Как ускорить работу маркетологов и повысить ваши продажи

shutterstock_1011539344

 

 

Ежедневно потенциальным клиентам приходят десятки писем с разными акциями. Они не пользуются этими предложениями, потому что они им неинтересны.

 

По данным Email Tracking Report, 63% получателей приходит нерелевантный контент. Проблема даже не в анализе целевой аудитории, качестве базы и контента. Безусловно, это важно. А в том, что многие вещи email-маркетологу проанализировать сложно. Он не может улавливать незначительные изменения потребительского поведения и реагировать на них. А машинный интеллект может.

 

Ольга Кутейникова, исполнительный директор Digital Contact, и эксперты платформы DC Data Hub рассказывают Rusbase о возможностях машинного обучения в email-маркетинге и как с помощью него можно повысить продажи.

 

Еcли не люди, то кто

 

Количество данных о пользователях, которые сегодня собираются, не могут быть проанализированы человеком вручную. ?менно поэтому и появилось машинное обучение. Его алгоритмы упрощают и ускоряют работу маркетологов, но не заменяют ее.

 

На старте проекта наши маркетологи пишут agile-стратегию, а дальше она переходит под управление машинного обучения. Переходит в основном аналитическая часть, креативная составляющая остается за маркетингом, также как и указание фильтров и ограничений, чтобы не случилось так, что посетителю сайта после welcome-письма, сразу же пришло «Спасибо, что пришли, но у нас ничего не выйдет, вы все равно ничего не купите».

 

Чтобы машинное обучение грамотно заработало нужно поставить ему бизнес-задачу, предварительно перенеся ее на понятный компьютеру язык, и определить данные, которые необходимы для дальнейшего использования.

 

Ключевое преимущество ㅡ ультрасегментирование, создание целевых поведенчески схожих групп и отправка релевантного контента. Это значит, что пользователи в этих группах получают то, что они хотят видеть, то, что им интересно. За счет точечного воздействия увеличивается конверсия переходов из писем и растут продажи.

 

Как это работает? Катя маркетолог в IT-компании. Скоро ей предстоит ремонт. Нужно купить обои, линолеум и еще много всего. Катя не хочет ехать в магазин и выбирать, ей проще заказать в интернете. Она выбрала 2 магазина строительных товаров. Катя зашла на сайт первого, оставила адрес электронной почты, чтобы быть в курсе новинок. Зайдя на сайт второго магазина, Катя прочитала информацию и ушла.

 

Через несколько дней с первого сайта ей приходит подборка конкретных товаров. Благодаря алгоритмам машинного обучения было проанализировано поведение Кати на сайте. Оказывается, она смотрела линолеум дольше, чем ламинат, а виниловые обои дольше, чем бумажные.

 

Применяем алгоритмы машинного обучения

 

Расскажем о том, что нужно сделать машинному обучению, чтобы увеличить конверсию с рассылки.

 

  • Собрать данные

 

При помощи методов машинного обучения собираются пользовательские данные. Это не персональная информация с именем, фамилией, контактами и адресом, а данные о том, как человек пользуется сервисом или услугой. Как он изучает продукт, как решает свои проблемы, с чем у него возникают трудности.

 

В зависимости от продукта, которым пользуется целевая аудитория, сценарии сбора и характеристики данных меняются.

 

Разработчикам мобильных приложений важна информация запросов, оценка юзабилити, выявление багов. ?нтернет-магазинам нужны данные о посещаемых страницах, о времени нахождения на сайте, о периодах активности, о том, какие товары пользователь просматривал, какие товары положил в корзину и какие купил. Какие пользовательские характеристики собирать, решают маркетологи.

 

Пример. При посещении сайта каждый посетитель получает уникальный ID, который мы распознаем и на других сайтах. Он обрастает информацией о поведении, интересах, социальном статусе. На сайт клиента мы устанавливаем трекеры, которые собирают данные о пользователях. Когда потенциальный покупатель нашего клиента заходит на сайт, мы уже знаем какую-то информацию о нем, а также можем отнести его к тому или иному кластеру или классу. Что позволяет персонализировать дальнейшую воронку продаж.

