วิธีสร้างความมั่นใจให้ user - เพื่อเพิ่ม opt-in ให้มากขึ้น : A/B testing คือคำตอบที่ดีที่สุด

Katie Madding

15 พ.ย. 2020

ความเปลี่ยนแปลงนั้นเกิดขึ้นเสมอ โดยเฉพาะการประกาศใช้ iOS 14 จาก Apple ทำให้คนในวงการต้องทำงานกันหนักขึ้น เพื่อให้แน่ใจว่าพวกเขาพร้อมสำหรับสิ่งที่กำลังจะมา การเตรียมตัวสำหรับต้นปี 2021 นั้น แอปจะต้องส่งคำขอถึง user เพื่อยินยอมให้ติดตามข้อมูล Adjust ได้มุ่งค้นคว้าวิธีเพิ่ม opt-in ให้ฉับไวและมีประสิทธิภาพ เพื่อช่วยให้ลูกค้ามีความพร้อมสำหรับการเปลี่ยนแปลงนี้

ในกรณีที่คุณต้องการทบทวนเกี่ยวกับนโยบายความเป็นส่วนตัวที่ Apple เปลี่ยนแปลงใน iOS 14 คุณสามารถอ่านบทสรุปที่เราทำไว้ Help Center guide เราขอแนะนำให้อ่านบล็อกโพสต์แรกของเรา เพื่อดูว่า UX design สามารถช่วยให้ user มีการ opt-in ได้อย่างไร

ในบทความนี้ เราได้รวบรวมข้อมูลที่ดีที่สุดสำหรับ A/B testing ด้วยคำแนะนำนี้ เพื่อการประเมินในแต่ละรอบ และสิ่งที่ควรระวังในการวิเคราะห์ เราจะเริ่มกันที่ user ใน data privacy เพื่อให้คุณนำสิ่งเหล่านั้นมาช่วยปรับทำกลยุทธ์ opt-in

มุมมองของ user ที่มีต่อ data privacy

บทวิจัยแนะนำว่าผู้บริโภคหลายคนไม่ได้รู้สึกอึดอัดกับการโฆษณาที่เป็นแบบเฉพาะกลุ่มเหมือนแต่ก่อนแล้ว กรณีศึกษา จัดทำโดย Oxford Economics ในปี 2018 แนะนำว่า มากกว่า 70% ของผู้บริโภคเปิดใจต่อการ opting-in เฉพาะกลุ่มหรือบุคคล ข้อมูลนี้แสดงให้เห็นว่ามีเพียงกลุ่มคนเพียงเล็กน้อยเท่านั้น ที่ยังรู้สึกอึดอัดต่อการโฆษณาแบบเฉพาะกลุ่มอยู่

  • 17% ที่ รู้สึกอึดอัด กับข้อเสนอแบบส่วนบุคคล
  • และ 15% ที่ รู้สึกอึดอัด กับผลิตภัณฑ์และบริการแบบส่วนบุคคล

ความเชื่อใจเป็นปัจจัยสำคัญที่ทำให้ user เปิด opt-in อีกหนึ่งตัวอย่าง จัดทำโดย Salesforce ซึ่งถามผู้บริโภคกว่า 8,000 คนว่า ความเชื่อใจคืออะไร มากถึง 75% นั้นตอบว่า "ความเป็นส่วนตัว" และ 70% ตอบว่า "ความโปร่งใส" ซึ่งแสดงให้เห็นถึงความเชื่อมโยงกันของความเป็นส่วนตัวกับความชัดเจนที่แจ้งผ่านนโยบายความเป็นส่วนตัว

แนวทางปฏิบัติสำหรับประกาศความเป็นส่วนตัว

แนวทางปฏิบัตินี้เป็นวิธีที่ใช้กันในองค์กร เพื่ออธิบายถึงวิธีที่พวกเขาจะดำเนินการต่อข้อมูลส่วนบุคลคลและจะประยุกต์ให้เข้ากับแต่ละนโยบายการคุ้มครองข้อมูลอย่างไร อาทิ เช่น GDPR (General Data Protection Regulation ร่างกฎหมายให้ความคุ้มครองข้อมูลส่วนบุคคลของผู้บริโภคฉบับใหม่ของยุโรป)

