獲取用戶信任及許可：A/B測試最佳做法及數據分析
（原標題：獲取用戶信任及許可：A/B測試最佳做法及數據分析）
Apple隱私新規將於2021年初落地，獲取用戶信任及許可是應用開發人員的首要任務。因此，制定/優化相應的用戶體驗策略，設計更有說服力、效果更好的許可請求彈窗至關重要。
在本文中，Adjust彙總了A/B測試的最佳做法，闡釋了每輪測試中應該評估的對象，以及在數據分析中要重點關注什麼。首先，開發人員需要了解用戶對數據隱私的看法，並以此爲參考，制訂許可請求策略。
用戶對數據隱私的態度
研究顯示，許多消費者對個性化營銷的接受度比起初預想得更高。Oxford Economics 在2018年開展的一項研究發現，約70% 的消費者願意選擇加入個性化廣告體驗。數據顯示，只有少數人反對個性化更高的定向營銷體驗，其中：
僅有17% 的人不願看到個性化優惠推薦
信任是影響用戶在多大程度上願意選擇加入的重要因素。Salesforce 開展的另一項研究就 "信任是什麼" 的問題詢問了超過8,000位消費者。其中有75% 的人認爲，信任意味着 "隱私"；對於70% 的人來說，信任意味着 "透明"。由此可見，隱私以及隱私政策的透明度與信任息息相關。
顯示隱私聲明的最佳做法
公司和企業一般會使用隱私聲明，闡釋其處理個人數據的方法，以及應用在《通用數據保護條例》（GDPR）等不同數據保護政策的情況。
爲了更好地理解隱私聲明在移動端的呈現方式，Adjust對一系列常見做法進行了評估，發現了信息呈現方面的三個趨勢：
二、部分應用在列出合作伙伴時有所保留，限制用戶的數據控制權
三、另外一部分應用使用 "全部允許" 或 "全部拒絕" 的方法，只留給用戶兩個選擇：要麼允許與所有相關方分享數據，要麼全部拒絕。
我們建議應用開發人員選擇第一種方法，儘可能地做到公開透明，讓用戶能完全控制自己的數據。開發人員可以使用具有說服力的文案和插圖，並列出選擇加入的優勢，解釋數據收集的原因，鼓勵並支持用戶授予許可。
捆綁隱私聲明
許多品牌都有一個疑惑：Apple 的許可請求是否能與其他隱私聲明捆綁在一起？如果選擇捆綁隱私聲明，就可以在屏幕底部顯示聲明，並給出 "接受" 和 "拒絕" 兩個選擇，這樣或許能提高用戶的選擇加入率。但是，依照 GDPR 的規定，應用開發者不能預先勾選許可複選框，也不能將選擇加入的 CTA 設爲主要按鈕，避免以這種方式引誘用戶選擇既定的迴應。
研究顯示，使用恰當的方式框出許可請求信息能提高用戶選擇加入率。如下方圖例所示，如果提供兩個許可選項，並恰當地框出信息，用戶選擇加入的可能性會更高。
據部分應用開發人員反饋，僅顯示 Apple 彈窗，選擇加入率就可達到30% - 60%。即便如此，我們還是推薦開發人員利用新規落地前的這段時間，針對您的用戶充分測試不同選擇加入策略，包括捆綁隱私聲明。
驗證策略：A/B 測試
通過A/B測試，開發人員可以比較兩個不同的許可請求策略並衡量其效果，因此，A/B測試是評估解決方案效果的極好方法。
首先，我們建議開發人員通過A/B測試評估不同做法：一種做法是將許可請求信息與GDPR隱私聲明捆綁在一起顯示，另一種是單獨呈現許可請求信息。如果用戶接受了許可請求，別忘了模擬 Apple 的 ATT 彈窗。我們在下方列出了針對不同方面的測試輪次建議，幫助開發人員制訂調研計劃。
首輪測試：
以這些成果爲基礎，開發人員可以加入更多變量方案，進行進一步的研究。例如，如果包含 Apple 許可請求的捆綁隱私聲明效果更好，那麼可以引入不同的文案和設計，探索這些因素對選擇加入率的影響。如果單獨顯示許可請求 (例如預授權彈窗或 Apple 彈窗) 的效果更好，則可以測試顯示彈窗的時機。
