Der Tag hat 24 Stunden. Wie oft hast Du Dir schon gewünscht er hätte mehr, um Deine To Dos alle abzuarbeiten? Und wie oft hast Du Dich am Ende gefragt, weshalb Du Dich an so vielen unwichtigen Dingen aufgehalten hast? Effizienz ist eine Frage der Priorisierung – im Onlinemarketing zum Beispiel bei der Planung und Umsetzung von SEA- und Content-Kampagnen, aber eben auch bei der Auswahl von Hypothesen zur Conversion Optimierung.
Erfolgreiche Projekte brauchen als erstes eine Strategie, gefolgt von einer durchdachten Analyse und einer Priorisierung, bevor die Maßnahmen schlussendlich eingeleitet und umgesetzt werden. Der Growth Canvas bildet die Elemente erfolgreicher Conversion Optimierung ab. Die Priorisierung von Testhypothesen nimmt hier einen elementaren Stellenwert ein. Weshalb? Weil Ressourcen ein knappes Gut sind und man keine Zeit für wildes, erfolgloses Drauflostesten hat

Das Problem mit der Ressourcenknappheit

Kreative Optimierer kennen das Problem: Die Optimierungsideen sprudeln aus ihnen heraus, doch zum Testen aller Hypothesen bräuchte man einen endlosen Vorrat an Ressourcen. In der Realität stehen uns die Ressourcen Zeit, Geld und Mensch jedoch häufig sehr limitiert zur Verfügung. Das zwingt Optimierer, sich nur auf die besten Hypothesen zu fokussieren und diese zu testen. Doch wie findet man die besten Hypothesen?

Hypothesen im Backlog sammeln

Damit Ideen nicht in Vergessenheit geraten, sollten sie zunächst schriftlich festgehalten werden. Zum Beispiel in einem Hypothesen-Backlog. Eine Liste mit Ideen bildet die Basis für die anschließende Hypothesen-Priorisierung. Nicht nur bei der Optimierung von Webseiten, sondern auch in anderen Bereichen des Onlinemarketings kann eine Priorisierung von Ideen sinnvoll sein, zum Beispiel bei der Erstellung von Google Adwords Anzeigen (SEA) oder Blogartikeln.

Das Prinzip sinnvoller Hypothesen-Priorisierung

Das grundlegende Prinzip der Priorisierung ist relativ einfach: ein effizienter Test soll eine möglichst hohe Auswirkung (Impact) auf das gewünschte Conversion-Goal haben. Dabei ist es wünschenswert, den Aufwand so gering wie möglich zu halten. Daraus lässt sich die grundlegende Formel ableiten:

AI-Score: Aufwand/Impact-Score (Prio der Hypothese)
Aufwand: Angenommener Aufwand für die Erstellung des Tests
Impact: Angenommener Grad der Auswirkungen auf das gewünschte Conversion-Goal

Einfach ausgedrückt: je höher der Impact und je geringer der Aufwand für die Umsetzung der Test-Hypothese, desto besser ist die Idee und desto höher ist der AI-Score.

Faktoren zur Bewertung von Aufwand und Impact

In der Praxis hat sich zur Bewertung von Aufwand und Impact eine detaillierte Sicht auf die nachfolgenden Faktoren als nützlich erwiesen. Wir nutzen jeweils vier Faktoren sowohl für den Aufwand als auch für den Impact und bewerten diese auf einer Skala von 1 (kaum Aufwand / Impact) bis 5 (sehr hoher Aufwand / Impact). Bei Bedarf können diese Faktoren natürlich um weitere ergänzt werden.

Aufwand

Folgende Faktoren nutzen wir, um den Aufwand einer Hypothese abzuschätzen. Wichtig hierbei ist, dass es in dieser Betrachtung nicht um die Aufwände für eine Live-Implementierung gehen, sondern nur um die Aufwände, die entstehen um den Split-Test durchzuführen.

1. Backend:

Wie hoch ist der Aufwand für systemseitige Entwicklungen? (Kleine Hilfestellung: 1 = keine Veränderungen am Backend nötig; 3 = Ausgabe eines bestehenden Produkt-Details auf der Kategorie-Seite; 5 = neuer Checkout)

2. Frontend:

Wie hoch ist der Aufwand der Umsetzung der Test-Varianten durch Front-End-Manipulation? (Wichtig: eventuelle Backend-Aufwände sind bereits erledigt und liegen vor.)

