Todos os artigos

Como Usar o Teste A/B para E-mail Marketing e Melhorar as Conversões

How To Use Email A/B Testing To Improve Conversions

Marcas que executam testes A/B para cada e-mail que enviam relatam um ROI de marketing por e-mail 37% maior do que as marcas que não executam nenhum teste A/B.

Seja uma empresa B2B enviando campanhas de nutrição de leads por e-mail ou uma marca de comércio eletrônico enviando ofertas promocionais, adicionar experimentação na forma de testes A/B a uma combinação e-mail marketing é uma maneira confiável de obter mais conversões.

Mas essa experimentação de e-mail deve ser intencional. O que significa que simplesmente pesquisar no Google “ideias de teste A/B por e-mail” e depois trabalhar a partir da lista não funciona. Você precisa fazer mais. Então, vamos ver algumas maneiras pelas quais você pode começar a fazer testes A/B de e-mail que irão prepará-lo para o sucesso frequente em e-mail marketing.

Escolhendo as métricas de desempenho certas 

Quando se trata do teste A/B para e-mails, a maioria dos profissionais de e-mail marketing começam pensando no que poderia gerar mais acessos e cliques. Mas, essas métricas de engajamento do topo do funil raramente refletem o sucesso real de uma campanha de e-mail.

Por exemplo, mesmo que um experimento de email (digamos, em uma linha de assunto) obtenha mais aberturas, ele realmente não diz se a campanha de email acabou gerando mais leads, receita ou negócios.

Para entender o negócio real que uma campanha de email gera, você precisa estudar todo o funil de interação por email. Você precisa ser capaz de monitorar e compreender o comportamento no site de seus assinantes de e-mail assim que eles abrirem e clicarem em seus e-mails. E, em seguida, relatar as métricas “reais” do seu negócio, como assinaturas de trial e solicitações de demonstração, em que o e-mail abre e os cliques resultam.

Meramente parar para monitorar as aberturas e cliques em um experimento de e-mail e declarar que os vencedores são aqueles que recebem mais não é o caminho certo, pois deixa conversões reais de fora da experimentação.

Essencialmente, você precisa dizer como as métricas de engajamento – como, aberturas e cliques resultantes do experimento – são mapeadas para as métricas de desempenho real (como a métrica de conversão da página de destino à qual a ação de abrir ou clicar no e-mail leva). Meramente parar para monitorar as aberturas e cliques em um experimento de e-mail e declarar que os vencedores são aqueles que recebem mais não é o caminho certo, pois deixa conversões reais de fora da experimentação.

Chad S. White (autor do principal livro de email marketing “Email Marketing Rules”) explica isso muito bem:

“Além disso, quem se importa se a linha de assunto A gera mais aberturas do que a linha de assunto B se a última gera mais conversões? E quem se importa se o conteúdo do e-mail A gera mais cliques do que o conteúdo do e-mail B, se este produz mais conversões? Garantimos que seu chefe preferirá mais conversões.” 

Então, como você observa o comportamento de seus assinantes de e-mail no site quando quer determinar os vencedores “reais” de seus experimentos de teste A/B para e-mail?

Uma maneira simples de fazer isso é por meio do Google Analytics usando parâmetros UTM. Com os parâmetros UTM, você pode estabelecer razoavelmente se seu e-mail foi o ponto de contato final antes da conversão ou se ajudou na conversão. Vamos dar um exemplo.

Suponha que você execute um experimento de e-mail em que testa duas versões de conteúdo (cada uma contendo apenas um link para sua página de destino). Além disso, vamos supor que uma versão (ou versão A) usa a abordagem do FOMO (“medo de estar perdendo alguma coisa”) para que o prospect solicite uma avaliação gratuita por tempo limitado e a outra usa a abordagem de prova social (usando depoimentos de clientes, selos, avaliações, etc.)

Portanto, usando os parâmetros UTM para este experimento, você deve criar dois links distintos para sua frase de chamariz.

Um poderia ser:

convert.com?utm_source=newsletter&utm_medium=email&utm_campaign=q2&utm_content=fomo

E o outro poderia ser:

convert.com?utm_source=newsletter&utm_medium=email&utm_campaign=q2&utm_content=provasocial

Assim que o assinante clicar em seus links e visitar o seu site, o Google Analytics, irá capturar os dados de seus links UTM e será capaz de mostrar qual tema de conteúdo funciona melhor.

