Как повысить ROMI email-маркетинга на 63%, сократив базу контактов на 40%

Сегодня главный вызов для интернет-маркетолога — это Big Data клиентов и их рациональное использование. Обработать такие массивы данных можно только с помощью автоматизации. Отсюда столько внимания к искусственному интеллекту и машинному обучению.

В этом посте мы расскажем, как предсказательная аналитика системы автоматизации маркетинга eSputnik помогла онлайн-магазину выявить подписчиков, не заинтересованных в email-рассылке. И как благодаря этому ROMI (возврат маркетинговых инвестиций) рассылки повысился на 63%.

Проблема: слишком много ненужных писем

Клиент eSputnik — крупный онлайн-магазин, который торгует одеждой и обувью. Делает рассылки через наш сервис более, чем на 100 млн писем в месяц. Прежде многие его подписчики получали по три письма в день. Специалисты клиента почистили базу контактов от неактивных подписчиков, которая собралась за полгода. Это повысило процент открываемости и переходов по ссылкам, но оставшиеся получатели всё равно были переспамлены.

Отсюда возникал ряд проблем:

  • маркетинговый бюджет вылетал в трубу — компания платила за отправку тысяч писем, которые не открывались;
  • портилась репутация отправителя — почтовые сервисы с подозрением относятся к рассылкам с низким уровнем открываемости;
  • плохая репутация сказывалась на доставляемости — многие письма попадали в спам или вообще не доходили;
  • выросли бессмысленные расходы — компания платила не только за письма, которые не читали, но и за те, которые не были доставлены.

И самое главное — постоянно увеличивалось количество отписок.

Решение: фильтрация с помощью ИИ

Мы предложили маркетологам онлайн-магазина использовать для таргетинга более широкий спектр параметров, основанных на действиях пользователей в рассылке.

Поскольку до момента, когда терять было нечего, оставалось совсем немного, маркетологи согласились рискнуть.

Data-аналитики eSputnik использовали алгоритмы искусственного интеллекта, чтобы создать систему, которая сможет предугадывать, кто откроет и кто не откроет предстоящую рассылку. Систему назвали Frequency Recommendation Engine (FRE).

С помощью алгоритмов машинного обучения FRE анализирует:
  • количество и типы писем, которые подписчик открывал в предыдущих кампаниях;
  • количество кликов;
  • интервалы между прочтениями.

Для того, чтобы в системе накопилось достаточно материала для анализа, должно пройти около месяца (12 писем) с момента подписки.

В результате система выделяет группу контактов, которые с высокой долей вероятности не откроют следующее письмо.

Когда FRE таким образом проанализировала данные о подписчиках онлайн-магазина, оказалось, что ближайшую рассылку нужно было сократить на 40%.

Результаты

Для начала мы решили выделить тестовую группу и проверить на ней в течение 90 дней эффективность фильтрации. На графике верхняя линия — это тестовая группа, нижняя — обычная (контрольная).

Верхняя линия  это тестовая группа нижняя контрольная

В течение 90 дней мы получили такие результаты:

  • затраты на рассылку уменьшились;
  • количество невовлеченных пользователей уменьшалось с каждой следующей рассылкой благодаря оптимизированной частоте и релевантному контенту;
  • показатели репутации и доставляемости нормализовались;
  • ROMI email-маркетинга за 90 дней увеличился на 63%.

Через 90 дней стало очевидно, что рекомендации FRE нужно применять ко всей рассылке.

Рекомендации FRE нужно применять ко всей рассылке

Выводы

Массовый маркетинг работает всё хуже — сказывается общая усталость от вездесущего информационного шума. Единственный способ сохранить связь с клиентом — это максимально персонализировать коммуникацию. Для этого нужно учесть время активности человека, удобный для него канал общения и, конечно, его интересы. К счастью,  технологии машинного обучения помогают справляться с этой задачей всё лучше.


Мнение авторов гостевых постов может не совпадать с позицией редакции и специалистов агентства Netpeak.

Узнайте больше
26
6
0
Обнаружили ошибку? Выделите ее и нажмите Ctrl + Enter.