Uporabite zrno soli pri orodjih za avtomatizacijo marketinga

Objavil/-a Valicon,

Orodja za avtomatizacijo procesov v marketingu so zdaj bolj ali manj standard vsakega prodajno-trženjskega oddelka. Skoraj ni podjetja, ki ne bi po elektronski pošti pošiljala obvestil, reklamnih dopisov ali člankov. V sodobnem, »oblačnem« obdobju je dostop in uporaba tovrstnih orodij enostavna – odpreš račun pri enem od ponudnikov, ki ponuja brezplačen osnovni paket, uvoziš elektronske naslove in vozi, Miško!

Prva težava lahko nastane, ko se začnemo ukvarjati z mislijo, koliko je naše poslovanje napredovalo od trenutka, ko smo začeli pošiljati mejlinge in ozaveščati trg na lastno eksistenco. Običajno najprej pogledamo, koliko ljudi je sploh prebralo poslane dopise in tu sledi prvi šok – večinoma naslovniki odprejo od 10 do 20 odstotkov prejetih elektronskih sporočil. Še manj jih potem kaj koristnega naredi. In na koncu se morda po nekaj tednih pošiljanja takšnih in drugačnih dopisov kdo le pokliče za ponudbo. Na sestankih s šefi ti dosežki seveda ne vzbujajo ravno prave samozavesti in mnogo podjetij tipično slovensko hitro obupa, češ, saj smo poskusili, pa ne gre …

Ena od prvih in najbolj univerzalnih lekcij, je seveda ta, da je treba dati času čas. Enostavno moramo ugotoviti, kaj ustreza našim strankam in kaj ne. Poslati je treba toliko in toliko elektronske pošte, da vidimo kaj deluje, kdaj stranke odpirajo elektronsko pošto in kakšna oblika jim najbolj ustreza. Velika razlika je spet , ali gre za B2C ali B2B rešitev.

Vse je izgubljeno, če stranka niti ne odpre dopisa

Ne glede na to, kako odlična je vsebina vašega sporočila ali kako privlačen je videz, vse pade v vodo, če ga stranka niti ne odpre. Ure trdega dela, izgubljanja živcev s popravki, ukvarjanja z detajli in proučevanja študij o učinkovitosti vsebine gredo tako lahko po zlu.

Razlog je običajno banalen – neprimerno ime pošiljatelja ali naslov (subject), ki ne vzbudi dovolj zanimanja ter celo odvrne stranko, ne da bi pogledala vaše sporočilo. Predvsem v naslovu se skriva glavni vir težav, saj imate na razpolago le omejeno količino znakov za prepričevanje naslovnika. Na spletu je na voljo malo morje nasvetov, kako sestaviti perfekten subject, a vam lahko iz lastnih izkušenj povem, da je vse skupaj bolj blažev žegen. Človeška psihologija je zapletena reč in nekaj, kar deluje danes, čez mesec dni ne bo več vžgalo. Poleg tega so pri pripravi subjecta mnoge omejitve. Branding in arhetipi sicer niso točno moje področje, čeprav to na Valiconu  stalno izvajamo, a tudi meni je jasno, da podjetje, ki se ponaša z arhetipom vladarja, ne more pošiljati naokrog emaila z naslovom :«Ob predstavitvi našega produkta, vam bo padla čeljust!«

Naslov morate vedno izbrati skrbno. In kadar pošiljate dopise potencialnim strankam, vedno poskusite z več možnostmi. Večina orodij ima možnost AB testiranja, torej pošiljanja iste vsebine z različnimi naslovi ali različnih vsebin z enakim naslovom. Sama logika je enostavna – na manjši vzorec, recimo četrtino naslovnikov, pošljemo dva ali tri sporočila z različnimi nagovori. Določimo čas merjenja uspešnosti rezultatov in na koncu zmagovalni mejling pošljemo na preostalo bazo. AB testiranje je skoraj nujnost pri večini prodajnih dopisov, tako da če imate v svojih orodjih to možnost, vam svetujem, da jo izkoristite.  Seveda spet ne boste revolucionarno izboljšali odstotka odprtih dopisov, običajno se meja dvigne za kakih deset odstotkov.

Utrujena podatkovna baza je brez vrednosti

Seznam elektronskih naslovov potencialnih strank je največje bogastvo, ki ga ima podjetje za trženje in oglaševanje svojih storitev ali izdelkov. Zdaj sicer že nekoliko zastarele študije navajajo, da je pridobitev novega kupca petkrat dražji proces kot ohranjanje starega. V moderni digitalni dobi je razlika sicer manjša, a vseeno – nekoga, ki se zanima za vas, je zelo neumno izpustiti iz rok. In nekdo, ki je z vami že posloval, je prav gotovo potencial za nadaljnje poslovanje.

Toda kljub vsemu prelitemu črnilu in izrečenim naukom, kako obdržati stranke, sem vedno znova presenečen nad nerodnostjo nekaterih podjetij, tudi takšnih, za katere bi človek menil, da jim je skrb za stranke na prvem mestu.

