Если у вас не покупают: проведите сплит-тестирование

И найдите проблемные места на сайте.

Как правило, до 99% пользователей не доходят до оплаты заказа — кто-то теряется на этапе просмотра карточки товара, кто-то — после этапа добавления в корзину, а кто-то — в момент оформления заявки.

Причин может быть множество: одним не понравился товар, других не устроила цена, третьим — что-то на сайте помешало совершить покупку.

Цель сплит-тестирования — выявить уязвимые места на сайте и устранить их. Если коротко, процесс выглядит так: получаем задачу, смотрим, как пользователи ведут себя на сайте и на каких этапах уходят → выдвигаем гипотезу, с чем это может быть связано → проверяем ее, устранив помехи.

Результат, к которому стремимся, всегда достижимый и измеримый — например, увеличить CR на 5%, снизить закрытие карточек товаров на 15% и т.д.

В статье подробно покажем, как это делаем мы в своей практике: рассмотрим варианты анализа данных на примере наших проектов, определим проблему и покажем решение.

Аналитические данные показывают, когда пользователи заходят на сайт, сколько там проводят времени и какие действия совершают. На основании этого мы можем предположить, где на сайте зарыта проблема, которая мешает пользователям доходить до покупки.

Выделяют количественные и качественные данные. Они взаимосвязаны, помогают более глубоко оценить работу сайта и понять, что не так. С учетом и того, и другого типа данных мы формулируем гипотезу в дальнейшем.

Вы сможете увидеть посещаемость ресурса с разных устройств (мобильный телефон, десктоп) в определенный период, основную аудиторию, глубину просмотра, время на сайте, отказы, конверсию и другие показатели. Измеряются они в абсолютных (деньги, товары, количество пользователей) и относительных единицах измерения (проценты).

Количественные данные дают нам первостепенную информацию о работе сайта и помогают конкретизировать проблему — сузить ее от общего к частному. То есть вместо обширного «доход упал» мы рассматриваем вопрос более детально:

В работе мы пользуемся Яндекс. Метрикой и Google Analytics, системами сквозной аналитики и другими сервисами для анализа пользовательского поведения — тем же Amplitude.

На одном из наших проектов коэффициент добавления в корзину был в районе 2%, а выкуп из корзины — всего 15%. Мы провели аудит и поняли, что пользователи отсеиваются на этапе оформления заказа. Однако для точной гипотезы не хватало качественных данных.

Итак, мы нашли, где зарыта проблема. Теперь следует задать вопрос — а почему так происходит? Здесь нужны качественные данные. Они показывают исчерпывающую информацию о поведении аудитории на сайте. Вы сможете понять, понравился ей сайт или нет, а также детально разобрать факторы, которые мешают совершить покупку.

Существует масса возможностей для получения качественной веб-аналитики. Ниже подборка наших фаворитов:

1. Сервисы аналитики (Яндекс.Метрика или Microsoft Clarity).

Покажут, какой контент интересует пользователей больше, откуда они переходят на сайт и какие действия совершают, а также из-за чего прерывается воронка продаж.

2. CustDev пользователей.

Это способ получения инсайтов о продукте в процессе интервью с пользователями. Вы сможете понять, что на вашем сайте не хватает кнопки «Добавить в избранное», а раздел «Акции» вовсе не такой удобный, как вы себе представляли.

3. UX-тесты.

Для этого исполнителю ставится определенная задача — например, купить лампу в стиле лофт. «Исследователя» выбирают, исходя из того, что продается на сайте.

В случае с лампой выбор упадет, скорее, на новосела или дизайнера, нежели на студента.Исполнитель после выполнения задания делится ощущениями о том, насколько легко или сложно было купить товар, а также что мешало это сделать.

4. Конкурентный анализ.

Мы считаем, что заимствование у конкурентов полезных нововведений пойдет сайту лишь на пользу. Имеются в виду специальные пометки «New», «Топ-товар», а также логика демонстрации карточек в каталоге.

Допустим, на сайте одной из доставок японской еды в меню есть аппетитные фотографии суши, роллов и других блюд. А в корзине отсутствуют фотографии напротив каждой позиций.

