Το Επίπεδο Μετάφρασης Μελετών Περίπτωσης: Μετατρέψτε τη νίκη μιας μάρκας στο επόμενο τεστ του πελάτη σας

Περίληψη

Ο αριθμός σε μια μελέτη περίπτωσης ηλεκτρονικού εμπορίου είναι το λιγότερο μεταφερόμενο μέρος της. Μια αύξηση μετατροπών 43% στο Mattress Firm ή μια αύξηση 50% στις εγγραφές email στο Emma Sleep περιγράφει τι συνέβη σε ένα συγκεκριμένο πλαίσιο, όχι τι θα συμβεί στο δικό σας. Αυτό που μεταφέρεται είναι ο μηχανισμός — η συγκεκριμένη τριβή που αφαίρεσε η μάρκα και η αλλαγή συμπεριφοράς που ακολούθησε. Αυτό το άρθρο δίνει στις ομάδες ένα πλαίσιο έξι βημάτων για να απομονώνουν αυτούς τους μηχανισμούς, να τους αντιστοιχίζουν στη διοχέτευση ενός πελάτη, να σχεδιάζουν μικρά τεστ και να χτίζουν ένα επαναχρησιμοποιήσιμο playbook. Καλύπτει επίσης τις επιφυλάξεις: πότε ένας μηχανισμός δεν θα μεταφερθεί, γιατί ένα καθαρό A/B τεστ είναι συχνά αδύνατο και πώς να μετράτε την υγεία του μηχανισμού αντί μόνο της μετρικής.

Οι περισσότερες συμβουλές για μελέτες περίπτωσης ηλεκτρονικού εμπορίου είναι ανάποδες. Ξεκινούν με το αποτέλεσμα — την αύξηση μετατροπών 43%, το ROI 12.000% στα SMS, τη σελίδα προορισμού των 250.000 δολαρίων — και δουλεύουν ανάποδα προς μια τακτική. Αυτή η σειρά εγγυάται σιωπηλά την αποτυχία, επειδή ο αριθμός σε μια μελέτη περίπτωσης είναι το λιγότερο μεταφερόμενο μέρος της. Η κατηγορία προϊόντος, η πηγή επισκεψιμότητας, η τιμολόγηση, η εμπιστοσύνη στη μάρκα και η εποχικότητα που διαμόρφωσαν αυτόν τον αριθμό δεν θα ευθυγραμμιστούν ποτέ με τον ίδιο τρόπο για έναν πελάτη. Αυτό που μεταφέρεται είναι ο μηχανισμός: η συγκεκριμένη τριβή που αφαίρεσε η μάρκα και η αλλαγή συμπεριφοράς που ακολούθησε. Μια ομάδα που μπορεί να εξάγει μηχανισμούς, όχι μετρικές, μπορεί να μετατρέψει μια μελέτη περίπτωσης σε μια επαναλήψιμη διαδικασία σε εντελώς διαφορετικούς πελάτες.

Αυτό το άρθρο είναι ένα πλαίσιο έξι βημάτων για να το κάνετε αυτό. Θα μάθετε πώς να γράφετε μια πρόταση μετάφρασης για οποιαδήποτε μελέτη περίπτωσης, πώς να αντιστοιχίζετε έναν μηχανισμό στη διοχέτευση ενός πελάτη, πώς να σχεδιάζετε το μικρότερο τεστ που εξακολουθεί να διατηρεί τον μηχανισμό, πώς να ορίζετε εκ των προτέρων τις συνθήκες μεταφοράς και πώς να χτίζετε ένα επαναχρησιμοποιήσιμο playbook. Τα παραδείγματα προέρχονται από πραγματικές μελέτες περίπτωσης ηλεκτρονικού εμπορίου, αλλά η εστίαση είναι στη διαδικασία, επειδή η διαδικασία είναι το μόνο πράγμα που επιβιώνει από την επαφή με έναν νέο πελάτη.