Você pode se surpreender ao descobrir que, embora o e-mail com conteúdo baseado no FOMO tenha inspirado mais cliques, na verdade foi o e-mail carregado de prova social que obteve mais inscrições. Você entendeu a ideia, certo?

Alguns provedores de serviço de e-mail marketing também oferecem esse rastreamento pronto para uso, enquanto outros permitem que você utilize integrações para que possa analisar melhor e rastrear com precisão a resposta de sua campanha de e-mail.

Formando uma boa hipótese

Como em qualquer experimento, até mesmo um experimento de e-mail deve começar com uma hipótese forte. Uma hipótese é sempre guiada por um problema e, essencialmente, estabelece o motivo que faz você desejar executar esse experimento em primeiro lugar. 

Escrever uma hipótese para o seu experimento de e-mail força você a olhar para os dados (ou para o “problema” com o qual está lutando atualmente), analisar por que você acha que seu experimento terá um impacto positivo na taxa de conversão e também a listar as métricas que irão definir o sucesso.

O especialista em otimização de conversão Craig Sullivan compartilha um kit simples de geração de hipóteses em seu post na Medium:

hypothesis generation kit

  1. Porque nós vimos que (dado ou feedback)
  2. Nós esperamos que (tal mudança) irá gerar (tal impacto)
  3. Nós iremos medir isso usando (métricas)

 

Aqui está outra ferramenta online útil para geração de hipóteses. Basta preencher seus dados e sua hipótese baseada em dados deve estar pronta. hypothesis generation tool.

Como você pode ver, o simples ato de escrever uma hipótese ajuda a estabelecer uma base sólida para um experimento de e-mail, impedindo-o de testar mudanças aleatórias e, ao mesmo tempo, forçando você a testar as mudanças com base nos objetivos de seu canal de e-mail.

Escolhendo o tipo de teste A/B de e-mail a ser executado

Não quero entrar nos elementos que você pode testar em seu experimento – porque você pode testar tudo, desde o campo do remetente e linha de assunto, até a copy e o layout. Em vez disso, gostaria de discutir que tipo de elemento você deve testar, com base em seus objetivos.

Essencialmente, os experimentos que testam pequenos ajustes, como uma cor de botão de CTA diferente ou uma imagem diferente, apenas ajudam você a ter pequenos incrementos na taxa de conversão. 

Mas se você costuma ter conversões ruins em suas campanhas de e-mail, pequenos incrementos não ajudarão. Em vez disso, você deve procurar oportunidades de otimização de conversão que o levem a incrementos substanciais. Isso acontece apenas quando você realiza experimentos radicais.

O experimento de conteúdo da seção acima, por exemplo, é um experimento radical onde você está expondo seus assinantes a estilos de mensagens completamente diferentes do que você usa atualmente. Esses experimentos radicais ajudam você a descobrir o seu “Global Maximum” no seu caso ou uma abordagem que é totalmente nova para você, mas pode gerar conversões em massa.local and global maximum

Com base em seus objetivos de conversão de e-mail, você pode escolher rodar uma série de experimentos testando pequenos ajustes, ou começar com um experimento radical e só então construir sobre ele uma série de outros experimentos menores, testando pequenos ajustes para melhorar ainda mais a taxa de conversão aprimorada. 

Obtendo a logística certa

Depois de criar a hipótese de seu teste A/B de e-mail, é hora de determinar o tamanho da amostra, a duração do experimento e como você vai dividir sua base de leads.

Quando se trata de tipos de divisão de teste A/B de e-mail, a mais popular é a divisão 50/50. Aqui, você envia a versão A para 50% de seus assinantes e a versão B para os 50% restantes.

Alternativamente, você pode enviar a versão A para 25% de seus assinantes, a versão B para outros 25%, e a versão vencedora (com base nas aberturas ou cliques gerados) é enviada para os 50% restantes dos assinantes.

