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?
Senior conversion consultant
Online Dialogue
Ton Wesseling (1974) is een ervaren online analytics consultant en tevens internet ondernemer. Op dit moment is hij actief als senior conversion consultant bij expert collectief Online Dialogue. Ton heeft ervaring met online trajecten vo...
Lees verder »Nieuwsbrief
Voortdurend op de hoogte van het laatste analytics en optimalisaties nieuws met onze nieuwsbrief!
Gebruik je al SAS Social Media Analytics?
Deze Social Media Analytics software wordt in Nederland onder andere gebruikt door
Lees meer over SAS Social Media AnalyticsAangeboden door AboutAnalyticsNieuwste reacties
- Leendert: Als ik het nu zo kijk heeft independer dit met de lening site wel aangepast. Ik vind dit een interessante materie. Al...
- Jan de Vries: Dank Michel voor je tip!
- Michel Kompanje: Leuke site om in de gaten te houden is http://visual.ly/. Binnenkort kun je hier op een gemakkelijker manier je eigen...
- Ton Wesseling: @egan dank voor het delen van je gedachten. Die ‘light’ decision-making engine zie ik wel ontstaan bij...
20 reacties
Ton, interessante case en leuk dat ABN dit wil delen. Belangrijke segmenten en oorzaak van verschil in gedrag lijkt me klant/rekeninghouder versus geen klant van ABN AMRO (mits beschikbaar in de webanalytics data).
Fantastisch artikel, ik wist niet dat er al zo vergaand behavioural targetting werd gedaan. Wat mij zou interesseren is hoe je een casual surfer zou identificeren versus eentje die met een scherp afgebakend doel de site betreedt. De eerste kun je lekker maken met een rijk scala aan artikelen of diensten. De tweede converteert beter als je hem of haar scherp afgebakende artikelen of diensten aanbiedt.
@Arthur: je zou dit op basis van de referrer kunnen doen. Het blijft in eerste instantie een aanname, maar een bezoeker welke direct via de url of met de bedrijfsnaam in de URL zoekt zal orienterender zijn. Een bezoeker welke met een gerichte zoekterm vanuit een zoekmachine op de website terecht komt valt binnen het segment “scherp afgebakend” en target je dan ook met content op basis van de ingevoerde zoekterm. De effecten hiervan kun je testen met de testmodule van Test and Target, waarmee je je aanname weer kunt toetsen.
@Yvonne, bedankt. Ik had alleen nog maar aan on-site gedrag gedacht.
Leuk om gezamenlijk mee te kunnen denken aan het segmenteren van bezoekers.
Ik kom al snel bij het AIDA model terecht. In welke fase van het aankoopproces bevind een gebruik zich en welke informatie bied ik daarvoor aan? Als je dat goed weet te segmenteren (dus verkeersbron overscheidend) zou je hele grote stappen kunnen maken verwacht ik!
Worden de uiteindelijk gekozen segmenten ook gedeeld? Evenals hoe je die kunt maken?
Ben benieuwd naar de resultaten, en naar de suggesties uit de reacties.
Een voor de hand liggend segment is langzaam vs snel, of weloverwogen vs impulsief
- aantal pageviews en unieke pageviews (veel pageviews en weinig unieke pageviews: twijfelaar, zoeker)
- totale tijd op de site
Een iets “vager” segment: analytisch vs emotioneel (of visueel, of iets dergelijks):
- klikken via foto’s of juist via tekstlinks midden in een blok tekst.
- feelgood-video’s bekijken ja/nee, of “harde” feitentabellen pagina’s
Ik hou dit artikel in de gaten, leuke materie.
@egan dat kun je inderdaad herkennen (op basis van welke pagina’s men heeft bezocht) en dat verraad kennis en houding. Bij ABN vooral interessant omdat je (betaalrekening) klant moet zijn om bijvoorbeeld een spaarrekening opent. Zeker een test waard, maar wat zal de hypothese zijn? Bestaande klant heeft minder informatie nodig wanneer hij of zij in een productomgeving komt? Of iets anders? Om te bewijzen dat kennis en houding ander gedrag veroorzaakt zullen we ook moeten bedenken wat dan de communicatie behoefte is vanuit dit gedrag.