1. Αφαιρέστε το στατιστικό, κρατήστε τον μηχανισμό

Μια ποσοστιαία αύξηση δεν είναι κάτι που μπορείτε να αντιγράψετε. Είναι αποτέλεσμα μιας αλληλεπίδρασης μεταξύ μιας αλλαγής και ενός πλαισίου. Η αλλαγή μπορεί να είναι μια νέα διάταξη σελίδας· το πλαίσιο είναι ένα συγκεκριμένο κατάστημα, κοινό και στιγμή. Αν αντιγράψετε την αλλαγή χωρίς το πλαίσιο, δεν δοκιμάζετε το ίδιο πράγμα. Αν αντιγράψετε τον μηχανισμό, έχετε μια ευκαιρία.

Σκεφτείτε το αποτέλεσμα του επανασχεδιασμού του Mattress Firm: αύξηση 43% στα ποσοστά μετατροπής και μείωση 325% στην εγκατάλειψη σελίδας προϊόντος. Η σύνοψη συνήθως αποδίδει τα εύσημα σε «έναν επανασχεδιασμό ιστοσελίδας» ή «βελτιωμένη ροή αγοράς». Αυτή είναι μια τακτική, όχι ένας μηχανισμός. Αν πείτε σε έναν πελάτη «θα έπρεπε να επανασχεδιάσουμε τη διοχέτευσή σας», του δώσατε ένα αίτημα προϋπολογισμού, όχι μια δοκιμάσιμη ιδέα. Ο μηχανισμός ζει ένα επίπεδο πιο κάτω. Το Mattress Firm εισήγαγε επίσης έναν οδηγό εύρεσης στρώματος — ένα διαδραστικό εργαλείο που κάνει μερικές ερωτήσεις και επιστρέφει μια σύντομη λίστα. Αυτό είναι το κομμάτι που αντιμετωπίζει ένα συγκεκριμένο πρόβλημα συμπεριφοράς: την υπερφόρτωση επιλογών. Όταν ένας αγοραστής αντιμετωπίζει δεκάδες σχεδόν πανομοιότυπα ορθογώνια αφρού, το πιο δύσκολο βήμα είναι να αποφασίσει. Ο οδηγός αφαιρεί αυτή την τριβή μετατρέποντας το «σύγκρινε τα πάντα» σε «απάντησε σε τρεις ερωτήσεις και δες τρεις επιλογές».

Για να το κάνετε μεταφερόμενο, γράψτε μια πρόταση μετάφρασης. Ξεκινήστε με τι έκανε ο χρήστης πριν, τι έκανε μετά και την τριβή που αφαιρέσατε.

• Πριν: ο αγοραστής κυλά σε ένα πλέγμα αδιαφοροποίητων προϊόντων.
• Μετά: ο αγοραστής απαντά σε ερωτήσεις, λαμβάνει μια σύντομη λίστα, συγκρίνει μερικά.
• Τριβή που αφαιρέθηκε: υπερφόρτωση αποφάσεων.

Η δήλωση μηχανισμού: «Όταν ένας αγοραστής αντιμετωπίζει πολλές παρόμοιες επιλογές, ένας καθοδηγούμενος επιλογέας μειώνει το γνωστικό φορτίο και αυξάνει τη δέσμευση σε μια σύντομη λίστα». Δεν υπάρχουν αριθμοί σε αυτή την πρόταση. Αυτό είναι σκόπιμο. Μπορείτε να το εφαρμόσετε σε έναν πελάτη περιποίησης δέρματος με σαράντα ορούς, σε έναν πελάτη υλικού με τριάντα φορτιστές ή σε έναν πελάτη τροφών για κατοικίδια με εβδομήντα συνταγές. Το στατιστικό έλεγε «αυτή η μάρκα, αυτή τη σεζόν, αυτή την επισκεψιμότητα». Ο μηχανισμός λέει «αυτό το πρόβλημα συμπεριφοράς, αυτή η λύση». Αυτή είναι η πειθαρχία πίσω από το να κλέβεις τον μηχανισμό και όχι το στατιστικό, και είναι ο μόνος αξιόπιστος τρόπος να χρησιμοποιήσεις μια μελέτη περίπτωσης ως κάτι περισσότερο από έμπνευση.

