3 Wege zur Steigerung der Mitarbeiterbindung durch Experimentieren

Nachdem die Akquisition gut gelaufen war, beschlossen wir, uns beim Experimentieren auf die Frage zu konzentrieren, wie wir diese neuen Abonnenten an uns binden können, um den Nutzen dieses Zustroms neuer Nutzer zu maximieren.

BiggerPockets ist eine Online-Ressource für Immobilieninvestoren mit Bildungsinhalten und Tools, die Menschen helfen sollen, die finanzielle Freiheit durch Immobilieninvestitionen zu erreichen. Ich kümmere mich um die Conversion Rate Optimization und konzentriere mich dabei auf die KPIs und Trichter, die für unser Geschäft am wichtigsten sind.

Als wir anfingen, uns auf die Kundenbindung zu konzentrieren, haben wir schnell gelernt, dass das Testen der Kundenbindung etwas ganz anderes ist als das Testen von Anmelde- und Conversion-Trichtern. Um Ihnen einen Vorsprung zu verschaffen, wenn Sie die Kundenbindung in Angriff nehmen wollen, stellen wir Ihnen hier die größten Testhindernisse vor, auf die wir gestoßen sind, und wie wir sie überwunden haben.

Was macht es schwierig, die Kundenbindung durch Experimentieren zu beeinflussen und zu messen?

Problem: Verzögerung zwischen der Beendigung des Experiments und dem Erkennen der Auswirkungen auf die Kundenbindung

Eines der schwierigsten Probleme bei Kundenbindungstests ist die Zeitspanne zwischen dem Ende des Experiments und dem Erhalt aller Daten, die Sie für eine Entscheidung benötigen. Bei den meisten A/B-Tests finden das Startereignis und das abschließende Conversion-Ereignis in derselben Sitzung statt. Bei Retentionstests werden die Conversions, die Sie messen möchten, wahrscheinlich erst Wochen oder sogar Monate nach dem ursprünglichen Startereignis stattfinden. Zwischen dem Auslösen des Experiments und dem Conversion-Ereignis im Zusammenhang mit der Kundenbindung gibt es viele zusätzliche Berührungspunkte. Das macht es sehr schwer, schnell zu testen und ein klares Experiment zur Kontrolle zu haben.

Die Lösung: Identifizieren Sie das Benutzerverhalten, das mit der Kundenbindung korreliert, und verschieben Sie diese Metriken nach unten

In Anbetracht der Tatsache, dass die Kundenbindung in den meisten Unternehmen nachgelagert ist, ist es hilfreich, die Kundenbindung nicht mehr als Schlüsselkennzahl zu verwenden (die viele andere Faktoren außerhalb des Experiments enthält), sondern zu ermitteln, welche Verhaltensweisen, die durch Experimentieren beeinflusst werden können, zu einer höheren Kundenbindung führen. Auf diese Weise können Sie kleinere Tests durchführen, um die Benutzerereignisse zu beeinflussen, die mit dem Verbleib des Benutzers im Trichter korrelieren. Wenn Sie Hilfe brauchen, um zu überlegen, wie Sie dies angehen können, ist ein Zielbaum ein guter Anfang.

BiggerPockets Foren

Bei BiggerPockets zum Beispiel sind unsere Immobilienforen eine der wichtigen Funktionen unseres Produkts. Anhand von Analysen zur Kundenbindung, die wir mit Amplitude (unserem Produktanalysetool) durchgeführt haben, wissen wir, dass Personen, die in den Foren posten, viel eher zu aktiven Nutzern unserer Site werden. Anstatt zu testen, ob die Aufforderung an die Benutzer, in unseren Foren zu posten, die 4-Wochen-Bindung erhöht, könnten wir das Ganze vereinfachen, indem wir testen, wie wir die Benutzer am besten dazu bringen, in der ersten Woche nach ihrer Anmeldung in den Foren zu posten.

Wir können also die Hypothese aufstellen, dass, wenn wir mehr Benutzer dazu bringen, in den Foren zu posten, sie mit größerer Wahrscheinlichkeit wiederkommen werden. Unsere Daten zur Verweildauer zeigen nur, dass das Posten in den Foren mit einer höheren Verweildauer korreliert, nicht aber, dass es zwangsläufig zu einer höheren Verweildauer führt. Um dies zu überprüfen, können wir das Experiment durchführen und dann in etwa einem Monat in Amplitude eine Bindungsanalyse für die Testkohorte durchführen, um zu bestätigen, dass die Benutzer, die den Variationen des Experiments ausgesetzt waren, eine höhere Bindungsrate hatten als die Kontrollgruppe.

