4.4.4. Особенности тестирования веб-страниц
Часто предложенный макет страницы становится предметом спора среди сотрудников компании: у многих возникают идеи изменений на сайте, и это заметно тормозит работу над улучшением конверсии. Даже если противоречий нет, нельзя быть уверенным, что принятый вариант страницы будет работать лучше остальных. Тем не менее рекламодатели Рунета сравнивают эффективность разных макетов страниц намного реже, чем это стоило бы делать. В западных странах сплит-тестирование вариантов сайта уже стало стандартным этапом оптимизации. Задача сравнительного тестирования сложнее, чем может показаться на первый взгляд. Попытки проведения экспериментов «на коленке» приводят к неадекватности результатов, ведь для их статистической значимости необходимо соблюдать определенные условия. □ Равномерное распределение трафика. Необходимо, чтобы на каждый из вариантов страниц попадали посетители из одинаковых источников в естественных пропорциях. Простым решением кажется создание нескольких рекламных кампаний и использование в них разных вариантов страниц. Однако в таком случае будут измеряться совокупные свойства аудитории и предложения: результаты не покажут, как страницы будут конвертировать естественный трафик вашего сайта. □ Равномерное распределение по времени. На многих сайтах конверсия плавает сама по себе: на нее влияют и выходные, и праздники, и колебания спроса, и множество других факторов. Если по очереди показывать различные варианты целевых страниц, естественные колебания конверсии нивелируют разницу в их эффективности, и результаты не будут статистически значимыми. □ Сохранение вариантов страницы для пользователя. Пользователь, повторно приходящий на ваш сайт, должен видеть один и тот же вариант страницы при каждом посещении, иначе измерение конверсии будет затруднено, а сами результаты будут низкими: посетитель с большой долей вероятности испугается постоянных изменений и уйдет с сайта. Выделяют два вида экспериментов: первый называют А/В-тестированием (оно же сплит-тестирование). Для его проведения создаются два или несколько вариантов целевой страницы, которые затем демонстрируются различным пользователям. Второй чуть сложнее: страница разбивается на функциональные блоки, содержащие часть предложения (изображение, текст, кнопку и т. д.), и для каждого блока подготавливаются варианты. Все пользователи, заходящие на сайт, получают разные комбинации вариантов блоков, вместе составляющих целевую страницу. В итоге эксперимента выявляется лидирующий «рецепт», который и становится победителем.
4.5. Исследование поведения пользователей до конверсии
Как упоминалось раньше, в измерении эффективности любого объявления есть заметная погрешность: не учитывается то, что пользователь часто возвращается на сайт по несколько раз до того, как сделает покупку. Среди этих посещений могут быть и клики по рекламным объявлениям, и переходы из результатов поиска, и прямые заходы. Каждый из таких приходов важен: более того, на выбор пользователя влияют и баннеры, которые он просмотрел, но не кликал. Каждая система аналитики использует какую-либо модель атрибуции трафика — соглашение о том, как именно считать эффективность объявлений. Нет единственно правильной модели. Ведь и первый переход пользователя на сайт, и последний перед конверсией играют важную роль в цикле продаж. Какую именно роль, сказать сложно, поэтому любая используемая модель атрибуции будет содержать погрешность. Модель, используемая Google Analytics, всегда присваивает визиту источник, с которого посетитель пришел в последний раз. Исключение — прямой трафик: если пользователь совершил визит по рекламе, ссылке или из поиска, а следующее посещение у него прямое, то для него установится предыдущий тип трафика. Например, если пользователь нашел ваш сайт в контекстной рекламе, исследовал его, добавил в избранное и вернулся через два дня, нажав на закладку в браузере, второй визит также засчитается как рекламный по той же кампании, что и первый. Интересная задача исследования поведения пользователей до совершения покупки связана с настройкой временного таргетинга. Как упоминалось выше, есть два подхода к ограничению времени показа рекламных объявлений. Одни рекламодатели уверены, что пользователям необходимо показывать рекламу только в те часы, когда они могут дозвониться в офис, а вечером и ночью рекламу нужно отключать, потому что все равно клиентам придется повторять поиск в рабочее время. Другие думают, что, даже если вечерние кампании не приносят конверсий, они влияют на принятие решений: пользователи могут выбрать поставщика вечером, а позвонить уже на следующий день. Единственный способ узнать, как на самом деле ведут себя пользователи, — измерять участие всех кликов по рекламе до покупки. А еще лучше учитывать и показы рекламы — баннеры зачастую размещаются в имиджевых целях, формируя узнаваемость бренда, повышающую в итоге вероятность покупки. Инструменты по отслеживанию цепочки посещений до конверсии (так называемая модель rnultitouch-атрибуции) разрабатываются рекламными агентствами и поставщиками систем веб-аналитики. Сейчас комплексное решение проблемы отслеживания участия кампаний предлагает только Google для своей рекламной системы AdWords. Интерфейс AdWords содержит группу отчетов «Поисковые последовательности», ссылка на которые находится на странице «Отчеты и инструменты — Конверсии». Из этих отчетов можно увидеть, какие рекламные кампании и ключевые слова участвовали в разных этапах процесса покупки, и по этим данным исследовать их ценность и результативность для продаж в целом (рис. 118).
Рис. 118. Помимо цепочек просмотров и кликов отчет «Поисковые последовательности» дает интересную статистику по времени, прошедшем с первого клика до конверсии