@Arthur @Yvonne Dank voor jullie reacties. Vergeet niet dat Type-in bezoek vaak bezoekers zijn die een radio of TV commercial hebben gehoord en daardoor heel gericht zoeken naar 1 bepaalde aanbieding.
Ik ben het met Arthur eens dat een bezoeker die zijn keuze heeft gemaakt heel gericht op zijn doel af gaat. Dit zou je kunnen terugzien in bijvoorbeeld tijd per pagina en klikpad (snel en doelgericht). Dit is echter de fase van de marketing cirkel waar de bezoeker in zit (in het model is dit onderdeel van het waarom van de dialoog) en heeft niets te maken met de interne beinvloeders van zijn gedrag. Alle mensen met hetzelfde doel zullen immers niet hetzelgde gedrag hebben door verschillen in kennis, houding, persoonlijkheid en context.
@corne zie mijn vorige reactie ook. Het herkennen van de fase van de bezoeker is een eerste voorwaarde. Dit levert al veel op, maar de volgende uitdaging is om te begrijpen hoe je moet een bezoeker in een bepaalde fase (en met een bepaald doel) moet communiceren). Het fijne van bezoekers die zich op een bepaalde diepere pagina op de website bevinden is dat zij hiermee hun fase al redelijk verraden. Nu is de vraag hoe op deze pagina of de aanloop hier naar toe verschillen herkennen in houding / kennis / persoonlijkheid en context.
@jules je kunt lezen dat er ergens een psycholog in je schuilt. Ik beschreef zelf al het voorbeeld van de methodische bezoeker, maar ben blij met je input vanuit het gedragsmodel van Kersey. De 4 dominante psychologische archetypen worden inderdaad bepaald door langzaam en snel beslissen en vanuit logica of vanuit emotie. De groep snelle beslissers en vanuit emotie, ook wel de groep “spontaan” genoemd zouden we best eens kunnen herkennen aan een bovenmatig klikgedrag op visueel materiaal en aanbiedingen.
Risico is in mijn ogen dat wanneer we de top 20% visuele klikkers nemen dat hier vervuiling in zit door mensen met een laag kennis niveau van internet / bankproducten (maar die zullen minder snel rondsurfen m.i. en kunnen we dus uitfilteren).
Als hypothese in mijn ogen: spontane mensen moeten worden verleid door het geven van een beperkt houdbaar aanbod (alleen vandaag beslissen geeft je dit voordeel).
Het segment herkennen we door mensen met meer dan X bannerkliks in de afgelopen Y dagen. De hypothese testen we dan uit op deze groep en op de groep mensen die hier niet binnen valt. Idee?
Wat Egan zegt, interessante case!
De meeste ideeën die ik er zelf over had zijn al genoemd, maar zal proberen nog iets buiten het genoemde om te vinden.. Het product waar de bezoeker naar op zoek is zegt m.i. ook iets over de persoon zelf: is hij/zij op zoek naar risicovolle beleggingen of een veilige spaarrekening?
Daarbij kan ik me voorstellen dat het verschil tussen een 1e en herhaal bezoek iets over de gebruik kan zeggen: surft hij de 2e keer – net als de 1e keer – via dezelfde weg naar de gewenste pagina, of navigeert hij de 2e keer vele malen directer (bijv. via het menu bovenaan) naar de pagina naar keuze? Een niet zo sterk voorbeeld, maar ik weet zo 123 even geen betere.
Wat betreft gemiddelde tijdsduur van een pageview zou ik ook onderscheid maken in de content van de pagina’s: blijft deze vooral hangen bij tabellen vol met cijfers, bij lappen tekst of juist bij de visuele pagina’s?
Geen concrete segmentatie-opties van mijn kant dus, maar zie bovenstaande als part of the brainstorm, wellicht kom je hierdoor zelf weer op betere ideeën.
Succes!
@Ton
Klinkt goed. Denk ook aan de controlegroep: geef iedereen die tijdelijk-aanbod-banner (of niet) en kijk dan of het klopt. Zijn de converterenden significant korter (of langer) op de site?