So sieht eine Retentionsanalyse in Amplitude aus. Die Kohorte der Benutzer, die in der ersten Woche in den Foren gepostet haben (grüne Linie), hat eine höhere Beibehaltungsrate.

Problem: Viele Faktoren beeinflussen die Kundenbindung

Beim A/B-Testing messen wir normalerweise die Conversion von einem Anfangsereignis bis zu einem "Conversion-Ereignis" am Ende. Bei einem Checkout-Test könnten Sie beispielsweise die Conversion vom Laden der Checkout-Seite (Startereignis) bis zum Absenden der Bestellung (Conversion-Ereignis) messen. Bei der Kundenbindung gibt es kein klar definiertes Conversion-Ereignis auf derselben Seite.

Wenn Sie z.B. die Bindung von Benutzern testen möchten, die sich gerade auf Ihrer Website angemeldet haben, ist es für Sie nicht unbedingt wichtig, ob sie am nächsten Tag, zwei Tage später, drei Tage später usw. wiederkommen. Was Sie wahrscheinlich interessiert, ist, ob sie im Laufe der Zeit immer wieder zurückkamen oder nicht. Sie könnten dies in einer einzigen Kennzahl aggregieren, wie z.B. "Benutzer kam im ersten Monat 3+ Mal zurück". Es kann jedoch schwierig sein, herauszufinden, wie oft ein Nutzer auf Ihre Site zurückkehren muss, um sie zu behalten. Um ein tieferes Verständnis dafür zu erlangen, wie Sie eine für Ihr Produkt aussagekräftige Metrik für die Kundenbindung auswählen, empfehle ich Ihnen diesen Blog-Artikel

Lösung: Konzentrieren Sie jeden Test auf eine einzelne Phase der Kundenbindung

Denken Sie an diese Formel: Kundenbindung = (Aktivierung * Engagement * Wiederaufleben) wobei:

• Aktivierung - Der Benutzer fängt an, sich mit Ihrem Produkt zu beschäftigen.
• Engagement - Der Benutzer beschäftigt sich wiederholt mit den Kernfunktionen Ihres Produkts
• Wiederkehr - Benutzer kehren zu Ihrem Produkt zurück, nachdem sie es eine Zeit lang nicht benutzt haben

Ich empfehle dringend, die Tests auf eine einzige Phase der Kundenbindung zu beschränken (Aktivierung, Engagement oder Wiederaufleben). Je kürzer die Zeitspanne ist, die zwischen der Aktivierung und der Conversion liegt, desto schneller erhalten Sie Erkenntnisse über Ihren Test und desto weniger werden diese Conversions durch externe Faktoren beeinträchtigt. Bei dieser Art von Tests ist es hilfreich, sich daran zu erinnern, dass die Verweildauer der Output ist, nicht das Ziel. Das Ziel ist, dass die Benutzer ein wertvolles Erlebnis mit Ihrem Produkt haben.

Das können Sie sehen, wenn Sie Ihren Onboarding-Flow testen. Anstatt zu testen, ob eine Änderung des Onboarding zu einem beibehaltenen Benutzer führt, testen Sie, ob eine Änderung des Onboarding einem Benutzer hilft, herauszufinden, wie er Ihr Produkt in den ersten 7 Tagen benutzen kann. Sobald die Benutzer mit dem Produkt begonnen haben, können Sie testen, wie Sie die Wiederbesuche fördern können. Das führt mich zu meinem nächsten Punkt....

Die Lösung: Optimieren Sie auf die natürliche Frequenz Ihres Produkts

Die "natürliche Häufigkeit" bezieht sich darauf, wie oft Ihr Kunde auf das Problem stößt, das Ihr Produkt löst. Ein Beispiel: Ein Kunde von BiggerPockets hat ein bestimmtes Vermieterproblem, das er anderen Vermietern, die mit seiner Situation konfrontiert sind, stellen möchte. Wir gehen davon aus, dass die meisten Vermieter etwa einmal im Monat auf dieses Problem stoßen, so dass die natürliche Häufigkeit von Forenbeiträgen etwa monatlich ist.

