Wachstum Hacking ist voller Mythen. Einige halten ihn für ein Allheilmittel gegen alle Krankheiten, andere für eine Quacksalberei. Fälle mit unglaublichen Wachstumszahlen von zehn und hundert Mal, die versuchen, gedankenlos und ohne das gleiche Wachstum zu kopieren, werden als misstrauisch eingestuft, indem der Ansatz für unwirksam erklärt wird.
Um das Wachstum eines Unternehmens zu „hacken“, reicht es jedoch nicht aus, nur ein Team herauszusuchen und es mit der Suche nach Wachstumspunkten zu beauftragen. Growth Hacking ist ein sehr komplexer Prozess, der hohes Fachwissen und eine klare Methodik erfordert.
Seit der Gründung von Retail Rocket ist das Wachstum von Hacking ein wesentlicher Bestandteil der Arbeit des Unternehmens. Seit mehr als sechs Jahren entwickeln wir ein einzigartiges System zum Testen und Auswählen von Algorithmen. Teilweise dank dieser Methodik können wir den höchsten ROI auf dem Markt erzielen. Und heute möchten wir die Erfahrungen mit dem Einsatz von Growth Hacking im E-Commerce teilen.
Was ist Growth Hacking und warum braucht es jedes Unternehmen?
Growth Hacking ist eine kontinuierliche Arbeit eines separaten Teams an der Formulierung, Organisation und Analyse von Experimenten, um eine hohe Wachstumsrate der Geschäftsleistung sicherzustellen. Dies bedeutet, dass das Unternehmen eine separate Abteilung erstellt, die sich mit der Erstellung und Prüfung von Hypothesen befasst, die sich auf die Konvertierung, den Umsatz, den Gewinn und andere Kennzahlen auswirken sollten.
Die Entstehung und aktive Nutzung von Growth Hacking ist mit einem starken Anstieg der Start-up-Kultur verbunden, als ein verständliches und erschwingliches Tool zum Testen von Hypothesen benötigt wurde, die Unternehmen ein vielfältiges Wachstum ermöglichen.
Growth Hacking basiert auf drei Prinzipien:
- Schnelles Metrik-Upgrade
- Kontinuierliche Optimierung der Ergebnisse
- Prozess öffnen
Wenn Sie den Prozess schematisch darstellen, sieht alles ganz einfach aus: Sie müssen eine Hypothese erstellen, die angeblich eine oder mehrere Metriken erhöht, diese beispielsweise mithilfe von A / B-Tests überprüfen und das Ergebnis analysieren. Erfolgreiche Hypothesen können skaliert und optimiert werden. Wenn dies nicht erfolgreich ist, wird der Zyklus wiederholt.
In der Praxis ist alles viel komplizierter. Von der Auswahl einer Hypothese über den Testprozess bis zur Bewertung der Ergebnisse ist in jeder Phase ein großes Fachwissen und eine große Erfahrung erforderlich. Teilweise haben wir darüber im Artikel
„Fallstricke von A / B-Tests oder warum werden 99% Ihrer Split-Tests falsch durchgeführt?“ Gesprochen. .
Bei Retail Rocket haben wir zwei Growth Hacker-Teams. Der eine befasst sich mit dem Wachstum der Metriken auf der Website und der andere ist für die Steigerung der Effektivität von Trigger-E-Mails verantwortlich. Die Herangehensweisen der Teams an die Prozesse, Wachstum zu brechen, sind an einigen Stellen ähnlich, unterscheiden sich jedoch irgendwo, worauf wir im Verlauf des Artikels näher eingehen werden.
Beginnen wir mit der Auswahl der Hypothesen.
So finden und wählen Sie eine zu testende Hypothese aus
Weltweit gibt es zwei Ansätze für Growth Hacking:
- Zufällige Generierung von Ideen und deren Überprüfung
- Systematische Prüfung der im Voraus gesammelten Hypothesen
Die erste Methode ist teurer und ressourcenintensiver, es gibt mehr Ausfallwahrscheinlichkeiten, aber manchmal entstehen starke und bahnbrechende Ideen.
Die zweite Methode funktioniert hervorragend, wenn Experimente wiederholbar sind und Sie einen ganzen Pool von Hypothesen sammeln können. Es liefert vorhersehbarere Ergebnisse, da bereits Statistiken aus den Ergebnissen früherer Tests gesammelt wurden.
Für Retail Rocket-Kunden verwenden wir eine Kombination dieser Methoden. Zunächst testen wir die Lösungen, die in diesem Geschäft am wahrscheinlichsten funktionieren.
