Donde no llega un test de optimización
Una de las formas fundamentales y básicas de mejorar la conversión de un sitio web es realizar tests de optimización (A/B o multivariante).
Dada una versión inicial de un elemento (desde un texto o botón a una landing completa) y una o más variantes alternativas, iremos mostrando una y otra(s) a diferentes usuarios y midiendo la tasa de conversión de los diferentes grupos. Cuando se hayan recogido los suficientes datos, las frías y objetivas matemáticas nos dirán qué versión funcionó mejor.
Pero en muchas ocasiones, nos encontramos con que, por mucho que se alargue el test, no obtenemos más que resultados inconcluyentes o una victoria pírrica por parte de una de las opciones.

Puede ser que nuestra hipótesis de mejora no fuera correcta y que un posible cambio en lo que estamos poniendo a prueba no supone ninguna diferencia.
Pero es más habitual que esos resultados globales escondan otra cosa. Hablamos de que dicho cambio podría haber tenido una influencia positiva sobre una parte de los usuarios a los que se les mostró, mientras que fue negativa para otra parte, compensándose ambos resultados.
La clave aquí sería segmentar para poder dar con esos patrones. Y la manera más eficiente de hacerlo es con una herramienta especializada en personalización, como Dynamic Yield, de la que ya os hablamos hace un tiempo.
El predictive targeting o como personalizar con el piloto automático puesto
Simplificando, en Dynamic Yield podemos plantear un test A/B de una manera similar a como podríamos hacerlo, por ejemplo en Optimize.

Una vez lanzado, el test empezaría a mostrar una variante u otra a diferentes usuarios, midiendo su grado de conversión y arrojando, con el tiempo e idealmente, un vencedor. Nada nuevo aquí.
Pero en esta herramienta, por debajo y sin nuestra intervención, está funcionando la “magia” del predictive targeting.
¿En qué consiste? La herramienta podrá arrojar una variante vencedora en términos generales, pero internamente va evaluando el resultado contra diferentes perfiles de usuario. Ésto evitaría el problema que comentábamos antes de resultados positivos para una parte de los usuarios y negativos para otra que acaben compensándose y hagan pensar que el experimento no ha servido de nada. Esta es la verdadera personalización.
La clave aquí será la creación previa de una serie de reglas en la herramienta que nos permitan clasificar a los futuros usuarios en audiencias significativas. Las audiencias de Dynamic Yield se construyen de una manera similar a cuando creamos audiencias de remarketing en Google Analytics en base a segmentos avanzados. Definimos las condiciones para pertenecer a una audiencia y ésta se va poblando a medida que llegan visitas que cumplan esos criterios.
Aparte de las audiencias por defecto (por canal de adquisición, por tipo de dispositivo, etc.), podemos crear otras más personalizadas: usuarios que hayan visitado cierta sección, que hayan comprado en el último año, que se conecten desde cierto país y un largo etcétera.
Con el test en marcha, en el momento en que Dynamic Yield detecte que cierta variante funciona significativamente mejor que otras con cierta audiencia, nos avisará de ello, ofreciendo la opción de asignar de manera fija esa versión a los usuarios que encajen con ese perfil. ¡Voilà! Ya tenemos una personalización respaldada por un análisis con resultados estadísticamente significativos.

De un test lanzado para el total de los usuarios iremos obteniendo, a medida que los datos lo permitan, personalizaciones concretas para ciertos grupos de usuarios. Serviremos a cada persona aquello que sabemos que va a funcionar mejor con ella o que le va a resultar más relevante. Y todo ello, de manera automática y sin que requiera un análisis concienzudo por nuestra parte.
¿Qué te parece? ¿Has probado ya Dynamic Yield? ¡La personalización es la clave!