Optymalizacja konwersji landing page: praktyczny poradnik

Jakie konwersje liczyć i przez co je dzielić

Zdefiniuj wynik, zanim zmienisz stronę. Przy zapytaniu sprzedażowym licz zgłoszenie dopiero wtedy, gdy system, który je odbiera, potwierdzi je z identyfikatorem wykluczającym duplikaty. Samo kliknięcie przycisku czy odświeżenie strony z podziękowaniem nie dowodzi, że dotarł nowy lead.

Stronę możesz diagnozować na podstawie sesji lub użytkowników, o ile licznik i mianownik obejmują tę samą populację i ten sam okres. Nasz przykład testu A/B opiera się na użytkownikach losowo przypisanych do wariantu: każdy widzi przy kolejnych wizytach tę samą wersję i może dać najwyżej jedną konwersję. Do próby użytkownik wchodzi przy pierwszym przypisaniu do A lub B, nawet jeśli odwiedzał już witrynę wcześniej. Gdy wraca, zostaje w tej grupie i nie jest liczony ponownie. Uwzględnij osoby, które wychodzą ze strony lub trafiają na błąd: gdy usuniesz je po przypisaniu, zniknie dokładnie ten problem, który chcesz zmierzyć.

Wyklucz znane boty i testy wewnętrzne według reguł ustalonych przed analizą i stosowanych jednakowo do A i B. Nie zestawiaj konwersji z całej platformy z ruchem, który pochodzi tylko z jej śledzonej części. Ogranicz obie liczby do tej samej obserwowalnej populacji i udokumentuj różnice względem CRM. Konfigurację zdarzeń, atrybucję i raportowanie omawiamy w poradniku jak mierzyć skuteczność landing page.

Jak czytać lejek: przykład liczbowy

Wyeksportuj dane z okresu sprzed jakichkolwiek zmian i zapisz stronę, źródło, urządzenie, daty oraz promocje. Załóżmy, że analizujemy 2000 użytkowników mobilnych z 28 dni, czyli czterech pełnych tygodni. Dla każdego użytkownika liczymy zgłoszenia otrzymane w ciągu siedmiu dni od jego wejścia, a zespołowi sprzedaży dajemy kolejne siedem dni od zgłoszenia na ocenę zapytania. W teście zastosujemy te same okna czasowe.

Współczynnik konwersji strony wynosi 80 / 2000 = 4%, a wartościowych leadów na użytkownika jest 48 / 2000 = 2,4%. Z 300 osób, które zaczynają formularz, 220 nigdy nie dochodzi do poprawnego zgłoszenia. To wskazuje, gdzie szukać bariery, ale nie wyjaśnia jeszcze przyczyny. Uwagi wymaga też 1600 użytkowników, którzy nigdy nie klikają: może nie chcą oferty, a może jej nie rozumieją.

Powtórz obliczenia osobno dla każdego źródła i urządzenia. Jeśli problem występuje tylko na urządzeniach mobilnych, porównaj wizytę na telefonie z wizytą na komputerze, zanim zaczniesz zmieniać całą stronę. W eksploracji ścieżki w GA4 definiujesz kroki i segmenty. Wybierz ścieżkę zamkniętą, jeśli mają się liczyć tylko użytkownicy, którzy wchodzą na zaplanowanym pierwszym kroku. Na wyniki wpływają kolejność zdarzeń i to, czy użytkownicy mogą wejść na ścieżkę na dalszych krokach.

Ustal, dlaczego ludzie rezygnują

Przetestuj formularz na dwóch urządzeniach, z których korzystają Twoi odbiorcy: na smartfonie i na komputerze. Na każdym wykonaj sześć poniższych kontroli, czyli łącznie dwanaście. Do każdej zapisz urządzenie, przeglądarkę oraz oczekiwane i faktyczne zachowanie. Ilekroć wysyłasz zapytanie, sprawdź też jego identyfikator w systemie, który je odbiera.

