Casestudie 1: Premium kjolebrand
Et USA-baseret DTC-kjolebrand med en AOV på $118 og månedlig produktsidetrafik på ca. 22.000 sessioner implementerede Photta på hele sit kjolekatalog (84 varenumre) i oktober 2025. Baseline-konverteringsraten var 2,8%; baseline-returraten var 34%. Forhandleren havde tidligere investeret i professionel fotografering og detaljerede størrelsesguider, så udgangspunktet var allerede over gennemsnittet for kategorien.
Efter 90 dage viste sessioner, der inkluderede en gennemført prøvning, en konverteringsrate på 3,5% — et relativt løft på 25%. Returraten på ordrer fra prøvningssessioner var 24% mod 36% for ordrer uden prøvning i samme periode. Forhandleren beregnede en månedlig nettogevinst på ca. $3.200 efter abonnementsomkostningen på $149, primært som følge af sparede returforsendelser ved en gennemsnitlig returpris på $12.
Casestudie 2: Multibrand smykkebutik
En europæisk multibrand smykkebutik, der sælger mode- og semikonstruerede smykker med en AOV på €74, implementerede Photta på halskæde- og øreringekategorier i november 2025. Baseline-konverteringsraten var 3,1%; baseline-returraten var 16% (tæt på kategoriens benchmark). Forhandlerens primære mål var konverteringsforbedring snarere end returreduktion, da returneringer allerede var på et overskueligt niveau.
Over 60 dage konverterede sessioner med prøvningsinteraktioner ved 3,8% — et relativt løft på 23%. Returraten på prøvningsordrer var 12%, hvilket var beskedent under baselinen på 16%. Den primære ROI-driver var konverteringsløftet: På ca. 8.000 smykkekategorisessioner om måneden leverede en forbedring af konverteringen på 0,7 procentpoint ved en €74 AOV ca. €4.100/måned i inkrementel omsætning før abonnementsomkostninger.
Casestudie 3: Solbrille-DTC
Et canadisk solbrillebrand med en AOV på CAD $145 implementerede Photta på hele sit katalog med 60 solbrillestile i januar 2026. Baseline-konverteringsraten var 2,3%; baseline-returraten var 22%. Brandet havde tidligere eksperimenteret med en anden prøvningsløsning og droppet den på grund af urealistisk gengivelseskvalitet, så kundernes forventninger til en ny prøvningsløsning var beskedne.
Efter 45 dage konverterede prøvningssessioner ved 2,7% — et relativt løft på 17%. Brandet bemærkede, at adoptionen af prøvning blandt besøgende på produktsider var 18%, hvilket er lavere end Photta's kohorte-gennemsnit på 20–25%, hvilket brandet tilskrev deres ældre demografi, der var mindre villige til at uploade billeder. Returraten på prøvningsordrer var 15% mod 24% for ordrer uden prøvning, en relativ forbedring på 38% af returmetrikken.
Hvordan man læser casestudier kritisk
Tre spørgsmål adskiller stringente casestudier fra marketingtekster. For det første: Er sammenligningen fair? Den gyldige sammenligning er sessioner i samme periode på samme produktside, hvor den eneste variabel er, om kunden gennemførte en prøvning. At sammenligne 'før lancering af widget' med 'efter lancering af widget' forplumres af sæsoneffekter, ændringer i trafikmix og andre ændringer foretaget på samme tid. For det andet: Er metrikken klart defineret? 'Konverteringsrate' kan betyde læg-i-kurv, påbegyndt betaling eller gennemført køb — disse kan variere med 2–5 gange.
For det tredje: Hvem har udvalgt forhandlerne i studiet? Leverandører offentliggør typisk resultater fra deres bedst præsterende kohorte-medlemmer, ikke en tilfældig stikprøve. Tallene i en leverandørs casestudie repræsenterer opnåelige resultater for en velimplementeret løsning, ikke et garanteret gennemsnit. Photta offentliggør kohorteintervaller (18–28% konverteringsløft, 25–30% returreduktion) snarere end håndplukkede maksimumsværdier for at give et mere ærligt billede af fordelingen.
Sådan opsætter du din egen måleplan
Før du udruller, skal du registrere dine baseline-metrikker for de produktsider, hvor du aktiverer widgetten: konverteringsrate (gennemførte køb / sessioner), læg-i-kurv-rate og returrate for samme periode i den foregående måned og samme kalenderperiode året før. Definer dit målevindue (minimum 60 dage anbefales for at akkumulere nok prøvningssessioner) og din mindste detekterbare effekt (typisk er 5% relativ ændring det mindste, der er værd at optimere for).
Under målevinduet skal du sammenligne to segmenter: sessioner, hvor en prøvning blev gennemført, og sessioner, hvor den ikke blev. Denne sammenligning inden for samme periode kontrollerer for sæsoneffekter. Spor adoptionen af prøvning (startede prøvninger / produktside-sessioner) separat — en lav adoptionsrate betyder, at widget-brugerfladen skal forbedres, ikke at virtuel prøvning ikke virker. Efter målevinduet beregnes netto-ROI: (inkrementel omsætning fra konverteringsløft + besparelser på returforsendelse) minus abonnementsomkostninger.