 7.6: Testované varianty. Vlevo původní stránka se starým bannerem, vpravo s novým bannerem. Cílem je zvýšení konverzního poměru. Průměrnou cenu objednávky nebylo možné během testů vyhodnotit, protože testovací software Optimizely (viz 6.1) tuto možnost v naší verzi ještě nenabízel. V průběhu roku 2015 došlo však ke změně cenové politiky a tato mož70
7. Testování
Obrázek 7.7: Původní verze stránky „O nás“. nost již tu je. To však bylo v době, kdy se test již chýlil ke konci, proto tento cíl nebyl vyhodnocován. 7.1.3
Testovací podmínky
Testování probíhalo v období od neděle 7. prosince 2014 do neděle 22. března 2015. Celkem tedy 105 dní. U těchto dat je třeba zmínit, že testování probíhalo hned ve dvou „nej“ obdobích roku. V předvánočním čase, kdy jsou prodeje největší a v čase povánoční, kdy jsou prodeje naopak naprosto minimální. 7.1.4
Vyhodnocení testů
Celkově proběhlo 145 575 testů. Na původní variantu připadá 72 826 testů, na testovanou pak 72 749. Tyto čísla jsou v Optimizely prezentovány jako počet unikátních návštěvníků, což však silně nekoresponduje s daty v Google Analytics, kde je v testovaném období naměřeno 25 094 návštěv od 21 051 uživatelů. Čísla uvedená v Optimizely odpovídají spíše metrice zobrazených stránek. Tento rozdíl však nepřisuzuji chybě v Optimizely, jako spíše problému při nastavování cílení testů. Data se jeví jako kdyby identifikace unikátního návštěvníka probíhala na úrovni stránky a ne úrovni celého webu. Google Ana71
7. Testování
Obrázek 7.8: Rozšířená verze stránky „O nás“. 72
7. Testování lytics uvádí, že unikátního zobrazení stránek proběhlo v testovacím období 69 tisíc, pokud bychom tyto údaje použili pro každou variantu, dostáváme se k našemu číslu 140 tisíc. To však neznamená, že by tyto data byla zcela znehodnocena. To nikoliv, pouze udávaný konverzní poměr je vyčíslený z jiné metriky. O rozličnostech výpočtů jsme si řekli již v kapitole 2.6. Při prvním pohledu na výsledky testování na obrázku 7.10 vidíme, že testování nebylo ukončeno se statisticky signifikantním výsledkem, kterým je zlepšení konverzního poměru o 6,7 %. Test po 105 dnech běhu dosáhl statistické významnosti 79 procent. Byl tedy ukončen jako statisticky nevýznamný z důvodu neefektivnosti dalšího testování, kdy je málo pravděpodobné, že by došlo k nějakým zásadním změnám. Jak můžeme vidět na obrázku 7.13, statistická významnost stále kolísá.
Obrázek 7.9: Vývoj změn konverzního poměru oproti původní verzi. Pokud se na výsledky testování podíváme na úrovni jednotlivých segmentů nedostáváme nikterak výrazně odlišná data. Nejpočetnějším segmentem z oblasti návštěvnosti je návštěvnost skrze odkazující stránky (z valné většiny zbožové srovnávače). Následována téměř rovnoměrně rozloženými daty u ostatních zdrojů. 73
7. Testování
Obrázek 7.10: Vývoj konverzního poměru.
Obrázek 7.11: Vývoj návštěv jednotlivých variant.
Obrázek 7.12: Unikátní konverze během testovaného období. 74
7. Testování
Obrázek 7.13: Vývoj statistické významnosti. Zajímavým segmentem jsou mobilní zařízení. V tomto segmentu dosáhl náš test nárůstu o 67,6 procenta s 96% statistickou významností. Výsledky zobrazeny na obrázku 7.14. I když se test jeví jako statisticky významný, nemůžeme jej za něj považovat, protože na původní variantu zde připadá 18 konverzí a testovanou pak 30 konverzí. Tyto počty jsou tak malé, že pouhé jednotky konverzí by nám způsobily značné výkyvy. Z výsledku v tomto segmentu tedy nemůžeme vyvodit žádné adekvátní závěry. Co je však z výše uvedených grafů nejzajímavější, je znázornění statistické významnosti na obrázku 7.13. Test již před Vánoci dosáhl statistické významnosti přes 95 %, což je hranice, kdy jsou testy běžně ukončovány. Protože testování probíhalo relativně dlouhou dobu, můžeme si na tomto testu ilustrovat i vliv sezónních prodejů na konverzní poměr. A hlavně demonstrovat skutečnost, že pokud test běží krátkou dobu a již dosahuje statistické významnosti, nemusí to ještě nic znamenat. Proto se nyní podívejme na test znovu, jak by vypadaly výsledky, kdybychom se řídili pouze indikátorem statistické významnosti a ničím jiným. Na obrázku 7.15 vidíme vývoj konverzního poměru během prvních pěti dní. Pokud bychom se řídili pouze indikátorem významnosti, v tomto okamžiku bychom test ukončili, protože 97 % je velmi cenný výsledek. Pokud bychom však o A/B testování již něco věděli, rozhodli bychom se počkat do ukončení týdenního cyklu, abychom vyloučili vliv denních výkyvů. Na obrázku 7.16 máme zobrazen vývoj konverz75
7. Testování
Obrázek 7.14: Vývoj konverzního poměru v segmentu mobilních zařízení.
Obrázek 7.15: Vývoj konverzního poměru po pěti dnech. 76
7. Testování ního poměru během celého týdne. Statistická významnost poklesla, ale stále se drží na úrovni 95 %, což je stále považováno za platný výsledek.
Obrázek 7.16: Vývoj konverzního poměru po týdnu. Zde však nastal zlom. Po dalším týdnu testování (viz obrázek 7.17) spadla statistická významnost z 95 % na 67 % a zlepšení z 31,7 % na 6 %. Z jasného vítěze se tak stává nejistý vyzyvatel. Tento propad je způsoben blížícími se Vánoci, kdy se přibližovala doba posledních možných objednávek a zákazníci již byli ve stresu a zajímala je spíše doba dodání než důvěryhodnost. Navíc po hranici, kdy bylo možné doručit zboží do Vánoc, spadly objednávky téměř na nulu. Návštěvnici na web sice chodili, ale nenakupovali, čímž konverzní poměr ještě více snižovali. Zajímavé je tedy podívat se na test bez vánočního období. Vyselektovaná data z období od neděle 4. ledna po 22. březen máme na obrázku 7.18. Jak je zřejmé, žádné razantní rozdíly oproti celkovému výsledku nejsou patrné. Je tedy zřejmé, že dostatečně dlouhý test se dokáže vyrovnat i s takto skokovými změnami. 77
7. Testování
Obrázek 7.17: Vývoj konverzního poměru po dvou týdnech.
Obrázek 7.18: Vývoj konverzního poměru od 4. 1. 2015 do 22. 3. 2015. 78
7. Testování 7.1.5
Nepřesnosti
Co je však překvapivé, je srovnání dat z jednotlivých nástrojů. Google Analytics v testovaném období naměřil 639 transakcí. Optimizely po sečtení obou variant 599. Interní systém nám pak ukazuje 737 objednávek, což je poměrně značný rozdíl. V této souvislosti je však třeba připomenout rozdíl mezi primární a reálnou konverzí (viz kapitola 2.4). Analytické nástroje měří primární konverze, tj. konverze, které přišli skrze web. Kdežto v interním systému mohou být zaznamenány i telefonické, mailové či osobní objednávky. Tyto ne zcela zanedbatelné rozdíly se jeví jako poměrně zajímavý námět na další diplomovou práci, která by data z jednotlivých nástrojů srovnala, zhodnotila a identifikovala důvody nepřesností. 7.1.6
Poučení se z chyb
