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 

ตัวอย่างหน้าเว็บไซต์ของ KFC
ตัวอย่างหน้าเว็บไซต์ของ 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