Praxisguide

Leadqualität in A/B-Tests messen

A/B-Tests auf Landingpages zur Lead-Generierung sind besonders effizient. Aufwände sind gering und statistisch signifikante Ergebnisse können schnell erzielt werden, da Leads oft einfacher zu generieren sind als Sales.

Nicht alle Leads sind jedoch gleichwertig. Manche werden zu Sales, andere sind vollkommen wertlos, da beispielsweise die Kontaktdaten erfunden sind. In diesem Praxisguide zeigen wir deshalb Schritt für Schritt, wie Sie qualitativ hochwertige Leads als KPIs für A/B-Tests verwenden können.

1. Einleitung

A/B-Tests auf Landingpages zur Lead-Generierung sind besonders effizient. Erstens sind im Vergleich zu Online-Shops die Aufwände meistens geringer. Zweitens können statistisch signifikante Ergebnisse schnell erzielt werden, da Leads oft einfacher zu generieren sind als Sales. Die Hürde Kontaktdaten einzugeben, ist einfach geringer als zu bezahlen.

Nicht alle Leads sind natürlich gleich viel wert: manche werden zu Sales, andere sind vollkommen wertlos, da beispielsweise die Kontaktdaten erfunden sind. Für die Auswertung von A/B-Tests bedeutet dies, dass nur wertvolle Leads als tatsächliche Conversions [1] gezählt und der jeweiligen Testvariante zugeschrieben werden sollten. Falls diese Tatsache nicht beachtet wird, führt eine Testvariante möglicherweise zu mehr – jedoch qualitativ schlechteren – Leads.

In diesem Praxisguide zeigen wir deshalb Schritt für Schritt, wie Sie qualitativ hochwertige Leads als KPIs für A/B-Tests verwenden können. (Das eigentliche Qualifizieren von Leads ist nicht Thema dieses Dokuments.) Die konkreten Schritte, die hierfür unternommen werden müssen, unterscheiden natürlich abhängig von den eingesetzten Softwaresystemen. Unsere Beschreibung ist deshalb allgemein gehalten.

Die Kapitel in der Übersicht:

  • Lohnt sich die Auswertung unter Einbeziehung der Leadqualität (siehe 2. Kapitel)?
  • Allgemeine Beschreibung des Ablaufs (siehe 3. Kapitel)?
  • Notwendige Anpassung der Vielen-Dank-Seite (4. Kapitel)
  • Qualität der Leads zu den Testing-Daten zurückspielen (5. Kapitel)
  • Statistische Signifikanz manuell berechnen (6. Kapitel)

2. Wann sind diese Analysen sinnvoll?

Die Auswertung unter Einbeziehung der Leadqualität kostet Zeit und Ressourcen. Vor allem die Daten der Leadqualität im richtigen Format zu beschaffen, bedeutet organisatorischen Aufwand.

Die Leadqualität zwischen Testvarianten kann bei A/B-Tests wie diesen verschieden sein:

  • Leads werden in Testvarianten auf verschiedene Arten gesammelt. Es kommen zum Beispiel Willkommens-Layer oder Exit-Intent-Layer zum Einsatz.
  • Es werden Formularfelder weggelassen oder hinzugefügt.
  • Es wird getestet, welche Arten von Contents zu mehr Leads führen. Vielleicht haben Besucher, die ihre Daten gegen ein Whitepaper eintauschen weniger Interesse an Ihrem Angebot als Besucher, die sich für ein Webinar anmelden.
  • In einer Testvariante wird eine Prämie für einen Lead versprochen.

Natürlich können auch in anderen A/B-Tests Unterschiede in der Leadqualität auftreten.

3. Beschreibung des Ablaufs

Angenommen es werden eine Testvariante und eine Kontrollvariante getestet. Eine Liste der IDs der gesammelten Leads – aufgeteilt nach gesehener Testvariante – kann man sich so vorstellen:

Kontrollvariante Testvariante
13973343 13973242
13973564 13973443
13973569
total:  3 total:  2

Sales-Mitarbeiter haben die Leads abtelefoniert. Es stellt sich jedoch heraus, dass der Lead mit der ID 13973564 minderwertig ist. Er wird entsprechend aus der Liste gelöscht und die Anzahl der Conversions der Kontrollvariante angepasst:

Kontrollvariante Testvariante
13973343 13973242
13973564 13973443
13973569
total3 2 total: 2

Es gilt also zwei Dinge zu tun:

(1) Es muss aufgezeichnet werden, welche Variante die gesammelten Leads gesehen haben. Das heißt es muss eine Tabelle wie oben gepflegt werden. Wichtig: Die hier verwendeten IDs für die Leads müssen auch vom CRM verwendet werden, um die Qualität eines Leads zu bewerten. Diese IDs sind der Schlüssel der die Informationen über die Leadqualität mit den Testergebnissen verknüpfen.

Statt Zahlen können beispielsweise auch E-Mail-Adressen (falls verfügbar) oder das Ergebnis einer Hashfunktion auf die E-Mail-Adresse verwendet werden.

(2) Aus dem CRM oder vom Sales-Team müssen die Informationen über die Leadqualität an die Verantwortlichen des A/B-Tests zurückgespielt werden.

Weiterbildung per eLearning.

