3 Wege zur Steigerung der Kundenbindung durch Experimente

22. Juni 2020

Bei BiggerPockets haben wir unsere Anmelde-Funnels in Optimizely seit etwas über einem Jahr intensiv per A/B-Testing geprüft und konnten dabei Erfolge verzeichnen – wir haben unsere kostenlosen Anmelde-Funnels um über 80 % verbessert.

Nachdem unsere Kundengewinnung gut lief, konzentrierten wir uns bei unseren Experimenten darauf, wie wir diese neuen Anmeldungen binden und so den Nutzen dieses Nutzerzuwachses maximieren können. BiggerPockets ist eine Online-Plattform für Immobilieninvestoren mit Schulungsinhalten und Tools, die Menschen dabei helfen, durch Immobilieninvestitionen finanzielle Freiheit zu erlangen. Ich leite unsere Conversion-Rate-Optimierung und konzentriere mich dabei auf die wichtigsten KPIs und Conversion-Funnels für unser Unternehmen. Als wir uns auf die Kundenbindung konzentrierten, erkannten wir schnell, dass die Tests zur Kundenbindung etwas ganz anderes sind als die Tests von Anmelde- und Conversion-Funnels. Um Ihnen den Einstieg in das Thema Kundenbindung zu erleichtern, finden Sie hier die größten Hürden beim Testen, auf die wir gestoßen sind, und wie wir sie überwunden haben. Was macht es so schwierig, die Kundenbindung durch Experimente zu beeinflussen und zu messen?

Problem: Verzögerung zwischen dem Abschluss des Experiments und dem Auftreten von Auswirkungen auf die Behaltensleistung

Eine der größten Herausforderungen bei Kundenbindungstests ist die Verzögerung zwischen dem Ende des Experiments und dem Erhalt aller benötigten Daten für eine fundierte Entscheidung. Bei den meisten A/B-Tests finden das Start- und das finale Conversion-Ereignis innerhalb derselben Sitzung statt. Bei Kundenbindungstests hingegen erfolgen die zu messenden Conversion-Ereignisse wahrscheinlich erst Wochen oder sogar Monate nach dem Startereignis. Zwischen dem Auslösen des Experiments und dem Conversion-Ereignis im Zusammenhang mit der Kundenbindung gibt es zahlreiche weitere Kontaktpunkte. Dies erschwert schnelle Tests und die Durchführung eines eindeutigen Kontroll-Experiments erheblich.

Lösung: Identifizieren Sie Nutzerverhalten, das mit der Kundenbindung korreliert, und übertragen Sie diese Kennzahlen auf nachgelagerte Prozesse.

Angesichts der Tatsache, wie stark die Kundenbindung im unteren Bereich des Funnels in den meisten Unternehmen ausgeprägt ist, empfiehlt es sich, den Fokus von der Kundenbindung als Hauptkennzahl (die von vielen anderen Faktoren außerhalb des Experiments beeinflusst wird) auf die Identifizierung der Verhaltensweisen zu verlagern, die durch Experimente beeinflusst werden können und zu einer höheren Kundenbindung führen. Dies ermöglicht es Ihnen, kleinere Tests durchzuführen, um die Nutzerereignisse zu beeinflussen, die mit der Kundenbindung im unteren Bereich des Funnels korrelieren. Wenn Sie Unterstützung bei der Entwicklung eines solchen Ansatzes benötigen, ist ein Zielbaum ein guter Ausgangspunkt.

BiggerPockets-Foren

Bei BiggerPockets ist beispielsweise eines unserer wichtigsten Produktmerkmale unser Immobilienforum. Basierend auf einer Kundenbindungsanalyse mit Amplitude (unserem Produktanalysetool) wissen wir, dass Nutzer, die in den Foren posten, mit viel höherer Wahrscheinlichkeit zu aktiven Nutzern unserer Website werden. Anstatt zu testen, ob die Aufforderung an Nutzer, in unseren Foren zu posten, die Kundenbindung nach vier Wochen erhöht, könnten wir dies vereinfachen, indem wir testen, wie wir Nutzer am besten dazu bringen, in der ersten Woche nach ihrer Anmeldung in den Foren zu posten.