 

Как только пользователь оставляет адрес электронной почты, его ID связывается с email. Так мы получаем электронную почту с уже готовым набором поведенческих характеристик.

 

Как это работает? Катя зашла на сайт одного строительного магазина, оставила почту. Система с машинным обучением проанализировала Катин профиль, сверила с данными с других сайтов и создала ее итоговый портрет. Его мы и связали с email.

 

Данные о пользователях все время обогащаются и дополняются. Если поведение целевой аудитории изменилось, алгоритм быстро подстроится.

 

  • Сегментировать аудиторию

 

После того, как машина идентифицировала пользователей сайта, она делит их на узкие сегменты. В них находятся люди со схожими поведенческими характеристиками.

 

Как это работает? Катя попала в группу к Оле, которая тоже маркетолог и тоже затеяла ремонт.

 

  • Отправить письма

 

У нас есть пользовательские данные, которые точно сегментированы, есть контент, который создали маркетологи. Машина автоматически формирует списки рассылок под письмо с конкретным предложением и отправляет письмо в то время, когда человек обычно читает почту. Управление контентом в рассылках происходит с помощью интеллектуальных алгоритмов.

 

Как это работает? Катя, Оля и еще несколько девушек получили похожий  контент с рекомендациями строительных магазинов.

 

Если у пользователя помимо адреса электронной почты указаны и другие способы связи, алгоритм выберет предпочтительный канал коммуникации.

 

  • Проанализировать результат

 

Результаты удивляют нас до сих пор. Благодаря машинному обучению мы получаем конверсию значительно выше, при этом количество отправляемых писем уменьшается.

 

Конверсия – главная цель. Ее увеличение влечет за собой рост прибыли компании. На пути к достижению этой цели решаются следующие задачи: сбор и обогащение данных о пользователях, сегментация, персонализация общения с каждым, выстраивание Customer Journey Map, повышение OR и CTR.

 

 

 

Этот способ работает в разных сферах

 

Машинное обучение в email-маркетинге применимо для разных областей. Но в каждой оно работает по-своему. Это зависит не только от специфики самой сферы, но и от особенностей поведения аудитории. В продажах сложных продуктов срок принятия решения иногда может затягиваться на 3 месяца, а то и полгода. Поэтому цепочка писем, подготовленная с помощью машинного обучения, длиннее. Если продукты простые и понятные аудитории, решение принимается быстро.

 

Пример 1. Для одной из страховых компаний мы привлекли 820 заявок на получение страхового полиса всего с пяти email-рассылок. Благодаря машинному обучению мы оптимизировали выбор получателей, креативы, темы письма и имена отправителей.

 

Аналогичные показатели были в банковской сфере.

 

Пример 2. В начале года мы начали работать с крупными российскими финансовыми компаниям по привлечению клиентов с email-рассылок через партнерские сети. Увеличили количества кликов с рассылок в 5 раз, объем самих рассылок сократился в 11,6 раз. Так мы сэкономили деньги на обслуживание сервисов рассылок. В 15,6 раз увеличилось количество заявок, а конверсия в заявки выросла в 3 раза.

 

 

 

Что еще надо знать о машинном обучении

 

  • Оно ускоряет работу маркетологов, но не заменяет их. 
  • Собирает данные о пользователях за несколько секунд, обогащает их и реагирует на малейшие изменения поведения.
  • Связывает данные о пользователе на сайте с его email.
  • Точно сегментирует аудиторию по схожим поведенческим характеристикам.
  • Готовит список контактов для рассылки, кому будет интересен определенный контент.
  • Увеличивает конверсию и обеспечивает рост прибыли.

 

?сточник: Rusbase

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *