CRO: зачем, когда и как оптимизировать конверсию вашего онлайн-бизнеса?

Термин CRO расшифровывается как Conversion Rate Optimization — оптимизация коэффициента конверсии — и означает комплекс активностей, направленный на увеличение процента пользователей, совершивших целевое действие (например, заказ на сайте), к общему количеству пользователей.

Маркетологи осознали потребность в CRO ещё в начале 2000-х, после того как в 2001 году лопнул пузырь доткомов. Массовый крах интернет-стартапов показал, что для успеха онлайн-бизнеса недостаточно привлечения инвестиций и вложений в рекламу — не менее важно выстроить пользовательский путь так, чтобы как можно больше посетителей сайта компании конвертировалось в клиентов этой компании.

Сейчас CRO воспринимается как одна из ключевых зон роста для онлайн-бизнесов, так как именно оптимизация конверсий позволяет повышать выручку сайта или приложения без повышения бюджета на продвижение.

Рассмотрим простой пример. Вы отвечаете за маркетинг онлайн-гипермаркета, который ежемесячно:

Путём несложных вычислений получаем ROAS (коэффициент возврата затрат на рекламу):

ROAS = (MAU * CR * AOV) / Ad Spend * 100 = (2 000 000 * 1% * 5 000) / 20 000 000 * 100 = 500%

ROAS в 500% или 100 миллионов прибыли — неплохо! Но посмотрим, как изменятся метрики при увеличении CR в заказы до 2%, без изменения всех остальных вводных:

ROAS = (MAU * CR * AOV) / Ad Spend * 100 = (2 000 000 * 2% * 5 000) / 20 000 000 * 100 = 1000%

ROAS в 1000% — это уже 200 миллионов прибыли, без увеличения затрат на рекламу.

Такой пример отлично иллюстрирует, зачем нужно работать с нижней частью воронки в теории. Но всегда ли применима оптимизация конверсий на практике и как понять, что CRO сработает именно для вашего бизнеса? Разберём этот вопрос детальнее.

В целом CRO — это довольно универсальный инструмент, который подходит большинству вертикалей и типов онлайн-бизнеса. При этом можно выделить ряд факторов, при которых вы сможете увидеть наибольший эффект от оптимизации CR, — об этом расскажем ниже.

1. Оптимизация верха воронки не приносит результатов

Мы подготовили чеклист из 5 вопросов, которые помогут понять, что ваша зона роста вероятнее всего лежит в плоскости CRO.

Итак, ваш сайт / приложение:

Если вы ответили “да” на большинство вопросов, но при этом не достигаете желаемых бизнес-результатов или стагнируете, обратите внимание на путь пользователя после захода на сайт или в приложение.

2. CR вашего сайта / приложения ниже бенчмарков по рынку

Коэффициент конверсии — достаточно динамичная и вариабельная метрика, которая может принимать различные значения в зависимости от:

Сравнив CR на различных устройствах с соответствующими средними значениями по вашей вертикали бизнеса, вы сможете точнее оценить, всё ли хорошо в вашей воронке сейчас или лучше заняться её оптимизацией.

Отслеживать актуальные бенчмарки и их динамику по месяцам удобно на этом сайте.

3. У вас достаточно трафика для проведения A/B-тестов

Один из ключевых инструментов, который используется для проверки гипотез при CRO, — это проведение A/В-, A/B/C- и A/B/n-тестов. Если по итогам теста мы видим статистически значимый прирост к конверсии в тестовой группе по сравнению с контрольной, гипотеза считается подтверждённой. Здесь важно понимать, что для получения статистически значимых результатов важна не только сильная гипотеза, но и достаточный объём выборки для проведения теста (можно рассчитать с помощью калькулятора).

При этом обозначим, что A/B-тестирование — это не единственный способ для оценки эффективности CRO. Так, например, вы можете оценивать результаты внедрения изменений с помощью когортного анализа или качественных исследований.

Важно понимать, что эффективный CRO — это не хаотичное внесение изменений в интерфейс сервиса, а системная работа, состоящая из нескольких последовательно повторяющихся шагов.

Шаг 1. Поиск инсайтов

На этом этапе мы анализируем путь пользователей на сайте или в приложении с помощью данных из аналитических систем и ищем “узкие места” в воронке. Чем глубже проработка инсайтов, тем более сильные гипотезы можно сгенерировать на их основе. Поэтому здесь мы часто строим кастомные отчёты, анализируем пользовательское поведение в разрезе различных сегментов, ищем закономерности в успешных и неуспешных сценариях взаимодействия с сервисом.

Шаг 2. Генерация гипотез

Выдвигаем предположения на основе закономерностей, найденных на шаге 1. Например: нам удалось установить, что конверсия сегмента, использующего поиск в течение сессии, на 50% выше, чем конверсия не использующего поиск сегмента (это инсайт). Гипотеза: если мы зафиксируем поисковую строку при скролле страницы, мы повысим конверсию пользователей в заказы, потому что сделаем функцию поиска более заметной.

