Growth Hacking İstanbul 2017 programında Pegasus'ta dijital büyüme yöneticisi Emre Güney'in gerçekleştirmiş olduğunu sunumu inceleyebilirsiniz. Growth Hacking İstanbul programı hakkında daha fazla bilgi almak için internet sitemizi http://growthhacking.istanbul adresinden ziyaret edebilirsiniz.

1. Emre Güney
Head of Digital Growth

2. Neden büyüme ve dönüşüm optimizasyonu
çalışmalarına ihtiyacımız var?
Büyüme ve dönüşüm optimizasyonu şirketinizde
nasıl konumlandıracaksınız?
Büyüme ve dönüşüm optimizasyonu çalışmaları
oluştururken neler yapabiliriz? Pegasus’ta biz ne
uyguladık?

3. NEDEN BÜYÜME VE
DÖNÜŞÜM
OPTİMİZASYONU
ÇALIŞMALARINA
İHTİYACIMIZ VAR?

7. BÜYÜME VE DÖNÜŞÜM
OPTİMİZASYONU
ŞİRKETİNİZDE NASIL
KONUMLANDIRACAKSINIZ?

11. FASTER TEMPO = MORE LEARNING
MORE LEARNING = MORE GROWTH

13. BÜYÜME VE DÖNÜŞÜM
OPTİMİZASYONU
ÇALIŞMALARINNI
OLUŞTURURKEN NELER
YAPABİLİRİZ?

21. Based on the insight that (----------------), we predict that (-----------------) will
cause (------------------)
Based on the insight that (active users of our flights product
are also likely to like our hotels product), we predict
that (landing returning travellers on our hotels homepage
instead of our flights homepage) will cause (more travellers to
use both products)
Based on the insight that (our "Aha!" moment is when
travellers conduct their first search on Skyscanner), we predict
that (adding search controls to our travel articles) will
cause (more readers to become active users of our product)

35. At Skyscanner, if they Fail Forward, let them eat cake!

36. ADAPT.
CHANGE.
PIVOT.
AGILE.
ITERATE.
TEST.
DATA-LED.
EXPERIMENT.
HYPOTHESISE.
VALIDATE.

37. PEGASUS’TA BİZ NE
UYGULADIK?

38. ÜST YÖNETİM SUNUMU

45. ZİHNİYET DEĞİŞİKLİĞİ

46. •Acquisition: users come to the site from various
channels - sources and motivation to try
•Activation: users enjoy 1st visit: "happy" user
experience - Aha moment
•Retention: users come back, visit site multiple times -
“Must have experience”
•Referral: users like product enough to refer others -
user-get-user loops
•Revenue: users conduct some monetization behavior -
$$$$$$$$$$$
AARRR FRAMEWORK

47. KPI ÇALIŞMASI

49. DÖNÜŞÜM
OPTİMİZASYONU
DÖNGÜSÜ

50. 1 - Kalitatif ve kantitatif verilerle içgörü topla
Google analytics ve kendi veri ambarımızı kantitatif veriler için.
Hotjar vb araçları da ziyaretçilerimizin doğal deneyimlerini
inceleyerek kalitatif veriyle anlamlandırmak için.
Bu vb analizler sonunda hipotez oluşturuyoruz.
Ek olarak lokal ya da global rakiplerimizden de test hipotezleri
de çıkabiliyor.

51. 2 – Hipotez oluştur
Hipotez formatımız:
Based on the insight ............. we predict that [product change]
will cause [impact]
Kazanan bir testimizin hipotezi
“Based on the insight that users hesitate on date change on
their travel before purchase we predict that emphasising Flex
by changing copywriting of headlines and service description
and showing price in advance on purchase page throughout
desktop conversion funnel will cause an increase in flex
conversion.”

52. 3 - Hipotezlerine test sprintleri için önceliklendir
Bunun için Growthhackers Projects kullanıyoruz.
Tüm hipotezlerimiz orada ve 3 kritere göre önceliklendiriyoruz.
Impact, Confidence and EASE.

53. 4 - A/B testleri yapıyoruz ve performanslarını izliyoruz
Testlerin üretim durumunu aşağıdaki gibi bir tabloda takip
ediyoruz:
"Up Next", "Active Tests" and "Ready to Analyze"

54. 5 – Analiz et ve öğren!
Testler bitince testleri tüm detayları hem web ölçümleme
araçlarımızla hem de kendi veri ambarındaki rakamlarımızla
teyit ediyoruz.
Her testten (kazansın ya da kaybetsin) bir öğrenim çıkartıp yeni
bir hipotez oluşturuyoruz. Bunları derlediğimiz bir knowledge
base’imiz var.

57. KAZANAN BİR ÖRNEK

58. Description and hypothesis:
Based on the insight that users hesitate on date change on their
travel before purchase we predict that emphasising Flex by
changine copywriting of headlines and service description and
showing price in advance on purchase page throughout desktop
conversion funnel will cause an increase in flex conversion.
We have created 3 sections and 6 variations in total to test this
hypothesis:

60. Section A: Headline and service description copywriting
Section B: Option labels
Section C: Show service price in advance or not

61. Experiment Sessions: 869,557
Experiment Duration: 35 days
Sections: 3
Combinations: 20
Winner Combination: A1-B0-C1
Improvement: 11% to 35%
Probability to be best: 96%
Probability to beat baseline: 100%
Business Impact:
1. %22 increase in Flex sales
2. Decrease in preparing and publishing an a/b test from 1
week to 2-3 hours

62. Original (Control):
Winner Variation:

63. Dönüşüm Optimizasyonu Olmazsa
Olmazları ve Sık Yapılan Hatalar

64. Hipotez üretmemek
veya yanlış hipotez
üretmek

65. Değer üretmeyecek
testler yapmak
(önceliklendirme
hatası)

66. Yanlış hedefler
oluşturma

67. Çok fazla/yanlış
metrik analiz etmek

68. Aynı anda/aynı
adımda çok fazla test
yapmak

69. Aceleci
davranma/Erken test
kapatma

70. Yeniden hipotez
oluşturmama

71. 1) Dönüşüm optimizasyonu sihirli bir değnek
değildir.
2) Başarılı olabilmek için süreç mantığı ile sürekli
testler yapmak gerekir
3) Başarılı olan her bir test dönüşüm oranını bir
basamak yukarıya taşıyacaktır.
4) Başarısızlık ise daha fazla şey öğrenmemiz için
bize yeni bir pencere açacaktır.

72. TEŞEKKÜRLER