1. Wyślij poprawne dane we wszystkich polach. Powinno dotrzeć dokładnie jedno zapytanie z właściwymi danymi.
2. Zostaw puste pole obowiązkowe. Obok pola powinien pojawić się czytelny komunikat o błędzie.
3. Wpisz nieprawidłowy adres e-mail. Powinno dać się go poprawić bez utraty pozostałych danych.
4. Obsłuż formularz klawiaturą. Sprawdź etykiety pól, kolejność fokusa oraz to, czy da się dojść do przycisku i go uruchomić.
5. W środowisku testowym przerwij połączenie w trakcie wysyłania. Powinien pojawić się komunikat o błędzie i możliwość ponowienia próby bez tworzenia zdublowanego zapytania.
6. Odśwież stronę z potwierdzeniem. Nie powinna utworzyć drugiego leada ani zliczyć drugiej konwersji.

Jeśli którakolwiek kontrola się nie powiedzie, napraw problem i powtórz ją, zanim zaczniesz oceniać teksty lub projekt. Leady testowe trzymaj osobno od zapytań sprzedażowych. Przy etykietach, wskazówkach i komunikatach o błędach pomoże samouczek W3C o dostępnych formularzach.

Gdy formularz działa, obserwuj, jak ludzie podejmują decyzję

Możesz zacząć od obserwacji pięciu osób, które mogłyby skorzystać z usługi. Poproś każdą, by własnymi słowami wyjaśniła ofertę, znalazła warunek ważny dla jej decyzji i wysłała testowe zapytanie. Zapisuj, w którym miejscu się zatrzymują i czego nie rozumieją, nie podsuwając odpowiedzi. Jeśli trzy osoby natrafią na tę samą barierę, masz trop do dalszego badania. Nie wynika z tego, że dotyczy ona 60% wszystkich odwiedzających.

„Czego spodziewasz się po wysłaniu tego formularza?”
„Jakich informacji brakuje Ci jeszcze do podjęcia decyzji?”
„Pokaż mi, jak wysyłasz zapytanie. Jeśli jesteś na działającej stronie, zatrzymaj się przed potwierdzeniem.”

Porównaj te obserwacje z błędami formularza i zastrzeżeniami zbieranymi przez sprzedaż lub obsługę klienta. Mapy cieplne i nagrania sesji mogą wskazać, gdzie patrzeć, ale samo chybione kliknięcie nie zdradza intencji. Jeśli obietnica w reklamie różni się od tej na stronie, o spójności przekazu przeczytasz w poradnikach o landing page pod Google Ads i landing page pod Meta Ads.

Ustal priorytet i sformułuj hipotezę

Oddziel potwierdzone błędy od alternatyw wartych przetestowania. Zgłoszenie, które się nie wysyła, wymaga naprawy; dwa wiarygodne sposoby przedstawienia tej samej oferty wymagają porównania. W pierwszej kolejności bierz hipotezy poparte kilkoma obserwacjami z kroku, do którego dociera wielu użytkowników. Zestaw nakład pracy z korzyścią, której oczekujesz.

Sformułuj hipotezę łączącą obserwację, barierę i planowaną zmianę. W tym przykładzie brzmi ona tak: „Część użytkowników mobilnych, którzy zaczynają formularz, obawia się, że od razu skontaktuje się z nimi handlowiec. Wyjaśnienie obok przycisku, kto odpowie i w jaki sposób, powinno zwiększyć liczbę poprawnych zgłoszeń przy zachowaniu co najmniej 55% zaakceptowanych leadów.” Obiecana reakcja musi odpowiadać rzeczywistej obsłudze. Nie podawaj czasów odpowiedzi, których zespół nie dotrzyma.

W tym przykładzie godzimy się na spadek odsetka zaakceptowanych leadów z 60% do 55%, o ile zgłoszeń przybędzie na tyle, by spełnić regułę decyzji z planu testu. Limit dla swojej strony uzgodnij z osobami, które obsługują zapytania: zależy on od jakości, jakiej potrzebują, i czasu, jaki mają na ocenę. Wyznacz osobę odpowiedzialną, szacuj osobno godziny pracy nad tekstami, programowaniem i testami jakości oraz prowadź rejestr odłożonych hipotez. Jeśli sama oferta jest niejasna, zajmij się najpierw ofertą i lead magnetem, a dopiero potem testuj zmiany kosmetyczne.

