تعریف CRO ، فراتر از یک جمله ساده
خیلی وقتا وقتی این تخصص وسط بحث میاد، همه فکر میکنن یعنی رنگ دکمه رو عوض کنی یا جای فرم رو جابجا کنی، انگار یه سری ترفند کوچیک روی ظاهر سایته
اما تو منابع اصلی این حوزه، تعریف خیلی عمیقتر از این حرفاست
طبق تعریف سیایکسال (CXL)، که یکی از شناختهشدهترین مرجعهای دنیای بهینهسازی تبدیله، این کار یعنی یه فرآیند نظاممند (منظم و مرحلهبندیشده) برای تبدیل بازدیدکننده به خریدار یا مشتری، نه یه سری تاکتیک پراکنده که هرکسی از یه جا شنیده و روی سایتش پیاده میکنه
برای اینکه این فرق رو ملموستر کنیم، یه مثال بزنیم
فرض کن یه فروشگاه آنلاین لباس داره و نرخ تبدیلش پایینه
رویکرد تاکتیکی اینه که یه نفر بیاد بگه رنگ دکمه خرید رو قرمز کن چون قرمز حس فوریت میده، یا یه تایمر شمارش معکوس بذار چون باعث عجله کاربر میشه
این کارها ممکنه جواب بدن یا ندن، ولی هیچ ربطی به مشکل واقعی سایت ندارن اگه اون مشکل جای دیگهای باشه
رویکرد فرآیندی اینه که اول بری ببینی کاربر دقیقا کجای مسیر خرید رو ول میکنه، بعد بفهمی چرا اونجا ول میکنه، و بعد بر اساس همون دلیل مشخص یه فرضیه بسازی و تستش کنی
شاید معلوم بشه مشکل اصلا رنگ دکمه نیست، بلکه هزینه ارسال که تازه تو صفحه آخر نشون داده میشه باعث ترک سبد خرید شده
نکتهای که خود همین منبع روش تاکید زیادی داره، اینه که آماتورها معمولا فقط دنبال یه سری روش آماده میرن، بدون اینکه بدونن اصلا از کجا باید شروع کنن یا مشکل واقعی کجاست
اما کسی که این تخصص رو واقعا بلده، یه فرآیند تحقیق مشخص و مرحلهبندیشده داره، که از ۳ تا سوال ساده شروع میشه، ولی جواب دادن بهشون اصلا ساده نیست
سوال اول اینه که مشکل کجای مسیر تبدیله، یعنی کاربر دقیقا تو کدوم صفحه یا کدوم مرحله از فرآیند خرید، از دست میره
سوال دوم اینه که این مشکل دقیقا چیه، یعنی چه چیزی تو اون صفحه یا مرحله باعث میشه کاربر ادامه نده
و سوال سوم اینه که چرا این یه مشکل واقعیه، نه فقط یه سلیقه شخصی یا حدس
این ۳ سوال، ستون اصلی هر پروژه CRO هستن، و بدون جواب دادن بهشون، هر تغییری که رو یه صفحه اعمال بشه، صرفا یه حدس تزئینشدهست، نه یه اقدام تخصصی
فرآیند تحقیق تبدیل ، نقطه شروع هر پروژه CRO
قبل از اینکه کسی حتی یه تست A/B رو شروع کنه، باید یه مرحله تحقیق رو کامل پشت سر بذاره
این تحقیق تنها یه مرحله ساده نیست، بلکه چند لایه داره که هر کدوم مهارت جداگانهای میخواد و نمیشه با یه نگاه سطحی به آمار سایت جایگزینش کرد، بذار هر لایه رو با جزییات و مثال باز کنیم
لایه اول ، تحلیل فنی (technical analysis)
اینجا هدف پیدا کردن مشکلاتیه که تو مرورگرهای مختلف یا گوشیها و کامپیوترهای مختلف باعث میشن کاربر اصلا نتونه کاری که ازش خواسته شده رو انجام بده
مثلا فرض کن یه فرم پرداخت داری که تو یه مرورگر خاص روی دسکتاپ خوب کار میکنه، ولی تو مرورگر گوشی، دکمه ارسال زیر کیبورد گم میشه و کاربر اصلا نمیتونه بهش دسترسی داشته باشه
یا یه لیست کشویی انتخاب سایز که تو یه مرورگر خاص باز نمیشه
این نوع مشکلات، قبل از هر تستی باید پیدا و رفع بشن، چون اگه رفعشون نکنی، هر تستی که بعدا اجرا کنی داره روی یه جمعیت ناقص از کاربرا اجرا میشه، یعنی همون کاربرایی که این باگ رو دیدن، اصلا وارد فرآیند تصمیمگیری نشدن که بشه رفتارشون رو تحلیل کرد
لایه دوم ، تحلیل هیوریستیک (heuristic analysis)