Zo nee, ga dan dataminen, en ga op zoek naar een segment combinatie die heel hoog converteert. (Via een factor analyse in SPSS wellicht? Mijn hogere statistiekvaardigheid is wat verstoft)
Als je daarna je CMS zo ver krijgt dat je deze groep een passende banner kan laten zien tijdens een live sessie, ben je spekkoper.
Erg interessant onderzoek en ik ben benieuwd naar de eindresultaten. De kop/stelling “Verschillend gedrag, verschillende communicatie” roept bij mij de vraag op hoe dat in de praktijk uitgevoerd gaat worden.
Waarom wil een website het soort bezoeker of de (AIDA) fase waarin de bezoeker zit eigenlijk precies herkennen? Het antwoord zou moeten zijn: om te leren hoe de website met een bepaald persoonstype het meest effectief communiceert en het effect wat een (on)juiste communicatie op de conversie heeft.
Een groot effect op de conversie is een belangrijke trigger om de website juist voor deze groep goed in te richten. Dus willen weten waar en hoe je bepaalde communicatie inzet om een zo hoog mogelijke conversie te bewerkstelligen. Dit moet natuurlijk het doel zijn.
De belangrijke vervolgvraag is dan: “Wat kan ABN met deze informatie in relatie tot de website?”. Bepaalde pagina’s van de website volledig inrichten op één soort segment, waarbij is aangetoond dat dit segment het meeste converteert, lijkt mij niet het meest logisch omdat het andere groepen (onnodig) afstoot.
Een interessante gedachte die ik wel eens hoor, is de wens de website (content, structuur en design) op basis van het gedrag actief aan te passen aan de gebruiker. Vanuit usability oogpunt is het echter onverstandig om -zonder- invloed van de gebruiker de site te veranderen. Dit is niet consistent en kan verwarrend werken.
Beter is het om elke pagina te optimaliseren voor iedereen, dus te optimaliseren voor alle interne persoonfactoren en voor alle (AIDA) fases waar iemand in kan zitten. Het segmentatie onderzoek kan hierbij helpen de juiste accenten te leggen. Ik zie hierbij raakvlakken met het werken met persona’s. In persona’s zijn ook de interne en externe persoonsfactoren verwerkt en worden gebruikt tijdens het ontwerpen en optimaliseren (middels usability testing) van websites.
@Bastiaan helemaal met je eens dat je de layout van de site niet opeens moet gaan wijzigen. Dan heeft de bezoeker dezelfde ervaring als die jij hebt als je de supermarkt binnenloopt en ze hebben de schappen weer eens gewijzigd. Het gaat om de hoofd informatie / contentblokken en de inhoudelijke boodschap daar.
Al gaandeweg zorg je dat de informatie aan de bezoeker beter wordt afgestemd op basis van het pad dat hij of zij volgt. Dit kan statisch (waarom alle bezoekers die via verschillende call-to-actions surfen toch steeds maar weer bij dat ene unieke aanvraagformulier laten uitkomen) en bij de betere CMS systemen (in combinatie met targeting) dynamisch. De pagina inhoud afstemmen op basis van historie van de bezoeker.
Het optimaliseren voor iedereen ben ik het niet mee eens. Ja dit is een 1e fase (zie bij ons stap 2: funnel optimalisatie en usability conventies doorvoeren), maar zodra je echt in dialoog gaat is het niet te verkopen dat je polder model A gaat vervangen voor poldermodel B….
Interessant onderzoek. Ik ben benieuwd in hoeverre jullie de beïnvloeders kunnen herleiden uit het gedrag. Het lijkt mij een lastige klus omdat de parameters slecht te isoleren zijn en de resultante gedrag beïnvloed wordt door meerdere factoren. Het destilleren van persoonstypen uit de analytics data is mijns inziens dan ook een te ambitieus plan.
Met deze aanpak zul je in ieder geval veel raakvlakken creëren met het ‘werkelijke’ segment en het is dan ook erg interessant om hier AB of MV tests mee te doen.
Wat betreft context zou je ook nog kunnen kijken naar de combinatie time on site + tijdstip + dag (en zoals Wilco zegt eventueel nog aanvullen met content).