Wir haben mehr als 2.000 Tests auf Websites und mehr als 5.000 Tests in Triggerbuchstaben durchgeführt und dabei alle möglichen Rechen berücksichtigt. Dabei haben wir die Erfahrungen nicht nur russischer, sondern auch ausländischer Geschäfte berücksichtigt. Daher können wir diese Option jedem Online-Shop mit großem Vertrauen empfehlen was für ihn wirksam sein wird. Mit einem systematischen Hypothesentest erhöhen wir die mathematischen Erwartungen und verringern die Fehlerwahrscheinlichkeit.
Viele unserer Hypothesen beschreiben wir nicht nur in Fällen und zeigen die Ergebnisse ihrer Implementierung, sondern erklären auch, warum wir diese spezielle Lösung testen. Einige Hypothesen basieren auf psychologischen Postulaten und Forschungen, andere zerstören gängige Stereotypen.
Nach einer systematischen Überprüfung der für das Geschäft empfohlenen Hypothesen beginnt die Phase experimenteller und riskanterer Arbeiten. Spezialisten für Wachstumshacking suchen nach neuen Lösungen, die dem Geschäft eine Steigerung der Conversion und eine durchschnittliche Überprüfung ermöglichen. Für Triggerbuchstaben werden in der Regel während des Brainstormings neue Hypothesen erstellt, und jede Hypothese muss aus psychologischer Sicht begründet werden. Das Site-Team bevorzugt einen praktischeren Ansatz, der auf Forschungsstudien basiert.
Einige Hypothesen werden von unseren Kunden angeboten. Wir bewerten die Angemessenheit des Testens, erstellen ungefähre Berechnungen, wie dies funktionieren kann, und führen einen Test durch, wenn wir verstehen, dass das Ergebnis die Mühe wert ist. Natürlich kennen Kunden ihr Publikum besser, daher liefern einige Hypothesen in Kombination mit unserer Erfahrung hervorragende Ergebnisse. Die erfolgreichsten Ideen werden sogar Teil unseres Hypothesenpools. Zum Beispiel hat das Triggerszenario „Benachrichtigung über eine Reduzierung des Warenpreises im Warenkorb“ nach einer Reihe erfolgreicher Tests einen würdigen Platz in unserer Triggerkarte eingenommen.
Durch die Kombination des Fachwissens von Ladenvermarktern mit der Erfahrung von Retail Rocket-Spezialisten erhalten wir ein WIN-WIN-System, von dem beide Parteien profitieren.
Wie man eine Hypothese testet oder warum wir A / B-Tests gewählt haben
Zum Testen von Hypothesen im Online-Bereich ist der AB-Testprozess hervorragend. Er hat eine klare Methodik und liefert natürlich transparente Ergebnisse, wenn Sie einen Split-Test korrekt durchführen.
Wir haben eine klare Testmethode, die mehrere Überprüfungsstufen umfasst und mögliche Fehler beseitigt. Es gibt ein Tool zum Teilen von Datenverkehr. Es gibt Fachwissen und Erfahrung, dank derer wir bei Fragen wissen, wo wir suchen und wo wir nach Problemen suchen müssen.
Der A / B-Test kann in mehrere Stufen unterteilt werden:
- Test ausführen. Es kann viele mögliche Fehler geben. Die typische Liste enthält falsche Layout- und Segmentierungsfehler. Unsere Methodik basiert auf der Gegenprüfung von Tests und der sorgfältigen Abstimmung aller Details mit einem Einzelhändler, um mögliche Fehler zu minimieren.
- Stoppen Sie den Test. Wie lange muss der Test dauern, damit die Ergebnisse eindeutig interpretiert werden können? Wie kann man verstehen, wo der Effekt der Neuheit in eine Arbeitsmethode zur Steigerung der Konversion einfließt?
- Auswertung der Ergebnisse. Angefangen von der Methode zum Sammeln und Bereinigen von Daten bis hin zu den Schlussfolgerungen, die jeder Analyst überprüfen kann, geben wir in den Testberichten die vollständigsten und transparentesten Informationen darüber, welche Auswirkungen eine bestimmte Lösung hat.
Entsprechend den Testergebnissen versteht das Geschäft klar, welche Hypothese zu einem Umsatz- und Umsatzwachstum des Geschäfts führen wird und welche nicht sinnvoll einzuführen ist.
Wie es in der Praxis aussieht
Hier ist ein Beispiel für einige Fälle, wie Growth Hacking in Retail Rocket funktioniert.