اینجا کارشناس با تجربهای که داره، صفحه رو مثل یه کاربر واقعی میبینه و بر اساس اصول شناختهشده روانشناسی و طراحی تجربه کاربری بررسیش میکنه، قبل از اینکه اصلا تستی اجرا بشه
مثلا میپرسه آیا پیام اصلی صفحه ظرف ۵ ثانیه اول برای کاربر روشنه، آیا مسیر از ورود به صفحه تا رسیدن به هدف واضحه، یا آیا چیزی مثل یه بنر تبلیغاتی وسط راه حواس کاربر رو از هدف اصلی پرت میکنه
این تحلیل بعدا با یه مدل مشخص که جلوتر بهش میرسیم، ساختاریافتهتر هم میشه
لایه سوم ، تحلیل وبآنالیتیکس (web analytics)
اینجا فقط نگاه کردن به تعداد بازدید یا نرخ پرش کافی نیست
باید بتونی یه چیزی به اسم تحلیل نقطه ریزش (step drop analysis) بسازی، یعنی دقیقا مشخص کنی تو یه مسیر چندمرحلهای مثل صفحه محصول، سبد خرید، اطلاعات ارسال، پرداخت، کاربر دقیقا تو کدوم قدم بیشترین ریزش رو داره
مثلا شاید ببینی ۹۰ درصد کاربرا از صفحه محصول وارد سبد خرید میشن، ولی فقط ۳۰ درصد از سبد خرید به مرحله پرداخت میرن، این یعنی مشکل اصلی احتمالا تو خود صفحه سبد خریده، نه جای دیگه، و باید تمرکز تحقیق رو ببری همونجا
لایه چهارم ، ماوسترکینگ (mouse tracking)
این لایه معمولا کمعمق توضیح داده میشه، در حالی که خودش یه دنیای جداست
این کار یعنی استفاده از ابزارهایی که حرکت اشارهگر، کلیکها، و اسکرول کاربر رو روی صفحه ضبط میکنن و بعد به شکل نقشه حرارتی (heatmap) یا ضبط جلسه (session recording) نشونت میدن
نقشه حرارتی بهت نشون میده کاربرا کجای صفحه بیشترین کلیک یا نگاه رو دارن، مثلا ممکنه ببینی خیلیا روی یه تصویر که اصلا قابل کلیک نیست، کلیک میکنن، یعنی طراحی اون تصویر اشتباها شبیه یه دکمه شده و کاربر رو گمراه میکنه
نقشه اسکرول هم نشون میده کاربرا تا کجای صفحه پایین میرن، مثلا اگه ببینی ۹۰ درصد کاربرا حتی به نیمه صفحه هم نمیرسن، یعنی محتوای زیر اون نقطه عملا دیده نمیشه، هرچقدر هم مهم باشه
ضبط جلسه هم یه قدم جلوتره، یعنی میتونی رفتار یه کاربر خاص رو از اول تا آخر بازپخش کنی و ببینی دقیقا کجا مکث کرده، کجا برگشته، کجا کلیکهای تکراری و عصبی زده که نشونه سردرگمیه
این دادهها بهتنهایی جواب نمیدن چرا این اتفاق افتاده، فقط نشون میدن کجا افتاده، برای فهمیدن چرا، باید بری سراغ لایه بعدی
لایه پنجم و ششم ، تحقیق کیفی و تست کردن با کاربر واقعی
تو بخش قبل گفتیم دادههای عددی و ماوسترکینگ نشون میدن کجای صفحه مشکل هست، ولی نمیگن چرا این مشکل پیش اومده، برای فهمیدن چرا، باید بریم سراغ دو تا لایه دیگه
تحقیق کیفی (qualitative research) ، سه راه اصلی
اولین راه، نظرسنجی روی صفحه (on-site survey) هست
اینجا یه پنجره کوچیک به کاربر نشون میدی، معمولا وقتی میخواد از صفحه خارج بشه یا وقتی یه کاری رو کامل کرده
سوال باید خیلی مشخص باشه، نه یه سوال کلی مثل نظرتون چیه
مثلا اگه کاربر داره از صفحه سبد خرید خارج میشه بدون خرید، سوال خوب اینه که چه چیزی امروز مانع از تکمیل خریدتون شد، با چند تا گزینه از پیش آماده مثل هزینه ارسال بالا بود، روش پرداخت مدنظرم نبود، فقط داشتم قیمتها رو مقایسه میکردم
دومین راه، مصاحبه با کاربر (user interview) هست
اینجا مستقیم با چند نفر از کاربرای واقعی یا مشتریای قبلی صحبت میکنی، نه یه فرم پر میکنن
نکته مهم اینه که تو این مصاحبه نباید سوال جهتدار بپرسی، مثلا نپرس آیا فرم پرداخت گیجکننده بود چون داری جواب رو تو سوال میذاری، بهجاش بپرس چه بخشی از فرآیند خرید برات سختتر از بقیه بود، و بذار خودش بگه
سومین راه، نگاه کردن به تماسهای پشتیبانیه
