Afgelopen dinsdag presenteerde ik samen met Bart Schutz op Online Tuesday het dialoog model van Online Dialogue. Hierbij hebben wij laten zien dat bij verkoop en service gesprekken de dialoog vanuit de klant wordt beïnvloedt door 3 externe (concurrentie, media, sociale omgeving) en 4 interne (kennis, houding, persoonlijkheid, context) factoren. Bij het bezoek van mensen aan je website zie je dit terug in maar 1 meetbaar gegeven: het gedrag. Om te zorgen dat je meer rendement haalt uit deze bezoekers is het van belang dat je er in slaagt om terug te vertalen waardoor welk gedrag werd veroorzaakt. Elke samenhang van interne en externe factoren vraagt, samen met het specifieke doel dat de bezoeker heeft, immers om andere communicatie.

Dialoog model

Verschillend gedrag, verschillende communicatie

Ochtend / avond, weekend? Spontaan persoon of methodisch, via mobile of vanaf een kantoor PC, ervaring met je bedrijf etc. Allerlei variaties en combinaties die uitmonden in ander gedrag. De heilige graal van conversie optimalisatie zit in het herkennen van bezoekerssegmenten die door de combinatie van beinvloeders vraagt om een andere communicatie. Dit dan wel zodanig dat er door deze andere communicatie significant meer bezoekers hun doelen voltooien met daarbij positief rendement voor het bedrijf. Maar zoals ik al schreef: alles dat we zien van online communicatie middels bezoekers die lezen en klikken op een website is webanalytics data.

Testing en Targeting op abnamro.nl

Al enige tijd werk ik vanuit Online Dialogue met Evert Stobbe en Gerard Lindeboom, webanalisten bij ABN AMRO, samen op het gebied van bezoekersdialoog optimalisatie middels AB / Multi Variate Testing en Behavioral targeting oplossingen (in dit geval Test en Target van Omniture). Hierbij worden cases van de ABN AMRO website, zoals de reisverzekeringen en de credit card test, gedeeld hier op webanalisten.nl. Deze cases leverden een geweldige respons op van meedenkende lezers. Nu willen we hier graag een match maken. Met de massa aan bezoekers op abnamro.nl en de mogelijkheden die zij reeds hebben in het testen van communicatie en het analyseren van de effecten hiervan op deelsegmenten van het bezoek, kunnen we live testen wat wij hier met zijn allen verzinnen…

Hoe herken ik de beïnvloeders achter het gedrag?

Welke segmentatie op basis van webanalytics data vraagt om welk type communicatie aanpassing? Of eigenlijk: hoe herken ik de gemeenschappelijke achtergrond van een interne beïnvloeder op het gedrag van website bezoekers. Het betreft de volgende 4 interne beïnvloeders:

• Kennis: hoeveel kennis heeft de bezoeker over het onderwerp, het thema dat hoort bij de vraag die de reden was van zijn bezoek. De gradaties lopen hier natuurlijk van weinig, tot normaal, tot veel.
• Houding: wat is de houding van de bezoeker ten opzichte van het bedrijf. Hier lopen de gradaties van negatief, via neutraal tot zeer positief.
• Persoonlijkheid: hier leggen we de nadruk op het psychologisch profiel. Is iemand van nature overwegend spontaan, competatief, methodisch of humaan?
• Context: hoeveel tijd, ruimte en mogelijkheden heeft de bezoeker op het moment van het bezoek. Via mobiel internet? Op kantoor (zonder betaalmiddel), weekend en geen haast? Kijken er mensen mee of surft men alleen?

Segmenten met andere communicatie behoeften vinden

Wat we in een eerste fase willen doen is om op basis van logische webanalytics data een aantal segmenten aan te maken waarvan wij verwachten dat deze een overeenkomende interne beïnvloeder hebben die zorgt voor bepaald webgedrag. Daarna kunnen we bekijken wat voor een communicatie aanpassingen voor deze segmenten invloed zal hebben op de uiteindelijke conversie. Middels het uitvoeren van een AB test zoals eerder gedaan bij ABN AMRO kunnen we onze hypotheses testen en bekijken of het segment een waardevol segment is. Het doel is immers om te zorgen dat we bezoekers van waardevolle segmenten op basis van webanalytics data kunnen herkennen en daarna steeds beter leren begrijpen wat de communicatie behoefte van deze segmenten is.

Om een 1e voorbeeld te geven: Ik zou graag eens segmenteren op basis van de gemiddelde tijdsduur van een pageview van een bezoeker op productinformatiepagina’s. Een grotere tijdsduur verraad mij: of weinig kennis (en een grote behoefte hieraan), of een methodisch ingesteld persoon. Mijn stelling zou zijn dat deze groep in ieder geval meer informatie dan gemiddeld over producten wil ontvangen. Dit kunnen we uittesten door een aantal varianten van webpagina’s te maken met meer productinformatie dan gemiddeld om daarna van dit segment te bekijken wat de effecten op de conversie zijn.

Segmenten verzinnen op basis van webanalytics data

Op basis van welke combinatie van webanalytics data zouden jullie graag het verschil in conversie zien bij een AB test? Bij ABN AMRO kan op basis van de meest gangbare filters een segment worden gemaakt, onder meer:

• Nieuwe bezoeker / terugkerende bezoeker
• Dag / tijdstip
• OS / Browser
• Herkomst van bezoek
• Bezoeker heeft bepaalde pagina’s bekeken
• Tijdsduur van bezoek / gemiddelde duur van (historisch) bezoek aan pagina’s

Wat zijn voor jullie segmenten die een bepaalde interne beïnvloeder naar boven halen? Welk segment zou je willen meenemen in een AB / MV test analyse op abnamro.nl?