För att ha ett framgångsrikt experimentprogram måste du börja med "vad är målet?" för dina tillväxt- och experimentinsatser. Detta betonades för mig tidigt på Optimizely, när vår medgrundare Dan Siroker sa i en fullträff bara några veckor senare: "experimentledare väljer mätvärden som är viktiga."
Att förstå dina viktigaste mål är avgörande för att definiera de mätvärden som ska påverkas och andra beteenden som ska drivas framåt via experiment. Många företag känner till dessa övergripande KPI:er, såsom intäkter eller DAU (Daily Active Users), så vi kan sedan fråga oss "Vilka mätvärden och beteenden kan jag driva via experiment på viktiga sidor för att nå dessa övergripande mål?". Ett ramverk som jag har sett vara effektivt är att definiera input- och output-mått.
Låt oss definiera vad vi menar med input- och output-mått innan vi går vidare:
Att använda detta ramverk hjälper till att definiera vilka beteenden som driver fram det primära outputmåttet.
Som ett exempel, låt oss titta på en detaljhandelskund som vill öka antalet registreringar för sitt lojalitetsprogram. Input- och outputmåtten kan se ut ungefär som nedan.
När du funderar på detta för dina egna mätvärden bör du göra den här synen så bred och djupgående som möjligt. Vilka är alla åtgärder som bidrar till att dina output-mått lyckas? Därifrån kan du börja ställa datainformerade frågor för att skapa problemformuleringar och beskriva din mätplan för enskilda experiment.
Att tänka holistiskt på detta kan vara en utmaning. Det jag har funnit vara användbart är att beskriva input- och output-måtten på sidnivå för dina viktigaste kundresor mot dina primära output-mått. Om du återigen använder detaljhandeln som ett exempel, vilka är de primära resorna för en kund att göra ett köp? Beskriv ett output-mått på sidnivå för var och en av sidorna i den resan och alla specifika input-mått för sidan. Så här kan Nike (eller vilken återförsäljare som helst) hantera detta för sina produktdetaljsidor.
Som ni kan se är det primära målet och utdatamåttet för denna produktdetaljside att kunden lägger till i varukorgen, men beteenden som rulldjup, bildinteraktioner och attributval är indatamått som hjälper till att flytta kunderna mot utdatamåttet. Sammantaget skulle en fullständig användarresa från en primär startpunkt (t.ex. en produktkategorisida) ha samma utdatamått för varje sida, men olika på sidnivå.
När jag pratar med kunder får jag ofta frågan "vad ska sidans utdatamått vara?" Jag brukar hänvisa tillbaka till det här blogginlägget från Avinash Kaushik om att undvika misstag i webbanalys och helt enkelt fråga: "varför finns den här sidan?" Det bör tjäna till att få en användare närmare dina primära utdatamått. Baserat på vilket steg det tjänar till att föra kunden mot, är det ditt sidoutput-mått! Du kan se ett exempel på användarresan konstruerad av sidor på en webbplats nedan, och fortsätta använda vårt detaljhandelsexempel.
En användarresa med fokus på outputmetriken för varje sida i resan och dess stödjande inputmetriker
När du ändrar produkterna och upplevelserna genom experiment kommer dina inputmetriker sannolikt att förändras, så det är viktigt att fortsätta utvärdera dina input- och outputmetriker och den övergripande användarresan. Jag rekommenderar att du gör en ommappning minst en gång per år.
Har du gjort mappning av användarresan eller input/outputmetriker? Använder du några bästa praxis i den här processen? Tweeta oss @Optimizely.
Redo att höja din experimentpraxis? Kontakta oss idag.