اگه مشتریا مدام یه سوال تکراری درباره یه صفحه خاص میپرسن، این خودش یه نشونهست که این اطلاعات تو صفحه بهاندازه کافی واضح نیست
تست کردن با کاربر واقعی (user testing) ، چطور اجرا میشه
این کار یعنی گذاشتن یه کاربر واقعی جلوی صفحه و دادن یه ماموریت مشخص بهش، مثلا بهش میگی فرض کن میخوای این محصول رو بخری، لطفا هر فکری که تو ذهنته رو با صدای بلند بگو و کارتو انجام بده، به این تکنیک میگن فکر بلند گفتن (think aloud protocol)
نکته کلیدی اینه که تو این مرحله نباید کمکش کنی، حتی اگه ببینی داره گم میشه، چون هدف دیدن نقطه دقیق سردرگمیشه
بعد از چند تا جلسه، معمولا الگوهای مشترک بیرون میاد، مثلا شاید ۳ نفر از ۵ نفر دقیقا سر یه مرحله خاص گیر کنن
طبق تجربههای شناختهشده این حوزه، معمولا با ۵ کاربر میتونی اکثر مشکلات بزرگ قابل مشاهده رو پیدا کنی، چون هدف اینجا آمار نیست، پیدا کردن الگوهای رفتاریه
مدل PXL در برابر ICE ، چرا صنعت به سمت اولویتبندی شواهدمحور رفت
بعد از اینکه تحقیق تبدیل رو کامل کردی، معمولا دهها فرضیه برای تست جمع میشه، از تغییر رنگ دکمه گرفته تا بازطراحی کامل صفحه پرداخت، ولی نمیشه همه رو همزمان اجرا کرد، چون هم زمان محدوده هم ترافیک سایت برای تست همزمان چند فرضیه کافی نیست
اینجا باید یه مدل اولویتبندی (prioritization) داشته باشی تا مشخص بشه کدوم فرضیه رو اول تست کنی، بذار دو تا مدل اصلی رو با مثال واقعی مقایسه کنیم
مدل ICE ، چطور کار میکنه و مشکلش کجاست
این مدل بر اساس ۳ معیار کار میکنه، تاثیر (impact)، اطمینان (confidence)، و سادگی اجرا (ease)
هر معیار رو از ۱ تا ۱۰ امتیاز میدی، بعد میانگینشون رو حساب میکنی
مثلا فرض کن ۲ تا فرضیه داری، یکی تغییر رنگ دکمه خرید، یکی بازطراحی کامل صفحه محصول
برای فرضیه اول، ممکنه بگی تاثیرش کمه چون فقط رنگه، ولی سادگی اجراش خیلی بالاست، پس یه امتیاز ۵ بهش میدی
برای فرضیه دوم، ممکنه بگی تاثیرش بالاست ولی سادگی اجراش پایینه، پس بازم یه امتیاز ۵ بهش میدی
مشکل اینجاست، این امتیازها کاملا از ذهن خودت اومدن، نه از یه داده مشخص
اگه همین ۲ تا فرضیه رو به یه همکار دیگه بدی، ممکنه امتیازهای کاملا متفاوتی بده، چون معیار تاثیر و اطمینان کاملا بستگی به تجربه و حتی حال و هوای اون روز فرد داره
این یعنی مدل ICE بیشتر یه ابزار بحث گروهیه، نه یه ابزار تصمیمگیری علمی
مدل PXL ، چطور این مشکل رو حل میکنه
شرکت CXL به همین دلیل یه مدل جایگزین ساخت به اسم PXL
تفاوت اصلیش اینه که بهجای امتیاز ۱ تا ۱۰، یه سری سوال باینری (دوگزینهای) میپرسه که فقط جواب بله یا خیر دارن و هر جواب باید به یه شاهد واقعی وصل باشه، نه به حس شخصی
مثلا اینجور سوالا پرسیده میشه
آیا این تغییر بالای صفحه و بدون اسکرول دیده میشه؟ اگه بله، یه امتیاز میگیره، چون تغییرات بالای صفحه شانس دیده شدن بیشتری دارن
آیا این فرضیه از دل داده کیفی مثل مصاحبه یا نظرسنجی اومده، نه فقط از حدس؟ اگه بله، امتیاز میگیره چون پشتوانه واقعی داره
آیا این تغییر روی صفحهای اجرا میشه که ترافیک بالایی داره؟ اگه بله، امتیاز میگیره چون تاثیرش رو جمعیت بیشتری دیده میشه
با این روش، اگه همون ۲ تا فرضیه رنگ دکمه و بازطراحی صفحه محصول رو بررسی کنی، دیگه بستگی به حس شخصی نداره
اگه بازطراحی صفحه محصول از دل مصاحبه واقعی با کاربرا دراومده باشه و صفحه محصول هم پرترافیکترین صفحه سایت باشه، امتیازش عینا بالاتر از تغییر رنگ دکمه میشه، بدون اینکه کسی نظر شخصی بده
