Come aumentare le tue vendite con la Conversion rate optimization (CRO) – Seconda parte

Il cammino verso un servizio di successo è fatto di tentativi, valutazioni e nuovi tentativi. Per migliorare costantemente le prestazioni occorre infatti testare, analizzare e fare scelte sulla base dei risultati e dei dati raccolti. Questo processo di ottimizzazione è la chiave di volta per far crescere gli utenti e le vendite.

Se nella prima parte di questo primo approfondimento dedicato alla conversion rate optimization ci siamo soffermati sui primi tre elementi del processo (la definizione degli obiettivi, la formulazione di ipotesi sui problemi di UX e la progettazione di cambiamenti che possano impattare positivamente), adesso spostiamo l’attenzione sulle restanti tre azioni da includere nel nostro ciclo iterativo.

Per capire se la nostra ipotesi sia fondata e se il nostro nuovo design è in grado di generare un numero superiore di conversioni occorre metterlo a prova. Per confrontare l’efficacia di layout che differiscono per un singolo elemento (ad esempio, l’aspetto o la label di un pulsante) o di un componente della pagina (ad esempio, il footer) possiamo ricorrere a un A/B test. Questo tipo di test consente di misurare e comparare il conversion rate della versione originale con quello di una variazione che recepisce le migliorie individuate con la nostra ipotesi di ricerca.

Grazie alla diffusione di tool online che consentono di metterlo in pratica anche a costo zero e senza la necessità di intervenire sul codice della pagina, l’A/B test è diventato uno strumento indispensabile per l’ottimizzazione del conversion rate. Servizi come Optimizely, Google Optimize e VWO permettono di creare varianti della pagina originale di un sito o di un app semplicemente selezionando l’elemento da modificare e apportando cambiamenti al testo o al design della pagina. Una volta avviato il test, il sistema reindirizza in maniera random il traffico in entrata, facendo in modo che i nuovi utenti vengano distribuiti verso i due layout di pagina da testare.

L’A/B test ha molte potenzialità. Una tra le più interessanti è la possibilità di testare cambiamenti solo per alcuni segmenti di pubblico: gli utenti di ritorno, quelli che utilizzano un particolare browser o device, i visitatori che hanno già acquistato, e così via. L’A/B test non è però esente da alcune criticità. È spesso impraticabile da siti web molto piccoli perché richiede un volume di traffico sufficiente a garantire la significatività statistica dei risultati ottenuti. Ha inoltre un impatto sul SEO che va considerato: se è vero che i motori di ricerca sono tolleranti nei confronti dell’A/B test e dei test multivariati e di norma non penalizzano i siti web che li praticano, occorre adottare alcuni accorgimenti per fare in modo che Google non creda che si stia realizzando il cosiddetto “cloaking”, cioè quella tecnica che consente di mostrare ai motori di ricerca un contenuto diverso da quello effettivamente presente nella pagina con l’obiettivo di ottenere un migliore posizionamento nella SERP.

Una volta raggiunta la quota di utenti necessaria a garantire la validità del test, è tempo di analizzare i risultati. Il parametro chiave dell’A/B test è ovviamente il confronto tra le percentuali di conversione delle due varianti testate: una migliore performance nel conversion rate da parte del layout alternativo ci suggerisce l’implementazione del nuovo design, mentre una performance peggiore ci potrebbe spingere a sviluppare nuove ipotesi di ricerca e a testare nuove soluzioni.

Ma anche nel caso in cui il test dovesse presentare un incremento nel conversion rate non è detto che la strada migliore sia necessariamente quella di cambiare subito. Se, ad esempio, l’incremento nel tasso di conversione della singola pagina del prodotto non si traduce in un aumento delle vendite vuol dire che il problema potrebbe risiedere nell’intero funnel. E in quel caso potrebbe essere buona cosa testare cambiamenti su altre pagine del funnel prima di passare all’implementazione.

Le potenzialità dell’A/B test non si esauriscono nel confronto assoluto tra la capacità di generare conversioni del design B rispetto al design A. I sistemi che ci permettono di realizzare questi test offrono infatti altri dati significativi, che possono essere analizzati per trarre altre conclusioni e generare nuove ipotesi. Accanto all’esame della metrica primaria, il conversion rate, può rivelarsi molto utile misurare altri parametri di performance a seconda della tipologia di tipo che si sta testando: per un e-commerce è importante tenere in considerazione il valore medio dell’ordine, per un blog o un sito informativo va analizzato il numero di pagine viste per sessione.

Altrettanto fondamentale è l’utilizzo delle funzionalità di segmentazione dei dati nell’A/B test: sfruttando i dati relativi al device, al contesto d’uso o al comportamento dell’utente è possibile infatti analizzare la variazione del conversion rate per un singolo segmento di pubblico, come i visitatori di ritorno, gli utenti iOS o le persone che si trovano a Milano.

Il lavoro di miglioramento del tasso di conversione non è mai finito. Per questo motivo ogni test, che abbia esito positivo o negativo, è sempre il primo passo per elaborare nuove ipotesi e adattare la strategia di ottimizzazione al nuovo scenario.

Come accennato nella prima parte di questo approfondimento, è buona prassi tener nota di tutti gli esperimenti condotti e dei loro risultati per fare in modo che il processo di testing sia strutturato e non proceda a caso o sulle ipotesi del momento. La pianificazione si rileva utile soprattutto quando il susseguirsi di esperimenti non è finalizzato ad apportare modifiche puntuali ma a progettare un cambiamento complessivo. A prescindere dall’approccio al redesign della UX, comunque, l’ottimizzazione del conversion rate va sempre condotta attraverso cicli iterativi: dall’analisi all’ipotesi, dall’ipotesi al design alternativo, dal test alternativo al test, dal test alla scelta basata sui dati.