Zaplanuj test A/B z realną wielkością próby i czasem trwania

Włącz do eksperymentu użytkowników mobilnych, którzy wchodzą do niego po raz pierwszy i spełniają ustalone przez Ciebie warunki udziału. Obecna strona pozostaje wersją A, a w B dodajesz wyjaśnienie obok formularza. Losowo przypisz ten sam ruch do obu wersji, z 50% szansą na każdą. Oferta pozostaje bez zmian, a każdy użytkownik przy kolejnych wizytach widzi tę samą wersję. Kontakt z wariantem i późniejsze zgłoszenie zapisuj pod tym samym identyfikatorem, na jaki pozwala Twoja konfiguracja pomiarów. Nie wysyłaj adresów e-mail ani innych danych osobowych w zdarzeniach analitycznych.

Wielkość próby zależy od wyjściowego współczynnika i od efektu, który chcesz wykryć. Przy wyniku dwuwartościowym, niezależnych użytkownikach, przybliżeniu rozkładem normalnym dla dwóch grup, wyjściowym współczynniku 4%, celu 5%, dwustronnym poziomie istotności 5% i mocy testu 80% wychodzi około 6745 użytkowników w grupie. Zaokrąglij plan do 7000 dla A i 7000 dla B, razem 14 000 użytkowników. Cel 5% jest tylko daną wejściową do obliczenia wielkości próby. Dopiero wyniki pokażą, czy B osiąga taki wzrost.

Jeśli chcesz samodzielnie obliczyć wielkość próby, użyj funkcji power.prop.test w R z p1 = 0.04, p2 = 0.05, sig.level = 0.05, power = 0.80 i alternative = two.sided. Zwraca ona liczbę obserwacji w grupie i może się nieznacznie różnić od przybliżenia. Przelicz ponownie, jeśli zmienisz miarę, proporcję podziału lub model statystyczny.

power.prop.test(p1 = 0.04, p2 = 0.05,
  sig.level = 0.05, power = 0.80,
  alternative = "two.sided")

Te 500 użytkowników dziennie to inny scenariusz ruchu niż 2000 użytkowników z pierwszej diagnozy. Przy zaledwie 2000 użytkowników na 28 dni zebranie 14 000 zajęłoby około 196 dni, czyli daleko poza proponowanym limitem 42 dni. Wtedy postaw na badania i monitorowane poprawki albo wybierz hipotezę, która może dać większy efekt, i przelicz próbę od nowa. Zapisz, dlaczego pierwotny test jest niewykonalny.

Moc testu 80% opisuje planowaną zdolność testu do wykrycia założonego efektu. Nie oznacza 80% szans, że wygra B. Poziom istotności 5% opisuje, przy założeniach wybranej metody, ryzyko wykrycia różnicy, której nie ma. Nie jest to prawdopodobieństwo, że właśnie ten wniosek jest błędny. Zapisz te ustalenia w dzienniku eksperymentów i stosuj spójną metodę. Testu ze stałą próbą nie możesz przerwać akurat wtedy, gdy wyniki przechylą się na Twoją korzyść.

Porównaj zgłoszenia z wartościowymi leadami

Ustal, kto akceptuje lead i według jakich kryteriów, na przykład: zapytanie odpowiada usłudze, a dane kontaktowe nadają się do użycia. W tym przykładzie kwalifikacja odbywa się w ciągu siedmiu dni od zgłoszenia. Stosuj te same kryteria do obu wariantów, najlepiej bez informowania oceniającego, która strona wygenerowała dany lead.

B daje 35 zgłoszeń więcej, ale tylko pięć zaakceptowanych leadów więcej. Zaobserwowany wzrost głównego współczynnika wynosi 4,5% − 4% = 0,5 punktu procentowego, czyli (4,5% / 4%) − 1 = 12,5% w ujęciu względnym. To mniej niż minimum jednego punktu procentowego ustalone przed startem. Odsetek zaakceptowanych leadów jest też poniżej limitu operacyjnego 55%. Ten limit uzasadnia decyzję operacyjną; sam w sobie nie dowodzi statystycznie istotnej różnicy w jakości leadów.

Przykład zakłada, że każde zapytanie oceniono w uzgodnionym oknie czasowym. Jeśli część leadów wciąż czeka na weryfikację, prowadź je osobno i porównuj odsetki zaakceptowanych dla A i B dopiero po upływie terminu. Przy zakupach zastosuj tę samą logikę do marży i zwrotów, z oknami obserwacji dopasowanymi do produktu.

