Wenn bei VWO ein A\/B-Test erstellt wird, werden standardm\u00e4\u00dfig alle Besucher in das Experiment einbezogen, und das Ziel des Experiments besteht darin, die \u00c4nderungen der Conversion Rate auf Bev\u00f6lkerungsebene zu bewerten. Die gesch\u00e4tzte gesamte Conversion Rate kann als die Performance eines durchschnittlichen Users betrachtet werden. Verschiedene Untergruppen in der Population k\u00f6nnen sich jedoch unterschiedlich auf Ihr Produkt\/Erlebnis einstellen und unterschiedliche Conversion Rates aufweisen. <\/p>\n\n\n\n
Es kann eine Untergruppe von Besuchern mit einigen gemeinsamen Merkmalen geben, deren Conversion Rate sich stark von der Conversion Rate unterscheidet, wenn alle Besucher f\u00fcr die Analyse ber\u00fccksichtigt werden. Nehmen wir an, Ihre Website ist auf die Bed\u00fcrfnisse einer englischsprachigen Zielgruppe ausgerichtet und die allgemeine Conversion Rate f\u00fcr K\u00e4ufe liegt bei etwa 2%. Bei der weiteren Analyse Ihrer Besucher stellen Sie fest, dass der Traffic auf Ihrer Website auch einen guten Prozentsatz spanischsprachiger Besucher umfasst. Wenn Sie nur die spanischen User auswerten, stellen Sie einen starken R\u00fcckgang der Conversion Rate von durchschnittlich auf 0,5% fest. Auf der Grundlage dieser Analyse k\u00f6nnen Sie eine Personalisierungsstrategie entwickeln, um eine spanische Version Ihrer Website zu erstellen, um die Erfahrung spanischer User zu verbessern, was schlie\u00dflich zu einer allgemeinen Verbesserung der Conversion Rate f\u00fchren kann. <\/p>\n\n\n\n
Durch die Segmentierung der Besucher nach verschiedenen Dimensionen k\u00f6nnen Sie herausfinden, ob es eine Gruppe gibt, die auf Ihr Experiment anders reagiert als der Durchschnitt der Bev\u00f6lkerung. Und wenn Sie diese Segmente identifizieren, k\u00f6nnen Sie diese Besucher gezielt ansprechen, um die Conversion Rate auf Ihrer Website insgesamt zu steigern.\u00a0<\/p>\n\n\n\n
Warum ist es wichtig, Besuchersegmente zu analysieren?<\/h2>\n\n\n\n
Wenn Unternehmen wachsen und ein bestimmtes Niveau erreichen, wird die Segmentierungsanalyse wichtig, um die Metriken in eine positive Richtung zu bewegen, die andernfalls ges\u00e4ttigt bleiben, wenn die Entscheidungen nur auf der Grundlage von Metriken auf Gesamtebene getroffen werden. <\/p>\n\n\n\n
Ein A\/B- oder MVT-Test liefert Ergebnisse f\u00fcr alle Besucher, die an dem Test teilnehmen. Dies ist n\u00fctzlich, um allgemeine Trends zu erkennen, sagt aber nichts \u00fcber spezifische Tendenzen bei bestimmten Gruppen aus. Nehmen wir zum Beispiel an, dass Besucher aus den USA haupts\u00e4chlich die Conversion Rate beeinflussen. So bleiben solche Muster verborgen, wenn Sie die Daten auf einer aggregierten Ebene betrachten, und k\u00f6nnen nur aufgedeckt werden, wenn Sie die Daten in Gruppen aufschl\u00fcsseln.<\/p>\n\n\n\n
Au\u00dferdem kann es bei der Erstellung eines A\/B-Tests zu Fehlern kommen, wenn eine bestimmte Variante bei Besuchern eines bestimmten Segments nicht funktioniert. Die Segmentierung nach dem Test kann Ihnen helfen herauszufinden, ob eine der Varianten noch fehlerhaft ist. Sie bietet also einen Mechanismus zur Qualit\u00e4tskontrolle Ihres Experiments.<\/p>\n\n\n\n
Dimensionen der Besuchersegmentierung<\/h2>\n\n\n\n
Nachdem der Test gelaufen ist und gen\u00fcgend Daten gesammelt wurden, k\u00f6nnen weitere Analysen zu verschiedenen Besucherdimensionen durchgef\u00fchrt werden, um weitere Insights zu gewinnen und die Personalisierung in der Zukunft voranzutreiben. Diese Segmentierung kann anhand einzelner Dimensionen oder in Kombination mit mehreren Dimensionen durchgef\u00fchrt werden. Die vier gro\u00dfen Dimensionen zur Segmentierung von Besuchern sind:-<\/p>\n\n\n\n
Deterministische vs. entdeckende Segmentierung auf Basis von Post-Test-Daten<\/h2>\n\n\n\n
Nachdem Sie sich entschieden haben, auf welcher Dimension Sie ein Segment erstellen m\u00f6chten, stellt sich die n\u00e4chste Frage: Wie soll die Segmentierung erfolgen? Es gibt zwei alternative Ans\u00e4tze f\u00fcr die Segmentierung:<\/p>\n\n\n\n
Deterministisch<\/strong><\/strong><\/td>
Entdeckung<\/strong><\/strong><\/td><\/tr>
Auf der Grundlage einer Hypothese und des Nutzens f\u00fcr das Gesch\u00e4ft werden Segmente analysiert, um festzustellen, ob sie ein interessantes Verhalten zeigen.<\/td>
Die Segmente werden mithilfe von Data Mining und statistischen Algorithmen entdeckt, um nach Unterschieden im User-Verhalten zu suchen.<\/td><\/tr>
Da der Nutzen eines Segments bereits von Anfang an in der Hypothese enthalten ist, ist in der Regel keine weitere umfangreiche Analyse erforderlich.<\/td>
Weitere Analysen werden durchgef\u00fchrt, um herauszufinden, ob die Segmente sinnvoll sind. Nur weil etwas statistisch signifikant ist, hei\u00dft das noch lange nicht, dass es auch strategisch bedeutsam ist.<\/td><\/tr>
Die Identifizierung interessanter Segmente, die aussagekr\u00e4ftig, interessant und n\u00fctzlich sind, ist hier schwierig, insbesondere wenn es sich um gro\u00dfe und komplexe Datens\u00e4tze handelt.<\/td>
Denn die Entdeckung von Segmenten wird vom Algorithmus \u00fcbernommen. Diese Analyse kann dazu f\u00fchren, dass Muster identifiziert werden, die vorher vielleicht nicht bekannt waren.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
Da beide Segmentierungsans\u00e4tze mit Beobachtungsdaten durchgef\u00fchrt werden, k\u00f6nnen mehrere Segmente aufgrund eines statistischen Fehlers als signifikant eingestuft werden. Wenn mehr Segmente aus den Beobachtungsdaten analysiert werden, steigt die Wahrscheinlichkeit, Segmente zu finden, die eine statistische Signifikanz erreicht haben, was die Wahrscheinlichkeit von mehr falsch-positiven Ergebnissen erh\u00f6ht. Daher ist es wichtig, Folgetests durchzuf\u00fchren, um die Segmentierungsergebnisse zu validieren.<\/p>\n\n\n\n
Welche Segmente k\u00f6nnen als interessant eingestuft werden?<\/h2>\n\n\n\n
Jede personalisierte Entscheidung, die Sie f\u00fcr ein Segment treffen, hat nur dann eine sichtbare Auswirkung auf die Gesamtgesch\u00e4ftskennzahlen, wenn eine gute Grundgesamtheit zu diesem Segment geh\u00f6rt. Betrachten Sie zwei Segmente X und Y mit den folgenden Eigenschaften:<\/p>\n\n\n\n
\n
Die Population der Besucher, die zu X geh\u00f6ren: 20%<\/li>\n\n\n\n
Der Anteil der Besucher, die zu Y geh\u00f6ren: 1%<\/li>\n<\/ul>\n\n\n\n
Anstrengungen zur Verbesserung des Erlebnisses von Besuchern, die zum Segment X geh\u00f6ren, werden sich st\u00e4rker auswirken als die des Segments Y. Daher sollten nur die Segmente ausgew\u00e4hlt und weiter analysiert werden, deren Anteil an Besuchern \u00fcber einem bestimmten Schwellenwert liegt. <\/p>\n\n\n\n
Nach der Bestimmung von Segmenten, die die Mindestkriterien f\u00fcr die Unterst\u00fctzung erf\u00fcllen, k\u00f6nnen diese weiter ausgew\u00e4hlt und nach der folgenden Taxonomie kategorisiert werden – <\/p>\n\n\n\n
\n
High-Performance-Segmente <\/strong>– Diese weisen eine hohe Conversion Rate gegen\u00fcber der durchschnittlichen Conversion Rate der Kampagne auf.\u00a0\u00a0\u00a0<\/li>\n\n\n\n
Worst-Performance-Segmente <\/strong>– Diese weisen eine niedrigere Conversion Rate als die durchschnittliche Conversion Rate der Kampagne auf.<\/li>\n\n\n\n
Segmente mit einem anderen Gewinner als dem Gewinner der Kampagne <\/strong>– Wenn in einem A\/B-Test nach einem Test Variante B zum Gewinner erkl\u00e4rt wird, aber f\u00fcr ein bestimmtes Segment Variante A der Gewinner ist, wird dieses Segment als interessant betrachtet.<\/li>\n<\/ol>\n\n\n\n
Wenn die interessanten Segmente durch die Analyse der Post-Test-Daten nach verschiedenen Dimensionen bestimmt werden, empfiehlt es sich, f\u00fcr bestimmte, gut abschneidende Segmente Folgetests durchzuf\u00fchren, bevor Sie sich entscheiden, aus den Ergebnissen irgendwelche Ma\u00dfnahmen abzuleiten.<\/p>\n\n\n\n
![\"Segmentaiton](\"https:\/\/static.wingify.com\/gcp\/uploads\/sites\/18\/2022\/07\/Segmentaiton_Graph.png\")
<\/figure>\n<\/figure>\n\n\n\n