Der Versuch, auf eine unnatürliche Häufigkeit zu optimieren, führt in der Regel dazu, dass Sie sich im Kreis drehen, während Sie Ihre Nutzer mit Benachrichtigungen überhäufen, um sie zur Rückkehr auf Ihre Site zu bewegen. Das hilft Ihren Nutzern nicht, einen Mehrwert in Ihrem Produkt zu finden und schadet langfristig Ihrer Beziehung zu ihnen.

Wenn BiggerPockets zum Beispiel für täglich aktive Forenposter optimieren würde, würden wir die falsche Frequenz testen. Die meisten unserer Kunden besitzen 0-5 Mietobjekte, und diese Immobilieninvestoren sollten nicht täglich Fragen stellen. Wenn sie täglich Fragen in unseren Foren posten, ist es wahrscheinlich, dass sie ihr Problem nicht gelöst bekommen. Ich könnte mir vielmehr vorstellen, dass sie ihre Frage ziemlich oft neu stellen müssen, um eine Antwort zu erhalten.

Wenn Sie die natürliche Häufigkeit Ihres Produkts ermitteln, können Sie bestimmen, wie oft Ihre Kunden auf Ihre Website zurückkehren sollten (weitere Informationen zur Ermittlung der natürlichen Häufigkeit Ihres Produkts finden Sie in diesem Artikel). Aus der Sicht des Testens hilft Ihnen das Testen der richtigen natürlichen Häufigkeit dabei, einen einzelnen KPI zu identifizieren, den Sie als Conversion-Ereignis behandeln können (z.B. ob der Benutzer in den ersten 7 Tagen mindestens einmal wiedergekommen ist), was es Ihnen einfacher macht, die statistische Signifikanz Ihrer Tests zu messen.

Problem: Das Nutzerverhalten ist sehr unterschiedlich

Wir haben festgestellt, dass das Verständnis des Nutzerverhaltens bei der Kundenbindung komplexer ist. Während alle Ihre Kunden die Checkout-Seite auf ähnliche Weise nutzen, kann der Inhalt oder die Funktion, die sie dazu motiviert, auf Ihre Website zurückzukehren, für einen Kundentyp gut funktionieren und für einen anderen eine Katastrophe sein. Das bedeutet, dass Ihre Testanalyse detailliert und nuanciert sein muss.

Die Lösung: Stellen Sie eine klare Hypothese auf, egal was passiert

Da Retentionstests immer komplexer werden, kann es verlockend sein, die Hypothese zu einem Kästchen zu machen, das im Nachhinein ausgefüllt wird, nachdem ein Test gestartet wurde. Ich kann nicht genug betonen, wie wichtig es ist, dass Sie Ihre Hypothese vor einem Experiment IMMER klar formulieren.

Die Gefahr, dass Sie sich vor dem Start des Experiments nicht über Ihre Hypothese im Klaren sind, besteht darin, dass Sie am Ende des Tests feststellen, dass Sie nichts anderes gelernt haben als "Erlebnis X war für Kunde Y schlechter als Erlebnis Z", ohne wirklich zu verstehen, warum Sie dachten, dass die Benutzer anders reagieren würden (oder welche Benutzer sich Ihrer Meinung nach anders verhalten würden).

Das ist vor allem dann wichtig, wenn Sie mit einem Team arbeiten, in dem die Leute nicht immer laut sagen, wenn sie nicht verstehen, was gerade getestet wird.

Zur Erstellung aussagekräftiger Hypothesen empfehle ich Ihnen, den Hypothesenrahmen von Optimizely "Wenn ____, dann ____, weil ____." zu befolgen.

Wir sehen uns in ein paar Wochen wieder, wenn ich Ihnen Erfolgsmethoden für das Experimentieren mit globalen Navigationen vorstelle!

Wenn Sie daran interessiert sind, das Gespräch fortzusetzen, finden Sie mich auf LinkedIn oder kontaktieren Sie mich direkt unter alex@biggerpockets.com.And. Wenn Sie bereit sind, mit dem Experimentieren zu beginnen, nehmen Sie noch heute Kontakt mit uns auf.