Na základě výsledků tohoto testu jsme dospěli k závěru, že během testování, zvláště pak v úvodním nastavení, došlo k několika chybám. Tou asi nejzásadnější bylo, že jsme silně důvěřovali datům, které nám nástroje zobrazovaly. Jak jsme si u vyhodnocení ukázali, každý z nástrojů naměřil odlišná čísla. Tomuto se s použitými nástroji nedalo zcela vyvarovat. Vhodnější by však bylo přímo v Optimizely nastavit integraci s Google Analytics. Mohli jsme tak získat komplexnější pohled na data v kontextu ostatních údajů, které poskytuje Google Analytics. Touto integrací bychom se zároveň vyhnuli problémům s naměřenými daty, kdy byl konverzní poměr vypočítáván z nevhodné metriky. Zároveň bychom data mohli porovnávat mezi sebou, identifikovat případné problémy a získat tak v podstatě i zálohu naměřených dat. Ne úplně vhodné též bylo spouštět test plošně na celém webu, když na to tato část nástroje nebyla evidentně připravena. Tímto došlo k znehodnocení metriky počtu unikátních návštěvníků. Zde není však zcela jisté, jestli to bylo způsobeno přímo nevhodně zvoleným typem testu nebo zda nebyl tento typ testu v době spuštění ještě k dispozici (Optimizely během testování prodělalo celkem razantní změny). Jak bylo popsáno výše, tyto nepřesnosti bychom minimalizovali, kdybychom do testování přímo integrovali nástroje pro webovou analytiku. 79
7. Testování Potencionálním problémem by mohlo být i společné měření „předvánoční“ a „povánoční“ sezóny, které jsou diametrálně odlišné, co se nákupních zvyklostí týče. V datech tak dochází ke skokovým změnám a některá zajímavá místa mohou být z důvodu velkého rozsahu hodnot přehlédnuta. Pokud bych na základě těchto výsledků vyvodit závěr. Doporučil bych změny realizovat z důvodu poměru nízké nákladnosti implementace změny a dosažitelných výsledků. Druhým důvodem by byl graf vývoje konverzního poměru (obrázek 7.9), který se za celou dobu testu nedostal do záporných čísel. Je zde tedy očekávání, že nastavený trend bude i nadále pokračovat.
7.2
Testování sociálního potvrzení
Dalším z vytvořených testů bylo testování vlivu sociálního potvrzení skrze widgety od společnosti Heureka.cz. K těmto testům jsem se rozhodl na základě sesbíraných heatmap z pětice webů, kdy ani u jednoho webu jsem nepozoroval, že by oblast s heureka prvky byla nějakým způsobem „aktivnější“. Protože všechny tyto weby využívali stejnou verzi widgetu - panel u okraje obrazovky, považoval jsem tedy tuto verzi za spojovník těchto výsledků. Hypotéza: Změnou widgetu od společnosti Heureka by mělo dojít ke zviditelnění sociálního potvrzení a tím i zvýšení konverzního poměru. Metrikou sledovanou během těchto testů je počet uskutečněných objednávek - makrokonverzí. Druhou metrikou jsou mikrokonverze počet návštěv košíku, což je adekvátní přidání zboží do košíku. 7.2.1
Testované subjekty
Pro testování této hypotézy byly zvoleny e-shopy Mrakyhracek.cz a Hsport.cz. Tyto weby byly zvoleny záměrně. Jednak z důvodu, že oba jsou poměrně dobře optimalizované a tak zde nejsou vážnější problémy, které by bylo třeba řešit. Druhým důvodem je jejich cílová skupina, kdy každý z webů cílí na jinou skupinu a tak bude zajímavé 80
7. Testování sledovat, jak na kterém webu změny působí.
Mrakyhracek.cz Jedná se o e-shop s hračkami pro děti s průměrnou měsíční návštěvností přes 50 tisíc uživatelů (data z prvního čtvrtletí 2015). Konverzní poměr zde dosahoval v roce 2014 hodnoty 2,69 %, není zde však výjimkou v době Vánoc ani konverzní poměr přes 5 %.
Hsport.cz Tento e-shop se sportovními doplňky dosahuje průměrné návštěvností okolo 20 tisíc uživatelů měsíčně (data z prvního čtvrtletí 2015). Konverzní poměr zde dosahoval v roce 2014 hodnoty 2,59 %, obdobně i zde v době Vánoc nebyl výjimkou konverzní poměr přes 4 %.
7.2.2
Testované varianty
Jak bylo popsáno výše, testujeme vliv widgetu od společnosti Heureka. Ta nabízí celkem 4 jeho varianty - 2 varianty bočních panelů, které se po najetí myší rozrolují a 2 varianty pečetí do produkt listu. My budeme testovat proti sobě variantu s panelem a variantu s pečetí. Testované varianty u Hsport.cz jsou zobrazeny na obrázku 7.20, u Mrakyhracek.cz pak na obrázku 7.19. Protože oba e-shopy již tyto heureka panely mají, půjde tedy o původní variantu (A) a druhou variantou bude upravený detail produktu s pečetí (B).
