Élargir la base de clients avec des sites Web repensés à l'aide de l'infrastructure Bandit

Alors que Covid-19 a conduit à une intensification de l’isolement dans le monde, la population dans son ensemble a eu du mal à s’adapter à la nouvelle réalité. Bien que l’assouplissement prudent des restrictions ait été engagé, de nombreux changements de comportement s’accoutumeront malgré leur adoption en raison d’un cas de force majeure. Par exemple, pendant cette période, de nombreux consommateurs qui sont passés à contrecoeur aux achats en ligne continueront cette pratique et deviendront ainsi plus à l’aise numériquement. En outre, cette nouvelle cohorte devrait avoir une préférence révisée pour les produits en raison de la crise économique qui prévaut.

Par conséquent, ces changements dans les exigences se traduiront par une chasse aux nouveaux fournisseurs par des individus qui trouvent leurs fournisseurs existants inadéquats. D’un point de vue commercial, cette perturbation est à la fois une opportunité pour les entreprises d’acquérir de nouveaux clients, ainsi qu’une menace pour ceux qui ont une faible satisfaction client. Par conséquent, afin de traverser intelligemment au cours de cet environnement en évolution rapide, les organisations doivent adopter des stratégies innovantes pour fidéliser et élargir leur clientèle pendant ces périodes fluides.

Élargir la base de clients avec des sites Web repensés à l'aide de l'infrastructure Bandit

Tandis que les consommateurs naviguent sur le Web pour rechercher de nouveaux fournisseurs, les entreprises doivent apporter des améliorations à leurs actifs numériques pour fidéliser et attirer des clients hésitants. Au fur et à mesure que les organisations améliorent leur présence en ligne, elles peuvent suivre leurs progrès en surveillant les mesures du site Web telles que le taux de conversion. Dans sa forme la plus simple, le taux de conversion est le nombre total de personnes qui achètent un produit, divisé par le nombre total de visiteurs du site Web. Cette métrique importante fonctionne en conjonction avec l’optimisation des moteurs de recherche (SEO). Alors que le référencement vise à augmenter le nombre de visiteurs, l’optimisation du taux de conversion vise à générer un nombre maximal d’entre eux à acheter. Ainsi, pendant cette période critique de bouleversement des consommateurs, les entreprises peuvent adopter le taux de conversion comme l’un des principaux indicateurs de performance (KPO) qui reflète la fidélisation ainsi que les nouvelles acquisitions de clients.

Une méthode bien connue des entreprises pour améliorer leur taux de conversion consiste à repenser dynamiquement leurs sites Web à l’aide d’une plateforme de test AB. La procédure de test AB fonctionne en divisant automatiquement les visiteurs entrants en différents pools dans lesquels chaque groupe affiche une instance spécifique d’une option de conception concurrente. Par exemple, supposons que nous souhaitons améliorer la couleur d’arrière-plan de notre site Web et souhaitons choisir parmi les deux options, rouge ou bleu. Le processus de test AB divise les visiteurs en deux sections et affiche le site Web avec le fond rouge à un groupe, tandis que les autres sont montrés une instance avec le fond bleu. Le gagnant final de l’expérience est l’option qui atteint le taux de conversion le plus élevé et elle est ensuite adoptée pour tous les clients.

Comme les sites Web se composent généralement de plusieurs composants qui nécessitent une mise à niveau, le processus de test AB pourrait être fastidieusement lent si nous ciblons un seul élément à chaque fois. Bien qu’une version améliorée appelée test AB multivarié puisse traiter simultanément de nombreux attributs, son application présente de sérieuses limitations. Le problème essentiel est que le nombre de divisions nécessaires pour le trafic entrant augmente de manière incontrôlable à mesure que nous augmentons le nombre de fonctionnalités dans un test. Par exemple, l’instance précédente avait un seul attribut (arrière-plan) avec quelques options qui impliquaient la distribution des visiteurs en ligne en deux groupes. Cependant, si au lieu d’un changement, nous ciblions simultanément deux variables binaires, les partitions requises passeront à quatre. En général, le nombre de divisions de trafic requises est égal au nombre total d’options de conception possibles. Par conséquent, si nous devions optimiser simultanément trente de ces fonctionnalités, le nombre total de conceptions possibles ainsi que de bifurcations atteindrait fortement un milliard environ. Par conséquent, les tests multivariés à grande échelle ne sont pas pratiques car la division des visiteurs par milliards n’est pas possible, même pour les sites Web très fréquentés avec du trafic par millions.

