Blog Mendapatkan kepercayaan pengguna - dan persetujuan mereka: praktik terbaik untuk A/B testing dan analisis

Mendapatkan kepercayaan pengguna - dan persetujuan mereka: praktik terbaik untuk A/B testing dan analisis

Perubahan sedang terjadi dengan pengumuman Apple mengenai iOS 14 dan industri bekerja keras untuk memastikan bahwa mereka sudah siap menyambut perubahan tersebut. Sebagai persiapan untuk menyambut awal tahun 2021, saat aplikasi perlu meminta persetujuan untuk melacak pengguna, Adjust telah bekerja keras meneliti strategi untuk membuat prompt persetujuan dengan tingkat kesuksesan yang tinggi dan membantu klien menyiapkan diri menghadapi perubahan.

Apabila Anda ingin melihat kembali informasi tentang perubahan kebijakan privasi yang diperkenalkan oleh Apple dalam ios 14, Anda dapat membaca ringkasan di panduan Help Center. Kami juga menyarankan agar Anda membaca blog post pertama kami dalam seri ini, yang membahas tentang peran desain UX dalam memperoleh persetujuan pengguna.

Dalam artikel ini, kami telah mengumpulkan informasi mengenai praktik-praktik terbaik untuk Pengujian A/B, serta memberikan saran tentang hal-hal yang perlu dinilai di setiap putaran dan hal-hal yang perlu di perhatikan saat melakukan analisis. Sebagai langkah awal, kami akan mengkaji pandangan pengguna tentang privasi data dan bagaimana Anda dapat menggunakan informasi ini dalam menyusun strategi untuk mendapatkan persetujuan pengguna.

Sikap pengguna terkait privasi data

Penelitian menunjukkan bahwa jumlah konsumen yang lebih menyukai iklan yang dipersonalisasi ternyata lebih banyak dari perkiraan semula. Salah satu studi yang dilakukan oleh Oxford Economics pada tahun 2018 menyebutkan bahwa sekitar 70% konsumen bersedia untuk memberikan persetujuan agar dapat melihat iklan yang disesuaikan dengan kebutuhan mereka. Data menunjukkan bahwa hanya sebagian kecil konsumen yang tidak setuju dengan pengalaman yang dipersonalisasi, ditargetkan:

  • Hanya 17% merasa tidak nyaman dengan penawaran yang dipersonalisasi
  • Hanya 15% merasa tidak nyaman dengan produk dan layanan yang dipersonalisasi

Kepercayaan merupakan faktor yang menentukan seberapa nyaman pengguna untuk memberikan persetujuan. Studi lain, yang dilakukan oleh Salesforce, bertanya kepada 8.000 konsumen tentang apa arti kepercayaan untuk mereka. 75% menjawab "privasi" dan 70% menjawab "transparansi" - ini menunjukkan sejauh apa keterkaitan antara kepercayaan dengan privasi dan seberapa jelas penyampaian kebijakan privasi.

Praktik terbaik terkait pemberitahuan privasi

Pemberitahuan privasi biasanya digunakan oleh organisasi untuk menjelaskan cara mereka mengolah data pribadi dan penerapannya ke berbagai kebijakan perlindungan data, seperti GDPR.

Untuk mendapatkan informasi lebih lanjut tentang tampilan pemberitahuan privasi di perangkat seluler, Adjust melakukan audit untuk praktik-praktik umum. Kami menemukan bahwa ada tiga tren umum dalam penyajian informasi:

  1. Beberapa aplikasi memberikan kendali penuh kepada pengguna atas data mereka, dengan opsi persetujuan yang paling detail
  2. Beberapa aplikasi membatasi kendali dengan cara tidak menyebutkan mitra perusahaan
  3. Kelompok ketiga mencakup aplikasi yang menggunakan pendekatan “all in” atau “all-out”, di mana pengguna dapat memberikan persetujuan untuk pertukaran data dengan pihak-pihak yang disebutkan atau untuk tidak menolak pertukaran data.

Kami selalu menyarankan agar klien memilih pendekatan pertama: bersikaplah se-transparan mungkin dan beri kendali penuh kepada pengguna atas data mereka. Untuk mendukung hal ini, Anda dapat menjelaskan alasan dilakukannya pengumpulan data melalui materi dan ilustrasi serta menyebutkan manfaat positif yang dapat diperoleh apabila pengguna memberikan persetujuan.

