Du indfører adfærdsanalyse. Du samler data. Du optimerer sider. Du kører test. Du laver ændringer. Men betyder noget af det noget? Driver adfærdsanalyse faktisk omsætning? Mange teams måler det aldrig. De optimerer sider. De får konverteringsraten én procent op. De er glade. Men de forbinder ikke forbedringen med forretningens resultater. De beregner ikke effekten. De ved ikke, om adfærdsanalyse er pengene værd. At måle effekten er afgørende. Det beviser værdien. Det begrunder, at du bliver ved med at investere. Det viser, hvor du skal sætte ressourcerne ind. Hvor skal du fokusere næste gang? Der, hvor ændringerne har størst effekt på forretningen. Når du måler effekten, bliver adfærdsanalyse fra interessant til uundværlig. En forbedring, der ser lille ud, kan være enorm i omsætning. En forbedring af konverteringen på én procent på en hjemmeside med en million besøg om måneden betyder ti tusind flere kunder. Med hundrede dollars i livstidsværdi pr. kunde er det en million dollars i ekstra omsætning. Én procents forbedring. En million dollars i effekt. De fleste indsatser med adfærdsanalyse tjener sig selv ind mange gange. Men det ved du kun, hvis du måler. At forbinde adfærd med forretningens resultater er det sidste skridt. Det lukker cirklen. Data giver indsigt. Indsigt giver handling. Handling giver resultater. Resultater viser, at metoden virker. Når du måler effekten, lukker du løkken.
Denne artikel forklarer, hvordan du måler effekten af adfærdsanalyse på forretningens tal.
Definér de forretningstal, der tæller
Start med forretningens tal. Ikke tal fra analytics. Omsætning. Nye kunder. Kundens livstidsværdi. Opsigelsesrate. Overskudsgrad. Fastholdelse. Det er de tal, der tæller.
Forskellige tal har betydning for forskellige virksomheder. En webshop går op i omsætning pr. besøgende. Et softwareprodukt går op i opsigelsesrate. Abonnementssider går op i fastholdelse. Udgivere går op i tid brugt på indholdet. Definér, hvad der har betydning for din virksomhed.
Adfærdsanalyse skal påvirke de tal. Hvis den ikke gør, hvorfor så gøre det? Pointen er at skabe resultater for forretningen. Mål dem, der har betydning for dig.
Følg tallene før og efter
Fastlæg udgangspunktet, før du ændrer noget ud fra adfærd. Sidste måneds konverteringsrate. Sidste kvartals opsigelsesrate. Sidste års omsætning pr. besøgende. De bliver dit sammenligningsgrundlag.
Når du har lavet ændringerne, følger du de samme tal. Konverteringsraten i måned to. Opsigelser i kvartal to. Omsætning i år to. Sammenlign før og efter.
Når du følger tallene måned for måned, ser du tendenser. Bliver tallet bedre? Bliver det dårligere? Tendenser over tid viser, om adfærdsanalysen virker. Sæsonudsving kan skabe støj. Følg flere måneder for at se igennem støjen.
Beregn effekten på omsætningen
Sæt forbedringerne af tallene i forbindelse med omsætning. En forbedring af konverteringen på én procent på en hjemmeside med en million besøgende betyder ti tusind flere konverteringer. Med hundrede dollars i gennemsnitlig ordreværdi er det en million dollars i ekstra omsætning.
Beregn det for hver ændring. Ændring A gav 0,5 procent bedre konvertering. Det er fem hundrede tusind dollars i ekstra omsætning. Ændring B gav én procent bedre fastholdelse. Det er hundrede tusind dollars i ekstra omsætning ud fra kundens livstidsværdi. Beregn effekten.
Beregningen af omsætningen begrunder investeringen i adfærdsanalyse. Hvis dine værktøjer koster hundrede tusind dollars om året, og forbedringerne ud fra adfærd giver en million dollars i ekstra omsætning, er afkastet ti til én. Et stærkt afkast.
Sammenlign med kontrolgrupper
Nogle ændringer har tydelig effekt. Andre har ikke. Sammenlign testgrupper med kontrolgrupper. Brugere, der så ændringen, mod brugere, der ikke gjorde. Havde testgruppen bedre tal?
A/B-test skaber helt naturligt kontrolgrupper. Gruppe A ser originalen. Gruppe B ser ændringen. Sammenlign tallene mellem grupperne. Forskellen er effekten af ændringen.
Uden kontrolgrupper kan du ikke isolere effekten. Måske blev konverteringen bedre på grund af ydre forhold. Måske blev markedet bedre. Måske lukkede en konkurrent. Kontrolgrupper isolerer effekten af din ændring.
