En ook maar meteen “de onzin van conversie funnels”…
De meeste bij mij bekende website statistieken pakketten rapporteren op dezelfde manier over de zo belangrijke cijfers “uitval in de sales funnel” en “conversie percentage”. Er wordt gekeken naar de totale (hopelijk unieke..) populatie van de hele of een deel van de website en dit wordt vergeleken met het aantal unieke verkopen (of volgende stappen in de funnel). Een overlevering uit het feit dat we ooit zijn gestart met het tellen hoe vaak bepaalde pagina’s online werden bezocht in plaats van rapporteren over wat bezoekers nu eigenlijk kwamen doen.
Deze manier van rapportage leidt niet tot de juiste inzichten en daardoor acties. Funnels en conversiepercentages an sich zijn zeer welkom, maar alleen wanneer ze informatie bevatten over relevant bezoekersgedrag. In dit artikel een uitleg hoe je dat kunt bereiken.
Hierboven zie je de sales funnel van een willekeurig product op een willekeurige website. Duidelijk wordt dat de grootste te behalen winst zit in de eerste stap. Er is daar immers een uitval van maar liefst 98,49%. Dit is de overgang van het aantal bezoekers dat een productpagina in een bepaalde categorie heeft bezocht naar het begin van de koopformulieren. De vraag die je hierbij moet stellen is natuurlijk: hoeveel bezoekers uit de eerste groep hadden tijdens hun bezoek de intentie om te gaan kopen? Door te segmenteren op de totale populatie in deze salesfunnel kun je een overzicht krijgen van uitval van de mensen die bij hun bezoek inderdaad het doel hadden wat door deze funnel wordt weergegeven. Bij de volgende stap(pen) kun je ook nog afvragen hoeveel mensen uit de betreffende populatie niet per ongeluk of met een andere reden in deze funnel zitten (bijvoorbeeld opzoeken of er geen bijkomende kosten zijn).
Je kunt je alleen maar gericht uitspreken over de kwaliteit van een funnel wanneer het einddoel gelijk staat aan een te verwachten bezoekerstaak en de populatie in de funnel gefilterd is op bezoekers die deze taak hadden op de webpagina.
De conversie percentage grafiek hiernaast benadrukt dat nog eens. In de eerste paar weken in deze grafiek liep er een grote online marketing actie. Veel nieuw traffic kwam op de website terecht. Dit verhoogde de verkopen, maar drukte het conversie percentage naar beneden. Paniek: de nieuwe bezoekers snappen onze website niet. Nee natuurlijk niet! Deze bezoekers zitten veel meer in een oriënterende fase en kwamen niet met een koopdoel op de webpagina!
Je had voor deze groep bezoekers willen instellen wanneer een oriëntatie geslaagd is (het einde van een funnel) en hoe je bezoekers kunt herkennen die als bezoekintentie oriëntatie hadden (het begin van de funnel). Daarmee kun je een overzicht geven van succes percentage per bezoekintentie en zie je direct waar je de dialoog met de bezoeker op de webpagina moet verbeteren.
Hoe maak je zinnige conversie funnels?
- Denk na over de mogelijke bezoekredenen: denk aan
- Toevallige passanten (hadden vooraf geen bezoekintentie)
- Oriënteerders (op zoek naar inspiratie, maar was dat vooraf niet specifiek bij jou van plan)
- Vergelijkers (zoekt iets specifieks en zoek daar aanbieders bij)
- De loyale bezoekers (op zoek naar inspiratie, maar zoekt dat specifiek bij jou)
- De koper (op zoek naar iets specifieks en gaat dat bij jou kopen)
- De bestaande klant (die contact of dienst/productinformatie zoekt)
Bovenstaande is een algemene indeling die we bij Online Dialogue vaak gebruiken en die je prima kunt gebruiken als uitgangspunt. Vanuit webanalyse, enquêtes en interviews kun je alle daadwerkelijk bezoekredenen verder finetunen. Daarnaast is er natuurlijk diversificatie mogelijk door te werken met verschillende product of dienstgroepen die worden aangeboden. Je eindigt met bezoekerstypen met een bepaalde bezoekreden (hoofdtaak)
- De uitdaging voor de webanalist: bepaal op basis van welk meetbaar webgedrag je een bezoekerstype zou kunnen herkennen. Welk gedrag behoort significant toe tot een bepaalde groep? Interessant is om de eerder gehouden enquête te koppelen met je webanalyse data, waardoor je kunt herleiden welk aangegeven bezoekdoel welk webgedrag heeft. Dit zou genoeg inspiratie moeten geven. Kwaliteit van groepen kun je toetsen door de verschillende bezoekerstypen die je hebt gemaakt op basis van webgedrag nog apart een enquête over bezoekredenen te laten invullen of te AB testen met een boodschap specifiek voor deze doelgroep (en het effect afzetten tegen de overige populatie).
Als je weet welk gedrag exclusief hoort bij welke bezoekerstype kun je in je webanalyse pakket segmenten gaan aanmaken voor deze bezoekerstypen, waardoor je geïsoleerd over hun gedrag op de totale website kunt rapporteren.
- Wanneer is het bezoek van een bezoekerstype geslaagd? Bepaald het conversie punt per bezoekerstype. Voor een vergelijker kan dit heel simpel het bezoeken van 1 productpagina zijn. Voor een oriënteerder het bezoeken van bepaalde informatiepagina’s gedurende een bepaalde tijd. Je hebt de bezoekerstypen al kunnen isoleren, dus je kunt al heel goed analyseren wat ze doen. Waar stopt hun bezoek? Koppel eventueel weer de (entry-exit) enquête met de simpele vraag: was uw bezoek geslaagd? De rapportage van het betreffende bezoekerssgement qua totaal aantal unieke bezoekers ten opzichte van het aantal unieke bezoekers dat het, voor deze groep benoemde, conversiepunt bereikte is je conversiepercentage voor dit bezoekerstype.
Zodra je het hoofddoel kunt meten kun je nadenken over tussenstappen (microconversies) die altijd worden gemaakt richting het hoofddoel. Dit is je funnel
Wanneer je je funnels volgens deze methode inricht krijg je overzichten van bezoekintentie en het percentage van geslaagdheid hierin. De microstappen geven je aan waar je direct de dialoog kunt verbeteren. Op deze manier geven de cijfers je veel meer sturing dan de overzichten die aan het begin van dit artikel al screenshot worden getoond. Benchmarking wordt zelf minder nodig omdat logisch nadenken en verglijken met een offline winkelsituatie al snel genoeg aangeeft of een bepaalde uitval logisch is of niet!
Reacties (4)