3. Konzept:

Wie aufwändig wird das Konzept werden, um die Test-Hypothese zu verproben? (Bitte auch beachten: Abstimmungsrunden, nötige Prozesse, Dokumentation des Konzepts usw.)

4. Sonstiges:

Gibt es noch weitere Anforderungen, die für Aufwand sorgen? Typische Beispiele hier sind: erhöhte Aufwände durch Abstimmungen mit der Rechtsabteilung, Abstimmung mit der CI-Polizei / Branding, politische Hürden, …

Impact

Die Bewertung der zu erwartenden Auswirkungen ist in der Regel schwieriger, da wir ja nicht in die Glaskugel schauen können. In den letzten 10 Jahren unserer Arbeit haben sich vier Faktoren herauskristallisiert, die maßgeblich den Impact einer Hypothese beeinflussen und objektiv zu beurteilen sind:

1. Visueller Kontrast:

Wie stark nimmt der Besucher die optische Veränderung wahr?

2. Verhaltenskontrast:

Wie stark wird die Veränderung das Verhalten des Besuchers ändern können?

3. Behavior Patterns:

Wie stark werden konsumpsychologische Trigger (z.B. Verknappung, Social Proof etc.) in der Hypothese genutzt?

4. Traffic:

Wie viele Nutzer kommen in den Test? (Achtung: eventuell ausgeschlossene Audiences / Segmente beachten)

Hypothesen-Priorisierung im Conversion Whiteboard

André Morys erklärt das grundlegende Prinzip der Hypothesen-Priorisierung sehr schön in nur 3 Minuten im Conversion Whiteboard Episode 5:

Priorisierung 2.0 – der Monetary-Score

Wer noch etwas weiter gehen will, als nur den Aufwand und Impact einer Maßnahme zur Priorisierung zu nutzen, der kann zusätzlich den zu erwartenden Business-Impact abschätzen und den „Monetary-Score“ als Priorisierung nutzen.

Der Monetary-Score berechnet sich auf Basis der zu erwartenden mittleren Effekte auf die Wertsteigerung der Maßnahme multipliziert mit dem AI-Score.

Die Faktoren des Monetary-Score

Folgende Faktoren werden für die Ermittlung des Monetary-Score benötigt:

Primäre KPI / Goal: Welche KPI soll der Test beeinflussen? (Hier gilt nur ein Goal bzw. nur eine KPI!)

Anzahl Conversions p.a.: Wie hoch ist die Anzahl der Conversions im Jahr auf dem primären Goal?

Wert pro Conversion: Wie viel ist eine Conversion wert? Hierzu ist es natürlich wichtig jede relevante KPI mit einem echten Wert zu versehen.

Uplift minimal / realistisch / maximal: In welchem Bereich wird sich der Uplift bewegen?

Die Bewertung dieses Faktors stellt viele Optimierer vor eine große Herausforderung. Immerhin können wir ja nicht in die Glaskugel schauen und die Entwicklung eines Tests wirklich vorhersagen. Es ist jedoch so, dass man mit steigender Erfahrung entsprechend bessere Forecasts machen kann.

Bitte bei den Werten nicht Null oder negative Werte eintragen. Wir gehen immer davon aus, dass ein Test einen positiven Impact hat. Je höher der Wert ist, desto stärker die Veränderung in beide Richtungen – also positiv und negativ.

In der Praxis empfiehlt sich die nachträgliche Anpassung der Werte an die echten Uplifts um hier ein besseres Gefühl für die Größenordnungen zu bekommen. Tragt dabei bitte den echten Uplift in die Spalte „realistischer Uplift“ ein und passt die beiden anderen Werte entsprechend an.

Download Hypothesen-Priorisierung Excel-Datei

Wir von konversionsKRAFT haben für Euch eine Excel-Tabelle zur Hypothesen-Priorisierung erstellt, die Ihr Euch kostenlos herunterladen könnt. Hier gibt es schonmal eine kleine Vorschau auf die Excel-Datei:

Laden Sie sich jetzt das eBook "Hypothesen-Priorisierung" hier herunter!

Wir wünschen viel Spaß bei der Priorisierung und freuen uns auf Erfahrungsberichte.

The post Strukturierte Hypothesen-Priorisierung mit Excel appeared first on Conversion Optimierung, Landingpage Optimierung | konversionsKRAFT.

Via – Conversion Optimierung, Landingpage…