Kampanjvarorna sålde inte som förväntat men med nytt utförande och bättre synlighet ökade försäljningen med 10 %.
När webbanalys inte räcker till…
Webbanalysdatan i Google Analytics indikerade på en konverteringsgrad som kunde förbättras för specifikt kampanjvaror. Och det är just det som är problemet – Analytics kan visa på var potential finns, men inte varför eller hur något ska förändras.
Se hur testhypoteser togs fram, kvalitetssäkrades och hur 10 % ökad försäljning kunde fastställas.
Om ICA Online
ICA är Sveriges ledande dagligvaruaktör med över 1300 matbutiker i landet. Många av ICA-butikerna erbjuder dessutom e-handel, d.v.s. möjligheten att köpa mat på nätet, levererad hem till dig.
Klassisk start – Vad säger datan?
I Google Analytics kunde vi se att kampanjvarorna inte sålde som estimerat, eller snarare; konverteringsgraden var inte avvikande låg men hade potential att bli högre. Frågan blir då ”Jaha, hur ska vi öka konverteringsgraden?”
Utmaningen i ett konverteringsarbete (det roligaste alltså) är att komma fram till de väl underbyggda hypoteserna, de som är baserade på data, erfarenhet och förståelse. Tillsammans med ICA jobbade vi med både kvalitativ och kvantitativ data, då ingen av datakällorna i sin ensamhet svarar på både vad som händer och varför det händer.
Så funkar ICAs tjänst:
- Besökaren landar på vald butiks översikt med tillhörande menyer
- Kampanjvaror är listade tillsammans med ”vanliga” varor
- Vald vara läggs till varukorg
- Varukorg betalas för i en checkout
2. Nästa steg – Varför säger datan så?
För att sätta fingret på rätt sak, d.v.s. förstå användare och skapa bra hypoteser, behöver du göra användningstester, vilket betyder att du kompletterar din kvantitativa data (t.ex. Google Analytics) med kvalitativ data (t.ex. eyetracking).
Vi gjorde kvalitativ datainsamling med ”retrospective think aloud”-metod, d.v.s. där testpersoner (tillfrågade potentiella användare som inte tidigare genomfört användningstester och inte handlat online hos ICA innan) får ett scenario som ska utföras. Ett scenario kan t.ex. vara:
Du har hört från en kompis att det funkar smidigt att beställa mat online och i helgen har du middagsbjudning och vill testa ICAs näthandel. Du behöver alltså handla till middagen.
Ögonrörelser spelades in med eyetracking och alla testsessioner kunde i efterhand analyseras för att på så vis identifiera befintliga UX-problem. Vi ville se vad som drog användares uppmärksamhet och höra hur de resonerar kring det som fokuserats på (med eyetracking för att beakta efterrationalisering etc). Användningstesterna gav bra insikt i tjänstens användbarhet och vi fick svar på varför datan ser ut som den gjorde.
Observera att den kvalitativa datan inte går att extrapolera som statistik för användarbeteende. Kvalitativ data ger ökad förståelse och är ett komplement till kvantitativ data.
Fotnot: Det var inte vår superhjälte som testades, utan personer från ICAs målgrupp, som innan ej gjort användningstester (och inte är befintliga ICA-kunder).
Insikter från användningstester
- Användare kunde efter sessionen inte minnas att de noterat kampanjpriser eller bättre priser på utvalda produkter.
- Användare som letade kampanjpriser kunde i flera fall inte urskilja eller enkelt hitta dom.
OBS: Övriga findings presenteras inte här.
3. Förbättringshypotes baserad på data
Inte bara våra användningstester visade på otydlig presentation av kampanjvaror, den insikten kunde också styrkas från ICAs kundsupport som fått samma feedback från användare.
Hypotesen skapades och prioriterades med teorin att kampanjvaror med tydligare visuell framtoning blir (to no surprise) synligare för fler besökare och med implicita koder av ”ett klipp” blir användare mer motiverande. Förändringen förväntades leda till att fler besökare lägger varor i varukorgen och i högre utsträckning slutför sina köp.
Formulerad hypotesformel
Även kallad en bullshit detector – Hypotesformeln används när en förändring eller ett experiment ska göras på sajten. Du borde också använda den.
SKAPA DIN EGEN HYPOTESFORMEL HÄR
Hur vet vi att höjd visibilitet är rätt sätt?
Vad du vill förtydliga och förenkla, varför och hur, beror på var på sajten du tittar, var i kundresan och i vilket mentalt läge användaren befinner sig i.
Konverteringsmodellen:
Vi har tagit fram en modell för konverteringsoptimering som visar när i en kundresa du ska tillämpa vilkawebbpsykologiprinciper.
I ICAs näthandel kommer användaren utvärdera utbudet och fatta ett beslut.
Fokus ligger därför på att minska friktionen, genom att jobba mycket med implicita koder, värde, förenkling och försäkran.
4. Ny design togs fram
Hypotesen var att vi kunde öka försäljningen av kampanjvaror genom att förtydliga, lyfta fram och visuellt vägleda användaren. Samtidigt som vi ville använda oss av ICAs befintliga färger.
Innan första strecket drogs:
- Hur gör konkurrenterna?
- Vilka kontrastfärger och temafärger har ICA?
- Vilken symbol drar mest uppmärksamhet kontra förknippas med rea?
Steg för steg:
Det befintliga kampanjvarupriset var skrivet i rött vilket behöll, fokus låg istället på olika varianter av visuell hierarki: inramningar, storlekar, färger etc.
Splash-symbolen valdes slutligen, då den implicit signalerar rea. Den implementerades i olika utföranden över olika enheter.
Ett varningens finger:
Designfasen kräver en UX’are med ena foten i hypotesformeln. Vad betyder det? Jo, flera olika testkandidater kommer att skapas, det är därför viktigt att alltid behålla konverteringsfokus och inte glömma vilken förändring det är du vill uppnå. Du kan givetvis ha flera olika testhypoteser i samma experiment (beror på trafikmängd bland annat) – i detta projekt valde vi att testa en variation.
Vad mättes vid experimentet?
Den primära KPIn vi mätte mot var ”antal transaktioner”, d.v.s direkt försäljning. Du vill nästan alltid ha slutkonvertering som ditt primära mål, då det är vad som spelar roll för din verksamhet. Adderat till det vill du dessutom se på resultaten långsiktigt, d.v.s. ”Hur påverkas min långsiktiga tillväxt av denna förändring?”
Utöver transaktioner kollade vi på de sekundära KPIerna ”Add to Cart”, ”Begin checkout” och ”Revenue per User”.
A/B-testet genomfördes med testverktyget Optimizely integrerat med analysverktyget Google Analytics, för säkring av datakvalitet. Splash-symbolen kan till synes se simpel ut att addera till ett experiment, men p.g.a många olika vyer blev front-end-kodningen komplex.
5. Resultat bevisat med A/B-testning
Efter att ha A/B-testat den nya versionen i 4 veckor var resultatet:
- +7 % fler besökare la minst en vara i varukorg
- +6 % fler besökare påbörjade checkout
- Transaktioner ökade med +10 %
- Förtjänst per användare ökade +16 %
Resultaten har över 99% statistisk signifikans.
Efter analys av testresultaten kom vi också till insikten att nya besökare i större grad påverkades av Splash-symbolen, vilket inte är helt orimligt utan snarare väntat (av samma anledning som vi inte gjorde användningstester med befintliga kunder).