Wir können also annehmen, dass Nutzer, die mehr in den Foren posten, eher wiederkommen. Unsere Daten zur Kundenbindung zeigen lediglich, dass Forenbeiträge mit einer höheren Kundenbindung korrelieren, aber nicht zwangsläufig die Ursache für eine höhere Kundenbindung sind. Um dies zu überprüfen, können wir das Experiment durchführen und anschließend in etwa einem Monat eine Retentionsanalyse mit Amplitude an der Testkohorte durchführen, um zu bestätigen, dass diejenigen, die den experimentellen Variationen ausgesetzt waren, eine höhere Retentionsrate aufwiesen als die Kontrollgruppe.

So sieht eine Retention-Analyse in der Amplitude aus. Die Gruppe der Nutzer, die in ihrer ersten Woche in den Foren Beiträge verfasst haben (grüne Linie), weist eine höhere Retention auf.

Problem: Viele Faktoren beeinflussen die Mitarbeiterbindung

Typischerweise messen wir bei A/B-Tests die Conversion vom Start- zum Endereignis. Beispielsweise könnte man bei einem Checkout-Seitentest die Conversion vom Laden der Checkout-Seite (Startereignis) bis zum Absenden der Bestellung (Conversion-Ereignis) messen. Bei der Kundenbindung gibt es kein klar definiertes Conversion-Ereignis auf derselben Seite.

Wenn Sie beispielsweise die Kundenbindung von Nutzern testen möchten, die sich gerade auf Ihrer Website registriert haben, ist es für Sie nicht unbedingt relevant, ob sie am nächsten Tag, zwei Tage später, drei Tage später usw. wiederkommen. Wichtiger ist, ob sie regelmäßig und kontinuierlich zurückkehren. Dies lässt sich in einer einzigen Kennzahl wie „Nutzer kam im ersten Monat mindestens dreimal zurück“ zusammenfassen. Es kann jedoch schwierig sein, herauszufinden, wie oft ein Nutzer Ihre Website besuchen muss, um als Kunde gehalten zu werden. Um besser zu verstehen, wie Sie eine aussagekräftige Kundenbindungsmetrik für Ihr Produkt auswählen, empfehle ich Ihnen, diesen Blogartikel zu lesen

Lösung: Konzentrieren Sie jeden Test auf eine einzelne Phase der Behaltensleistung.

Merken Sie sich diese Formel: Kundenbindung = (Aktivierung * Engagement * Wiederbelebung) wobei:

  • Aktivierung – Der Benutzer beginnt mit Ihrem Produkt.
  • Nutzerbindung – Der Nutzer interagiert wiederholt mit den Kernfunktionen Ihres Produkts.
  • Wiederbelebung – Nutzer kehren zu Ihrem Produkt zurück, nachdem sie es eine Zeitlang nicht benutzt haben;
Ich empfehle dringend, Tests auf eine einzige Phase der Kundenbindung zu beschränken (Aktivierung, Nutzung oder Reaktivierung). Je kürzer die Zeitspanne zwischen dem Startereignis des Nutzers und dem Konversionsereignis ist, desto schneller erhalten Sie Erkenntnisse aus Ihren Tests und desto weniger werden diese Konversionen durch externe Faktoren verfälscht. Bei solchen Tests ist es wichtig zu bedenken, dass Kundenbindung das Ergebnis, nicht das Ziel ist. Das Ziel ist, dass Nutzer eine wertvolle Erfahrung mit Ihrem Produkt machen. Dies lässt sich beispielsweise beim Testen Ihres Onboarding-Prozesses beobachten. Anstatt zu testen, ob eine Änderung im Onboarding zu einem höheren Nutzeranteil führt, testen Sie, ob eine Änderung im Onboarding dem Nutzer hilft, innerhalb der ersten sieben Tage den Einstieg in Ihr Produkt zu finden. Sobald die Nutzer das Produkt verwenden, können Sie Möglichkeiten testen, um erneute Besuche zu fördern. Und das bringt mich zu meinem nächsten Punkt…

Lösung: Optimieren Sie Ihr Produkt auf seine natürliche Frequenz.

