Conversie verhogen? Voorkom deze 5 grote valkuilen

Ervan uitgaan dat wat voor een bol.com of Coolblue werkt ook voor jou werkt

Het is prima om de website van die grote concurrent of bekende speler als voorbeeld te gebruiken voor verbeteringen. De grote valkuil hieraan is blindelings te vertrouwen dat wat voor hen werkt, ook voor jouw website of webshop werkt. Er zitten namelijk grote verschillen in bijvoorbeeld je doelgroep, producten, positionering en bekendheid. Hoewel hun website ongetwijfeld goed getest is, heb je geen garantie dat het voor jou ook gaat werken.

Voor een kleinere en nog onbekendere webshop, is het winnen van vertrouwen bijvoorbeeld extra belangrijk. Door op een productpagina nadruk te leggen op garanties, bedrijfsreviews of goede klantenservice, speel je in op dit vertrouwen. Grote jongens als Bol of Coolblue hoeven dat niet echt meer te doen. Als je hun productpagina precies namaakt, kan je de plank dus goed misslaan.

Wil je toch optimalisaties doorvoeren gebaseerd op wat andere grote jongens of concurrenten doen? Dat is natuurlijk niet verkeerd. Maar de meest gemaakte fout is om vervolgens niet te valideren of dit daadwerkelijk ook voor jou werkt. Dit valideer je het beste via een A/B test. Heb je te weinig traffic voor deze test? Kijk dan of je bepaalde events kan gebruiken of inrichten die inzicht geven in mogelijke gedragsverandering. Denk bijvoorbeeld aan het aanpassen van een call-to-action. Zo zie je of er daadwerkelijk meer op wordt geklikt. Je resultaten zijn ook meetbaar omdat je de periode voor en na de aanpassing kan vergelijken. Onthoud hierbij wel dat je resultaten niet 100% zuiver zijn omdat externe invloeden wellicht ook effect hebben op deze periodes.

Starten zonder een idee te hebben van waar jouw kansen voor conversie verhoging liggen

Starten met conversie optimalisatie zonder daadwerkelijk te weten waar in de funnel de grootste problemen zitten, is eigenlijk hetzelfde als schieten met hagel. Richt je aandacht daarom eerst op de stappen waar de grootste uitval is. Zo heb je veel sneller en een grotere impact op je conversie. Breng daarom eerst je funnel in kaart. Wat zijn de stappen die de gebruiker momenteel moet doorlopen om tot de conversie te komen? Denk hierbij bijvoorbeeld aan een conversie als een aankoop.

Voor een webshop bestaat de funnel vaak uit dezelfde stappen. Die kun je hieronder zien.

In Google Analytics (UA) vind je deze funnel in het onderdeel Ecommerce > Shopping Behavior. Om deze funnel te kunnen zien moet Enhanced Ecommerce wel correct zijn ingericht. In GA4 moet je hier zelf een rapportage van maken. Hiervoor kun je het template ‘Funnel exploration’ gebruiken.

De rode percentages onderaan de afbeelding zeggen iets over de uitval tussen elke stap. Als we naar deze funnel kijken, is duidelijk te zien dat het grootste probleem in de laatste stap zit. Tijdens de check-out haakt ongeveer 58% af. Het loont dus om te onderzoeken welke problemen er in deze stap zitten. Als je de uitval in de check-out omlaag brengt, heb je het snelst en de grootste impact op je conversie.

Beslissingen nemen op basis van A/B testen die niet te vertrouwen zijn

Zoals eerder gezegd, kan je met een A/B test goed valideren of de hypothese die jij hebt gesteld over een verbetering ook daadwerkelijk een verbetering is. Er gelden hier wel een paar belangrijke randvoorwaarden voor die onderschat worden, terwijl je hiermee juist betrouwbare inzichten uit A/B tests kunt halen.

Om een A/B test goed uit te voeren, heb je behoorlijk wat volume nodig op je website. Alleen met dit volume, behaal je significante resultaten op het gebied van sessies en conversies. Hoeveel volume je precies nodig hebt, is van vele factoren afhankelijk. Voor een webshop hebben we wel de grove vuistregel dat je minimaal 1000 transacties per maand nodig hebt.

