UX Case Study กลยุทธ์การใช้ Data ผ่าน A/B Testing เพื่อขับเคลื่อนธุรกิจ ของ KFC

UX Case Study กลยุทธ์การใช้ Data ผ่าน A/B Testing เพื่อขับเคลื่อนธุรกิจ ของ KFC

ในธุรกิจฟาสต์ฟู๊ด ที่มีการเปลี่ยนแปลงตลอดเวลา ไม่ว่าจะเป็นคู่แข่งที่เพิ่มจำนวนมากขึ้น พฤติกรรมของลูกค้าที่เปลี่ยนแปลงไป แบรนด์ที่มีการใช้ข้อมูลมาวิเคราะห์อย่างสม่ำเสมอ และสามารถส่งมอบประสบการณ์ที่ดี รวมถึง Value ให้ลูกค้าได้ ย่อมสร้างความได้เปรียบในการแข่งขันได้อย่างระยะยาว

โดยในวันนี้ ทาง Predictive จะขอหยิบยก UX Case Study ที่เราทำร่วมกับบริษัท KFC แบรนด์ไก่ทอดที่มีแฟรนไชส์ทั่วโลก มาช่วยวางแผนกลยุทธ์การวิเคราะห์ข้อมูล เพื่อสร้างประสบการณ์การใช้งานเว็บไซต์ที่ดีเพื่อเพิ่ม Conversion ผ่านการทำ A/B Testing ไปติดตามรายละเอียดกันได้เลยค่ะ 

กระบวนการ A/B Testing in action ตามฉบับ KFC 

KFC เป็นแบรนด์แฟรนไชส์ไก่ทอดสุดอร่อย ที่เชื่อว่าทุก ๆ คนชื่นชอบ และรู้จักกันเป็นอย่างดี KFC นั้นมีกลยุทธ์แบบ Omni Channel ประกอบด้วยเว็บไซต์ แอปพลิเคชัน และหน้าร้านทั่วประเทศ ครอบคลุมทั้ง 73 จังหวัด และมีสาขามากกว่า 900 สาขาทั่วประเทศไทย 

ในช่วงที่ผ่านมานั้นช่องทางการสั่งซื้อออนไลน์ผ่านหน้าเว็บไซต์เติบโตอย่างต่อเนื่อง และทาง KFC เองก็เล็งเห็นโอกาสดังกล่าว จึงได้มีแนวคิดการทำ A/B Testing ทดสอบดีไซน์องค์ประกอบต่างๆ บนหน้าเว็บไซต์ เพื่อสร้างประสบการณ์ที่ดีต่อลูกค้า และเพิ่มยอดขายในระยะยาว

ก่อนอื่นขอเล่าประโยชน์ของการทำ A/B Testing ให้ผู้อ่านหน้าใหม่ฟังเพื่อให้เห็นภาพเดียวกันก่อนค่ะ 

A/B Testing เป็นกระบวนการทาง User Experience เพื่อทดสอบว่าองค์ประกอบ (Element) แบบไหน จะช่วยให้ผู้ใช้งานเกิดประสบการณ์การใช้งานที่ดี และนำไปสู่ Conversion ที่มากที่สุด ยกตัวอย่างเช่น แบรนด์จะรู้ได้อย่างไรว่า ปุ่มสีเขียว หรือ ปุ่มสีแดง จะกระตุ้นให้ลูกค้ากดมากกว่ากัน ก็ต้องลองทดสอบผ่าน A/B Testing โดยระบบจะสร้างเว็บไซต์ออกเป็นสองเวอร์ชันได้แก่ 

เวอร์ชัน A ที่ใช้ปุ่มสีแดง 

เวอร์ชัน B ใช้ปุ่มสีเขียว 

และแสดงแต่ละเวอร์ชันกับผู้ใช้งานที่มีโปรไฟล์เป็นกลุ่มเดียวกัน (กลุ่ม Segment ที่แบรนด์ต้องการทดสอบ) จากนั้นรอดูผลลัพธ์ว่าเวอร์ชันไหนที่สร้าง Conversion Rate ได้มากกว่ากัน 