Шаг 3. Разработка дизайна теста

Этап, на котором мы готовимся к проверке гипотезы. Здесь мы: готовим визуальную составляющую эксперимента, выбираем ключевую метрику и прокси-метрики, считаем размер выборки и длительность теста, по необходимости подключаем команду разработки и тестируем все вариации перед запуском кампании. На этом этапе наиболее важны педантичность и внимание к деталям, если мы не хотим потерять время на невалидный тест, результаты которого не сможем интерпретировать.

Шаг 4. Тестирование

Запускаем тест на пользователей, мониторим корректность сбора данных и не делаем выводов до окончания срока, необходимого для достижения статистической значимости (боремся с проблемой подглядывания). Как правило, в профессиональных решениях для A/B-тестирования есть функционал автоматического расчёта статистической значимости, который помогает оптимизировать ресурс аналитической команды. Например, платформа Gravity Field определяет победителя на основе байесовского подхода и сама оповещает пользователей о завершении теста.

Шаг 5. Масштабирование

После завершения теста анализируем полученные данные и принимаем решение о масштабировании, остановке или оптимизации эксперимента. Здесь хочется отметить, что одна и та же гипотеза может принести статистически значимый прирост в конверсии для одного сегмента, падение для другого сегмента и не оказать никакого влияния на третий сегмент. Поэтому на этапе принятия решений важно смотреть результаты в разрезе всех ключевых сегментов, а также анализировать влияние тестируемых изменений на другие бизнес-метрики.

В целом для CRO применима классическая методика проверки гипотез с помощью HADI-циклов. При этом мы рекомендуем начинать и заканчивать цикл проверки на букве “I” (Insights) — именно инсайты, полученные до и после внедряемых изменений, позволяют нам эффективнее взаимодействовать с пользователями и бесшовнее вести их к конверсионному действию.

Анализ кампаний в разрезе различных сегментов позволяет настроить более точные таргетинги и спрогнозировать приросты в ключевых метриках по этим сегментам при масштабировании успешной вариации. Такой подход требует дополнительных аналитических ресурсов, но при этом помогает получить бОльшие аплифты, чем при работе с широкой аудиторией. Для оптимизации ресурсов лучше выбирать платформы с возможностью автоматического построения предиктивных моделей — например, использовать предиктивный таргетинг в Gravity Field. Вместо того чтобы определить одну «в среднем» победившую в A/B-тесте вариацию, движок предиктивного таргетинга находит оптимальные комбинации «вариация — пользовательский сегмент» и предлагает таргетировать на этот сегмент наилучший для него вариант интерфейса. Благодаря предиктивному таргетингу мы существенно сокращаем время на проверку гипотез и принимаем более эффективные решения по масштабированию кампаний.

Краткий пошаговый пример из CRO-кейса с крупным ритейлером

Шаг 1. Инсайт: конверсия в покупку пользователей, которые приходят на сайт через Главную страницу на X% ниже, чем конверсия пользователей, которые приходят на карточку товара.

Шаг 2. Гипотеза: если мы разместим на Главной персонализированные товарные рекомендации, мы повысим конверсию на Y%, потому что сразу снавигируем пользователей на релевантный товар.

Шаг 3. Дизайн теста: количество трафика позволяет нам провести валидный А/B/n-тест, где 25% пользователей будут видеть рекомендации с алгоритмом коллаборативной фильтрации (на основе поведения похожих пользователей), 25% увидят рекомендации с аффинити (на основе предпочтений самого пользователя), 25% покажем недавно просмотренные товары и 25% не покажем рекомендации в принципе.

Шаг 4. Тестирование: запускаем тест в платформе Gravity Field и получаем статистически значимый прирост в вариации с рекомендациями недавно просмотренных товаров.

Шаг 5. Масштабирование: движок предиктивного таргетинга “проваливается” в разрез всех возможных сегментов и обнаруживает, что алгоритм аффинити показывает негативный результат только для сегмента поискового трафика. Для всех остальных пользователей по прогнозу масштабирование аффинити принесёт аплифт в 12.7%.

Также тест показывает, что для поискового трафика “в среднем” оптимальным выбором является алгоритм коллаборативной фильтрации. Но движок “ныряет” ещё глубже и обнаруживает, что на данный алгоритм пользователи из мобильного и десктопного поиска реагируют диаметрально противоположно. Исходя из полученных данных движок делает прогноз: масштабирование вариации без рекомендаций для мобильного поискового трафика и вариации с коллаборативной фильтрацией для десктопного поискового трафика принесёт аплифт в 7.4%.

Таким образом вместо масштабирования одного “усредненного” победителя в общем A/B-тесте, мы нашли “свой” оптимальный рекомендательный алгоритм для каждого из ключевых сегментов. И далее, выявив ключевые сегменты с различающимся поведением, мы сможем проводить свои A/B-тесты различных гипотез внутри каждого из этих сегментов.

#персонализация #UX #CX #CRO #увеличение_конверсии #gravityfield