این تغییر از یه امتیازدهی ذهنی به یه سیستم شواهدمحور، دقیقا همون چیزیه که یه پروژه تخصصی رو از یه سری حدس شخصی جدا میکنه، و کسی که فقط اسم ICE رو شنیده و نمیدونه چرا صنعت به سمت مدلهای شواهدمحورتر مثل PXL حرکت کرده، عملا از تحولات پایه همین تخصص عقبه
آمار پایه A/B Testing ، حجم نمونه، معناداری و حداقل اثر قابل تشخیص
اینجا جاییه که خیلی از ادعاهای تخصص لو میره، چون این بخش برخلاف بخشهای قبلی، دیگه به سلیقه یا تجربه ربطی نداره، کاملا ریاضیه و یا بلدی یا نه
هر تست A/B، اگه درست طراحی شده باشه، باید از قبل ۳ چیز رو مشخص کنه، بذار هرکدوم رو با یه مثال عددی واقعی باز کنیم
اول ، نرخ پایه
نرخ پایه (baseline) یعنی نرخ تبدیل فعلی صفحه قبل از هر تغییری
فرض کن صفحه محصولت الان از هر ۱۰۰ بازدیدکننده، ۵ نفر خرید میکنن، یعنی نرخ پایهت ۵ درصده
دوم ، حداقل اثر قابل تشخیص
بهش میگن MDE، یعنی کوچیکترین تغییری که تست میتونه با اطمینان تشخیص بده، نه هر تغییر کوچیکی قابل تشخیصه
فرض کن میخوای بدونی آیا تغییر رنگ دکمه میتونه نرخ تبدیل رو از ۵ درصد به ۶ درصد برسونه، یعنی یه رشد نسبی ۲۰ درصدی
هرچقدر این عدد کوچیکتر باشه، یعنی دنبال یه تغییر ظریفتری، حجم نمونه بیشتری لازم داری تا بتونی مطمئن بشی این تفاوت واقعیه نه تصادفی
سوم ، سطح معناداری آماری
سطح معناداری (statistical significance) معمولا ۹۵ درصد در نظر گرفته میشه، یعنی میخوای ۹۵ درصد مطمئن باشی نتیجهای که دیدی، تصادفی نیست
حالا این ۳ تا رو کنار هم بذاریم
طبق منابع Nielsen Norman Group، که یکی از معتبرترین مرجعهای تحقیق کاربریه، وقتی این ۳ تا عدد رو داری، باید با یه ابزار محاسبه حجم نمونه (sample size calculator) بفهمی چند تا کاربر لازم داری
طبق یه نمونه واقعی که همین منبع آورده، برای تشخیص یه تغییر ۲۰ درصدی تو نرخ کلیک، ۱۳ هزار کاربر لازم بوده، نه ۱۰۰ تا و نه ۱۰۰۰ تا
این عدد برای خیلیا شوکهکنندهست، چون فکر میکنن اگه بعد از ۱۰۰۰ بازدید ببینن نسخه ب بهتر از نسخه آ عمل کرده، یعنی نسخه ب برندهست، در حالی که این عدد میتونه کاملا نویز آماری باشه، نه یه نتیجه واقعی
نکته آخر اینه که هرچقدر نرخ پایه یه صفحه پایینتر باشه، مثلا ۱ درصد بهجای ۵ درصد، حجم نمونه لازم برای رسیدن به همون سطح اطمینان بازم بیشتر میشه، چون داری دنبال یه تفاوت کوچیک وسط یه دریای داده کمی میگردی
کسی که تست رو بدون این محاسبات اجرا میکنه و صرفا میگه نتیجه بهتر شد، عملا نمیتونه تضمین بده این بهتر شدن واقعیه یا فقط شانسی بوده
اشتباه رایج ، نگاه کردن زودهنگام به نتیجه تست
خیلی از تیمها عادت دارن وسط یه تست، هر روز یا حتی هر ساعت نتیجه رو تو داشبورد ابزار تستشون چک کنن، و به محض دیدن یه عدد خوب، تست رو همونجا متوقف کنن و اعلام میکنن نسخه جدید برنده شده
به این رفتار میگن پیکینگ (peeking)، یعنی نگاه کردن زودهنگام به نتایج قبل از رسیدن به حجم نمونهای که از قبل با محاسبات بخش قبل مشخص شده بود
چرا این کار خطرناکه ، با یه مثال ساده
فرض کن داری سکه میندازی و منتظری ببینی شیر بیشتر میاد یا خط
اگه فقط ۱۰ بار بندازی، خیلی محتمله که ۷ بار شیر بیاد و ۳ بار خط، و اگه همون لحظه نتیجه رو اعلام کنی، میگی این سکه به شیر تمایل داره
ولی اگه همون سکه رو ۱۰۰۰ بار بندازی، به احتمال زیاد نتیجه به ۵۰ به ۵۰ نزدیک میشه