7.2.3
Testovací podmínky
Testování probíhalo po dobu pěti týdnů, od soboty 11. 4. 2015 do soboty 16. 5. 2015. V období nikterak z hlediska sezóny zajímavých. U obou e-shopů byly spuštěny různé marketingové kampaně skrze PPC i emailing. Vliv těchto kampaní nebyl během testování zohledňován. Co je však třeba zohlednit je výpadek v měření v době od 4. do 6. května z důvodu překročení limitů používané verze v Optimizely. 81
7. Testování
Obrázek 7.19: Testované varianty u Mrakyhracek.cz.
Obrázek 7.20: Testované varianty u Hsport.cz. 82
7. Testování 7.2.4
Vyhodnocení testů
Testů se dohromady zúčastnilo celkem 58 994 unikátních návštěvníků během 32 dnů (odečteny 3 dny výpadku měření). Mrakyhracek.cz U tohoto e-shopu se testu zúčastnilo 42 331 unikátních návštěvníků. Výsledky pro jednotlivé varianty vidíme na obrázku 7.21.
Obrázek 7.21: Výsledky testování u Mrakyhracek.cz. Metrika: uskutečněné objednávky.
Obrázek 7.22: Výsledky testování u Mrakyhracek.cz. Metrika: přidání zboží do košíku.
83
7. Testování Hsport.cz U tohoto e-shopu se testu zúčastnilo 16 663 unikátních návštěvníků. Výsledky pro jednotlivé varianty vidíme na obrázku 7.23.
Obrázek 7.23: Výsledky testování na Hsport.cz. Metrika: uskutečněné objednávky.
Obrázek 7.24: Výsledky testování na Hsport.cz. Metrika: přidání zboží do košíku. U obou experimentů tedy proběhlo testování jako neurčité, žádný z výsledků není statisticky významný a ani se této hranici zdaleka nepřibližuje. Obdobně tomu je i u všech segmentů defaultně používaných v Optimizely (viz kapitola 6.1.3) - průběh i výsledky se nijak razantně nelišily. Z těchto segmentů by nás však přece jeden mohl zaujmout a tím je segment u Hsport.cz - uživatelé přicházející skrze vyhledávání. Zde totiž výsledek „vyčnívá“ nad ostatními segmenty. Výsledek konverzního poměru objednávek v tomto segmentu dosahuje 84
7. Testování zlepšení o celých 20 % a v době ukončení byla statistická významnost na hodnotě 83 %, což sice není nikterak průkazné, ale značný rozdíl oproti ostatním segmentům stojí za zvýšenou pozornost. Výsledky testu jsou zobrazeny na obrázku 7.25. Dle odhadů Optimizely by k dosažení statistické významnosti bylo třeba u každé varianty ještě 2-3x více dat než máme v současnosti. Z důvodu zlepšení pohybujícího se okolo nuly či dokonce v záporných číslech byl test ukončen jako neprůkazný a bezvýznamný. Závěr: Hypotéza výraznějšího vlivu sociálního potvrzení na konverzní poměr se nepotvrdila. Zásadní vliv nebyl pozorován. Naopak vyvstala otázka, zda zde nefiguruje vliv paradoxu volby a návštěvníci nejsou verzí s logem na produkt detailu naopak více rozptylování než podporování k nákupu. V souvislosti s tímto testem je třeba zmínit případovou studii, kterou jsme si popsali v kapitole 3.8. V této případové studii [32] byly na vzorku 90 000 návštěvníků testovány hned 4 varianty tohoto widgetu. Ve světle námi provedených testů si nedokáži představit, že by tato zjištění mohla být při udávané návštěvnosti a čtyřech variantách nezpochybnitelná. Porovnat naměřené výsledky a zhodnotit mezi sebou jednotlivé testy není možné z důvodu nedostupnosti dat o testování a nereagování agentury provádějící toto testování.
Obrázek 7.25: Výsledky testování u Hsport.cz v segmentu návštěvnosti z vyhledávačů. Metrika: uskutečněné objednávky. Problém: Během tohoto testování jsme narazili na skutečnost, která mohla testy lehce ovlivnit a to, že prvky od společnosti Heureka jsou blokovány doplňkem AdBlock jako nevyžádaná reklama. Návštěvníci s tímto doplňkem tedy na stránce neviděli žádnou z variant. Toto 85
7. Testování však není v naších silách ovlivnit a zjištění počtu uživatelů s tímto doplňkem také není zcela reálné (z hlediska poměru užitku a vynaloženého úsilí).