Pengelompokan

Banyak brand bertanya-tanya apakah permintaan Apple bisa dikelompokkan bersama dengan pemberitahuan privasi lainnya. Saat pemberitahuan privasi dikelompokkan, ada potensi untuk meningkatkan tingkat persetujuan dengan menempatkan pemberitahuan di bagian bawah layar dan memberikan dua pilihan: "Setuju" dan "Tidak Setuju". Akan tetapi menurut GDPR, pengguna tidak dapat diarahkan untuk memberikan jawaban tertentu dengan memilih checkbox persetujuan sebelumnya atau dengan menjadikan CTA persetujuan sebagai tombol utama.

Sebuah studi telah menunjukkan bahwa penyampaian pesan terkait persetujuan dengan cara yang tepat akan berdampak positif terhadap tingkat persetujuan: jika ada dua opsi untuk memberikan persetujuan dan pesan tersebut dikemas secara positif, pengguna kemungkinan besar akan memberikan persetujuan - seperti dalam contoh di bawah.

Walaupun sebagian klien melaporkan bahwa mereka berhasil mendapatkan tingkat persetujuan (opt-in) sebesar 30-60% dengan menampilkan pop-up Apple dengan sendirinya, kami menyarankan agar Anda menggunakan waktu yang tersisa untuk melakukan pengujian secara mendalam terhadap berbagai jenis strategi opt-in untuk pengguna Anda, termasuk mengelompokkan pemberitahuan privasi.

Mengevaluasi gagasan Anda - A/B Testing

A/B Testing adalah cara yang baik untuk mengevaluasi solusi Anda dengan membandingkan dua strategi untuk mendapatkan persetujuan dan menilai kesuksesan.

Sebagai langkah awal, kami menyarankan agar Anda melakukan A/B test terhadap pesan persetujuan yang sudah digabungkan dengan pemberitahuan privasi GDPR, kemudian menampilkannya sebagai pesan terpisah. Jika pengguna memberikan persetujuan, jangan lupa untuk kemudian menjalankan simulasi pop-up ATT Apple.

Berikut adalah tahapan pengujian yang bisa dilakukan terhadap berbagai aspek yang akan membantu Anda dalam menyusun rencana penelitian.

Tahap pertama pengujian:

Anda dapat mengembangkan hasil dengan memperkenalkan variabel tambahan. Misalnya, jika pemberitahuan privasi gabungan yang mencakup permintaan Apple ternyata lebih sukses, Anda dapat mengeksplorasi dampak yang akan ditimbulkan dari penggunaan materi atau desain lain terhadap tingkat persetujuan. Alternatif lainnya, jika Anda merasa bahwa tampilan terpisah (mis. pre-permission prompt atau pop-up Apple) memiliki keberhasilan yang lebih tinggi, Anda dapat mengevaluasi waktu untuk menampilkan pesan tersebut.

Tahap kedua pengujian:

Jika Anda memiliki basis pengguna yang cukup besar dan sumber daya yang memadai, Anda juga dapat mempertimbangkan untuk mengevaluasi dampak penggunaan lebih dari satu variabel terhadap tingkat persetujuan dengan menggunakan analisis log linier. Kami juga menyarankan agar Anda mengevaluasi frekuensi menampilkan pesan terkait persetujuan bagi pengguna yang belum memberikan persetujuan.

Anda dapat mengeksplorasi apakah ada dampak yang signifikan secara statistik untuk berbagai segmen pengguna. Anda mungkin akan menemukan bahwa tingkat persetujuan untuk pengguna baru lebih tinggi dibandingkan dengan pengguna yang ada, atau bahwa pengguna dari satu kawasan lebih sering menolak memberikan persetujuan dibandingkan dengan pengguna dari kawasan lainnya. Dengan informasi seperti ini, Anda akan satu langkah lebih maju untuk secara dinamis mengadaptasi strategi Anda agar dapat semakin meningkatkan tingkat persetujuan.

Setelah melakukan A/B testing, Anda perlu menghitung selang kepercayaan agar dapat menginterpretasikan data. Ini akan membantu Anda untuk menentukan kisaran tingkat persetujuan sesungguhnya jika pengujian dilakukan terhadap setiap pengguna aplikasi.