Als je maar een paar honderd transacties per maand hebt, is de kans groot dat je niet echt zinnige conclusies kunt trekken over het effect op je transacties. Zie je bijvoorbeeld na een looptijd van 4 weken ziet dat je variant 5% beter presteert terwijl de betrouwbaarheid daarvan 60% is? Dan kun je bijna net zo goed een muntje opgooien. Er is namelijk ook een risico van 40% dat de variant helemaal niet beter presteert. Toch worden beslissingen over het doorvoeren van veranderingen vaak op dit soort resultaten gebaseerd. Met als gevolg dat het onderaan de streep juist omzet kost omdat deze “gevierde’” winnaars in werkelijkheid negatieve impact hebben.

A/B testen zonder testhypotheses onderbouwd met data

Een andere valkuil die aansluit bij A/B testen, is dat er testen gedraaid worden op basis van hypotheses die niet uit datagedreven inzichten komen. Denk bijvoorbeeld aan problemen op je website of webshop die je haalt uit analyse van het gedrag van gebruikers.

Als voorbeeld nemen we een fashion webshop met heel veel producten. Je analyseert het gedrag op de product listing page en je ziet gebruikers veel heen en weer scrollen. Vervolgens maken ze geen keuze maken en haken ze af. Je hebt een vermoeden dat het komt doordat de filterknop nu niet duidelijk genoeg naar voren komt. Gebruikers kunnen hierdoor niet snel en gemakkelijk passende producten vinden. Je analyseert dit verder en ziet inderdaad dat het gebruik van de filterknop zeer laag is ten opzichte van alle gebruikers op deze pagina.

Deze inzichten leiden vervolgens tot een mooie testhypothese waarmee je experimenteert om de filterknop prominenter naar voren te laten komen. Bijvoorbeeld door deze sticky te maken op mobile. Of dit daadwerkelijk de oplossing is voor een significant hogere conversie, weet je niet van tevoren. Maar de slagingskans is wel veel groter dan wanneer je zomaar A/B test inzet. Helemaal als deze laatste alleen gebaseerd is op een gevoel of best practice en niet onderbouwt is met inzichten uit data. Toch gebeurt dat heel veel. Het resultaat? De succes rate (het aandeel significante winnaars) van het A/B testprogramma ligt zeer laag. Met als gevolg dat het draagvlak voor het A/B testen binnen de organisatie ook steeds kleiner wordt.

Niet goed inzicht hebben in wie de klant is

Wie is jouw klant eigenlijk? Dat niet goed weten, is een valkuil die toepasbaar is op een veel breder gebied dan alleen CRO. Maar verrassend genoeg zien we dat er vaak geen of alleen een zeer beperkt beeld is van wie de klant nou eigenlijk is. Heb je al eens nagedacht over de belangrijkste kenmerken van jouw klant? Wat zijn de belangrijkste motivaties waarom deze jouw product of dienst wil afnemen? Wat zijn de grootste drempels om dit niet te doen? Met het antwoord op deze vragen voer jij verbeteringen door in je website met een conversiestijging als gevolg. Benut deze informatie bijvoorbeeld bij het wegnemen van bepaalde drempels op jouw website.

Je kunt dit vrij eenvoudig achterhalen door in gesprek te gaan met een aantal klanten. Als vervolgstap werk je inzichten uit deze gesprekken uit in een persona. Daarmee kun je je beter in de klant verplaatsen bij alles wat je doet. Vaak is dit kwalitatieve onderdeel ondergesneeuwd binnen een CRO-traject. Er wordt vooral geleund op kwantitatieve methodes omdat die snel en laagdrempelig in te zetten zijn, zoals Google Analytics en Hotjar. Terwijl die laatstgenoemden nooit inzicht geven in het ‘waarom’. Juist de combinatie van kwantitatieve én kwalitatieve onderzoekstechnieken brengt jouw CRO-traject tot een succes.