تو تست A/B هم دقیقا همین اتفاق میفته، اوایل تست، به خاطر حجم کم داده، نوسان زیاده و ممکنه یه نسخه بهطور تصادفی جلو بیفته، بدون اینکه واقعا بهتر باشه
خطای نوع اول چیه
طبق تحقیقات آماری که همین منبع Nielsen Norman Group بهش اشاره کرده، پیکینگ زودهنگام احتمال چیزی به اسم خطای نوع اول رو به شکل قابل توجهی بالا میبره
خطای نوع اول یعنی تو نتیجهگیری میکنی یه تفاوت واقعیه، در حالی که اون تفاوت فقط یه نوسان تصادفی بوده، نه یه اثر واقعی
نکته جالب اینه که هرچقدر بیشتر وسط راه چک کنی، احتمال اینکه حداقل یه بار به یه نتیجه اشتباه برخورد کنی و همون لحظه تست رو متوقف کنی، بیشتر میشه، حتی اگه در واقعیت هیچ تفاوتی بین ۲ نسخه نباشه
راه درست چیه
راه درستش اینه که قبل از شروع تست، با محاسبات همون بخش قبل، حجم نمونه و مدتزمان لازم رو مشخص کنی و تا رسیدن به همون عدد، به نتیجه دست نزنی، حتی اگه وسوسهانگیز باشه که زودتر جشن بگیری
اگه واقعا نیاز داری وسط راه نگاه کنی، باید از روشهای آماری خاصی استفاده کنی که برای همین منظور طراحی شدن، نه اینکه با همون روش ساده نگاه کنی و زودهنگام تصمیم بگیری
این یکی از رایجترین اشتباههاییه که حتی تو تیمهای حرفهای هم دیده میشه، چون وسوسه دیدن نتیجه سریع همیشه هست، و متاسفانه خیلی از ابزارهای تجاری تست هم این وسوسه رو با نمایش نتیجه لحظهبهلحظه بیشتر میکنن
وقتی تغییر CRO با معیارهای فنی گوگل تداخل پیدا میکنه
یکی از سوالهایی که این روزها زیاد پرسیده میشه اینه که آیا تغییراتی مثل کوتاه کردن فرم چکاوت یا حذف بخشی از محتوا برای سادهتر شدن رابط کاربری، میتونه به شاخصهای فنی گوگل مثل Core Web Vitals آسیب بزنه یا کمک کنه
اینجا باید صادق باشیم، سند مستقیمی که بگه حذف محتوا خودش باعث بهتر شدن این شاخصها میشه، وجود نداره، و نباید بدون تردید همچین ادعایی رو مطرح کنیم
اما یه رابطه دیگه کاملا مستند هست، رابطه بین سرعت صفحه و نرخ تبدیل
۲ کیس واقعی از خود گوگل
خود گوگل تو پلتفرم web.dev چند تا مطالعه موردی رسمی منتشر کرده
کیس Rakuten 24 نشون میده بعد از بهبود شاخصهای LCP و CLS، نرخ تبدیل ۳۳ درصد و درآمد بهازای هر بازدیدکننده ۵۳ درصد رشد کرده
کیس Vodafone هم نشون میده بهبود ۳۱ درصدی LCP، ۸ درصد رشد فروش رو به همراه داشته
نکتهای که خیلیا نادیده میگیرن
این کیسها رابطه سرعت و تبدیل رو نشون میدن، نه اینکه هر تغییر CRO خودش مستقیما شاخص فنی رو بهتر میکنه
مثلا فرض کن برای شخصیسازی محتوای صفحه برای هر کاربر، یه اسکریپت شخص ثالث اضافه میکنی، این کار ممکنه از نظر تجربه کاربری خوب باشه، ولی چون یه اسکریپت جاوااسکریپت اضافه به صفحه اضافه کردی، میتونه دقیقا شاخص INP رو خراب کنه، چون مرورگر باید زمان بیشتری صرف اجرای اون اسکریپت کنه
برای پایش این تداخل، بهترین ابزار خود Search Console گوگله که گزارش Core Web Vitals رو داره، در کنار PageSpeed Insights برای تست قبل و بعد از هر تغییر CRO
پس رابطه این ۲ تا، یه رابطه دوطرفه و مشروطهست، نه یه قانون ثابت که همیشه به یه سمت جواب بده، و بهترین کار اینه که هر تغییر CRO رو قبل و بعد از اجرا، از نظر تاثیرش رو شاخصهای فنی هم چک کنی، نه فقط نرخ تبدیل
فریمورک LIFT ، یه مدل دیگه برای تحلیل هیوریستیک
تو بخشهای قبل به تحلیل هیوریستیک اشاره کردیم، اما این کار هم خودش نیاز به یه چارچوب مشخص داره، نه یه نگاه کلی و سلیقهای به صفحه، بذار این چارچوب رو با یه مثال واقعی از یه صفحه محصول باز کنیم
