Kampanjevarene solgte ikke som forventet, men med ny utforming og bedre synlighet økte salget med 10%.
Når webanalyse ikke strekker til…
Webanalysedataene i Google Analytics indikerte at konverteringsraten for kampanjevarer kunne forbedres. Og det er akkurat det som er problemet. Analytics kan vise hvor det finnes potensial, men ikke hvorfor eller hvordan noe bør forandres.
Se hvordan testhypoteser ble utviklet og kvalitetssikret, og hvordan en 10% salgsøkning kunne fastslås.
Om ICA Online
ICA er Sveriges ledende dagligvareaktør med over 1 300 matbutikker i landet. Mange av ICA-butikkene tilbyr også e-handel, dvs. muligheten til å kjøpe mat på nettet og få den levert hjem til deg.
Klassisk start – Hva sier dataene?
I Google Analytics så vi at kampanjevarene ikke solgte som forventet, eller snarere: konverteringsraten var ikke unormalt lav, men den hadde potensial til å bli høyere. Spørsmålet blir da: «Hvordan kan vi øke konverteringsraten?»
Utfordringen i et konverteringsarbeid (det vil si, det morsomste) er å komme frem til de velfunderte hypotesene. De som er basert på fakta, erfaring og forståelse. Sammen med ICA jobbet vi med både kvalitativ og kvantitativ data, siden ingen av datakildene alene svarer på både hva som skjer og hvorfor det skjer.
Slik fungerer ICAs tjeneste:
- Den besøkende lander på valgt butikks oversikt med tilhørende menyer
- Kampanjevarer er listet opp sammen med «vanlige» varer
- Valgt vare legges til i handlekurven
- Handlekurven betales for i en checkout
Neste steg – Hvorfor sier dataene dette?
For å ta tak på riktig sted, dvs. forstå brukerne og utvikle gode hypoteser, må du gjøre brukstester. Det betyr at du supplerer dine kvantitative data (f.eks. Google Analytics) med kvalitative data (f. eks. eyetracking).
Vi gjorde en kvalitativ datainnsamling med «retrospective think aloud»-metoden, dvs. hvor testpersoner (forespurte potensielle brukere som ikke har gjennomført brukstester eller handlet online hos ICA tidligere) får et scenario som skal utføres. Et scenario kan f.eks. være:
Du har hørt fra en venn at det fungerer bra å bestille mat på nett. I helgen får du middagsbesøk og vil teste ICAs nettbutikk. Du må altså handle til middagen, og så trenger du også en bunt gulrøtter og sild.
Øyebevegelser ble spilt inn med eyetracking, og alle testøkter kunne i etterkant analyseres for å identifisere eksisterende UX-problemer. Vi ville se hva brukernes oppmerksomhet ble trukket mot, og høre hvordan de tenkte rundt det som det fokuseres på (med eyetracking for å vurdere etterpåklokskap etc.). Brukstestene ga god innsikt i tjenestens brukervennlighet, og vi fikk svar på hvorfor dataene så ut som de gjorde.
Legg merke til at det ikke går an å ekstrapolere de kvalitative dataene som statistikk for brukeratferd. Kvalitativ data gir økt forståelse og er et supplement til kvantitativ data.
Fotnote: Det var ikke vår superhelt som ble testet, men personer fra ICAs målgruppe som ikke har gjort brukstester før (og som ikke var nåværende ICA-kunder).
Innsikt fra brukstester
- Etter økten kunne ikke brukerne huske at de hadde notert seg kampanjepriser eller bedre priser på utvalgte produkter.
- Brukere som søkte på kampanjepriser kunne i flere tilfeller ikke identifisere, og rett og slett ikke finne, dem.
OBS: Andre funn blir ikke presentert her.
Forbedringshypotese basert på data
Det var ikke bare brukstestene våre som viste utydelig presentasjon av kampanjevarer. Den innsikten kunne også ICAs kundesupport, som fikk samme feedback fra brukerne, bekrefte.