จะเห็นได้ว่าการทำ A/B Testing นั้นเป็นกุญแจสำคัญที่ช่วยให้แบรนด์ไม่ต้องคิดไปเองว่าควรปรับแบบไหน แต่จะสามารถปรับดีไซน์บนเว็บไซต์ให้ดีขึ้นได้จริง โดยอิงผลลัพธ์จากผู้ใช้งานจริงค่ะ 

โดย Predictive ขอยกตัวอย่างการทำ A/B Testing ร่วมกับ KFC โดยมีขั้นตอนดังนี้

1. กำหนดเป้าหมายของธุรกิจ 

ทาง KFC นั้นมีเป้าหมายหลักๆ คือ เพิ่มยอดขายผ่านช่องทางออนไลน์ 

ซึ่งการจะทำแบบนั้นได้ ต้องไล่ดูทั้ง Journey เพื่อเข้าใจพฤติกรรมต่างๆ ของลูกค้าที่ใช้งานบนเว็บไซต์ เช่น

  • เลื่อนดูสินค้าตัวไหนในหน้า Landing Page บ้าง 
  • กด Login ไหม
  • คลิกดูสินค้าตัวไหนบ้าง 
  • ใช้เวลานานเท่าไหร่ (Average Time On Page) และมียอด Basket Size และก่อให้เกิดรายได้ต่อธุรกิจเท่าไหร่ เป็นต้น 

2. ระบุปัญหาจากข้อมูลที่มี

หลังจากที่มีเป้าหมายที่ชัดเจน เราต้องระบุปัญหาที่เกิดขึ้น ที่ขัดขวางเป้าหมายดังกล่าว ซึ่งการเข้าใจปัญหานั้นสามารถทำได้จากหลากหลายวิธี เช่น 

  • Google Analytics สามารถวิเคราะห์พฤติกรรมการใช้งานบนเว็บไซต์ จากการติด Event Tracking เช่น คนกดปุ่มไหม , Scroll ลงมาถึงส่วนไหนของเว็บไซต์ , คลิกดูสินค้าตัวไหนบ้าง
  • User Interview เข้าใจประสบการณ์ก่อน – ระหว่าง – หลัง การใช้ Website / Application ของเรา เพื่อเข้าใจผู้ใช้งานมากขึ้นว่าเขาใช้ Website / Application ไปเพื่อเป้าหมายอะไร ใช้ตอนไหน ความรู้สึกตอนใช้งานในแต่ละขั้นตอนเป็นอย่างไร มีจุดไหนที่เขารู้สึกว่าเป็นปัญหาบ้าง 
  • เทคนิคอื่นๆ เช่น Heat Map Analysis , Usability Testing 

ซึ่งจากการวิเคราะห์ข้อมูล ก็พบจุดที่ต้องการพัฒนาเพิ่มเติม เช่น 

  • ผู้ใช้ไม่กด Login 
  • เกิด Cart Abandonment 
  • คนบอกว่าใช้เวลาในการสั่งอาหารนาน 
  • แบรนด์ต้องการเพิ่มขนาด Basket Size 

3. กำหนดสมมติฐานที่ต้องการทดสอบ

เมื่อเข้าใจปัญหาแล้ว เราต้องกำหนดสมมติฐานเพื่อทำการทดสอบ ตัวอย่างเช่น

สมมติฐานแรก หากแบรนด์สื่อสารคุณค่าที่ลูกค้าจะได้รับหากทำการ Login จะทำให้ลูกค้าจะ Login มากขึ้น

เวอร์ชัน Original – สังเกตได้ว่า จะไม่มีสี ไม่มีอธิบายสิ่งที่ลูกค้าจะได้รับเมื่อ Login 