7.3
Doporučení na základě testů
Během testování jsme dospěli k několika doporučením k budoucím testům, popisovány jsou povětšinou v závěrech příslušných testů. Na tomto místě vyzvedneme ty nejdůležitější poznatky: •
Integrace s Google Analytics. Testovací software nedodává tolik dat jako Google Analytics, ošizujeme se tak o důležitý zdroj dat a tím i budoucích hypotéz.
•
Věnujme se testům s větším dopadem. Není-li test i po dlouhé době stále signifikantní je lepší jej vypnout a jít testovat něco jiného. Zbytečně plýtváme časem a tedy i penězi na změny, které by mohly mít podstatněji pozitivnější dopad.
•
I test, který vyvrátí naši hypotézu, je hodnotný. Učí nás poznávat naše zákazníky.
•
Dojde-li k rozsáhlejšímu výpadku či zkreslení dat, je vhodnější test restartovat a začít znova.
•
Je vhodné být v úzkém kontaktu s marketingovým týmem i programátory, abychom se o všech kampaních i změnách dozvěděli mezi prvními a mohli se na ně připravit. V ideálním případě, aby všechny tyto aktivity byly koordinovány společně. Předejdeme tak zkreslení výsledků testů.
•
Pokud nemáme k dispozici kompletní data, zvláště pak dobu trvání, počty zúčastněných, počty konverzí a časový vývoj, není vhodné zcela důvěřovat různým případovým studiím, které dokládají pravdivost některých tvrzení. Jak jsme si ukázali na testu 7.1 i statisticky významný test s krásnými výsledky může v jiném časovém horizontu zaznamenat výrazné změny.
86
8 Závěr Cílem této práce bylo seznámit se s problematikou optimalizace konverzního poměru. Konkrétně jsme se zaměřili na část mezi příchodem návštěvníka na web a jeho konverzí. V první části práce jsme se dozvěděli o vlivech, které motivují zákazníka k nákupu. Vybrané poznatky jsme se v druhé části práce rozhodli otestovat na reálných webových projektech. Z důvodu neexistence komplexnější testovací metodologie v této oblasti, jsme se rozhodli celý proces optimalizace důkladně zmapovat a popsat. V samotné testovací kapitole bylo popsáno testování důvěryhodnosti na e-shopu Store4you.cz, kde jsme si postupně prošli celým testovacím procesem. Poučili se z několika chyb, které jsme následně zdokumentovali a reflektovali do testovacího procesu. Při tomto testu jsme dokázali zvýšit za první týden konverzní poměr o celých 36 %. Následně nám tento test posloužil i jako demonstrace, že nic nemusí být tak, jak se na první pohled zdá. Během 105 dní, kdy test běžel, jsme se z 36 % dostali postupně na statisticky nevýznamné navýšení konverzního poměru o 6,7 %. Provedli jsme i testování sociálního potvrzení hned na dvou eshopech s odlišnou cílovou skupinou. Na internetovém obchodě s hračkami Mrakyhracek.cz a sportovními potřebami Hsport.cz. Ač se tohoto testování zúčastnilo téměř 59 000 unikátních návštěvníků, nebylo možné ani po pěti týdnech určit statisticky významný výsledek. Během testování jsme si také ověřili fakt, že není možné věřit všem případovým studiím zveřejněných na různým stránkách, kdy je udáváno pouze výrazné zlepšení, ale nejsou popisovány žádné detaily ohledně testování. Slabinou našeho testování byla nízká výkonnost testovaných subjektů, které neumožňovaly provést větší množství testů. Zde však narážíme na problém, že optimalizace konverzního poměru má vliv přímo na zisky jednotlivých e-shopů a tak bylo poměrně náročné nalézt alespoň tyto e-shopy, které byly ochotny se na testování podílet. Tato práce není ani tak významná pro výše zmíněné výsledky testování. Stěžejní význam této práce je v samotném testovacím procesu a uceleném pojetí problematiky konverzního poměru. Pokud něco takového ve světě existuje, tak pouze o rozsahu jednoho krátkého 87
8. Závěr článku na webu agentur, které se touto problematikou zabývají. Na tuto práci bude možné poměrně široce navázat. Jako další krok by bylo zajímavé zaměřit se na přesnost měření jednotlivých nástrojů a vzájemné porovnání jimi naměřených dat v kontextu vlivu těchto nepřesností na statistickou významnost jednotlivých experimentů. Zajímavé by mohlo být i téma optimalizace konverzního poměru v poprodejních fázích.