二輪測試：
如果用戶羣規模較大，手上也有足夠的資源，也可以考慮使用對數線性分析，評估多個變量方案對選擇加入率的影響。對於那些最初沒有選擇加入的用戶，我們建議測試再次顯示許可請求的頻率，以轉變用戶心意。
應用開發人員也可以研究不同用戶羣組的表現是否會有顯著區別。例如，新用戶的選擇加入率或許高於現有用戶，某些地區的選擇退出率會明顯高於其他地區等。有了這些信息，就可以更進一步，動態調整策略，獲得更高的選擇加入率。
在進行任何 A/B 測試後，開發人員應當計算置信區間，以分析獲得的數據。如果所有的應用用戶都參與了測試，那麼計算置信區間有助於瞭解真實的選擇加入率範疇。
預測模型會使用數據統計方法預測特定的用戶行爲。其中有兩種模型有助於應用開發人員的 A/B 測試分析：
迴歸分析能揭示不同變量的關係，可根據預測變量預測結果變量的值。
決策樹分析會根據觀察到的輸入變量情況，預測目標變量的結果。
使用這些數據分析方法，開發人員可以瞭解哪些變量在預測用戶響應時影響力更大。配合特定的背景信息，就能預測一位用戶可能做出哪種選擇 (選擇加入或選擇退出)。下面是預測變量的一些示例，供開發人員做訓練數據集用：
邏輯迴歸和決策樹分析都是解決分類問題的好方法。如果開發人員認爲自己的數據集能以線性方式分爲兩部分，一部分與選擇加入決定有關，另一部分與選擇退出有關，那麼邏輯迴歸一般是更好的選擇。如果預測變量是連續的，那麼也應當選擇迴歸分析。
但是，如果不確定數據集是否線性可分，那麼選擇決策樹更合適。此外，如果數據集不夠均衡，或包含許多異常值和缺失值，決策樹一般也是更好的選擇。
Adjust建議先同時使用兩種方法，然後決定哪個模型的效果更好。下一步，可以分別評估每個預測變量的影響力，瞭解哪些變量 (例如安裝類型、地區、人羣等) 對用戶決策的影響最大。
A/B 測試和迴歸分析會揭示可能提高用戶選擇加入率的因素，但應用開發人員無法藉此瞭解特定方法爲何會奏效，或者某些變量爲何比其他變量更重要。要搞清楚這些問題，最終還是要與用戶交流，開展深度訪談，將定量研究成果化爲實打實的決策路線。無論用戶是選擇加入還是選擇退出，開發人員都應當利用訪談得來的信息，進一步優化動態許可策略。
總結
數據隱私是當今數字行業中最重要的話題。每家公司和企業都應當正視數據隱私，而不是忽視它。歸根結底，清晰透明的數據處理方式能幫助應用開發人員建立用戶信任，讓用戶更願意分享 IDFA。
距離隱私新規落地僅剩幾個月的時間了，應用開發人員現在應當開展充分的測試，找到優化許可請求流程的方法。準備得越充分，就越有可能繼續與用戶保持相互尊重的關係，提高選擇加入率。Adjust現正與多位應用開發者緊密合作，基於數據來制定策略，優化用戶選擇加入率。
在未來的幾個月中，請密切關注 Adjust 官網或微信AdjustGmbH，及時瞭解更多信息。
###
關於Adjust
Adjust是一家全球B2B SaaS公司。公司的創立初衷源自對技術的熱情，且誕生於移動經濟的中心，目前在全球各地設有16個辦公室。
Adjust平臺包含移動數據監測、防作弊、網絡安全及營銷自動化產品。通過這一系列產品，Adjust爲使用其服務的35,000個應用提供幫助，讓營銷變得更簡單、更智能、更安全。包括Procter & Gamble、Rocket Internet和騰訊遊戲在內的全球領先品牌已經使用Adjust的解決方案來確保預算安全及優化市場表現。
2019年，Adjust獲得了歐洲年度最高融資之一，共籌集了近2.3億美元。