ตัวอย่างการทดลองทำ A/B Testing ที่ปุ่ม Login
ตัวอย่างการทดลองทำ A/B Testing ที่ปุ่ม Login

Action ที่จะทดสอบสมมติฐาน มี 2 อัน คือ

  1. Login for point : บอกลูกค้าว่าเมื่อ Log in จะได้สะสมแต้ม มีการเน้นสีสันชัดเจน 
  2. Login for ease of use : บอกลูกค้าว่าเมื่อ Log in จะสั่งไก่ทอดได้สะดวกยิ่งขึ้น  

สมมติฐานที่สอง : การเพิ่ม Batch “Best Seller” จะช่วยให้เพิ่มอัตราการคลิก และลดระยะเวลาในการตัดสินใจซื้อได้

ตัวอย่างการทดลองทำ A/B Testing สำหรับการติด Batch "Best Seller"
ตัวอย่างการทดลองทำ A/B Testing สำหรับการติด Batch “Best Seller”

เวอร์ชัน Original – เมื่อเข้าหน้า Product ลูกค้าจะเห็นสินค้ามากมายเหมือนกันไปหมด ทำให้ตัดสินใจเลือกนาน 

Action ที่จะทดสอบสมมติฐานคือ ติด Batch Best Seller เพื่อแนะนำสินค้าขายดี ซึ่งเป็นหลักทางจิตวิทยาที่ทำให้ลูกค้าคลิก และตัดสินใจซื้อได้ไวยิ่งขึ้น 

4. วาง KPI ในการทดสอบแต่ละครั้ง

วาง KPI การทดสอบที่เหมาะสมของแต่ละสมมติฐานได้ดังนี้ 

  • Number of Login user
  • % Click Through Rate (CTR) 
  • Average time on page 

5. รันการทดสอบ 

จัด Priority ของสิ่งที่ต้องการทดสอบ และรันเทสต์ A/B Testing ในช่วงเวลาที่กำหนดผ่านเครื่องมือ Google Optimize 

6. วิเคราะห์ผลลัพธ์ที่ได้จากการทำ A/B Testing 

จากสมมติฐานแรก หากแบรนด์สื่อสารคุณค่าที่ลูกค้าจะได้รับหากทำการ Login จะทำให้ลูกค้าจะ Login มากขึ้น พบว่า

  • ทั้ง Login for point และ Login for ease of use สามารถเพิ่ม Engagement มากกว่าเวอร์ชัน Original 
  • Login for point ทำให้มีคนกด Login มากกว่าเวอร์ชัน original 1.55% และมากกว่าเวอร์ชัน Login for ease 0.78% 
  • Login for ease of use ทำให้มีจำนวน Transaction สำเร็จมากกว่าเวอร์ชัน original 0.32 % และมากกว่าเวอร์ชัน Login for point  0.78%

เมื่อได้ผลการทดลองการทำ A/B Testing แล้ว สามารถเช็คผลการทดลองว่าเวอร์ชันที่ได้ทำการทดลองนั้นดีกว่าเวอร์ชันดั้งเดิม (original) ในเชิงสถิติหรือไม่ ได้ที่เว็บไซต์
https://www.surveymonkey.com/mp/ab-testing-significance-calculator/

จากสมมติฐานที่สอง : การเพิ่ม Batch “Best Seller” จะช่วยให้เพิ่มอัตราการคลิก และลดระยะเวลาในการตัดสินใจซื้อได้

  • การติด Best Seller เพิ่ม CTA (Call To Action) ได้ 3.18% ซึ่งถือเป็น Significant result

