個性化是當前電子商務中最熱門的話題之一，因為它有助於提高客戶參與度，提高轉化率並增加收入。 雖然誘惑可能是把你所有的資源投入到這個最新的數字化趨勢中，但是記住你潤滑的營銷機器中的其他齒輪也是至關重要的。
個性化並不是一個可以應用到網上商店的每個部分的廣泛的解決方案; 它仍然需要做的正確。 它需要與其他技術和優化策略一起工作，以確保您獲得最大的價值。
轉化率優化（CRO）本身在數字營銷領域仍然是一門相對較新的學科。 但是，雖然A / B測試是CRO最著名的活動，但是那些已經看到了個性化潛力的人卻有被留下的風險。
畢竟，為什麼我們需要將測試設計解決方案分解為大眾，何時才能為每個用戶提供個性化的體驗？ 這是推動一些營銷人員完全放棄分割測試的思維過程，期望個性化提供他們所有的優化成果。
獨立地，分割測試和個性化是強大的工具，可以提高您的網站的性能。 但是他們之間沒有理由相互排斥。 當一起使用時，他們可以提供更有力的組合。
超越分割測試
分割測試以一般用戶為目標。 它找到了更多人可能購買的最佳點。 但這通常基於將用戶視為同質轉換率。 這是中間地帶，但不一定會改善每個人的經驗。
這就是平均值的工作方式。 你可能會有一群用戶討厭你的“最佳”設計，而且永遠不會轉換。 有些人可能會“喜歡它”，並通過黃油轉換成熱刀，結果在中間的某個位置平均分配給你一個“最佳”的轉化率。
請記住，大多數網站的轉化率都低於5％，所以還有很大的改進空間。 這超過95％的訪客離開您的網站，沒有購買任何東西或給你的細節。
即使您已經打好分裂測試計劃，並將轉化率提高到了記錄水平，個性化現在可以幫助您將其推向另一個級別。 在基於平均值進行優化時，您永遠無法實現最佳性能 - 只有迎合不同用戶的獨特行為，才能進一步推進界限。 這就是個性化可以幫助你做的事情。
將分割測試演變成個性化的內容
讓我們來看一個非常簡單的例子，說明如何通過分割測試和個性化協同工作來實現優化。假設你經營一家銷售毛衫的電子商店。 你的首頁上有英雄形象展示你最流行的紅色毛衣，但決定你想要測試顯示不同顏色的影響。 所以你運行一個分裂測試，其中三分之一的用戶看到紅色的毛衣，三分之一看到綠色，三分之一看到藍色。
轉換率飆升為看到藍色版本的用戶。 綠色的毛衣也不會太糟糕。 紅色是表現最差的。 在傳統的A / B測試中，這些結果可能導致您向所有用戶展示獲勝的藍色毛衣圖像，因為這有最好的機會引導人們進行轉換。
比方說，60％的用戶喜歡藍色的毛衣，35％的綠色和5％的紅色。 所以，即使你已經為大多數人進行了優化，仍然有40％的訪問者不會立即被你的英雄形象所吸引，並有可能直接跳出你的網站。
如果你能確定每個用戶喜歡哪種顏色，並呈現與他們的口味相關的英雄形象？ 也就是說，從本質上講，個性化可以讓你做什麼。 最新的個性化平台使用機器學習和來自各種互動和接觸點的數據來智能地識別最有可能吸引每個用戶的內容，確保您的網站上的內容是個性化的，並為他們量身定制。
但是你的A / B測試在這裡仍然有用。 它已經證明了英雄形像在轉化途徑中的重要性，同時使用個性化使每個訪問者俱體的內容有助於將說服力提升到另一個層次。 測試可以提供概念驗證，並幫助您指導優化策略，然後決定將時間和資源集中在提供個性化體驗的位置。
個性化也應該被測試
嘗試個性化時，堅持分裂測試的原則是很重要的。 測試不同的東西，並使用這些大數據就什麼是最有效的行動做出明智的決定。 一個簡單的例子可能是針對“非個性化”頁面測試個性化版本的頁面。 或者，您可能想要測試不同級別的個性化，例如，與基於群組的設計相比，單個版本的頁面會向不同類型的用戶呈現不同類型的內容，例如新訪客和回訪者。
在某些情況下，智能的，一對一的個性化不適合您，或者您可能需要調整使用方式。 例如，假設您使用智能產品建議來始終引導每個客戶準確地購買他們想要的東西。 你可能會發現你有更多的銷售，但是這些銷售的價值比以前低。 也許有這樣一個個性化的用戶體驗意味著你錯過了推銷那些人們很少去尋找的高價值奢侈品的機會，但卻是最有利可圖的奢侈品。
在這樣的情況下，您可能需要思考如何對不同的交叉銷售或追加銷售機會進行分割測試，以幫助您繼續推廣這些產品，而不會對客戶體驗造成負面影響，而個性化產品可以提供幫助。
確保積極的投資回報
成本是決定戰略的一個因素。 在簡單的層面上實現個性化可以非常實惠。 例如，很多電子郵件平台都將主題行個性化作為標準功能，而基於隊列的個性化功能則適用於低流量的站點。 但隨著複雜程度和流量水平的提高，成本不可避免地會上升 - 所以您至少要確保您通過個性化您網站上的內容而獲得的收益超過您所使用的軟件或平台的成本。
在衡量任何優化策略的影響時，請記住不僅僅是簡單的“轉化率”指標。 線索的質量通常比線索的數量更重要。 如果這些訂單的價值更高，那麼訂單實際上可以為您的企業帶來更多的價值。 最終，您需要尋找更高層次的指標，例如收入和利潤率，所以您可以確定您使用的任何個性化平台或技術都適合您和您的業務。
不要打擾大數據
什麼讓一些人同時使用分割測試和個性化，是假設測試和個性化不能一起工作似乎更安全，因為它們會交叉太多，導致大數據偏斜。 但在任何傳統的A / B測試程序中，“測試流血”都是一個風險。 這是在用戶旅程交叉的網站的不同部分進行測試可能“污染”彼此的結果。 例如，假設您在您的網站上進行了兩個A / B測試，在您的產品頁面上有一個新的“立即購買”按鈕，並且在結帳頁面上有一個新的佈局，可能很難判斷哪個更改影響了轉換率。
這就是為什麼你需要在如何設置你的測試以及如何分析它們方面受到紀律處分。 完全避免交叉是確保更純粹測試結果的一種方法，但是還有其他方法可以確保您仍然可以得到可靠的結果。 例如，使測試相互排斥，或者收集足夠大的樣本量以使結果在統計方面成比例。
重點在於，如果您意識到大數據存在危險，並對A / B測試和個性化應用相同的規範方法，並在分析結果時使用相同的注意事項，那麼沒有理由不能玩好在一起。