Werde zum Spezialisten für eCommerce-Optimierung
  • Branchenbekanntes Zertifikat
  • Zeitlich unlimitierter Zugang zu allen Lerninhalten
  • Zu jeder Zeit und an jedem Ort lernen

Keine Anmeldung notwendig

4. Anpassung der Vielen-Dank-Seite

Auf der Vielen-Dank-Seite muss die oben beschriebene Tabelle gespeichert werden. Dies kann auf zwei Weisen erfolgen:

  • in eine Datenbank
  • in das verwendete Webanalyse-Tool

Bevor wir die konkrete Umsetzung betrachten, soll nochmals auf die Anforderungen an die IDs der Leads hingewiesen werden. Wenn diese IDs vom CRM kommen, müssen die Daten für die Tabelle im Quelltext der Vielen-Dank-Seite nach dem Code des CRMs gespeichert werden.

4.1 In Datenbank schreiben

Diese Möglichkeit ist nur in kleineren Unternehmen, wo Quelltext relativ einfach bearbeitet werden kann, oder in größeren Unternehmen mit einiger Vorlaufzeit umsetzbar.

Zuerst wird in einer Datenbank eine Tabelle mit zwei Spalten angelegt:

leadID test_testvariante

Auf der Vielen-Dank-Seite wird diese Tabelle dann zum Beispiel mit PHP befüllt. Nach drei Conversions sieht sie beispielsweise so aus:

leadID test_testvariante
13973242 preis-box_v1
13973343 preis-box_kontroll
13973443 preis-box_v1

4.2 In Webanalyse-Tool speichern

Vor allem in größeren Unternehmen und auf Landingpages, die Teil der normalen Website sind, können obige Veränderungen selten umgesetzt werden. Hier bietet sich dann der Umweg über das Webanalyse-Tool an. Wir beschrieben den Ablauf am Beispiel von Google Analytics.

Die Idee ist einfach: Statt obige Tabelle in eine Datenbank zu schreiben, werden die beiden Spalten mithilfe von Ereignissen an Google Analytics gesendet.

Der entsprechende Code sieht in Universal Analytics so aus:

ga(’send‘, ‚Leadqualität‘, ‚13973242‘, ‚ preis-box_v1‘);

Diese Daten können Sie sich nun bequem über einen benutzerdefinierten Bericht ansehen. Wählen Sie also „Personalisieren“ in der Leiste ganz oben und dann „Neuer benutzerdefinierter Bericht“:

Wählen Sie diese Konfigurationen, um eine wie in Kapitel 4.1 skizzierte Tabelle zu erhalten. (Die Spalte „Eindeutige Ereignisse“ können Sie in der Tabelle ignorieren.)

5. Qualität der Leads zurückspielen

Angenommen die Qualität der Leads wurde nun auf verschiedene Weise bewertet. Dazu gehören zum Beispiel:

  • Offensichtlich falsche Eingaben wie „blabla“ wurden als minderwertig eingestuft.
  • Nicht relevante Leads, zum Beispiel mit Postleitzahlen, die nicht vom Unternehmen abgedeckt werden, wurden gekennzeichnet.
  • Nach einem Telefonat wurden Leads ohne Interesse aussortiert.
  • Es wurde analysiert, wie viele Leads tatsächlich zu Sales wurden. Alle Leads ohne Sale wurden markiert.

Für unser Thema sollten Sie aus dem CRM oder von Ihren Kollegen aus dem Vertrieb also eine Liste der minderwertigen Leads erhalten.

Als Beispiel soll diese Liste an IDs minderwertiger Leads dienen: 13973564, 13973569.

Obige Liste (aus Google Analytics oder der Datenbank) sowie die Liste der minderwertigen Leads können nun in einem Excel-Tabellenblatt kombiniert werden:

Mithilfe des sverweis()-Befehls können die Zeilen im linken Teil identifiziert werden, die als minderwertig eingestuft wurden. Fügen Sie dazu eine Spalte „lookup“ ein:

Für alle minderwertigen Leads steht nun in der Spalte „lookup“ deren ID. Akzeptierte Leads verfügen über den Vermerk „#NV“.

Erstere sollen nur in der linken Tabelle entfernt werden. Wenden Sie dazu Filter auf die Tabelle an (Daten > Sortieren und Filtern > Filtern):

Nun sortieren Sie nach Zeilen, die nicht „#NV“ enthalten …

… und löschen die Zeilen, die angezeigt werden:

Übrig bleibt die Liste der hochwertigen Leads.

Um nun die Anzahl der Conversions pro Testvariante zu errechnen, fügen Sie eine Pivot-Tabelle ein:

Wählen Sie diese Konfiguration und Sie erhalten die Anzahl der Conversions pro Testvariante:

6. Statistische Signifikanz neu berechnen

Die Anzahl der Conversions ist gesunken. Dies hat auch einen Einfluss auf die statistische Signifikanz des A/B-Tests. Sie müssen diese nun für die korrigierten Werte nochmals manuell ausrechnen.

Hierfür können Sie verschiedene Online- Kalkulatoren verwenden:

[1] In unserem Praxisguide „Ziele für A/B-Tests auf Landingpages definieren“ haben wir diese tatsächlichen Conversions „Offline-Ziele“ genannt, da sie nicht direkt auf der Website gemessen werden können.

ConversionBoosting