2. Ονομάστε την τριβή στη διοχέτευση του πελάτη σας

Μόλις έχετε έναν μηχανισμό, η δουλειά σας είναι να βρείτε την ίδια τριβή στον κόσμο του πελάτη. Εδώ πεθαίνουν οι περισσότερες προσπάθειες αντιγραφής-επικόλλησης, επειδή οι άνθρωποι αντιστοιχίζουν τακτική με τακτική αντί τριβή με τριβή. Το ερώτημα δεν είναι «έχει ο πελάτης ένα κουίζ;» — είναι «αντιμετωπίζει ο χρήστης του πελάτη το ίδιο πρόβλημα απόφασης;»

Πάρτε το The Sill, ένα διαδικτυακό κατάστημα φυτών που αύξησε την οργανική επισκεψιμότητα κατά 45% μέσω μακροχρόνιου SEO και βελτιστοποίησης ταχύτητας ιστοσελίδας. Η λίστα τακτικών είναι βαρετή: γράψτε περιεχόμενο για συγκεκριμένα ερωτήματα αναζήτησης, κάντε τον ιστότοπο πιο γρήγορο. Ο μηχανισμός είναι πιο ενδιαφέρων: αντιστοιχίστε την πρόθεση αναζήτησης με μια συγκεκριμένη σελίδα προϊόντος, έτσι ώστε ένας επισκέπτης που αναζητά «φυτά χαμηλού φωτισμού για γραφείο» να καταλήγει σε μια σελίδα που λέει ακριβώς αυτό, αντί για μια γενική σελίδα κατηγορίας «φυτά». Η τριβή που αφαιρείται είναι η αβεβαιότητα για το αν αυτό το κατάστημα έχει αυτό που χρειάζεται ο επισκέπτης.

Τώρα εφαρμόστε το σε έναν πελάτη. Ας υποθέσουμε ότι εργάζεστε με ένα εξειδικευμένο κατάστημα εξοπλισμού εξωτερικού χώρου με 80 προϊόντα και μεγάλη ζήτηση μακροχρόνιας αναζήτησης. Το σημείο συμφόρησης του πελάτη είναι η επισκεψιμότητα — συγκεκριμένα, η επισκεψιμότητα που ταιριάζει με αυτό που πουλάει. Ο μηχανισμός λέει: δημιουργήστε μια σελίδα προορισμού για κάθε γνήσια πρόθεση αναζήτησης και βεβαιωθείτε ότι η σελίδα είναι γρήγορη και συγκεκριμένη. Το μικρό τεστ δεν είναι «κάντε ένα πλήρες SEO audit». Είναι αυτό:

• Επιλέξτε τα δέκα ερωτήματα με την πιο ξεκάθαρη πρόθεση αγοράς (μπορείτε να τα βρείτε στην κονσόλα αναζήτησης του πελάτη ή εξετάζοντας πώς κατατάσσονται οι σελίδες προϊόντων των ανταγωνιστών).
• Για κάθε ερώτημα, γράψτε μια σελίδα που αναφέρει την περίπτωση χρήσης στον τίτλο, δείχνει τα δύο ή τρία προϊόντα που ταιριάζουν και συνδέει με την απλούστερη διαδρομή αγοράς.
• Φορτώστε αυτές τις σελίδες στην υπάρχουσα υποδομή του πελάτη. Μην επανασχεδιάσετε τον ιστότοπο.
• Παρακολουθήστε αν οι οργανικές συνεδρίες σε αυτές τις σελίδες αυξάνονται και αν αυτοί οι επισκέπτες είναι πιο πιθανό να προσθέσουν στο καλάθι από τους επισκέπτες από τη σελίδα κατηγορίας.

Αυτή η τελευταία σύγκριση έχει σημασία. Αν οι σελίδες προορισμού λαμβάνουν επισκεψιμότητα αλλά όχι μετατροπές, ο μηχανισμός μπορεί να υπάρχει, αλλά η σελίδα μπορεί να μην απαντά στο ερώτημα αναζήτησης. Αν δεν λαμβάνουν επισκεψιμότητα, μάθατε ότι η εξουσία τομέα του πελάτη ή η φρεσκάδα του περιεχομένου είναι το σημείο συμφόρησης, που είναι ένας διαφορετικός μηχανισμός. Η προειδοποίηση είναι απλή: αν ο πελάτης έχει ήδη άφθονη επισκεψιμότητα και το πρόβλημα είναι η μετατροπή, ένας μηχανισμός επισκεψιμότητας θα σπαταλήσει τον χρόνο σας και τον δικό τους.