یکی از شناختهشدهترین چارچوبها برای همین کار، مدل LIFT هست که Chris Goward از شرکت WiderFunnel تو سال ۲۰۰۹ ساخته، و این مدل ۶ عامل رو برای بررسی هر صفحه در نظر میگیره
اول ، ارزش پیشنهادی
ارزش پیشنهادی (value proposition) یعنی صفحه دقیقا چی به کاربر پیشنهاد میده و چرا این پیشنهاد از رقبا بهتره
فرض کن یه صفحه فروش دوره آموزشی داری، اگه فقط بنویسی دوره سئو، این یه ارزش پیشنهادی ضعیفه، ولی اگه بنویسی یاد بگیر چطور تو ۹۰ روز رتبه سایتت رو با روش مستندسازی بهبود بدی، این خیلی مشخصتر و قانعکنندهتره
دوم ، وضوح
وضوح (clarity) یعنی پیام و مسیر صفحه چقدر برای کاربر روشنه، نه اینکه کاربر مجبور باشه حدس بزنه باید چیکار کنه
مثلا اگه صفحهت ۳ تا دکمه مختلف با رنگ و اندازه یکسان داره، کاربر نمیدونه کدومو باید بزنه، این یعنی وضوح پایینه
سوم ، ارتباط
ارتباط (relevance) یعنی محتوای صفحه چقدر با انتظار کاربری که وارد شده همخونی داره
مثلا اگه کاربر از روی یه تبلیغ گوگل با عنوان قیمت گوشی سامسونگ وارد سایتت میشه، ولی صفحه فرودش یه صفحه کلی درباره همه برندهاست، این ارتباط رو میشکنه، چون انتظار کاربر با چیزی که دیده مطابقت نداره
چهارم ، حواسپرتی
حواسپرتی (distraction) یعنی هر چیزی که توجه کاربر رو از هدف اصلی منحرف میکنه، مثل یه بنر تبلیغاتی چشمکزن کنار دکمه خرید، یا منوی جانبی شلوغ با دهها لینک غیرمرتبط
پنجم ، اضطراب
اضطراب (anxiety) یعنی نگرانیهایی که ممکنه جلوی تصمیم کاربر رو بگیره، مثل ندیدن نماد اعتماد، نبود اطلاعات کافی درباره بازگشت کالا، یا ندیدن روشهای پرداخت امن قبل از وارد کردن اطلاعات کارت
ششم ، فوریت
فوریت (urgency) یعنی دلیلی که باعث میشه کاربر همین الان تصمیم بگیره، نه بعدا، مثل موجودی محدود واقعی یا تخفیف با زمان مشخص، نه یه تایمر ساختگی که هر بار صفحه رو رفرش کنی از نو شروع میشه
نکته مهم درباره این مدل
خود همین منبع هم تاکید میکنه که این مدل صرفا یه ابزار تشخیصیه، نه یه مدل علّی، یعنی نتیجهای که از تحلیل LIFT میگیری، باید بعدا با تست واقعی تایید بشه
مثلا ممکنه تحلیل LIFT بگه اضطراب کاربر بالاست چون نماد اعتماد نداری، ولی فقط با اضافه کردن نماد اعتماد و تست کردنش میفهمی این فرضیه درست بوده یا نه
صدای متخصصان صنعت ، نگاه Peep Laja و John Mueller به تعریف تخصص
تا اینجا همه چیزی که گفتیم از دل مستندات و فریمورکها بود، اما خوبه ببینیم خود آدمهایی که این حوزه رو ساختن، درباره تعریف تخصص چی میگن، چون این حرفها یه لایه دیگه به بحث اضافه میکنن
Peep Laja و تعریف فرآیندمحور
Peep Laja، بنیانگذار CXL، همیشه رو این نکته تاکید داره که بهینهسازی تبدیل یه فرآیند نظاممنده، نه یه لیست تاکتیک پراکنده که هرکسی از یه جا برداشته و اجرا میکنه
این تاکید تصادفی نیست، چون خود Laja سالها دیده که خیلیا این حوزه رو با چند تا ترفند اشتباه میگیرن، در حالی که خود او و تیمش دقیقا با ساختن فریمورکهایی مثل ResearchXL و PXL که تو بخشهای قبل دیدیم، سعی کردن این تخصص رو از حالت تاکتیکی به یه فرآیند علمی و قابل تکرار تبدیل کنن
جان مولر (John Mueller) و نقد خوداعلامی تخصص
جان مولر از گوگل، تو یه واکنش به سواستفاده از کلمه گورو تو اکوسیستم سئو، یه نکته گفته که کاملا قابل تعمیم به هر حوزه تخصصی دیگهست، از جمله همین بهینهسازی تبدیل
او گفته وقتی کسی خودش رو گورو یا متخصص معرفی میکنه بدون اینکه فرآیند و شواهدی پشتش باشه، این خودش نشونه واضحیه که طرف داره ادای متخصص بودن رو در میاره