Vzemimo za primer eno večjih trgovskih mrež s športno opremo v Sloveniji. Oglaševanje na spletnih medijih me je pripeljalo na njihovo pristajalno stran, kjer vsak dan ponujajo drugačne popuste, ki so kar precejšnji. Ker sem ravno potreboval nove treking čevlje, sem izkoristil odlično priložnost, se registriral v spletni trgovini in opravil nakup.

In kaj se je zgodilo potem? Omenjena trgovina me je pokopala s ponudbami – pet sporočil v treh dneh in ta za nove, precej drage nakupe!  Ker nisem imel ne želje, denarja ali trenutne potrebe po kakšnih novih nakupih in ker sem se naveličal ves čas brisati ponudbe, sem se seveda odjavil z njihovega seznama n zdaj imam mir.

Zgodba je resnična, prisežem. V prejšnjih časih ob odjavi ne bi niti trenil z očesom, zdaj pa me je prešinilo, če imajo pri trgovini sploh predstavo, kaj so zapravili. Niso si vzeli časa ne za to, da bi se malce pozanimali, s katerim športom se resnično ukvarjam, niti niso sledili dobrim praksam, ampak so po meni padli kot lačno krdelo volkov!

Mnogo podjetij dela podobno napako – ves čas s ponudbami zasipajo celotno bazo strank. Tiste, ki jih trenutna ponudba zanima in tiste, ki jih ne.  Slednji ne potrebujejo ravno krepke vzpodbude, da se za veke vekov odjavijo s seznama potencialnih strank, še posebej če je podjetje agresivno s porivanjem svoje ponudbe.

Temu nekritičnemu pošiljanju rečemo utrujanje baze – in vsekakor se mu je priporočljivo izogibati, koliko se le da na široko. Star slovenski pregovor pravi :«Ponudbo naj dobi, kogar denar v žepu tišči!« Torej, če želimo izboljšati učinkovitost naših akcij preko elektronske pošte, je potrebno najprej omejiti seznam naslovnikov. In prvo vprašanje, ki se pri tem porodi, je seveda – KAKO to storiti.

Izberite prave stranke za vašo trenutno ponudbo!

Pri majhnem številu strank  priprava seznama za ciljno trženje ne bi smela predstavljati težav, saj lahko uporabljamo preglednice in filtre za  grupiranje in sortiranje baze. Toda pri večjih bazah, je treba poseči po močnejših orodjih in naprednejših metodah.

Na Valiconu, kjer se med drugim ukvarjamo tudi z analitiko in napovedno analitiko, imamo s pripravami podatkovnih baz kar nekaj izkušenj in orodje po naši izbiri je IBM SPSS Modeler. Z velikim naborom klasifikacijskih in segmentaticijskih metod je kot naročena za pripravo seznamov strank za različne tipe ponudbo oziroma dopisov.

Glede na to, da je dobra praksa najboljši dokaz delovanja in uporabe, tu lahko za primer opišemo pilotski projekt targetiranega trženja s pomočjo napovedne analitike, ki smo ga naredili za večjega slovenskega trgovca z elektroniko.

Naš primer iz prakse – presenetljivi učinek selektivnega trženja

Stranka razpolaga z bazo 50.000 naslovnikov, ki jih tedensko bombardira z vsakovrstnimi ponudbami, znižanji in akcijami. Odpiranje tovrstnih sporočil se običajno zadržuje nekje okrog 10 odstokov, obiskov spletne strani direktno iz teh dopisov pa je seveda še precej manj. Razen tega stranko tare tudi precejšnja količina odjav s seznama.

Kakšne podatke mora vsebovati baza naslovnikov?

Baza potencialnih strank mora vsebovati še druge podatke, ne samo elektronskih naslovov. Razen tega, da nanje pošiljamo naša elektronska sporočila, nam kaj prida ne koristijo, ravno tako ne imena, telefonske številke in naslovi (razen morda poštne številke). Vse to so individualni podatki, ki nam pri proučevanju nakupnih navad nič kaj preveč ne pomagajo.

Zato si vedno prizadevajte, da na nek način pridobite dodatne informacije o vaših strankah – spol, starostno skupino, zakonski stan, podatek o zaposlitvi, morda interese v prostem času in podobne demografske podatke. To so informacije, ki nam bodo pomagale pri segmentacijah in uvrščanje strank v različne kategorije za trženje in prodajo.

Pri naši stranki so kupci izpopolnjevali  serijo vprašalnikov, veliko pa nam je pomagala tudi spletna analitika, ki nam je razodela, katere strani je posamezna stranka obiskala. Profilni podatki so v tržnem procesu kritičnega pomena in vsako podjetje bi se moralo izdatno potruditi, da jih zbere kar največ.

profil_stranke

Druga baza, ki smo jo imeli na razpolago,  so bili podatki o nakupih za dve leti. Vsebovala je datume, vrednostni nakupov, izdelke in kategorije, kamor so kupljeni produkti spadali. Nakupe se je dalo lepo povezati z osebnimi podatki kupcev, tako da smo dobili lep, poln nabor podatkov.