Hypotesen ble utviklet og prioritert med utgangspunkt i teorien om at kampanjevarer med tydeligere visuelt utseende blir (to no surprise) synligere for flere besøkende, og med implisitte koder for «ett klipp» blir brukere mer motiverte. Det forventes at forandringen fører til at flere besøkende legger varer i handlekurven og i større grad fullfører sine kjøp.
Formulert hypoteseformel
Den blir også kalt for bullshit detector. Hypoteseformelen brukes når det skal gjøres en forandring eller et eksperiment på siden. Du burde også ta den i bruk.
LAG DIN EGEN HYPOTESEFORMEL HER
Hvordan vet vi at økt synlighet er riktig fremgangsmåte?
Hva du ønsker å forklare og forenkle, hvorfor og hvordan, avhenger av hvor på siden du ser, og hvor i kundereisen og i hvilken mental tilstand brukeren befinner seg.
Konverteringsmodellen:
Vi har utviklet en modell for konverteringsoptimalisering som viser når i kundereisen du skal ta i bruk hvilke webpsykologiprinsipper.
I ICAs netthandel kommer brukeren til å vurdere utvalget og ta en beslutning.
Derfor ligger fokus på å minske friksjonen ved å jobbe mye med implisitte koder, verdi, forenkling og bekreftelse.
Nytt design ble utviklet
Hypotesen var at vi kunne øke salget av kampanjevarer ved å forklare, løfte frem og veilede brukeren visuelt. Samtidig som vi ville benytte oss av ICAs opprinnelige farger.
Før vi gikk i gang:
- Hvordan gjør konkurrentene det?
- Hvilke kontrastfarger og temafarger har ICA?
- Hvilke symbol trekker mest oppmerksomhet og assosieres med salg?
Steg for steg:
Den opprinnelige kampanjeprisen ble skrevet i rødt, noe som ble beholdt. Fokus lå istedenfor på ulike former for visuelt hierarki: innramminger, størrelse, farger etc.
Splash-symbolet ble til slutt valgt, siden det implisitt signaliserer salg. Det ble implementert i ulike design på tvers av ulike enheter.
En advarende pekefinger:
Designfasen krever en UX-designer med fokus på hypoteseformelen. Hva betyr det? Jo, flere ulike testkandidater kommer til å bli utviklet. Derfor er det viktig å alltid beholde fokus på konvertering og ikke glemme hvilken forandring det er du vil oppnå. Du kan selvfølgelig ha flere ulike testhypoteser i samme eksperiment (avhenger blant annet av trafikkmengden). I dette prosjektet valgte vi å teste en variant.
Hva ble målt i eksperimentet?
Den primære KPI-en vi målte mot var «antall transaksjoner», dvs. direkte salg. Du vil nesten alltid ha sluttkonvertering som ditt primære mål, siden det er det som betyr noe for virksomheten din. I tillegg til det vil du også se på langsiktige resultater, dvs. «Hvordan påvirkes den langsiktige veksten min av denne forandringen?»
I tillegg til transaksjoner så vi på de sekundære KPI-ene «Add to Cart», «Begin checkout» og «Revenue per User».
A/B-testen ble gjennomført med testverktøyet Optimizely integrert med analyseverktøyet Google Analytics, for å sikre datakvalitet. Det kan virke enkelt å legge til Splash-symbolet i et prosjekt, men pga. mange ulike visninger ble front-end-kodingen kompleks.
Resultater påvist med A/B-testing
Etter å ha A/B-testet den nye versjonen i 4 uker var dette resultatet:
- +7% flere besøkende la minst én vare i handlekurven
- +6% flere besøkende påbegynte checkout
- Transaksjoner økte med 10%
- Fortjeneste per kunde økte med 16%
Resultatene har over 99% statistisk signifikans.
Etter analyse av testresultatene kom vi også frem til at nye besøkende i større grad ble påvirket av Splash-symbolet, noe som ikke er helt urimelig – snarere som forventet (av samme grunn som at vi ikke gjorde brukstester med eksisterende kunder).
