Hur man maximerar KPI:er med input-mätvärden

För att ha ett framgångsrikt experimenteringsprogram måste du börja med "vad är målet?" med dina tillväxt- och experimenteringsinsatser. Detta betonades för mig tidigt på Optimizely, när vår medgrundare Dan Siroker sa i en all hands bara några veckor in: "Ledare inom experimentering väljer mätvärden som spelar roll."

Att förstå dina viktigaste mål är avgörande för att definiera de mätvärden som ska påverkas och andra beteenden som ska drivas framåt via experimentering. Många företag känner till dessa KPI:er, till exempel intäkter eller DAU (Daily Active Users), så vi kan sedan fråga "Vilka mätvärden och beteenden kan jag driva via experimentering på nyckelsidor för att nå dessa mål?". Ett ramverk som jag har sett vara effektivt är att definiera in- och utdatamätvärden.

Låt oss definiera vad vi menar med input- och output-mätvärden innan vi går vidare:

• Utgångsmått - Dessa är ditt slutmål och vad du mäter framgång främst för på din produkt eller upplevelse (t.ex. för en app för detaljhandeln skulle det vara köp, intäkter och kanske registreringar av lojalitetskonton)
• Ingångsmått - Det här är de åtgärder som dina användare vidtar och som är bra indikatorer på framgång för att driva fram dina utgångsmått (t.ex. för samma app för detaljhandel kan det vara det genomsnittliga antalet produkter som visas per session eller sökfrekvensen i appen)

Med hjälp av detta ramverk kan du definiera vilka beteenden som driver fram det primära resultatmåttet.

Som ett exempel, låt oss titta på en detaljhandelskund som vill öka antalet registreringar för sitt lojalitetsprogram, input- och outputmåtten kan se ut ungefär som nedan.

När du funderar på detta för dina egna mätvärden bör du göra den här vyn så bred och djup som möjligt. Vilka är alla åtgärder som bidrar till framgången för dina utgångsmått? Därifrån kan du börja ställa datainformerade frågor för att skapa problemformuleringar och skissera din mätplan för enskilda experiment.

Att tänka på detta holistiskt kan vara en utmaning. Det som jag har funnit vara användbart är att beskriva in- och utdatamätvärdena på sidnivå för dina viktigaste kundresor mot dina primära utdatamätvärden. Om vi återigen tar detaljhandeln som exempel, vilka är de viktigaste kundresorna för att en kund ska göra ett köp? Beskriv ett output-mått på sidnivå för var och en av sidorna i den resan och alla specifika input-mått på sidorna. Så här kan Nike (eller vilken återförsäljare som helst) gå tillväga för sina produktdetaljsidor.

Som du kan se är det primära målet och utgångsmåttet för den här produktdetaljsidan att en kund lägger till i varukorgen, men beteenden som scrolldjup, bildinteraktioner och attributval är ingångsmått som hjälper till att flytta kunder mot utgångsmåttet. Sammantaget skulle en fullständig användarresa från en primär ingångspunkt (t.ex. en produktkategorisida) ha samma utgångsmått för webbplatsen för varje sida, men olika mått på sidnivå.

När jag pratar med kunder får jag ofta frågan "vad ska sidans utdatamått vara?" Jag brukar hänvisa till det här blogginlägget från Avinash Kaushik om hur man undviker misstag i webbanalys och helt enkelt fråga: "Varför finns den här sidan?" Den ska tjäna till att få en användare närmare dina primära resultatmått. Baserat på vilket steg det tjänar till att flytta kunden mot, det är din sidas utgångsmått! Du kan se ett exempel på en användarresa som består av sidor på en webbplats nedan, och fortsätta att använda vårt detaljhandelsexempel.

När du ändrar produkterna och användarupplevelserna genom experimentering kommer dina inputmått sannolikt att ändras, så det är viktigt att du hela tiden omvärderar dina input- och outputmått och den övergripande användarresan. Jag skulle rekommendera att du gör en ny kartläggning minst en gång om året.

Har du gjort en kartläggning av användarresan eller input/output-mätningar? Har du några bästa praxis som du använder i den här processen? Tweeta oss @Optimizely.

Är du redo att höja nivån på din experimentering? Hör av dig till oss idag.