Slik maksimerer du KPI-er med input-målinger

For å få et vellykket eksperimenteringsprogram må du starte med "hva er målet?" med vekst- og eksperimenteringsarbeidet ditt. Dette ble understreket for meg tidlig i Optimizely, da vår medgrunnlegger Dan Siroker sa dette i en allmøte etter bare noen uker: "Eksperimentledere velger målinger som betyr noe."

Å forstå de viktigste målene dine er avgjørende for å kunne definere hvilke måltall som skal påvirkes, og hvilken atferd som skal drives fremover gjennom eksperimentering. Mange selskaper kjenner til disse KPI-ene, for eksempel inntekter eller DAU (Daily Active Users), og da kan vi spørre: "Hvilke beregninger og hvilken atferd kan jeg påvirke via eksperimentering på viktige sider for å nå disse topplinjemålene?". Et rammeverk som jeg har sett er effektivt, er å definere input- og outputmålinger.

La oss definere hva vi mener med input- og output-målinger før vi går videre:

• Output Metrics - Dette er det endelige målet og det du først og fremst måler suksessen til produktet eller opplevelsen din på (f.eks. for en app for detaljhandel vil det være kjøp, inntekter og kanskje påmeldinger til lojalitetskontoer).
• Inndatamålinger - Dette er de handlingene brukerne utfører som er gode indikatorer på suksess, og som driver frem utdatamålingene dine (for den samme detaljhandelsappen kan det f.eks. være gjennomsnittlig antall produkter som vises per økt, eller søkefrekvensen i appen).

Ved hjelp av dette rammeverket kan du definere hvilken atferd som fremmer den primære resultatmålingen.

Hvis vi for eksempel ser på en detaljhandelskunde som ønsker å øke antall påmeldinger til lojalitetsprogrammet sitt, kan inndata- og utdatamålingene se ut omtrent som nedenfor.

Når du tenker på dette for dine egne beregninger, bør du gjøre denne visningen så bred og dyp som mulig. Hva er alle handlingene som bidrar til at resultatmålingene dine lykkes? Deretter kan du begynne å stille datainformerte spørsmål for å lage problemformuleringer og skissere måleplanen for individuelle eksperimenter.

Det kan være en utfordring å tenke helhetlig på dette. Det jeg har funnet ut at er nyttig, er å skissere input- og output-målingene på sidenivå for de viktigste kundereisene mot de primære output-målingene. Hvis vi bruker detaljhandel som eksempel igjen, hva er de viktigste reisene for en kunde som skal foreta et kjøp? Skisser en output-måling på sidenivå for hver av sidene i denne reisen og alle de spesifikke input-målingene for siden. Slik kan Nike (eller en hvilken som helst annen forhandler) tilnærme seg dette for produktdetaljsidene sine.

Som du kan se, er det primære målet og resultatmålet for denne produktdetaljsiden at kunden legger til i handlekurven, men atferd som scrolldybde, bildeinteraksjoner og attributtvalg er inndatamålinger som bidrar til å flytte kundene mot resultatmålet. Alt i alt vil en fullstendig brukerreise fra et primært inngangspunkt (for eksempel en produktkategoriside) ha de samme utdatamålingene for hver side, men ulike målinger på sidenivå.

Når jeg snakker med kunder, får jeg ofte spørsmålet "hva bør sidens utdatamåling være?" Jeg refererer gjerne til dette blogginnlegget fra Avinash Kaushik om hvordan man unngår feil i webanalyse, og spør ganske enkelt: "Hvorfor finnes denne siden?" Den skal tjene til å få brukeren nærmere de primære resultatmålene dine. Basert på hvilket steg den skal få kunden til å ta, er det sidens resultatmål! Nedenfor kan du se et eksempel på en brukerreise som er bygget opp av sider på et nettsted, for å fortsette å bruke detaljhandelseksempelet vårt.

Etter hvert som du endrer produktene og opplevelsene gjennom eksperimentering, vil inndatamålingene dine sannsynligvis endre seg, så det er viktig å stadig revurdere inndata- og utdatamålingene og den samlede brukerreisen. Jeg anbefaler å gjøre en ny kartlegging minst én gang i året.

Har du kartlagt brukerreisen eller input/output-målinger? Har du noen gode tips til hvordan du kan gjøre dette? Tweet oss @Optimizely.

Er du klar til å forbedre eksperimenteringspraksisen din? Ta kontakt med oss i dag.