7. ปรับปรุงเว็บไซต์เพื่อสร้างประสบการณ์การใช้งานที่ดีขึ้นอยู่เสมอ 

พฤติกรรมลูกค้าเปลี่ยนไปอยู่เสมอ แบรนด์ต้องหมั่นวิเคราะห์ข้อมูล และทดสอบองค์ประกอบอยู่เสมอ เพื่อสร้างประสบการณ์ที่ดี และเพิ่ม Conversion Rate ได้อย่างยั่งยืน โดยสามารถทำ A/B Testing ได้ทั้งตอน

  • ก่อนปล่อยแคมเปญ : Test กับคนกลุ่มเล็กๆ ก่อนเพื่อหาองค์ประกอบที่ดีที่สุด แล้วค่อยปล่อยให้กับลูกค้าเป้าหมายทั้งหมด 
  • หลังจากปล่อยแคมเปญ : เป็นการ Optimize ระหว่างทาง ว่าผลลัพธ์ที่ได้นั้นตรงกับเป้าหมายที่ตั้งไว้ในตอนแรกไหม จุดไหนที่มีปัญหามี Drop off เยอะ จากนั้นก็ทำการทดสอบสมมติฐาน ปรับเปลี่ยนองค์ประกอบ เพื่อแก้ปัญหาที่เกิดขึ้นอย่างเป็นระบบ 

อ่านเพิ่มเติม : A/B Testing คืออะไร ช่วยเพิ่ม Conversion Rate ให้แบรนด์ได้อย่างไร

Key Takeaway ปรับกลยุทธ์การตลาดของท่านตั้งแต่วันนี้ 

  • แบรนด์ของคุณมีเป้าหมายอะไร 
  • แบรนด์มีการเช็คสุขภาพเว็บไซต์ / แอปพลิเคชันของตัวเองบ้างหรือไม่ ซึ่งแบรนด์สามารถวิเคราะห์สุขภาพของเว็บไซต์ได้จากหลากหลายวิธี เช่น
  • Google Analytics ดูข้อมูลวิเคราะห์การใช้งานของเว็บไซต์ผ่านการติด Event Tracking
  • Heat Map เพื่อดูพฤติกรรมการใช้งาน การคลิกของผู้ใช้ 
  • Usability Testing วัดประสิทธิภาพของเว็บไซต์ / แอปพลิเคชันโดยให้ผู้ใช้มาทดลองใช้เว็บไซต์แล้วเราทำการสังเกตและวิเคราะห์ผลจากการใช้งานของผู้ใช้
  • กำหนดสมมติฐานการทดสอบอย่างตรงจุด และควบคุมปัจจัยอื่นๆ เพื่อให้ผลการทดสอบเป็นไปอย่างแม่นยำ 
  • ใช้เทคโนโลยีที่เหมาะสม เพื่อให้เก็บ – วิเคราะห์ข้อมูล และตอบโจทย์ความต้องการของแบรนด์ เช่น เทคโนโลยีระดับโลกอย่าง Google Optimize 360, Google Analytics 360

A/B Testing นั้นมีประโยชน์มากมายไม่ว่าจะเป็นการทดสอบดีไซน์ที่ช่วยให้ลูกค้าสามารถค้นหาสิ่งที่ต้องการได้ง่าย และเกิดประสบการณ์ที่ดี โดยไม่ต้องคิดไปเองว่าองค์ประกอบแบบไหนเวิร์ค แต่ใช้ข้อมูลจริงช่วยในการตัดสินใจ ว่าองค์ประกอบแบบไหนได้ผลตอบรับดีกว่ากัน  

หากแบรนด์ของท่านต้องการทำ A/B Testing เพื่อเพิ่ม Conversion Rate ได้ในระยะยาว ติดต่อ Predictive ได้เลยค่ะ เราเป็น บริษัท Local เจ้าเดียวในเมืองไทยที่ได้รับ Product Certification ในเครื่องมือ Google Analytics, Google Tag Manager, Google Optimize และ Google Data Studio 

Get in touch

Let's work together!

"*" indicates required fields

Name*
Please let us know what's on your mind. Have a question for us? Ask away.