Del effekten op efter type af bruger
Forskellige typer af brugere reagerer måske forskelligt på ændringer. Mobilbrugere får måske mere ud af det end computerbrugere. Nye brugere får måske mere ud af det end tilbagevendende. Brugere fra betalt søgning får måske mere ud af det end organiske.
Del din analyse af effekten op. Blev konverteringen bedre på mobil? På computer? Blev engagementet hos nye brugere bedre? Hos tilbagevendende? Effekt for det enkelte segment viser, hvad du skal prioritere. Hjælper en ændring kun på mobil, så fokusér på mobil. Hjælper den alle segmenter lige meget, er det en sejr for alle.
Beregn effekten på lang sigt
Nogle ændringer har effekt med det samme. Nogle har effekt på lang sigt. Bedre fastholdelse skaber tilbagevendende værdi. Færre opsigelser skaber løbende omsætning. Beregn livstidsværdien af forbedringerne.
En ændring, der får opsigelserne ned med én procent, har en effekt, der vokser. Det første år redder du kunder fra at opsige. Det andet år beholder du dem længere. Det tredje år endnu mere. Effekten på lang sigt er ofte meget større end effekten i første år.
Beregn omsætningen over flere år fra én forbedring. Færre opsigelser kan give millioner over tre år. Det begrunder store investeringer i optimering.
Rapportér effekten jævnligt
Del resultaterne med teamet. Månedlige rapporter om effekt. Kvartalsvise gennemgange. Årlige opsummeringer. Jævnlig rapportering holder teamet motiveret. Den viser, at adfærdsanalyse virker. Den begrunder, at du bliver ved med at investere.
Rapportér i forretningens sprog. Ikke "konverteringen blev 0,5 procent bedre", men "ekstra omsætning på fem hundrede tusind dollars". Forretningens sprog går hjem. Det viser en effekt, der tæller.
Ofte stillede spørgsmål
Hvor længe skal jeg følge tallene, før jeg kan konkludere, at adfærdsanalyse virker?
Mindst tre måneder. Tal på kort sigt er fulde af støj. Sæsonudsving. Ydre forhold. En måned er ikke nok. Tre måneder viser en tendens. Seks måneder er bedre. Tolv måneder er ideelt. Jo længere du følger det, jo mere tillid kan du have til resultaterne. Kort sigt viser måske støj. Lang sigt viser den sande effekt. Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Hvad hvis jeg laver flere ændringer på én gang og ikke kan isolere, hvilken der gav forbedringerne?
Det er derfor, A/B-test er vigtige. Test helst én ændring ad gangen. Laver du flere ændringer, kan du ikke isolere effekten. Hvis du må lave flere ændringer, så prøv at lave dem efter hinanden. Lav ændring A. Mål effekten. Lav ændring B. Mål effekten. Når du gør det efter hinanden, kan du isolere, hvad hver ændring bidrog med.
Skal jeg fokusere på forbedring i absolutte tal eller i procent?
Fokusér på effekten på omsætningen. Absolut eller procent betyder mindre. Det, der tæller, er dollars. En forbedring på 0,5 procent på en hjemmeside med meget trafik er enorm i dollars. En forbedring på fem procent på en hjemmeside med lidt trafik kan være lille i dollars. Fokusér på de ændringer, der har størst effekt i dollars. Det er det, der tæller for forretningen.
Hvordan tager jeg højde for sæsoner, når jeg måler effekten af adfærdsanalyse?
Sammenlign de samme perioder. Sammenlign ikke januar med juni. Sammenlign januar med januar. Sammenlign 1. kvartal med 1. kvartal. Sammenligning år for år tager højde for sæsoner. Samme måned, andet år. Samme kvartal, andet år. Det isolerer effekten af din ændring fra sæsonudsving.
Hvad hvis forbedringer ud fra adfærd ikke viser effekt på omsætningen med det samme?
Nogle forbedringer virker med forsinkelse. Bedre onboarding giver ikke omsætning med det samme. Den giver omsætning måneder senere, når brugerne bliver. Bedre fastholdelse viser sig ikke i første måned. Den viser sig over tid. Nogle forbedringer er investeringer i fremtidig omsætning. Følg dem over længere perioder.
Hvordan ved jeg, om de penge, jeg bruger på værktøjer til adfærdsanalyse, er det værd?
Beregn afkastet. Pris for værktøjer sat op mod forbedringen i omsætning. Hvis værktøjerne koster hundrede tusind, og forbedringer ud fra adfærd giver en million, er afkastet ti til én. Hvis forbedringerne giver to hundrede tusind, er afkastet to til én. Ethvert positivt afkast er det værd. Et stærkt afkast er meget det værd.