Это может стать проблемой при покупке — пользователю легче отказаться от блюда без фото, ведь внимание будет устремлено исключительно на цену. К тому же, будущий покупатель может забыть о том, что из себя представляет желаемая еда.

Вернемся к примеру выше, когда пользователи отсеивались на этапе оформления заказа. На основе количественных данных мы предположили, что низкие показатели связаны с ошибками в работе корзины и оформлением доставки. Мы начали проверку, почему так происходит.

Оказалось, что на этапе заполнения формы доставки пользователи не могли выбрать свою улицу — некоторых не было в выпадающем списке. Помимо этого, не было окошка для комментариев — пользователи не могли добавить адрес вручную и просто закрывали страницу.

Разработчики внесли изменения на сайте: добавили недостающие улицы в выпадающем списке, а также сделали окошко для комментариев. После этого выкуп из корзины увеличился на 18%. Мы пришли к выводу, что наша гипотеза подтвердилась.

Без количественных данных мы бы не узнали, с каких страниц сайта происходит отток, а без качественных — по какой причине.

В жизни проблемы решаются разными способами. Так и в интернет-маркетинге к положительному результату могут привести разные гипотезы. Важно понять на основе всех типов данных, что стопорит пользователей вашего сайта.

У одного из наших клиентов был низкий коэффициент добавления товаров в корзину из каталога. Благодаря количественной аналитике мы поняли, что основной отток пользователей происходит не на этапе оформления, а в процессе поиска товаров.

Мы предположили, что это может быть связано с невозможностью сравнить товары между собой, недостаточным описанием в карточках, объемным фильтром.

Каждую гипотезу мы проверили — добавили более подробное описание в карточках товаров, кнопку «Сравнить», но именно упрощение фильтра существенно увеличило коэффициент добавления в корзину. Фильтр включал такие параметры как цена, бренд, цвет, сезон, свойства, назначение и т.д. Качественная аналитика подсказала, что аудитория пользовалась 1-2 параметрами фильтра вместо 11 возможных.

Разработчики убрали фильтр с главной страницы каталога, оставив его на подкатегориях товаров. Теперь он включает два наиболее популярных параметра — цену и бренд. Каталог стал выглядеть просто и понятно, по сравнению с первым вариантом.

Спустя 1,5 месяца после упрощения фильтра коэффициент добавления в корзину увеличился на 29%.

Разбираться в тонкостях сплит-тестирований хорошо, но не у всех есть на это время. Если вы понимаете, что велик шанс запутаться в аналитике, обратитесь к профессионалам. Это будет эффективно и быстро окупится. Смотрите ниже нашу схему работы и результаты по одному из проектов.

Оцениваем стоимость каждого процентного пункта прироста

Рассчитывается индивидуально и обычно составляет от 5 000 до 15 000 рублей. Зависит от направления деятельности клиента, сложности и объема работы. На том проекте один процентный пункт прироста CR стоил 8 000 рублей.

Проверяем гипотезу и считаем эффект

Мы выдвинули и протестировали нашу гипотезу, внеся необходимые изменения на сайт. Базовый CR составлял 0,78%, а в результате изменений он вырос до 0,9%.

Рассчитали изменение CR по формуле:

Посчитали вознаграждение агентству, умножив количество процентных пунктов на стоимость одного пункта прироста:

15 пп * 8 000 = 120 000 рублей

Таким образом наш доход прямо пропорционален разнице в процентных пунктах между базовым и тестовым результатами.

Насколько это выгодно клиенту?

Ежемесячный трафик клиента — 15 000 пользователей, а средний чек 6 000 рублей. Рассчитаем доход от сайта за месяц по формуле:

Количество пользователей*CR*средний чек

Раньше клиент получал 702 000 рублей, после внедрения гипотезы — 810 000 рублей, то есть на 108 000 рублей выше

Вознаграждение агентству, напомним, составило 120 000 рублей. Это значит, что наши услуги окупились почти за месяц, а клиент, помимо своего привычного ежемесячного дохода, начал зарабатывать дополнительно 108 000 рублей каждый месяц от успешно внедренной гипотезы.