Fait intéressant, la complexité des tests AB multivariés peut être rendue traitable si nous le modélisons comme une instance du problème des bandits armés. Le mot bandit désigne une machine à sous, faisant référence à un scénario dans lequel un joueur visite un nouveau casino et souhaite maximiser ses gains. Par conséquent, étant donné une certaine somme d’argent initiale, le joueur doit développer une stratégie pour jouer aux machines de manière à assurer un rendement maximal.

Comme l’investissement initial n’est pas suffisant pour jouer tous les bandits, le joueur pourrait commencer par essayer quelques-uns sélectionnés arbitrairement. Au fur et à mesure que de plus en plus de ces courts essais sont menés, le parieur commence à mieux comprendre le licenciement. Les informations recueillies sont essentielles pour détourner efficacement les dépenses en faveur des bandits les mieux payés. De plus, les enseignements généralisés des essais influencent le dépistage des meilleures machines à sous non testées. Par exemple, si l’on observe que les bandits plus âgés sont de piètres performances, alors il est logique de prioriser les machines non testées nouvellement fabriquées pour les inclure dans les prochaines itérations.

Soit dit en passant, la meilleure approche dans ces circonstances suit deux idiomes communs. Premièrement, le joueur ne doit pas mettre tous les œufs dans le même panier. Cela signifie qu’au lieu de se concentrer sur un seul bandit, il est préférable de maintenir un portefeuille de machines à sous testées et non testées comme cibles d’investissement. Deuxièmement, les bandits devraient être joués à leurs forces. Cela implique fondamentalement que les machines à sous qui fournissent des dividendes plus élevés devraient proportionnellement avoir plus de part de chances dans les prochains tours. Remarquablement, cette stratégie simple explique largement les principes fondateurs d’un algorithme gagnant idéal.

Le framework bandit peut être mappé à des tests AB multivariés afin de le rendre gérable. Rappelons que pour obtenir les meilleurs résultats, le joueur devait s’appuyer sur les enseignements de courts essais répétés car les ressources limitées ne permettaient pas d’essayer tous les bandits. De même, une approche analogue est suivie dans laquelle des tests AB à petite échelle avec peu de partitions sont entrepris à plusieurs reprises pour atteindre la convergence. Par conséquent, le processus démarre avec un test AB initial (essai) de quelques modèles sélectionnés au hasard (bandits) et les taux de conversion (gains) pour chaque division sont tabulés. Au cours du prochain test AB (essai), davantage de trafic (ressources) est détourné vers des choix à haut rendement, tandis que les enseignements des tests AB précédents aident à générer de nouvelles conceptions qui reconstituent en continu les performances médiocres. Par conséquent, en utilisant le cadre de bandit dans les tests AB multivariés, les entreprises peuvent rapidement repenser leurs sites Web automatiquement et sans avoir à essayer de manière exhaustive toutes les possibilités.

Alors que les consommateurs subissent une transformation en raison des perspectives économiques sombres, les vendeurs pour leur propre survie doivent rendre leur présence numérique plus attrayante pour les visiteurs. À cette fin, le cadre de bandit peut être intégré à des tests AB multivariés pour obtenir rapidement une refonte évolutive des sites Web d’entreprise. Cette approche amalgamée permettra aux organisations d’atteindre des taux de conversion plus élevés, ce qui améliorera la fidélité des clients et leur adhérence.

Publié dans The Express Tribune, 30 juin 2020.

Comme Opinion & Editorial sur Facebook, suivez @ETOpEd sur Twitter pour recevoir toutes les mises à jour sur toutes nos pièces quotidiennes.

Tags: