博客 用户信任和许可的正确打开方式:A/B测试最佳做法及数据分析

用户信任和许可的正确打开方式:A/B测试最佳做法及数据分析

Katie Madding

2020年10月16日

Apple 宣布推出 iOS 14 后,行业内吹起了变迁之风,各参与方都在加班加点,确保自己为接下来的变更做好准备。Apple 隐私新规将于 2021 年年初落地,届时所有应用需要先请求用户授权,才能对其进行跟踪。为了帮助客户做好准备,设计效果最好的许可请求弹窗,Adjust 投入了大量精力来调研不同策略。

如果您想重温一下 Apple 在 iOS 14 中推出的隐私政策变化,欢迎参阅我们的帮助中心指南。我们还推荐您阅读本系列的第一篇博文,其中阐述了优秀的用户体验设计如何提升用户的选择加入几率。

在本文中,我们汇总了 A/B 测试的最佳做法,阐释了每轮测试中应该评估的对象,以及在数据分析中要重点关注什么。首先,让我们来看一看用户对数据隐私的看法,探讨应用应如何以此为参考,制订许可请求策略。

用户对数据隐私的态度

研究显示,许多消费者对个性化营销的接受度比起初预想得更高。这一点颇令人鼓舞。Oxford Economics 在 2018 年开展的一项研究发现,约 70% 的消费者愿意选择加入个性化广告体验。数据显示,只有少数人反对个性化更高的定向营销体验,其中:

  • 仅有 17% 的人不愿看到个性化优惠推荐
  • 仅有 15% 的人不愿接收个性化产品和服务

信任是决定用户在多大程度上愿意选择加入的重要因素。Salesforce 开展的另一项研究就 "信任是什么" 的问题询问了超过 8,000 位消费者。其中有 75% 的人认为,信任意味着 "隐私";对于 70% 的人来说,信任意味着 "透明"。由此可见,隐私以及隐私政策方面的透明度与信任息息相关。

显示隐私声明的最佳做法

公司和企业一般会使用隐私声明阐释其处理个人数据的方法,以及应用在《通用数据保护条例》(GDPR) 等不同数据保护政策的情况。

为了更好地理解隐私声明在移动端的呈现方式,Adjust 对一系列常见做法进行了评估,发现了信息呈现方面的三个趋势:

  1. 部分应用会提供最精细的许可选项,赋予用户完全数据控制权
  2. 部分应用在列出合作伙伴时有所保留,限制用户的数据控制权
  3. 第三组应用使用 "全部允许" 或 "全部拒绝" 的方法,只留给用户两个选择:要么允许与所有相关方分享数据,要么全部拒绝。

我们始终建议客户选择第一种方法,尽可能地做到公开透明,让用户能完全控制自己的数据。您可以使用具有说服力的文案和插图,并列出选择加入的优势,解释数据收集的原因,鼓励并支持用户授予许可。

捆绑隐私声明

许多品牌都有一个疑惑:Apple 的许可请求是否能与其他隐私声明捆绑在一起?如果您选择捆绑隐私声明,就可以在屏幕底部显示声明,并给出 "接受" 和 "拒绝" 两个选择,这样或许能提高用户的选择加入率。但是,依照 GDPR 的规定,您不能预先勾选许可复选框,也不能将选择加入的 CTA 设为主要按钮,避免以这种方式引诱用户选择给定的回应。

研究显示,使用恰当的方式框出许可请求信息能提高选择加入率。如下方图例所示,如果提供两个许可选项,并恰当地框出信息,用户选择加入的可能性会更高。

据我们的部分客户报告,仅显示 Apple 弹窗,选择加入率就可达到 30% - 60%。即便如此,我们还是推荐您利用新规落地前的这段时间,针对您的用户充分测试不同选择加入策略,包括捆绑隐私声明。

验证策略:A/B 测试

通过 A/B 测试,可以比较两个不同的许可请求策略并衡量其效果,是评估解决方案效果的极好方法。

首先,我们建议您通过 A/B 测试评估不同做法:一种做法是将许可请求信息与 GDPR 隐私声明捆绑在一起显示,另一种是单独呈现许可请求信息。如果用户接受了许可请求,别忘了模拟 Apple 的 ATT 弹窗。我们在下方列出了针对不同方面的测试轮次建议,帮助您制订调研计划。

首轮测试:

您可以这些成果为基础,加入更多变量方案,进行进一步的研究。例如,如果包含 Apple 许可请求的捆绑隐私声明效果更好,您还可以引入不同的文案和设计,探索这些因素对选择加入率的影响。如果单独显示许可请求 (例如预授权弹窗或 Apple 弹窗) 的效果更好,则可以测试显示弹窗的时机。

二轮测试:

如果您的用户群规模较大,手上也有足够的资源,也可以考虑使用对数线性分析,评估多个变量方案对选择加入率的影响。对于那些最初没有选择加入的用户,我们还推荐您测试再次显示许可请求的频率,以转变用户心意。

您也可以研究不同用户群组的表现是否会有显著区别。例如,新用户的选择加入率或许高于现有用户,某些地区的选择退出率会明显高于其他地区等。有了这些信息,就可以更进一步,动态调整策略,获得更高的选择加入率。

在进行任何 A/B 测试后,您应当计算置信区间,以分析获得的数据。如果所有的应用用户都参与了测试,那么计算置信区间有助于了解真实的选择加入率范畴。

预测选择加入率:预测模型

预测模型会使用数据统计方法预测特定的用户行为。其中有两种模型有助于您的 A/B 测试分析:

  • 回归分析能揭示不同变量的关系,可根据预测变量预测结果变量的值。
  • 决策树分析会根据观察到的输入变量情况,预测目标变量的结果。

使用这些数据分析方法,您可以了解哪些变量在预测用户响应时影响力更大。配合特定的背景信息,您就能预测一位用户可能做出哪种选择 (选择加入或选择退出)。下面是预测变量的一些示例,供您做训练数据集用:

逻辑回归和决策树分析都是解决分类问题的好方法。如果您认为自己的数据集能以线性方式分为两部分,一部分与选择加入决定有关,另一部分与选择退出有关,那么逻辑回归一般是更好的选择。如果您的预测变量是连续的,那么也应当选择回归分析。

但是,如果您不确定数据集是否线性可分,那么选择决策树更合适。此外,如果您的数据集不够均衡,或包含许多异常值和缺失值,决策树一般也是更好的选择。

我们建议先同时使用两种方法,然后决定哪个模型的效果更好。下一步,可以分别评估每个预测变量的影响力,了解哪些变量 (例如安装类型、地区、人群等) 对用户决策的影响最大。

与用户交流,了解消费者动机

A/B 测试和回归分析会揭示可能提高用户选择加入率的因素,但您无法借此了解特定方法为何会奏效,或者某些变量为何比其他变量更重要。要搞清楚这些问题,最终还是要与用户交流,开展深度访谈,将定量研究成果化为实打实的决策路线。无论用户是选择加入还是选择退出,您都要利用访谈得来的信息,进一步优化您的动态许可策略。

总结

数据隐私是当今数字行业中最重要的话题。Adjust 坚信每家公司和企业都应当重视并接受数据隐私,而不是忽视它。归根结底,清晰透明的数据处理方式能帮助您的应用建立用户信任,让用户更愿意分享 IDFA。

距离隐私新规落地仅剩几个月的时间了,您现在应当开展充分的测试,找到优化许可请求流程的方法。准备得越充分,就越有可能继续与用户保持相互尊重的关系,提高选择加入率。我们正与多位客户开展紧密合作,基于数据来制定策略,优化选择加入率。与此同时,我们将持续分享自己的发现。在未来的几个月中,请密切关注 Adjust 博客,及时了解更多信息。

想了解 Adjust 的最新消息?