Liebe Freunde der gepflegten Konversion,

willkommen zu Teil 5 unseres Conversion Whiteboards. Wenn Euer Team unendlich viele Testideen hat, Ihr aber wisst nicht, womit Ihr starten sollt, dann ist es Zeit für die Hypothesen-Priorisierung.

Hypothesen priorisieren statt einfach wild drauf los testen

Website-Tests basieren auf Hypothesen, auf Annahmen über den möglichen Effekt einer Änderung. Tests kosten sowohl Zeit als auch Geld. Man möchte natürlich nicht unendlich viele Tests durchführen. Daher ist es wichtig, die Testideen in eine Reihenfolge zu bringen, damit wir mit den besten Hypothesen beginnen können.

Wie Du Deine Testideen mit einer einfachen Formel in eine optimale Reihenfolge bringen kannst, erkläre ich Dir in der 5. Episode des Conversion Whiteboards:

Testideen sollten nicht aus dem Bauch heraus definiert werden

Immer wieder sehen wir, dass auf Basis von logisch erscheinenden Annahmen entschieden wird, was getestet wird:

• Wie hoch ist der Traffic der betroffenen Seite?
• Welche Seiten haben die höchste Ausstiegsrate?
• Was ist leicht umsetzbar?

Oder der HIPPO (Highest Paid Person’s Opinion) sagt einfach wo es lang geht…

In der Realität fallen Entscheidungen oft auf Basis dieser oder ähnlicher Kriterien.

Hypothesen-Priorisierung nach Aufwand und Impact

Den Score zur Priorisierung der Hypothesen lässt sich durch diese einfache Formel bestimmen:

Je höher der Impact und je geringer der Aufwand einer Hypothese ist, desto höher wird ihr Score. Desto mehr Prio bekommt sie. Doch woher soll ich wissen, welchen Impact meine Maßnahme hat?

Zur Beantwortung dieser Frage versetzen wir uns in das Conversion-Whiteboard #2 zurück. Hier hast Du erfahren, dass jeder Uplift das Resultat einer Verhaltensänderung der Nutzer ist.

Der Impact setzt sich also aus folgenden Faktoren zusammen:

1. Wahrnehmung (Nimmt der Kunde die Veränderung überhaupt wahr?)
2. Verhaltenskontrast (Schafft die Veränderung, dass der Kunde sein Verhalten ändert?)
3. Traffic (Hat die Seite genug Traffic?)

Erwiesener Bonus: Behavior Patterns (auf Prinzipien wie Verknappung etc. zurückgreifen)

Toolgestützte Hypothesen-Priorisierung

Bei der Priorisierung von Testhypothesen sollte man ein möglichst objektives Bewertungssystem verwenden, welches alle für Optimierungsmaßnahmen relevanten Einflussgrößen mit einbezieht, um fundierte Entscheidungen zu treffen.

Ein praktisches und kostenfreies Tool zur Hypothesen-Priorisierung ist iridion:

Scoring mit Iridion

Das Scoring in iridion stellt den Aufwand und den potentiellen Einfluss einer Optimierungsmaßnahme gegenüber. Der Score steigt mit wachsendem Einfluss und sinkt mit steigendem Aufwand. Generell gilt also: Je höher der Score, desto besser das Kosten-Nutzen-Verhältnis. Es gibt somit eine klar definierte Konvention, auf deren Basis alle Maßnahmen gleichermaßen bewertet werden.

Mir diesem praktischen Werkzeug kannst Du jene Maßnahmen zu isolieren, welche den Aufwand eines A/B-Tests wirklich wert sind.

Tipp: In ein solches System kannst Du auch persönliche Präferenzen von HIPPOs einbeziehen und diese ggf. höher gewichten. Die Chancen, alle Stakeholder zufriedenzustellen und zu einem Konsens zu kommen, steigen.

Welche Parameter berücksichtigt das Iridion Scoring?

Aufwand

Frontend: Wie viel Zeit wird für die Frontend-Umsetzung des Experiments aller Varianten benötigt (inkl. der Abhängigkeit vom Testingtool und Einrichtung der Goals)?

Backend: Wie viel Zeit wird für die Backend-Umsetzung des Experiments aller Varianten benötigt (Müssen Veränderungen im Backend durchgeführt werden?)?

Konzept: Wie lange dauert es, ein gutes Testkonzept für das Experiment zu erstellen (inklusive Abstimmungsrunden, Entwürfen, Prozessbeschreibungen etc.)?

Sonstiges: Gibt es weitere Anforderungen, die zusätzlichen Aufwand erzeugen (z. B. Qualitätssicherung der technischen Umsetzung, interne Abstimmungsrunden, firmenpolitische Hürden etc.)?

Impact

Visueller Kontrast: Ist die visuelle/inhaltliche Veränderung im Experiment sichtbar/stark genug, um dem Benutzer aufzufallen?

Verhaltenstechnischer Kontrast: Hat die Variante genügend Kontrast, um eine Verhaltensänderung beim Benutzer zu bewirken (wird er sich mehr bzw. weniger Gedanken machen)?

Behavior Patterns: Nutzt die Maßnahme ein Behavior Pattern, welches das Verhalten der Nutzer verändert?

Traffic: Sitzt die Veränderung auf dem primären Conversion-Pfad? Je näher das Experiment an der Conversion stattfindet, desto wahrscheinlicher ist es, auch kleine Uplifts zu validieren (Weit weg von der Conversion = z.B. Startseite / Nah an der Conversion = z.B. im Checkout-Funnel).

Lust auf noch mehr Conversion Whiteboards?

Dann folge uns auf unserem YouTube Channel!

Bis zur nächsten Episode des Conversion Whiteboards!

Euer André