„Natürliche Häufigkeit“ bezieht sich darauf, wie oft ein Kunde auf natürliche Weise auf das Problem stößt, das Ihr Produkt löst. Ein Beispiel: Ein Kunde von BiggerPockets hat eine spezifische Frage zum Thema Vermietung, die er anderen Vermietern stellen möchte, die sich in einer ähnlichen Situation befinden. Wir gehen davon aus, dass die meisten Vermieter etwa einmal im Monat auf dieses Problem stoßen, was ihrer natürlichen Häufigkeit für Forenbeiträge entspricht. Der Versuch, eine unnatürliche Häufigkeit anzustreben, führt in der Regel dazu, dass Sie sich im Kreis drehen und Ihre Nutzer mit Benachrichtigungen überhäufen, um sie zur Rückkehr auf Ihre Website zu bewegen. Das hilft Ihren Nutzern nicht, den Wert Ihres Produkts zu erkennen, und schadet Ihrer langfristigen Beziehung zu ihnen. Wenn BiggerPockets beispielsweise die Beiträge täglich in unseren Foren optimieren würde, würden wir die falsche Frequenz testen. Die meisten unserer Kunden besitzen 0–5 Mietobjekte, und diese Immobilieninvestoren sollten nicht täglich mit Fragen konfrontiert werden. Wenn sie täglich Fragen in unseren Foren posten, ist es wahrscheinlich, dass ihr Problem nicht gelöst wird. Stattdessen vermute ich, dass sie ihre Frage recht häufig erneut stellen müssen, um eine Antwort zu erhalten. Die Bestimmung der natürlichen Nutzungshäufigkeit Ihres Produkts hilft Ihnen dabei, festzulegen, wie oft Kunden auf Ihre Website zurückkehren sollten (weitere Informationen zur Bestimmung der natürlichen Nutzungshäufigkeit Ihres Produkts finden Sie in diesem Artikel). Aus Testperspektive hilft Ihnen das Testen der richtigen natürlichen Nutzungshäufigkeit, einen einzelnen KPI zu identifizieren, den Sie als Conversion-Ereignis betrachten können (z. B. ob der Nutzer innerhalb der ersten 7 Tage mindestens einmal zurückgekehrt ist). Dadurch wird es Ihnen einfacher, die statistische Signifikanz Ihrer Tests zu messen.

Problem: Das Nutzerverhalten variiert stark;

Wir haben festgestellt, dass das Verständnis des Nutzerverhaltens für die Kundenbindung komplexer ist. Obwohl Ihre Kunden die Checkout-Seite möglicherweise alle ähnlich nutzen, kann der Inhalt oder die Funktion, die sie zur Rückkehr auf Ihre Website motiviert, für einen Kundentyp optimal funktionieren, für einen anderen jedoch katastrophal sein. Daher muss Ihre Testanalyse detailliert und differenziert sein.

Lösung: Eine klare Hypothese aufstellen, egal was passiert

Da Retention-Tests immer komplexer werden, ist es verlockend, die Hypothese erst nachträglich zu formulieren, nachdem der Test gestartet wurde. Ich kann gar nicht genug betonen, wie wichtig es ist, die Hypothese vor einem Experiment klar zu formulieren. Die Gefahr, die Hypothese vor dem Start des Experiments nicht klar zu formulieren, besteht darin, dass man am Ende des Tests feststellt, dass man nichts anderes gelernt hat, als dass „Erfahrung X für Kunde Y schlechter war als Erfahrung Z“, ohne wirklich zu verstehen, warum man dachte, die Nutzer würden unterschiedlich reagieren (oder welche Nutzer sich anders verhalten würden). Dies ist besonders wichtig, wenn man in einem Team arbeitet, da sich die Mitglieder nicht immer melden, wenn sie nicht verstehen, was getestet wird. Um eine fundierte Hypothese zu entwickeln, empfehle ich, Optimizelys Prinzip „Wenn ____, dann ____, weil ____“ zu befolgen. href="/2015/01/29/why-an-experiment-without-a-hypothesis-is-dead-on-arrival?utm_campaign=alexwald-blog-increase-customer-retention-ab-testing"> Hypothesenrahmen. 
Wir sehen uns in ein paar Wochen wieder, wenn ich Best Practices für Experimente mit globalen Navigationen vorstelle! Wenn Sie das Gespräch fortsetzen möchten, finden Sie mich auf LinkedIn oder kontaktieren Sie mich direkt unter alex@biggerpockets.com. Und wenn Sie bereit sind, mit Experimenten zu beginnen, melden Sie sich noch heute bei uns.