3. Σχεδιάστε το μικρότερο τεστ που διατηρεί τον μηχανισμό

Το ένστικτο μετά από την ανάγνωση μιας καλής μελέτης περίπτωσης είναι να χτίσετε την πλήρη έκδοση αυτού που έκανε η επιτυχημένη μάρκα. Αυτό συχνά σκοτώνει τη μάθηση, επειδή μια μεγάλη κυκλοφορία περιέχει πολλές αλλαγές και δεν μπορείτε να πείτε ποια μετακίνησε τη συμπεριφορά. Αντίθετα, σχεδιάστε το μικρότερο τεστ που εξακολουθεί να περιέχει τον μηχανισμό — το κομμάτι που πραγματικά αφαιρεί την τριβή.

Το αποτέλεσμα συλλογής email της Emma Sleep είναι μια καλή περίπτωση: κάνοντας μια μόνο ερώτηση πριν από το πεδίο email, η μάρκα αύξησε τις εγγραφές email κατά 50%. Ο μηχανισμός είναι η μικρο-δέσμευση: μια μικρή, εύκολη απάντηση πρώτα κάνει το πεδίο email να μοιάζει με δεύτερο βήμα και όχι πρώτο. Η τακτική ήταν μια φόρμα με μία ερώτηση. Η πλήρης έκδοση μπορεί να είναι ένα πολυβήματικό κουίζ, ένα κέντρο προτιμήσεων ή μια μηχανή εξατομίκευσης. Δεν χρειάζεστε κανένα από αυτά για να δοκιμάσετε τον μηχανισμό.

Για έναν πελάτη με ένα τυπικό popup «Εγγραφείτε για έκπτωση 10%», το μικρότερο τεστ είναι να αντικαταστήσετε το μοναδικό πεδίο email με μια ροή δύο βημάτων:

• Βήμα πρώτο: «Ποια είναι η κύρια ανησυχία σας;» με τέσσερις επιλογές (ή «Ποια είναι η αγαπημένη σας κατηγορία προϊόντων;»).
• Βήμα δεύτερο: το πεδίο email, χωρίς προεπιλογή, αλλά με τη συγκεκριμένη απάντηση να περνάει μαζί.
• Όλα τα υπόλοιπα παραμένουν ίδια: ίδιο έναυσμα, ίδια προσφορά, ίδιο σύστημα σχεδιασμού.

Παρακολουθήστε μία κύρια μετρική: το ποσοστό εγγραφών. Αλλά μην σταματήσετε εκεί. Παρακολουθήστε το ποσοστό ολοκλήρωσης του δεύτερου βήματος (πόσοι από αυτούς που απάντησαν την ερώτηση πληκτρολόγησαν πραγματικά ένα email). Αν το πρώτο βήμα ολοκληρώνεται αλλά το δεύτερο πέφτει, ο μηχανισμός δεν λειτουργεί — μόλις προσθέσατε τριβή. Αν οι συνολικές εγγραφές αυξηθούν, έχετε ένα σήμα ότι η μικρο-δέσμευση έχει σημασία σε αυτό το πλαίσιο.

Μια σημείωση για δουλειά με πελάτες: ένα καθαρό A/B τεστ είναι συχνά αδύνατο. Η επισκεψιμότητα του πελάτη μπορεί να είναι πολύ χαμηλή, ή η τεχνική ρύθμιση μπορεί να μην υποστηρίζει δοκιμές διαχωρισμού σε σύντομο χρονοδιάγραμμα. Μην προσποιείστε στατιστική βεβαιότητα. Μια σύγκριση πριν/μετά, μερικές εγγραφές συνεδριών και δύο γρήγορες συνεντεύξεις χρηστών μπορούν να σας πουν περισσότερα από μια τιμή p που προσποιείται ότι ξέρει. Το ζητούμενο είναι να μάθετε αν ο μηχανισμός λειτουργεί σε αυτό το πλαίσιο, όχι να δημοσιεύσετε μια εργασία. Εδώ είναι που οι μικρές αλλαγές που πραγματικά κινούν τη βελόνα γίνονται στρατηγική αντί για σλόγκαν.