เพื่อความเข้าใจที่มากขึ้นว่าประกาศความเป็นส่วนตัวนั้นไปปรากฏบนมือถืออย่างไร Adjust ได้ทำการทดสอบวิธีการปฏิบัติทั่วไป เราพบว่ามีอยู่สามเทรนด์ที่ข้อมูลจะปรากฏได้

  1. บางแอปอนุญาตให้ user ควบคุมจัดการข้อมูลของตัวเองได้ทั้งหมดด้วยตัวเลือกแบบ granular opt-in
  2. บางแอปจะจำกัดการควบคุมโดยการไม่ให้เห็นชื่อพาร์ทเนอร์ที่ร่วมงาน
  3. ในกลุ่มนี้จะเป็นลักษณะ “all in” หรือ “all-out” ซึ่ง user สามารถเลือกที่จะแชร์ข้อมูลให้กับฝ่ายอื่นได้หรือว่าจะไม่แชร์เลยก็ได้

เราแนะนำลูกค้าอยู่เสมอว่าในการเข้าถึงครั้งแรกนั้นจะต้องโปร่งใสให้มากที่สุดเท่าที่จะทำได้และให้ user ควบคุมและจัดการข้อมูลตัวเองได้อย่างเต็มที่ เพื่อให้เห็นภาพคุณจะสามารถอธิบายเหตุผลของการเก็บข้อมูลผ่านเอกสาร หรือภาพวาดประกอบเพื่อแสดงถึงรายละเอียดของประโยชน์ในการ opt-in

การจัดหมวดหมู่

หลายคนสงสัยว่า ความต้องการของ Apple นั้นจะสามารถนำไปรวมกับประกาศความเป็นส่วนตัวของที่อื่นได้หรือไม่ เมื่อการประกาศความเป็นส่วนตัวถูกจัดหมวดหมู่แล้ว คุณจะสามารถยกระดับค่า opt-in โดยการวางตำแหน่งของการสังเกตไว้ที่ด้านล่างจอและเสนอสองตัวเลือกนั่นก็คือ “ยอมรับ” หรือ “ปฏิเสธ” ยังไงก็ตามภายใต้ GDPR user ไม่สามารถที่จะตอบได้โดยตรงผ่านตัวเลือกที่มีให้ทาง opt-in checkbox หรือสร้าง opt-in CTA ในปุ่มพื้นฐาน

กรณีศึกษาชิ้นนี้แสดงให้เห็นว่าการสร้างกรอบข้อความยินยอมให้เหมาะสม จะส่งผลเชิงบวกต่อค่า opt-in ถ้ามีสองตัวเลือกให้ทำการยินยอมโดยที่เป็นข้อความเชิงบวก user จะมีแนวโน้มทำการ opt-in ได้มากกว่า เหมือนกับตัวอย่างในด้านล่าง

ถึงแม้ว่าลูกค้าของเราบางเจ้าจะมีรายงานอัตราการ opt-in อยู่ที่ 30-60 % จากป๊อพอัพไปปรากฎอยู่ใน Apple แต่เราแนะนำให้คุณใช้เวลาที่เหลือทำการทดสอบกลยุทธ์ opt-in อื่นๆ อย่างจริงจังเช่นกัน เพื่อยูซเซอร์ของคุณเอง รวมไปถึงการสร้างประกาศความเป็นส่วนตัว

ประเมินความคิดของคุณด้วย A/B testing

A/B testing นั้นถือเป็นเครื่องมือที่ดีสำหรับการประเมินหาวิธีแก้ปัญหา โดยเปรียบเทียบระหว่างสองกลยุทธ์ opt-in และ ประเมินค่าความสำเร็จ

เราแนะนำให้คุณจับ A/B testing รวมเข้ากับข้อความ opt-in ของคุณเพื่อใช้กับประกาศความเป็นส่วนตัวฉบับ GDPR และนำเสนอข้อความแบบ standalone และถ้า user ยอมรับข้อความ opt-in ของคุณ แล้วอย่าลืมจำลอง ATT ป๊อบอัพของ Apple ด้วย

ด้านล่างนี้ เรามีบทสรุปการทดสอบให้ในมุมมองที่ต่างกันออกไป เพื่อที่จะช่วยให้คุณระบุแผนการวิจัยได้

ผลการทดสอบที่หนึ่ง:

คุณสามารถต่อยอดจากผลลัพธ์เหล่านี้ได้โดยการขยายตัวแปรเข้าไปอีก ตัวอย่างเช่น ถ้าประกาศความเป็นส่วนตัวที่รวมอยู่กับคำร้องขอจาก Apple มีผลความสำเร็จมากกว่า คุณก็สามารถสืบค้นสาเหตุจากสำเนาหรือดีไซน์ที่แตกต่างบนค่า opt-in ได้ แต่ถ้าคุณพบว่ามันแสดงคำร้องในแบบ standalone (เช่น pre-permission prompt หรือ Apple ป๊อบอัพ) มีผลความสำเร็จมากกว่า คุณสามารถประเมินถึงช่วงเวลาที่มันให้บริการได้

ผลการทดสอบที่สอง:

ถ้าคุณมีฐาน user ที่กว้างและมีทรัพยากรมากเพียงพอ คุณสามารถที่จะประเมินผลกระทบของ opt-in ที่มากกว่าหนึ่งตัวแปร โดยใช้การวิเคราะห์ log linear และเรายังแนะนำให้ประเมินค่าความถี่ของการแสดง opt-in ของคุณที่จะปรากฎขึ้นมาอีกครั้งสำหรับ user ที่ไม่ได้มีการ opt-in ในขั้นต้น

คุณสามารถค้นหาได้ว่าความสำคัญทางสถิติเหล่านี้ส่งผลกระทบต่อกลุ่ม user ต่างๆ อย่างไร คุณอาจจะพบอัตรา opt-in ใน user หน้าใหม่ที่สูงกว่าพวกหน้าเก่า หรือ user ที่มาจากภูมิภาคหนึ่งมีการ opt-out มากกว่า user จากอีกภูมิภาค ด้วยความรู้ชุดนี้จะช่วยให้กลยุทธ์ของคุณมีประสิทธิภาพที่จะต่อยอดได้มากขึ้นและยังพัฒนาอัตรา opt-in อีกด้วย

หลังจาก A/B testing ไม่ว่าครั้งไหนก็ตาม คุณควรที่จะคำนวณช่วงความเชื่อมั่นเพื่อที่จะเข้าใจในข้อมูล ซึ่งจะช่วยชี้ให้เห็นว่าอัตราการ opt-in ที่แท้จริงอยู่ตรงไหน และจะลดลงหรือไม่อย่างไรเมื่อถูกใช้โดย user ทุกๆ คน

การทำนาย opt-in: แบบจำลองการทำนาย

แบบจำลองการทำนายใช้เทคนิคทางสถิติเพื่อคาดการณ์พฤติกรรมที่เป็นไปได้ของ user ซึ่งมีด้วยกันอยู่สองแบบที่จะช่วยในการวิเคราะห์ A/B testing ของคุณ:

  • Regression analysis ช่วยหาความสัมพันธ์ระหว่างตัวแปร รูปแบบนี้จะช่วยให้สามารถคาดการณ์และประเมินผลลัพธ์ตัวแปรได้ ซึ่งอิงจากเครื่องมือทำนายตัวแปร
  • Decision tree analysis ใช้สำหรับคาดการณ์ผลของตัวแปรเป้าหมาย อิงจากการสังเกตการณ์ของตัวแปรนำเข้า

ด้วยวิธีการวิเคราะห์เหล่านี้คุณสามรถที่จะสืบหาได้ว่า ตัวแปรไหนที่มีอิทธิพลต่อการตอบสนองของ user มากที่สุด การใช้ contextual information จะช่วยให้คุณมองเห็นทิศทางว่า user ของคุณเป็นแบบ opt-in หรือ opt-out ซึ่งเรามีตัวอย่างจากเครื่องมือทำนายตัวแปรที่คุณสามรถใช้เป็นชุด training data ได้

ทั้ง logistic regression และ decision tree analysis เป็นวิธีการที่ดีสำหรับแก้ปัญหาในการจัดแบ่งประเภท Logistic regression โดยทั่วไปเป็นวิธีที่จะช่วยยกระดับการเข้าถึงให้ดีขึ้น ถ้าคุณเชื่อว่าข้อมูลของคุณแบ่งออกเป็นสองส่วน ส่วนแรกเกี่ยวข้องกับการตัดสินใจที่จะ opt-in และอีกส่วนคือการตัดสินใจที่จะ opt-out ก็ควรที่จะใช้ regression analysis ถ้าค่าของเครื่องมือทำนายตัวแปรนั้นมีความต่อเนื่องกัน