Fall 1. Verwendung des Prinzips der sozialen Evidenz in Triggerbriefen
Wie oben erwähnt, basieren Hypothesen in Triggerszenarien häufig auf verschiedenen Postulaten der Psychologie. Zum Beispiel zeigt ein gutes Ergebnis in den meisten Fällen die Anwendung des Prinzips des sozialen Beweises. Das Wesentliche ist, dass Menschen bei der Auswahl eines Produkts den Meinungen anderer Menschen vertrauen. Social Proof kann auf verschiedene Arten verwendet werden, z. B. Produktbewertungen, Bewertungen, Informationen darüber, wie viele Benutzer das Produkt gleichzeitig anzeigen usw.
Wir haben uns entschlossen, die Hypothese zu testen, die Nachfrage nach dem Produkt durch die Implementierung des Blocks „Heute gekauft“ zu erhöhen, der die Menge der von anderen Benutzern gekauften Waren demonstriert.
Die Arbeit wurde durch A / B-Tests durchgeführt, bei denen alle Empfänger von Briefen zufällig in zwei Segmente unterteilt wurden. Die ursprüngliche Version des Briefes wird an Segment A gesendet, und ein Brief mit einer Änderungshypothese wird an Segment B gesendet, was die Effizienz von Mailings erhöhen sollte.
Die Hypothese wurde im Triggerszenario „Brief mit verwandten Produkten nach Bestellung“ im Mamsy Sales Club getestet:
Den Testergebnissen zufolge war die Umwandlung von Buchstaben mit der implementierten Hypothese in Ordnungen 60,5% höher als die der Standardversion (statistische Zuverlässigkeit des Ergebnisses betrug 96,8%).
Fall 2. Auswahl der effektivsten Option zum Anzeigen von Empfehlungen auf der Suchseite
Gehen wir nun zur Website und sehen uns den Hypothesentest am Beispiel der ZdravCity-Online-Apotheke an.
Das Hauptaugenmerk beim Testen auf den Websites von Online-Shops liegt auf dem Testen der Wirksamkeit verschiedener Algorithmen, um zu verstehen, welche Art von Empfehlungsmechanik dem Einzelhändler das maximale Ergebnis bringt. Wir prüfen aber auch, wie sich verschiedene Designelemente auf die Conversion-Raten, den durchschnittlichen Erhalt und den Umsatz auswirken. Dies kann die Einführung eines Schiebereglers in Empfehlungen, das Hinzufügen von Rabattetiketten oder andere Designentscheidungen sein.
In diesem Fall lautete die Hypothese, dass es für den Benutzer einfacher ist, die Waren in den Warenkorb zu legen, wenn Sie den Waren in den Empfehlungsblöcken ein CTA-Element hinzufügen. Dies erhöht die Conversion und die durchschnittliche Prüfung.
Eine Leistungsstudie wurde unter Verwendung von A / B-Testmechaniken durchgeführt. Alle Besucher der Website wurden zufällig in 3 Segmente unterteilt:
- Das erste Segment zeigte einen Block von Empfehlungen ohne CTA-Element (grundlegendes Erscheinungsbild)
- Dem zweiten Segment wurde ein Empfehlungsblock mit dem CTA-Element "In den Warenkorb" hinzugefügt (fügt das Produkt dem Warenkorb hinzu).
- Dem dritten Segment (Kontrollgruppe) wurden keine Empfehlungen gegeben.
Den Testergebnissen zufolge erhöht die
Umsetzung der Hypothese „Empfehlungsblock mit dem Zusatz eines CTA-Buttons„ In den Warenkorb “auf der Suchseite des Online-Shops Zdravcity.ru die Conversion um 1,05% (statistische Signifikanz 99,5%). In Kombination mit einer Erhöhung des durchschnittlichen Schecks um 7,3% ergibt sich eine prognostizierte Umsatzsteigerung um 8,4%.
Dies sind nur einige Beispiele dafür, wie Sie verschiedene Hypothesen für das metrische Wachstum erstellen und testen können. In bestimmten Fällen sprechen wir regelmäßig darüber. Wenn Sie also weitere interessante Hypothesen und die Ergebnisse ihrer Überprüfung herausfinden möchten, besuchen Sie unseren
Blog .
Und denken Sie daran, je mehr Experimente Sie durchführen, desto höher ist Ihr Ergebnis über eine lange Distanz. Führen Sie daher A / B-Tests durch, testen Sie Hypothesen und finden Sie die Lösungen, die Ihnen Wachstum bringen.