4. Αποφασίστε τι σημαίνει «μεταφέρθηκε» πριν το τρέξετε

Ένας μηχανισμός μπορεί να μεταφερθεί ενώ το αναμενόμενο μέγεθος του αποτελέσματος αλλάζει. Η ίδια τριβή υπάρχει σε ένα διαφορετικό κατάστημα, αλλά το μέγεθος εξαρτάται από το πόσο επώδυνη είναι η τριβή, πόση εμπιστοσύνη έχει η μάρκα και πόσο κίνητρο έχει ο χρήστης. Γι' αυτό πρέπει να ορίσετε τις συνθήκες μεταφοράς πριν ξεκινήσει το τεστ — όχι μετά, όταν θα μπείτε στον πειρασμό να εξορθολογίσετε όποιον αριθμό εμφανιστεί.

Η περίπτωση του AppSumo είναι μια χρήσιμη προειδοποίηση. Μια συγκεκριμένη σελίδα πωλήσεων δημιούργησε πάνω από 250.000 δολάρια σε λιγότερο από 10 ημέρες, και οι διαφημιστικές καμπάνιες στο Facebook απέδωσαν 29 φορές ROI. Ο μηχανισμός φαίνεται απλός: χτίστε μια αφιερωμένη σελίδα για μία προσφορά, οδηγήστε επισκεψιμότητα με πληρωμένες διαφημίσεις. Αλλά οι συνθήκες περιλαμβάνουν ένα κοινό newsletter που ήδη εμπιστεύεται προσφορές περιορισμένου χρόνου και μια δομή προσφοράς που βασίζεται στον επείγοντα χαρακτήρα. Αν αντιγράψετε την τακτική της αφιερωμένης σελίδας για έναν πελάτη χωρίς αυτό το κοινό, η σελίδα μπορεί να είναι όμορφη και η στόχευση διαφημίσεων ακριβής, και ο αριθμός δεν θα ακολουθήσει.

Πριν από το τεστ, γράψτε μια κάρτα μεταφοράς για τον μηχανισμό. Μια κάρτα μεταφοράς έχει πέντε πεδία:

• Τριβή: τι προσπαθεί να λύσει ο χρήστης.
• Μηχανισμός: η αλλαγή συμπεριφοράς που το λύνει.
• Μικρό τεστ: η φθηνότερη έκδοση που διατηρεί τον μηχανισμό.
• Λειτουργεί καλύτερα όταν: οι συνθήκες που έκαναν δυνατό το αρχικό αποτέλεσμα.
• Δεν λειτουργεί όταν: οι συνθήκες που θα έσπαγαν τον μηχανισμό.

Για τον μηχανισμό της αφιερωμένης σελίδας προσφοράς, η κάρτα μπορεί να μοιάζει με αυτό:

• Τριβή: «Υπάρχουν πάρα πολλά προϊόντα· δεν ξέρω τι αξίζει την προσοχή μου.»
• Μηχανισμός: Περιορίστε την εστίαση του χρήστη σε μία προσφορά, ώστε η απόφαση να γίνει δυαδική (αγορά ή όχι).
• Μικρό τεστ: Δημιουργήστε μια σελίδα προορισμού για ένα υπάρχον bestseller, με την ίδια διοχέτευση με τη σελίδα κατηγορίας, και συγκρίνετε τη μετατροπή.
• Λειτουργεί καλύτερα όταν: το κοινό έχει κάποια προηγούμενη εμπιστοσύνη, η προσφορά είναι πραγματικά διαφοροποιημένη και ο επείγων χαρακτήρας είναι πραγματικός.
• Δεν λειτουργεί όταν: το κοινό δεν έχει ακούσει ποτέ για τη μάρκα και δεν υπάρχει λόγος να δράσει τώρα.

Τώρα, αν η κατάσταση του πελάτη δεν πληροί τις συνθήκες «λειτουργεί καλύτερα», μπορείτε είτε να αλλάξετε τις συνθήκες (χτίστε εμπιστοσύνη πριν δοκιμάσετε την προσφορά) είτε να επιλέξετε έναν διαφορετικό μηχανισμό. Ο σκοπός της κάρτας είναι να κάνει αυτή την απόφαση ρητή. Όταν το τεστ παράγει ένα αποτέλεσμα, θα ξέρετε ποιες συνθήκες να αμφισβητήσετε.

