A/B-testen met behulp van Artificial Intelligence

Het hele concept valt of staat bij een gedegen dataset, domeinkennis én expertise om deze datamodellen op te bouwen, te implementeren en te finetunen

A/B-testen om conversie te optimaliseren, wie kent het niet? In de online marketing wordt er vaak gebruik van gemaakt. Die conversie is het klikken op een knop of het invullen van een formulier. Simpel maar doeltreffend; twee componenten aanbieden, noteren bij welk scenario het grootste gedeelte van de bezoekers is geconverteerd en tot slot het rapport opmaken. Het lijkt allemaal zo simpel​.

Waarom doen we die A/B-test eigenlijk? Wat doen we met het resultaat? Op welke manier voegt deze vorm van onderzoek waarde toe aan de organisatie? Wegen de kosten op tegen de baten? Stuk voor stuk vragen die we meenemen in ons beslissingsproces. Stel je voor hoe A/B-testen eruit kan zien met behulp van Artificial Intelligence.

De A/B-test is er om de customer journey op een positieve manier te beïnvloeden. De resultaten gebruiken we om de website zo aan te passen dat hij het meest aanspreekt. Bij een ‘gewone’ A/B-test wordt meestal 50 procent van het verkeer naar variant A gestuurd en de andere helft langs variant B. Deze opzet zorgt voor een mooie verdeling, zodat het resultaat ook daadwerkelijk iets zegt over de varianten die zijn ingezet. Niks nieuws onder de zon. Tools genoeg die dit ondersteunen om deze tests handmatig in te richten.

Hoe meer variabelen hoe complexer, hoe hoger de kans om een relevant verband te ontdekken

Hoe mooi zou het echter zijn als je AI kunt inzetten voor je A/B-test, waarbij je gaat kijken naar een dieper gelegen verband tussen de conversie en soorten bezoekers? Waarbij je niet alleen data verzamelt over de variant, maar ook over alle soorten omgevingsvariabelen zoals device, landingspagina en niet te vergeten combinaties met andere soorten data zoals bijvoorbeeld het weer, een bepaalde datum of tijdstip. Uit de data zou bijvoorbeeld kunnen blijken dat Android- en Windows-gebruikers overwegend in de avond en iOS-gebruikers juist in het weekend starten met een boekingsproces voor de vakantie. Ook de grootte van de call to action knop en waar deze is geplaatst op een Android device met resolutie van 1080p kan invloed hebben op de conversie. Natuurlijk, hoe meer variabelen hoe complexer het wordt, maar ook hoe hoger de kans om een relevant verband te ontdekken en daarmee te optimaliseren!

AI mixed in

Zodra je genoeg relevante data hebt vergaard, komt het moment om AI in te zetten door een datamodel op te bouwen. Als je het datamodel op een slimme manier implementeert, zodat deze continu nieuwe data krijgt aangevoerd, kun je daarmee een supergepersonaliseerde website opleveren die dynamisch meebeweegt met het gedrag van de bezoeker. Door het inzetten van een AI-datamodel kun je alle gegevens analyseren en gerichter versie A of B laten zien, passend bij de situatie die zich op dat moment voordoet.

Momenteel zijn we bij Snakeware bezig met de ontwikkeling van een prototype om te onderzoeken welke databronnen er te combineren zijn en op welke manier we dit op een schaalbare manier kunnen uitrollen voor onze klanten. Op termijn kan dit worden toegepast bij webshops, boekingswebsites, andere soorten e-commerce websites en in de recreatiesector. Zo kan bijvoorbeeld de uitval in het boekingsproces worden verkleind, inhoud van een af te rekenen winkelmandje worden vergroot of informatievoorziening richting bezoekers versneld.

Data game

AI heeft veel verschillende invalshoeken om A/B-testen nog beter te maken en op geautomatiseerde basis te implementeren. We staan nog maar aan het begin qua ontwikkelingen op dit gebied. Er komen straks steeds meer tools, die aangeven dit te kunnen. Het hele concept valt of staat bij een gedegen dataset, domeinkennis én expertise om deze datamodellen op te bouwen, te implementeren en te finetunen. Tip van dag; Step up your data game!