Vandaag deel 4 in de reeks ´Conversie optimalisatie in de praktijk: gratisadviseurs.nl´. Wat hebben we tot nu toe gedaan? We hebben gekeken naar de doelstellingen van de website, de webanalyticsdata geanalyseerd en optimalisatiekansen geïdentificeerd. Lees hier de vorige artikelen:

1. Deel 1: De doelstellingen van gratisadviseurs.nl
2. Deel 2: Data analyse
3. Deel 3: Optimalisatiekansen identificeren

De volgende stap in het proces is de optimalisatiekansen en mogelijke aanpassingen te testen om te zien of ze daadwerkelijk zorgen voor een verbetering. Uit de data-analyse hebben we potentiële verbeterkansen geïdentificeerd en benoemd. Zo hebben we geconcludeerd dat het verlagen van de bounce-rate (en de daarmee gepaard gaande verhoging van de bezoekduur en het aantal bekeken pagina´s) de eerste stap moet zijn in het optimaliseren van gratisadviseurs.nl. Deze metric zegt (kwantitatief) immers iets over de relevantie van de site en of de bezoeker getriggerd wordt het antwoord op de vraag waar hij/zij mee zit te vinden op de website (bekijken van gerelateerde vragen etc.). Als dit niet het geval is dan zou de bezoeker moeten converteren in een vraagsteller.

We gaan derhalve twee experimenten opzetten, één waarbij we trachten de bounce-rate te verlagen en één waarbij we de conversie van bezoeker naar vraagsteller proberen te verhogen. Focus in dit artikel ligt op het eerste experiment, het verlagen van de bounce-rate. Het experiment om de conversie naar vraagsteller te verhogen zullen we in een volgend artikel behandelen.

Het opzetten van een experiment
Het verzamelen van data is geen doel op zich, doeltreffende webanalyse gaat om het vertalen van de grote hoeveelheid data in (actionable) inzichten en optimalisatiekansen. Deze potentiële verbeteringen kunnen middels een online experiment getest worden om te onderzoeken of ze daadwerkelijk voor een verbetering zorgen en beter, effectiever, efficiënter etc. zijn dan de oorspronkelijke (controle)variant. Bekijk hier een uitgebreide presentatie over ´Conversie maximaliseren met online experimenten´. Google biedt een gratis tool voor A/B en Multivariate testen die eenvoudig en snel in te zetten is. Lees hier ‘In 10 minuten aan de gang met Google Website Optimizer’.

Het opzetten van een online experiment bestaat uit de volgende stappen:

Stap 1: Data analyse & optimalisatiekansen identificeren
Stap 2: Hypothese(n) definiëren
Stap 3: Experiment ontwerp
Stap 4: Experiment implementatie
Stap 5: Experiment evaluatie

We gaan voor het gedefinieerde experiment van gratisadviseurs.nl nu stap 1 t/m 4 beschrijven. Het experiment gaat vervolgens lopen en in een volgend artikel gaan we de uitkomsten evalueren.

Experiment 1: Doel = Bounce rate verlagen

Optimalisatiekans
De bounce-rate van de website is op dit moment 68%. Wat dit cijfer, in combinatie met o.a. de korte bezoekduur zegt is dat de bezoeker waarschijnlijk veelal geen antwoord krijgt op de vraag waar hij/zij mee zit. De hoge bounce rate, de korte tijd op de website (nog geen anderhalve minuut), het kleine aantal bekeken pagina´s (2) en de conversie van bezoeker naar vraagsteller van slechts 1% geeft verder aan dat het niet vinden van een antwoord ook niet uitnodigt om verder te kijken op gratisadviseurs.nl. Idealiter zou niemand mogen ´bouncen´ op de website. Indien iemand immers tevreden is met het antwoord op de vraag zou deze dit antwoord moeten waarderen. Indien het antwoord niet naar tevredenheid is of de vraag niet overeenkomt zou men door moeten klikken op de gerelateerde vragen of zelf een vraag moeten stellen.

Hypothese
Door de indeling van de vraag/antwoord pagina om te draaien waardoor de vraag, het antwoord en de gerelateerde vragen bovenaan komen te staan wordt de zichtbaarheid van de belangrijkste informatie vergroot waardoor de bezoeker beter getriggerd wordt om door te klikken. De informatie over de beheerder, e-mail, rss-feeds etc. zal hierdoor naar beneden verhuizen. Dit alles moet een daling van de bounce-rate tot gevolg hebben.

Experiment ontwerp
Het grafisch ontwerp van de (huidige)controlevariant en de nieuwe variant van de vraag/antwoordpagina ziet er als volgt uit.

Klik op het plaatje voor een vergroting

Experiment implementeren
Het experiment zal uitgevoerd worden met Google Website Optimizer. Hierin zal naast de controle variant de nieuwe variant worden toegevoegd en het experiment zal vervolgens op alle vraag/antwoord pagina tegelijk worden uitgevoerd. De Google Website Optimizer gaat ervoor zorgen dat de controlevariant en de nieuwe variant willekeurig aan de bezoeker worden getoond. Google Website Optimizer kan het experiment echter niet beoordelen op een verandering van de bounce-rate. De tool biedt de mogelijkheid een experiment te beoordelen op 1 conversiedoel (doorklik, aankoop, inschrijving etc.). De betreffende vraag/antwoord pagina geeft de bezoeker echter diverse doorklikmogelijkheden (stel een vraag, gerelateerde vragen, waardeer een antwoord, meer vragen in dezelfde categorie etc.) die allemaal bijdragen aan het doel van het experiment, het verlagen bounce-rate.

Hoe kunnen we een experiment beoordelen op een wijziging in bounce-rate?
Om toch een uitspraak te kunnen doen over een eventuele verandering van de bounce-rate hebben we 2 mogelijke oplossingen die er beide vanuit gaan dat het succes van het experiment via Google Analytics wordt bekeken en niet via de Google Website Optimizer. Het eerste idee is om op de nieuwe paginavariant in de Google Analytics tag een track_pageview op te nemen die we variant A noemen. Later kunnen we dan in Google Analytics het segment ´Variant A´ isoleren, de bounce-rate bekijken en deze vergelijken met de controlevariant.

<script type=”text/javascript”>

var gaJsHost = ((“https:” == document.location.protocol) ? “https://ssl.” : “http://www.”);

document.write(unescape(“%3Cscript src='” + gaJsHost + “google-analytics.com/ga.js’ type=’text/javascript’%3E%3C/script%3E”));

</script><script type=”text/javascript”>var pageTracker = _gat._getTracker(“UA-XXXXXX-X”);pageTracker._trackPageview(´/variant_A.html´);

</script>

Een tweede mogelijkheid is om met de ´setvar´ functie in Google Analytics bezoekers in categorieën in te delen en deze te vergelijken; categorie 1 = controlevariant gezien en categorie 2 = variant A gezien. Let wel op dat er dan nog een extra code aan de pagina moet worden toegevoegd zodat er wel een bounce gemeten wordt. Lees hier het artikel van André Scholten hierover: ´Een lage bouncerate door het gebruik van de setvar´
 

pageTracker._setVar(‘Variant_A’);

Discussieer mee:
Wat vinden jullie van bovenstaande testopzet? Zijn er andere mogelijkheden om het experiment uit te voeren en te beoordelen op een verandering in bounce-rate? Wat zijn de voor- en nadelen?