5. Μετρήστε την υγεία του μηχανισμού, όχι μόνο τη μετρική

Ένας μόνος αριθμός μπορεί να κάνει έναν κακό μηχανισμό να φαίνεται καλός. Αν τρέξετε τη φόρμα email δύο βημάτων και οι εγγραφές αυξηθούν, αυτό είναι ένα ωραίο αποτέλεσμα. Αλλά σημαίνει ότι ο μηχανισμός της μικρο-δέσμευσης λειτουργεί, ή απλώς ότι οι φόρμες δύο βημάτων είναι καινοτόμες; Χρειάζεστε σήματα υγείας που επιβεβαιώνουν τη συμπεριφορά που είχατε σκοπό να αλλάξετε.

Για τη συλλογή email, το προφανές σήμα υγείας είναι τι συμβαίνει μετά την εγγραφή. Το πρόγραμμα συλλογής email με προτεραιότητα στο κινητό της Ideal of Sweden συγκέντρωσε 698.000 emails με ποσοστό κλικ 18,8%. Ο μεγάλος αριθμός είναι το μέγεθος της λίστας· ο αριθμός υγείας είναι το ποσοστό κλικ. Ένας μηχανισμός που προσέλκυσε τους σωστούς συνδρομητές παράγει αφοσιωμένους αναγνώστες. Αν μετρούσατε μόνο τις εγγραφές, θα μπορούσατε να μπερδέψετε μια λίστα περίεργων συνδρομητών με μια πραγματική νίκη.

Δημιουργήστε την ίδια διάκριση στο τεστ σας. Πριν από την κυκλοφορία, ορίστε:

• Κύρια μετρική: το αποτέλεσμα που ελπίζετε να αλλάξετε (εγγραφές, ποσοστό προσθήκης στο καλάθι, πωλήσεις).
• Μετρικές υγείας: οι συμπεριφορές που σας λένε ότι ο μηχανισμός λειτουργεί πραγματικά (ποσοστό κλικ email, επαναλαμβανόμενη αγορά, χρόνος στη σελίδα, χαμηλό ποσοστό επιστροφών).
• Αντι-μετρικές: τα πράγματα που δεν θέλετε να σπάσουν (επιστροφές, email υποστήριξης, ποσοστό διαγραφής).

Για το τεστ καθοδηγούμενου επιλογέα από την πρώτη ενότητα, φανταστείτε ότι το ποσοστό προσθήκης στο καλάθι αυξάνεται. Αυτή είναι η κύρια μετρική. Αλλά αν οι επιστροφές επίσης αυξηθούν, ο επιλογέας μπορεί να ενθαρρύνει τους ανθρώπους να αγοράσουν το λάθος προϊόν — ένα χειρότερο αποτέλεσμα από το να μην κάνετε καθόλου τεστ. Ο έλεγχος υγείας θα το έπιανε αυτό. Για το τεστ αφιερωμένης σελίδας προσφοράς, αν οι πωλήσεις αυξηθούν αλλά οι επισκέπτες της σελίδας έπρεπε να λάβουν μεγάλες εκπτώσεις για να μετατρέψουν, δεν έχετε αποδείξει τον μηχανισμό· έχετε αποδείξει την ευαισθησία στην τιμή.

Εδώ είναι επίσης που η συνήθεια της «μελέτης περίπτωσης» μπορεί να σας εξαπατήσει. Μια δημοσιευμένη μελέτη περίπτωσης σπάνια περιλαμβάνει τις δευτερεύουσες μετρικές. Η μάρκα μπορεί να έχει υψηλότερα έσοδα αλλά χειρότερα οικονομικά μονάδας, ή μια μεγαλύτερη λίστα με χαμηλότερη αφοσίωση. Δεν μπορείτε να το ξέρετε. Αυτός είναι ένας ακόμη λόγος να ορίσετε τις δικές σας μετρικές υγείας πριν τρέξετε οτιδήποτε.