แต่ถ้าไม่แน่ใจเกี่ยวกับการแบ่งแยกข้อมูล decision tree เหมาะสมที่จะใช้มากกว่า และถ้าชุดข้อมูลมีค่าที่ผิดปกติเยอะๆหายไปบ้าง หรือผิดเพี้ยนไป การใช้ decision tree ยังคงตอบโจทย์นี้อยู่เช่นเดียวกัน

เราขอแนะนำให้คุณประยุกต์ใช้ทั้งสองวิธี แล้วหลังจากนั้นก็ค่อยตัดสินใจอีกทีว่าวิธีไหนที่เหมาะสมที่สุด ขั้นต่อมากำหนดค่า contribution ของตัวทำนายตัวแปรแบบทีละรายการได้เพื่อดูว่าตัวแปรไหน (เช่น ประเภทการ install ภูมิภาค ค่าประชากรศาสตร์ และอื่นๆ) มีอิทธิพลต่อการตัดสินใจของ user มากที่สุด

ค้นหาแรงจูงใจของผู้บริโภค: โดยการสื่อสารกับ user ของคุณ

A/B testing และ regression analysis จะแสดงผลว่าปัจจัยใดที่มีท่าทีว่าจะเพิ่มอัตรา opt-in ของ user ได้ แต่ทว่าวิธีการเหล่านี้จะไม่ได้บอกคุณว่าทำไมการเข้าถึงนั้นๆ ถึงได้ผล และทำไมตัวแปรบางตัวถึงสำคัญกว่าตัวอื่นๆ ท้ายที่สุดนี้ ทั้งหมดสะท้อนถึงการสื่อสารกับ user ของคุณ และการสัมภาษณ์เชิงลึกแบบรายบุคคลที่จะเปลี่ยนผลของการค้นหาเชิงปริมาณไปสู่เส้นทางที่กำหนดการตัดสินใจ ถ้าเข้าใจการสัมภาษณ์ user ที่เข้าข่ายไม่ว่าจะ opt-in หรือ opt-out ชนิดทะลุปรุโปร่ง ก็จะช่วยให้คุณยกระดับกลยุทธ์ opt-in ได้ลุล่วงอย่างเหลือเชื่อ

บทสรุป

Data privacy เป็นหัวข้อที่มีความสำคัญที่สุดโลกดิจิทัล ณ ขณะนี้ ที่ Adjust เราเชื่ออย่างยิ่งว่าเรื่องนี้เป็นสิ่งที่ทุกๆบริษัทต้องรับฟังและห้ามมองข้าม เพราะสุดท้ายแล้วการเข้าถึงที่ชัดเจนและโปร่งใสจะช่วยให้สามารถซื้อใจ user ได้ และทำให้พวกเขาเปิดใจกับการ opt-in เพื่อที่จะแชร์ IDFA ของพวกเขามากขึ้น

เหลือเวลาอีกแค่ไม่กี่เดือนที่ privacy guideline ตัวใหม่จะถูกนำมาใช้ ในเวลานี้จึงเป็นช่วงเวลาที่จะทำการทดสอบให้ได้มากที่สุดและหาคำตอบให้ได้ว่าจะจัดการกับความยินยอมชุดใหม่นี้อย่างไร ยิ่งคุณเตรียมพร้อมมากเท่าไหร่ โอกาสที่คุณจะสร้างสายสัมพันธ์และความน่าเชื่อถือกับ user ก็ยิ่งมีมากขึ้นเท่านั้น อีกทั้งยังรักษาอัตรา opt-in ที่สูงไว้ได้ เราทำงานอย่างใกล้ชิดกับลูกค้าที่หลากหลายเพื่อดำเนินการขับเคลื่อน data-driven approach เพื่อให้เหมาะสมกับการ opt-in และเราก็ยังแบ่งปันองค์ความรู้ของเราผ่านการดำเนินงานอยู่เสมอ หมั่นเช็คบล็อกของ Adjust เพื่อข้อมูลในเชิงลึกที่กำลังจะมาถึงในอีกไม่กี่เดือนนี้