@Tim dank voor je reply. Ik denk dat je gelijk hebt dat het destilleren van beinvloeders uit analytics (gedrags) data moeilijk is. Ik ben dankzij je antwoord dan ook gaan draaien van aanpak. Natuurlijk weten we welk gedrag er hoort bij welke (combinatie van) beinvloeders en kunnen we middels AB testen aantonen dat het kwa communicatie inspelen hierop effect heeft, maar wel zullen zaken nooit volledig kunnen aantonen door de vele variaties aan beinvloedingsfactoren.
Om het model volledig te bewijzen is het veel logischer om een enquete op te stellen die voor de invuller aangeeft wat zijn kennis, houding, persoonlijkheid en context zijn en achterhaalt in hoeverre de externe beinvloeders (competitie, media en sociale omgeving) van invloed zijn op het gedrag van de betreffende persoon. Na deze anonieme indentificatie kan van elke bezoeker die een enquete heeft ingevuld het webgedrag worden verzameld en na afloop met elkaar worden vergeleken. Vertonen overeenkomstige segmenten bezoekers overeenkomstig gedrag dat uniek is voor het betreffende segment bezoekers?
Als dit met ja kan worden beantwoordt kunnen we hierna voor een specifiek herkenbaar segment gaan uittesten welke communicatie het beste werkt. Dit is een betere aanpak dan segmentatie puur op gedrag (zonder dat je weet wat de beinvloeders zijn), omdat dit overlap kan geven in segmenten.
Klinkt als: aan de slag en projectvoorstel schrijven
Dank!
@Ton De vraag die in mij opkomt, na voltooiing van je nieuwe project, is of er wel een omgekeerde gevolgtrekking mag gemaakt worden. Wat je lijkt te gaan doen is:
1 Deel geënquetteerde bezoekers in groepen in (wellicht op basis van de eerder genoemde persoonstype).
2 Doe een multivariate analyse op de persoonstypen vs metrics.
3 Concludeer waarin persoonstypes zich in onderscheiden op de metrics.
4 Maak hieruit Behavioural targets die door middel van de eerder geconstateerde afwijkingen worden gefilterd.
5 Pas de site dynamisch aan aan die targets.
Maar stap 4 is nog steeds een leap of faith. Dat er significante verschillen kunnen zijn in bezoekersmetrieken per persoonstype betekent nog niet dat je een bezoeker aan een persoonstype kan toewijzen enkel en alleen op het geobserveerde bezoekersgedrag. Daar zou je weer een enquete op los moeten laten om te kijken of jouw behavioural targets ook de antwoorden geven die horen bij hun persoonstype. Pas dan heb je het model bewezen.
Als ik doordraaf laat je het maar weten
@Arthur nee, je draaft in het geheel niet door. Dit zijn juiste de reactie waar ik enthousiast van wordt en die de basis vormen van de reden waarom ik ooit hier kennis ben gaan delen! Dank dus voor je tijd en reactie!
Wat ik wil gaan doen ligt iets anders:
1) op basis van de beinvloeders stel ik een (anonieme) enquete op die op basis van de antwoorden prijsgeeft tot welk segment iemand hoort op basis van de verhouding van beinvloeders.
2) middels datamining ga ik op zoek, binnen de webdata van de via de enquete anoniem geindenificiceerde gedragingen van personen, of bepaalde (groepen van) segmenten overeekomend gedrag laten zien die niet voorkomt bij andere (groepen van) segmenten
3) voor een vastgesteld segment dat te herkennen valt door een bepaald gedrag gaan we op basis van bestaande theorien nadenken wat er in de huidige communicatie beter kan op basis van de onderliggende beinvloeders.
4) Deze hypothesen testen we op het betreffende segment om te leren of dit klopt of niet
Uiteindelijk weten we dan steeds beter op basis van herkenning van het gedrag van onbekende bezoekers welke communicatie leidt tot betere resultaten.
Interessant lijkt me om naar de verschillende browserversies en type beeldschermen te kijken. Denk dat je zo aardig kunt segmenteren op type internetgebruiker. Zo zou je oude, of onervaren internetters kunnen onderscheiden. En die hebben misschien ook wat meer informatie nodig.
@Karel goed punt, dank daarvoor!