6. Χτίστε τη βιβλιοθήκη ώστε ο επόμενος πελάτης να είναι πιο γρήγορος

Η επαναλήψιμη αξία των μελετών περίπτωσης προέρχεται από τη συσσώρευση μηχανισμών, όχι από το να μαζεύετε συνδέσμους. Μετά από κάθε τεστ, γράψτε μια κάρτα μηχανισμού και προσθέστε τη σε ένα κοινόχρηστο playbook. Η μορφή κάρτας από την τέταρτη ενότητα λειτουργεί, αλλά θα πρέπει να προσθέσετε ένα ακόμη πεδίο: το αποτέλεσμα, συμπεριλαμβανομένου του πλαισίου και τι δεν μεταφέρθηκε.

Εδώ είναι μια συμπληρωμένη κάρτα για τον μηχανισμό της μικρο-δέσμευσης:

• Τριβή: η εγγραφή μοιάζει με μονόδρομη δέσμευση χωρίς άμεση αξία.
• Μηχανισμός: κάντε μια ερώτηση χαμηλής προσπάθειας πριν ζητήσετε το email.
• Μικρό τεστ: προσθέστε ένα βήμα με μία ερώτηση στην υπάρχουσα φόρμα εγγραφής.
• Λειτουργεί καλύτερα όταν: η μάρκα μπορεί να χρησιμοποιήσει πραγματικά την απάντηση και το κοινό βλέπει αξία στην εξατομίκευση.
• Δεν λειτουργεί όταν: η ερώτηση απαιτεί πραγματική προσπάθεια, η μάρκα αγνοεί την απάντηση ή η φόρμα έχει ήδη έναν επιτακτικό λόγο για εγγραφή.
• Αποτέλεσμα: Σε ένα τεστ πελάτη, οι εγγραφές αυξήθηκαν· σε ένα άλλο, παρέμειναν σταθερές επειδή η ερώτηση φαινόταν άσχετη. Η σχετική κάρτα στην περίπτωση του δεύτερου πελάτη ήταν ένας διαφορετικός μηχανισμός.

Προσέξτε την τελευταία γραμμή. Ένας μηχανισμός που αποτυγχάνει σε ένα πλαίσιο δεν είναι αποτυχία· είναι ένα ζευγάρι σημείων δεδομένων. Με τον καιρό, θα χτίσετε έναν χάρτη: αυτό το είδος τριβής ανταποκρίνεται σε αυτόν τον μηχανισμό, υπό αυτές τις συνθήκες. Αυτός ο χάρτης είναι το πραγματικό πλεονέκτημα που έχει μια ομάδα. Είναι αυτό που σας επιτρέπει να κοιτάξετε έναν νέο πελάτη και να πείτε: «Το πρόβλημά τους είναι η υπερφόρτωση επιλογών, και ξέρουμε ένα τεστ για αυτό» αντί να ξεκινήσετε από μια κενή σελίδα.

Καθώς χτίζετε αυτή τη βιβλιοθήκη, θα γίνετε επίσης καλύτεροι στο να εντοπίζετε ποιες μελέτες περίπτωσης αξίζει να διαβάσετε καθόλου. Θα αγνοήσετε τους εντυπωσιακούς αριθμούς και θα πάτε κατευθείαν στην τριβή. Τελικά αυτό είναι το νόημα του να μετατρέπετε τις μελέτες περίπτωσης σε μικρά τεστ: όχι να αναπαράγετε ένα αποτέλεσμα, αλλά να αναπαράγετε τις συνθήκες για έναν κύκλο μάθησης.

Συμπέρασμα

Σταματήστε να αντιμετωπίζετε τους αριθμούς των μελετών περίπτωσης ως προβλέψεις. Είναι αποδείξεις ότι κάπου, σε κάποιο πλαίσιο, μια συγκεκριμένη συμπεριφορά άλλαξε όταν αφαιρέθηκε μια συγκεκριμένη τριβή. Η δουλειά σας — ειδικά όταν εργάζεστε με πολλούς πελάτες — είναι να βρείτε αυτή την τριβή στον κόσμο κάθε πελάτη, να δοκιμάσετε τη μικρότερη έκδοση του μηχανισμού και να καταγράψετε τι συνέβη. Ο αριθμός σχεδόν ποτέ δεν θα επαναληφθεί. Ο μηχανισμός, αν τον έχετε ονομάσει σωστά, μπορεί να επαναχρησιμοποιηθεί για χρόνια. Αυτό είναι ολόκληρο το playbook: εξάγετε, μεταφράστε, δοκιμάστε, καταγράψτε, επαναλάβετε.