Как ускорить работу маркетологов и повысить продажи

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 (https://digitalcontact.com/ru/), и эксперты платформы DC Data Hub рассказывают о возможностях машинного обучения в email-маркетинге и как с помощью него можно повысить продажи.
Если не люди, то кто?
Количество данных о пользователях, которые сегодня собираются, не могут быть проанализированы человеком вручную. Именно 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 - 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 пришла 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.
Сбор данных.
При помощи методов машинного обучения собираются пользовательские данные. Это неперсональная информация с именем, фамилией, телефоном, адресом и т. д., 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. Интернет-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 e-mail. 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 профиль Кати, сверила с данными с других сайтов и создала ее итоговый портрет. Его мы и связали с e-mail.
Данные о пользователях все время обогащаются и дополняются. Если поведение целевой аудитории изменилось, алгоритм быстро подстроится.
Сегментирование аудитории.
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.
Отправка 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.
Анализ результата.
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 (https://digitalcontact.com/ru/) 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 e-mail.
- Точно сегментирует аудиторию по схожим поведенческим характеристикам.
- Готовит список контактов для рассылки, кому будет интересен определенный контент.
- Увеличивает конверсию и обеспечивает рост прибыли.
Источник: Rusbase (https://rb.ru/opinion/uskorit-rabotu/?utm_source=publisher&utm_medium=post&utm_campaign=kak_uskorit_rabotu_marketologov).