Memprediksi tingkat persetujuan: Pemodelan Prediktif

Pemodelan prediktif menggunakan teknik statistik untuk memprediksi perilaku pengguna tertentu. Dua jenis pendekatan dapat membantu menganalisis A/B test Anda:

  • Analisis regresi yang menyelidiki hubungan antar variabel. Ini dapat digunakan untuk memprediksi nilai dari sebuah variabel outcome berdasarkan variabel prediksi.

  • Analisis pohon keputusan digunakan untuk memperkirakan outcome variabel sasaran berdasarkan pengamatan atas variabel input.

Dengan metode analisis ini, Anda dapat menyelidiki variabel yang paling berpengaruh untuk memprediksi respon pengguna. Dengan menggunakan informasi kontekstual tertentu, Anda dapat memprediksi kategori yang tepat (memberikan persetujuan atau tidak memberikan persetujuan) untuk seorang pengguna. Berikut adalah beberapa contoh variabel prediksi yang dapat digunakan sebagai data set pelatihan:

Regresi logistik dan analisis pohon keputusan adalah metode yang baik untuk memecahkan masalah klasifikasi. Regresi logistik biasanya akan menjadi pendekatan yang lebih baik jika Anda meyakini bahwa data set Anda terbagi secara linier ke dalam dua bagian, yakni satu bagian yang terkait dengan keputusan untuk memberikan persetujuan dan bagian lain terkait dengan keputusan untuk tidak memberikan persetujuan. Anda juga perlu menggunakan analisis regresi jika nilai dari variabel prediksi bersifat kontinu.

Tetapi pohon keputusan akan menjadi pilihan yang lebih sesuai jika Anda tidak merasa yakin dengan pemisahan data. Dan jika data set Anda memiliki banyak pencilan, nilai yang hilang, atau kurang akurat, maka pohon keputusan juga seringkali menjadi pilihan lebih baik.

Kami menyarankan agar Anda mulai menggunakan kedua metode ini dan kemudian membuat keputusan berdasarkan model yang memberikan hasil terbaik. Langkah selanjutnya, Anda dapat menilai kontribusi individu dari variabel prediksi untuk mengidentifikasi variabel (mis. jenis instalasi, kawasan, demografi dsb) memiliki dampak terbesar terhadap keputusan pengguna.

Menyelidiki motivasi konsumen: berbicara dengan pengguna Anda

Pengujian dan analisis regresi akan menunjukkan faktor-faktor yang kemungkinan dapat meningkatkan tingkat persetujuan pengguna - tetapi metode ini tidak akan menunjukkan kepada Anda kenapa pendekatan tersebut berhasil dan kenapa variabel tertentu lebih penting daripada variabel lainnya. Pada akhirnya, informasi ini bisa diperoleh dengan menghubungi pengguna data dan melakukan wawancara mendalam yang akan mengubah temuan kuantitatif menjadi jalur pembuatan keputusan yang telah ditetapkan. Informasi yang diperoleh dari wawancara seperti ini, dengan pengguna yang kemungkinan besar akan memberikan persetujuan atau tidak memberikan persetujuan, dapat digunakan untuk meningkatkan strategi persetujuan dinamis secara lebih lanjut.

Ringkasan

Privasi data merupakan salah satu topik paling penting di dunia digital saat ini. Adjust meyakini bahwa ini harus disambut oleh setiap perusahaan, tidak diacuhkan. Pada akhirnya, pendekatan yang jelas dan transparan akan membantu memupuk kepercayaan pengguna aplikasi Anda dan membuat mereka memberikan persetujuan untuk membagikan IDFA.Karena panduan privasi yang baru akan segera diperkenalkan dalam beberapa bulan ke depan, inilah saatnya untuk melakukan pengujian komprehensif dan menentukan cara untuk mengoptimalkan alur persetujuan. Semakin banyak persiapan yang dilakukan, semakin besar peluang Anda untuk terus membina hubungan yang saling menghormati dengan pengguna dan mendapatkan tingkat persetujuan yang tinggi. Kami bekerja sama secara erat dengan beberapa klien untuk menjalankan pendekatan yang didorong oleh data agar dapat mengoptimalkan persetujuan dan kami juga terus membagikan pembelajaran kami sepanjang proses. Pantau terus blog Adjust untuk mendapatkan informasi lebih lanjut dalam beberapa bulan ke depan.