88
Literatura [1] Aagaard, M.: [Case Studies] How Failed A/B Tests Can Increase Conversion Rates. [Online], [cit. 2014-03-15]. URL
[2] Adaptic: E-commerce. [Online]. [cit. 2014-12-05]. URL
[3] Adaptic: Konverze. [Online]. [cit. 2014-12-05]. URL
[4] Analytics, A.: Zpracování požadavků na server na návštěvy a uživatele. [Online], [cit. 2015-02-10]. URL
[5] Analytics, N. G.: Rozdíl mezi vstupy a návštěvami. [Online], [cit. 2014-12-08]. URL [6] Ariely, D.: Jak drahé je zdarma? Práh, 2009, ISBN 978-80-7252-2392. [7] Beránek, J.: E-shopy 2014: Rekordních 68 miliard, rozjezd módy a nová štika v rybníku. [Online], [cit. 2015-05-15]. URL [8] Bohuš, O.: Nedá pokoj až tam vleze: Zeigranik effect. [Online], [cit. 2014-12-28]. URL 89
LITERATURA [9] BuiltWith: Google Analytics Usage Statistics: Websites using Google Analytics. [Online], [cit. 2015-02-10]. URL [10] Bustos, L.: Taking Your Site Performance to the Next Level with Optimization Testing. [Online], [cit. 2015-02-08]. URL [11] Chawla, S.: Customer Review Widget Increases Sales by 58.29 % for an eCommerce Website. [Online], [cit. 2014-12-16]. URL [12] Ciotti, G.: The Psychology of Color in Marketing and Branding. [Online], [cit. 2014-03-28]. URL [13] Dejinyumeni.cz: Teorie barvy. [Online], [cit. 2014-03-28]. URL [14] Deswal, S.: 107 % increase in sales shows that customers care more for authenticity than low prices. [Online], [cit. 2014-12-16]. URL [15] Deswal, S.: Ecommerce A/B testing: Larger product images increase sales by 9 %. [Online], [cit. 2015-03-06]. URL [16] rate experts.com, C.: The CRE Methodology™: a proven process for growing online businesses using conversion rate optimization. [Online], [cit. 2015-01-14]. URL 90
LITERATURA [17] FastView: Web Performance Optimization and Acceleration. [Online], [cit. 2014-03-25]. URL [18] Frollová, N.: Von Restorff efekt. Wikisofia, [Online], [cit. 2014-1228]. URL [19] Gazdík, R.: Baťovské ceny fungují, potvrdil výzkum ve Francii. [Online], [cit. 2015-02-16]. URL [20] Glossary, S. T.: A/B Testing. [Online], [cit. 2015-02-08]. URL [21] Goward, C.: The LIFT Model: Use These Six Factors to Increase Your Conversion Rate. [Online], [cit. 2015-01-24]. URL [22] Hayes, M.: 4 Magic Words That Increase Sales. [Online], [cit. 2014-03-15]. URL [23] Hoffman, B.: How to Improve Your Conversion Rates with a Faster Website. [Online], [cit. 2014-03-25]. URL [24] HubSpot: The Button Color A/B Test: Red Beats Green. [Online], [cit. 2015-03-28]. URL [25] Hudský, A.: 6 praktických tipů pro zvýšení konverzního poměru e-shopu. [Online], [cit. 2014-03-15]. 91
LITERATURA URL [26] Jan, K.: 6 praktických tipů pro zvýšení konverzního poměru e-shopu. [Online], [cit. 2014-12-15]. URL <www.shopsys.cz/clanky/6-praktickych-tipu-prozvyseni-konverzniho-pomeru-eshopu/> [27] Jan, K.: Zvyšujte konverzní poměr pomocí prezentace konkurenčních výhod. [Online], [cit. 2014-12-05]. URL [28] KISSmetrics: Infographic: How Colors Affect Conversions. [Online], [cit. 2015-03-28]. URL [29] Krug, S.: Web design : nenuťte uživatele přemýšlet! Computer Press, 2006, ISBN 8025112918. [30] Krug, S.: Nenuťte uživatele přemýšlet! : praktický průvodce testováním a opravou chyb použitelnost. Computer Press, 2010, ISBN 8025129233. [31] Kunová, K.: Postřehy z webové analytiky – Jak se počítá míra konverze v Google Analytics? [Online], [cit. 2015-02-10]. URL [32] Manchanda, T.: Adding Customer Reviews Increased Revenue by 7.5 %. [Online], [cit. 2014-12-16]. URL [33] MarketingSherpa: Ecommerce Research Chart: What makes customers more likely to buy online? [Online], [cit. 2015-05-01]. URL 92
LITERATURA [34] Mediaguru: Barvy v reklamě a jak s nimi pracovat. [Online], [cit. 2015-03-28]. URL [35] Mikulka, V.: Jak mít lepší web pomocí řízených změn pro UX Monday v Ostravě. [Online], [cit. 2015-04-14]. URL [36] NetMonitor: Tisková zpráva: Již 4 miliony uživatelů navštěvují internet z mobilních zařízení. [Online], [cit. 2015-04-05]. URL [37] Nielsen, J.: Banner Blindness: Old and New Findings. [Online], [cit. 2015-03-01]. URL [38] Nielsen, J.: F-Shaped Pattern For Reading Web Content. [Online], [cit. 2015-03-01]. URL [39] Němec, R.: Jedinečný prodejní argument (USP) – definice a příklady použití. [Online], [cit. 2014-03-16]. URL [40] Němec, R.; Šíma, P.; kolektiv RobertNemec.com: 100 největších chyb v digitálním marketingu a jak se jich vyvarovat. RobertNemec.com, 2015, ISBN 978-80-260-7987-3. [41] Optimizer, V. W.: BThe Word “Free”, Thy Presence can Really do Wonders! [A/B Testing Case Study]. [Online], [cit. 2015-03-30]. URL 93
LITERATURA [42] Optimizer, V. W.: Color your way to Conversions! [Online], [cit. 2015-03-26]. URL [43] Pařízek, M.: Školení optimalizace konverzního poměru. 2014. [44] Puri, R.: 5 Usability Lessons from Website Eye Tracking Studies. [Online], [cit. 2015-03-01]. URL [45] Research, T. H. C. A. N. G. M.: Dan Ariely - Market Research Predicting The Irrational. [Online], [cit. 2014-11-10]. URL [46] Schwartz, B.: The paradox of choice. [Online], [cit. 2014-12-10]. URL [47] Seo-slovnik.cz: Konverze. [Online], [cit. 2014-12-10]. URL [48] Snížek, M.: A/B testování – kompletní průvodce. [Online], [cit. 2015-12-04]. URL [49] Snížek, M.: Enhanced Ecommerce: na e-shop chytře. [Online], [cit. 2015-03-30]. URL [50] Suresh, S.: Stock Image or Real Image: A/B Testing Provides an Incredible 161 % Increase in Conversions. [Online], [cit. 2015-0305]. URL [51] Tichý, J.: Přednáška z konference Internet Marketing 2013: Vachrlaté metriky v Google Analytics. [Online], [cit. 2015-02-10]. 94
LITERATURA URL [52] Vaverka, F.: Případová studie: Jak jsme (ne)zrušili Uloženku. [Online], [cit. 2015-04-20]. URL [53] Čandrlić, G.: How Website Speed Affects Conversion Rates. [Online], [cit. 2014-03-25]. URL [54] ČeskýKošíkRoku.cz: Studie. [Online], [cit. 2015-04-06]. URL [55] Čurda, P.: Lead generation marketing - Srovnej nabídky na trhu, ale ať jsme nejlevnější. [Online], [cit. 2014-12-05]. URL [56] Řezáč, J.: Web ostrý jak břitva. Baroque Partners, 2014, ISBN 97880-87923-01-6. [57] Šikýř, R.: Navyšte prodeje pomocí moderní psychologie. [Online], [cit. 2014-12-16]. URL [58] Šikýř, R.: Ukažte zákazníkům, že je vaše zboží oblíbené. [Online], [cit. 2014-12-11]. URL [59] Šmída, M.: Twisto blog: 4 tipy jak zvednout konverzní poměr. [Online], [cit. 2014-12-20]. URL
95