Oceń niepewność i podejmij decyzję

Samo zestawienie 4,5% z 4% nie wystarcza. Dla tych liczb przybliżony 95-procentowy przedział ufności różnicy B − A, obliczony rozkładem normalnym, wynosi od −0,17 do +1,17 punktu procentowego. Oblicz go jako różnicę ± 1,96 × błąd standardowy, gdzie błąd standardowy = √[pA × (1 − pA) / nA + pB × (1 − pB) / nB]. Tutaj pA = 0,04, pB = 0,045 i nA = nB = 7000.

Przedział obejmuje zero i mieści zarówno spadek, jak i wzrost. Według przyjętej metody różnica nie jest statystycznie istotna. To nie dowodzi, że obie wersje działają tak samo. Zostań przy A: B nie osiąga ani minimalnego użytecznego efektu, ani progu jakości leadów. Niewielka różnica w liczbie zaakceptowanych leadów nie dowodzi poprawy wyniku biznesowego.

Sprawdź także, czy faktyczny podział ruchu zgadza się z podziałem ustawionym w Twoim narzędziu i czy w którymś wariancie nie brakuje zdarzeń. Jeśli wielkości grup są nieoczekiwane lub brakuje danych, znajdź przyczynę, zanim zaczniesz interpretować współczynniki konwersji. Zapisz też szczegóły kampanii, daty, wersje i wykluczenia. Jeśli test nie dał rozstrzygnięcia, nie zmieni tego szukanie po fakcie małego segmentu z korzystnymi wynikami.

Wdróż zmianę i sprawdź ją na produkcji

Gdy wariant spełnia uzgodnioną regułę decyzji, wdróż zatwierdzoną wersję w kodzie produkcyjnym i zachowaj poprzednią na wypadek wycofania zmiany. Sprawdź tekst oferty, potwierdzenie formularza, identyfikatory w CRM i liczbę zdarzeń. Po publikacji powtórz dwanaście kontroli działania, ponownie trzymając dane testowe osobno.

Usuń kod eksperymentu, który nie jest już potrzebny, i sprawdź, czy nie ma zdublowanego śledzenia. Po publikacji zbieraj dane przez okres porównywalny z testem i zostaw tyle samo czasu na zgłoszenia i weryfikację leadów. Takie porównanie może ujawnić błędy wdrożenia lub zmiany ruchu, ale nie wyodrębnia skutku zmiany tak, jak robiło to losowe przypisanie do A i B.

Pilnuj też dostępności i szybkości. O obrazach, stabilności układu i czasie ładowania piszemy w poradniku o szybkości strony i konwersji na landing page. Odróżniaj pomiary laboratoryjne od Core Web Vitals mierzonych u prawdziwych użytkowników. Przy konfiguracji adresów URL i linków kanonicznych w trakcie eksperymentu stosuj zalecenia Google dotyczące testowania witryn.

Zapisz diagnozę, eksperyment i wynik

Zapisuj każdą hipotezę przed rozpoczęciem prac programistycznych, nawet jeśli zdecydujesz się naprawić błąd od razu albo pominąć test, bo ruch jest zbyt mały.

Skopiuj te pola do wspólnego dokumentu lub arkusza. Trzymaj pierwotny plan obok wniosków i nie nadpisuj go tym, co zaobserwowano później.

ID / URL / wersja / osoba odpowiedzialna / daty
Segment / liczona jednostka / wykluczenia
Wyjściowy lejek: wejścia, kliknięcia, rozpoczęcia, zgłoszenia, zaakceptowane leady
Zaobserwowany sygnał / źródło / podejrzewana bariera
Proponowana zmiana / godziny pracy / priorytet i uzasadnienie
A / B / przypisanie / główna miara
Próba na grupę / minimalny efekt / metoda statystyczna
Termin zamknięcia rekrutacji / termin końcowy / okna zgłoszeń i weryfikacji
Limity jakości / techniczna reguła zatrzymania / wyniki 12 kontroli
Wyniki A i B: użytkownicy, zgłoszenia, zaakceptowane leady, współczynniki
Różnica bezwzględna i względna / przedział / anomalie
Decyzja / uzasadnienie / następny krok / weryfikacja po publikacji

Jeśli potrzebujesz zespołu do badań, programowania i analizy, cały ten proces obejmuje usługa CRO w Qreativa. Jeśli strona nie wspiera już Twojej oferty, oceń nakład pracy na tworzenie landing page, zanim zaczniesz eksperymenty na stronie, którą trzeba zastąpić.