دلیل این حرف هم روشنه، تخصص واقعی باورمحور نیست، همیشه در حال تغییره و باید با شواهد اثبات بشه، نه با یه هدلاین لینکدین یا یه بیوگرافی پرآبوتاب
این حرف نه به سئو محدوده نه به یه فرد خاص، بلکه یه اصل کلیه، هرجا خوداعلامی بدون فرآیند و شواهد باشه، همونجا باید سوال پرسید، چه تو سئو باشه چه تو CRO چه تو هر حوزه تخصصی دیگه
چرا این ۲ تا حرف کنار هم مهمن
نکته جالب اینه که این ۲ تا نگاه از ۲ جای کاملا متفاوت اومدن، یکی از دل خود صنعت CRO، یکی از دل گوگل، ولی هر دو به یه نتیجه مشترک میرسن، تخصص باید با فرآیند و شواهد قابل اثبات باشه، نه با ادعا
چکلیست ۹ مهارتی CRO ، برای یادگیری قدم به قدم
اگه بخوایم از هرچی تا اینجا گفتیم یه چکلیست عملی بسازیم که هم برای یادگیری خودت مفید باشه هم برای سنجش ادعای هرکسی که میگه این تخصص رو داره، این ۹ تا مهارت پایهست، با یه توضیح کوتاه برای هر کدوم
اول تحلیل فنی، یعنی پیدا کردن باگهایی که مانع تکمیل کار کاربر میشن
دوم تحلیل هیوریستیک با یه مدل مشخص مثل LIFT، نه یه نگاه کلی و سلیقهای
سوم تحلیل وبآنالیتیکس و توانایی ساخت تحلیل نقطه ریزش کاربر تو مسیر تبدیل، نه فقط چک کردن تعداد بازدید
چهارم ماوسترکینگ و خوندن نقشه حرارتی با ابزارهایی مثل Hotjar یا Clarity
پنجم تحقیق کیفی شامل طراحی سوال درست برای نظرسنجی و مصاحبه
ششم تست کردن با کاربر واقعی با روش فکر بلند گفتن
هفتم تست کردن متن و پیام صفحه، چون طبق منابعی که بررسی کردیم متن مهمترین محرک تصمیمگیریه ولی سختترین چیز برای تست کردن
هشتم و شاید حیاتیترینشون، آمار و طراحی آزمایش، یعنی دونستن حجم نمونه، سطح معناداری، و حداقل اثر قابل تشخیص
و در آخر نهم، روانشناسی رفتاری، یعنی فهمیدن انگیزه واقعی کاربر پشت هر تصمیم، نه فرضهای شخصی خودت
نمونه سوالات مصاحبه ، برای مهارت پنجم
برای اینکه این مهارت قابل لمستر بشه، چند تا نمونه سوال خوب و بد کنار هم بذاریم
سوال بد، آیا از فرآیند خرید راضی بودید، چون فقط جواب بله یا نه میگیری و هیچی یاد نمیگیری
سوال خوب، چه بخشی از فرآیند خرید بیشترین وقتتون رو گرفت و چرا
سوال بد، آیا قیمتها منصفانه بود، چون جهتدار و کلیه
سوال خوب، وقتی قیمت نهایی رو دیدید، چه فکری کردید
سوال بد، آیا طراحی سایت رو دوست داشتید، چون درباره سلیقهست نه رفتار
سوال خوب، اگه بخواید یه چیز رو تو این سایت تغییر بدید، چی رو تغییر میدادید و چرا
الگوی مشترک این سوالای خوب اینه که بهجای بله و خیر، از کاربر میخوان یه لحظه یا یه تجربه واقعی رو تعریف کنه
چطور بفهمی ادعای Expert واقعیه ، ۵ سوال کلیدی
اگه کسی خودش رو متخصص این حوزه معرفی کرد، این ۵ سوال رو ازش بپرس، هم برای سنجش دیگران و هم برای اینکه خودت بفهمی از کجا باید شروع کنی به یاد گرفتن
اول، از فریمورک ResearchXL یا PXL اسم میبره یا فقط ICE رو بلده
دوم، میتونه MDE رو توضیح بده و بگه چرا قبل از تست باید محاسبه بشه
سوم، اسم ابزار تخصصی مشخصی میاره، مثل Hotjar یا Clarity برای ماوسترکینگ، یا فقط کلی میگه آنالیتیکس چک میکنم
چهارم، میتونه فرق ICE و PXL رو توضیح بده و بگه چرا صنعت به سمت مدل دوم رفته
پنجم، درباره سطح معناداری آماری و خطر پیکینگ زودهنگام حرف میزنه، یا فقط میگه تست بردیم
۳ کار عملی که همین امروز میتونی شروع کنی
تا اینجا کلی مبنا و تئوری گفتیم، ولی خوندن تنها کافی نیست، بذار نشون بدیم این چارچوبها رو چطور همین امروز، بدون بودجه و بدون تیم، رو کار خودت پیاده کنی