Alguns profissionais de email marketing não incluem toda a base de assinantes em seu teste. Neste caso, por exemplo, se sua campanha de gotejamento possui uma sequência de 10 e-mails e você decidir executar um teste A/B com um 11º e-mail adicional, então você poderá testar 90% dos seus assinantes, enquanto os 10% restantes não serão expostos ao seu experimento. Esse teste de validação ajuda a avaliar a eficácia geral de seu experimento. A equipe de otimização do Pinterest costuma usar um “grupo de validação de 1%” para seus experimentos.

Além de finalizar a divisão, você também deve pensar no tamanho da amostra que vai testar (esta é uma boa referência sobre tamanhos de amostra de teste A/B). 

[Você] poderá testar 90% dos seus assinantes e os 10% restantes não serão expostos ao seu experimento. Esse teste de validação ajuda a avaliar a eficácia geral de seu experimento.

Em geral, a maioria dos provedores de e-mail marketing afirma que você pode executar testes A/B vencedores, mesmo que tenha uma pequena base de assinantes. Por exemplo, de acordo com o MailChimp, se você tem 5.000 assinantes para testar cada uma de suas versões (10.000 no total para as versões A e B), você irá se sair bem. O HubSpot, por outro lado, sugere até mesmo que uma base de assinantes com 1000 contatos decentes já é o suficiente para executar testes A/B para e-mail. 

No entanto, se você deseja um tamanho de amostra mais preciso para seu experimento, verifique as calculadoras de sample size dessas ferramentas de otimização de conversão.

Depois de saber como vai dividir sua base de assinantes e quantos contatos você vai usar para executar seus testes A/B para e-mail, é hora de identificar o ponto final do seu teste.

Dependendo dos objetivos do seu teste (aberturas ou cliques), o seu ponto de parada será diferente. De acordo com o MailChimp, um teste de otimização de aberturas pode encontrar um vencedor em cerca de 2 horas. E para testes de otimização da taxa de cliques, descobriu que a duração ideal do teste era de cerca de 12 horas.

Observe que o seu vencedor com base em aberturas ou cliques pode ou não ser o “vencedor final”, porque, como vimos acima, o vencedor final é aquele que leva a mais conversões, e uma versão de e-mail que obtém mais engajamento não garante conversões mais altas. Na maioria dos casos, você precisará de alguns dias para determinar o vencedor final com base na interação do assinante com seu e-mail e sua atividade em seu site. 

Construindo uma estrutura robusta de teste de e-mail

Ao iniciar o teste A/B para e-mail, pode ser muito viciante testar a cor do botão ou a eficácia da personalização. Frequentemente, esses pequenos ajustes mudam as métricas por causa do efeito de novidade, com os assinantes respondendo à “curiosidade” em seus e-mails. 

Mas, embora essas vitórias instantâneas ajudem a gerar interesse na experimentação por e-mail, elas pouco contribuem para o sucesso do e-mail marketing a longo prazo.

Para isso, você precisa desenvolver uma estrutura de testes que permita ir atrás de seus objetivos específicos de marketing e evitar gastar seus recursos testando mudanças aleatórias. 

Frequentemente, esses pequenos ajustes mudam as métricas por causa do efeito de novidade, com os assinantes respondendo à “curiosidade” em seus e-mails. 

Construir uma estrutura de experimentação de e-mail também ajuda a documentar todos os testes de e-mail executados e seus resultados. Os resultados de seus experimentos anteriores irão guiá-lo no planejamento de seus futuros testes. Por exemplo, se você descobrir em um de seus testes A/B para e-mail que empurrar o botão de CTA de seu e-mail para a fold area obtém mais cliques, você pode querer testar outra cor para o botão de CTA em uma experiência de acompanhamento para ver se assim, melhora ainda mais a taxa de conversão. 

Ao investir nessa estrutura, cada vez que você quiser testar e-mails (o que deve ser feito com frequência para obter maior sucesso), terá um monte de insights que já aprendeu com os experimentos anteriores.

Isso pode parecer muito trabalhoso, mas mesmo uma simples planilha do Google faria o trabalho.

Resumindo

Então, isso é tudo que você precisa saber para começar a executar testes A/B para e-mail significativos que realmente impactam os resultados financeiros de sua empresa. E você, roda testes A/B? Se sim, como você aborda sua hipótese e encontra os verdadeiros vencedores? Conte-nos nos comentários!

Deixe uma resposta (0)

Copiado para área de transferência