کار اول ، تحلیل هیوریستیک کامل با مدل LIFT
مهمترین صفحه سایتت رو انتخاب کن، معمولا پرفروشترین محصول یا صفحهای که بیشترین ترافیک رو داره
حالا با کاغذ و قلم، یا یه صفحهگسترده ساده، ۶ عامل مدل LIFT رو یکییکی روش پیاده کن
برای ارزش پیشنهادی بنویس، اگه یه غریبه ظرف ۵ ثانیه این صفحه رو ببینه، میفهمه چی میفروشی و چرا باید از تو بخره، نه از رقیبت، اگه جواب نهست، این اولین مشکلته
برای وضوح بنویس، دکمه اصلی خرید یا ثبتنام چقدر واضح دیده میشه، چند ثانیه طول میکشه پیداش کنی
برای ارتباط بنویس، اگه از تبلیغات یا سئو وارد این صفحه بشی، آیا محتوای صفحه دقیقا همون چیزیه که تو تبلیغ یا نتیجه جستجو وعده داده شده
برای حواسپرتی بنویس، چند تا لینک یا بنر غیرمرتبط با هدف اصلی صفحه، رو صفحه هست، هرکدوم رو بشمار
برای اضطراب بنویس، آیا نماد اعتماد، نظرات مشتریان قبلی، یا اطلاعات بازگشت کالا قبل از پرداخت دیده میشه
برای فوریت بنویس، آیا دلیل واقعی برای خرید همین الان وجود داره، یا هیچ فشار زمانیای نیست
بعد از این ۶ تا، یه امتیاز از ۱ تا ۵ به هرکدوم بده، هرچیزی که امتیازش پایینتر از ۳ شد، اولین کاندیدای فرضیه تسته
کار دوم ، نصب و خوندن یه ابزار ماوسترکینگ رایگان
Microsoft Clarity رو رو سایتت نصب کن، رایگانه، نصبش فقط یه تیکه کد کوچیکه که تو هدر سایت میذاری، ۵ دقیقه بیشتر طول نمیکشه
یه هفته صبر کن تا داده کافی جمع بشه، بعد سراغ نقشه حرارتی همون صفحهای برو که تو کار اول تحلیلش کردی
دنبال ۳ چیز بگرد، اول جاهایی که کاربرا زیاد کلیک میکنن ولی اون بخش اصلا قابل کلیک نیست، این یعنی طراحیت گمراهکنندهست
دوم نقطهای که بیشتر کاربرا اسکرول رو متوقف میکنن، اگه این نقطه خیلی بالای صفحهست، یعنی محتوای مهمت پایینتر از جاییه که اکثرا میبینن
سوم، چند تا از ضبط جلسهها رو کامل نگاه کن، دنبال کلیکهای تکراری و عصبی روی یه نقطه خاص بگرد، این نشونه سردرگمی کاربره
کار سوم ، ۳ مصاحبه واقعی با مشتریای قبلی
با ۳ نفر از کسایی که اخیرا ازت خرید کردن یا برعکس، سبد خریدشون رو رها کردن، تماس بگیر یا پیام بده
از سوالای خوبی که تو بخش قبل گفتیم استفاده کن، مثلا چه بخشی از فرآیند خرید بیشترین وقتتون رو گرفت، یا اگه بخواید یه چیز رو تغییر بدید چی رو تغییر میدادید
جوابها رو دقیق یادداشت کن، نه خلاصهشده، چون جزییات دقیق حرفهاشون همون چیزیه که بعدا به فرضیه تست تبدیل میشه
چرا این ۳ کار با هم مهمن
این ۳ کار، دقیقا ۳ تا از ۶ لایه تحقیق تبدیل رو که تو بخشهای قبل گفتیم، بهصورت رایگان و بدون نیاز به تیم پیاده میکنن، تحلیل هیوریستیک، ماوسترکینگ، و تحقیق کیفی
بعد از انجام این ۳ کار، دیگه با حدس کار نمیکنی، با یه لیست از مشکلات مستند و اولویتبندیشده کار میکنی، که خودش نقطه شروع واقعی مسیر نرخ تبدیل.
جمعبندی
این ۳ کار نقطه شروعته، نه پایان راه
هرچقدر جلوتر بری، به آمار و طراحی آزمایش هم نیاز پیدا میکنی تا بتونی فرضیههایی که از همین ۳ کار بیرون اومدن رو درست تست کنی، اونجاست که عمق واقعی این تخصص رو حس میکنی
CRO یه حوزه عمیقه که با خوندن چند تا پست یا نوشتن چند تا پرامپت بدست نمیاد
اگه امروز همین ۳ کار رو انجام بدی، فردا دیگه با حدس کار نمیکنی، با یه لیست مستند از مشکلات واقعی سایتت کار میکنی، و از همینجا فرق بین کسی که فقط این کلمه رو تو هدلاینش نوشته و کسی که واقعا این تخصص رو داره، شروع میشه