Vprašali smo se dve stvari:

  • Kateri kupci, ki so v preteklosti že kupovali pri našem trgovcu, so najboljši potenciali za ponoven nakup?
  • Katera kategorija izdelkov je za takšne kupce najprimernejša?

Kako smo se lotili problema?

Gornji vprašanji sta  kot naročeni za reševanje s pomočjo napovedne analitike. Glede na to, da smo imeli kar nekaj podatkov o nakupih, profilne podatke in tudi rangiranje strank, narejen na osnovi dosedanjega odpiranja elektronske pošte, smo s pomočjo pravega napovednega modela (CHAID odločitveno drevo) dobili za vsakega kupca verjetnost, ali bo v prihodnosti opravil še kakšen nakup.

izbor_baze

 

Cilj je  bil izračunati verjetnost, da bo stranka, ki je v preteklosti že nekaj kupila, spet opravila nakup. Pri tem smo se omejili na podatke o nakupih enega leta. Za učni in testni vzorec smo vzeli podatke iz leta 2014, razmerje med učnimi in testnimi podatki pa je bilo 60:40. Napovedni model smo nato morali še malce popraviti, tako da so se napovedi na učnih in testnih podatkih dobro ujemali.

modeler

Tako pripravljen model smo nato uporabili za podatke na letu 2015, ki so bili takrat tekoči podatki. Pri tem smo se odločili, da bomo na koncu upoštevali samo kupce, ki imajo 80 odstotno verjetnost, da bodo kupili še en izdelek. S tem smo krepko oklestili podatkovno bazo, namesto 50.000 naslovnikov, smo jih dobili nekaj čez tri tisoč. To je tisto, kar smo želeli – manjše število strank, vendar z večjo verjetnostjo nakupa.

Drugi del je bil tehnično precej bolj zapleten. Za vsako od potencialnih strank je bilo treba dobiti kategorijo izdelka, ki jo bo stranka najverjetneje kupila. V ta namen smo opravili market basket analizo na podatkih za obe leti.

Stranke smo najprej segmentirali in za vsak segment smo določili tipično košarico izdelkov. Sicer je ta analiza primernejša za klasične tedenske nakupne košarice pri , a se je obnesel tudi pri tehniki in zabavni elektroniki. Namen te analize je, da pogleda, kateri so najbolj tipični izdelki za posamezni segment in če kateri od teh izdelkov manjka, ga lahko stranki priporočimo.

modeler_2

Za vsako od naših strank smo nato pogledali, katera kategorija bi bila zanje najprimernejša za naslednji nakup. Pri tem je sicer odpadlo nekaj kategorij, na koncu jih je ostalo samo še šest, vendar tudi na ta način povišamo možnost uspeha pri naših dopisih. S še večjo bazo kupcev ali podatki o nakupih za še več let nazaj, bi vsekakor lahko mnogo natančneje določili, kateri izdelek lahko priporočimo za naslednji nakup.

S pridobljenimi poslovnimi pravili smo za vsakogar iz seznama najbolj perspektivnih kupcev našli  kategorijo izdelka, za katerega je najverjetneje, da bo ta kupec posegel po njem.

modeler_3

Preostalo nam je le še to, da našemu izboru strank pošljemo pravo ponudbo. Tudi tu smo poskusili potisniti možnost uspeha čim višje. Za vsako kategorijo smo oblikovali poseben naslov oziroma subject elektronskega sporočila, ki je omenjal dotično kategorijo,  v sporočilu pa je bila opisana ponudba štirih izdelkov iz kategorije, povezave pa so potem vodile na spletno trgovino. Žal trgovec na spletno trgovino ni postavil še našega sledilnega sistema, tako da točnega števila nakupov oziroma konverzij nismo uspeli pridobiti, lahko smo samo sledili kdo je iz dopisa potem šel naprej na spletno stran.

Presenetljivi rezultati

capture
Prvi stolpec:
tu je navedeno število poslanih prodajnih dopisov strankam, ki so imeli najvišjo verjetnost, da bodo opravili nakup v tej kategoriji. Majhne številke poslanih dopisov (razen pri računalništvu) so posledica ostrih pogojev pri izbiri naslovnikov, ki smo jih postavili na začetku akcije, da ne bi utrujali podatkovne baze.

Drugi stolpec: pri določenih kategorijah je bil odziv na dopis povprečen, spet pri drugih pa je presegel vsa pričakovanja.  Če se spominjate, smo na začetku govorili, da je več kot dvajset odstotkov odprtih dopisov že lep uspeh, tu pa je ponekod naše dopise prebralo več kot sedemdeset odstotkov potencialnih strank!  Do pisanja tega članka je to sicer še vedno naš absolutni rekord, a je seveda jasno, da bi pri nekoliko rahlejših pogojih tudi ta odstotek rahlo padel. Visoka količina odprtih sporočil je dokaz, da so šle ponudbe do pravih ljudi.

Tretji stolpec: tu gre za odstotek vseh strank, katerim so bili dopisi poslani, ki so se odločile, da  se odpravijo pogledat ponudbo tudi na spletno stran trgovca. Anomalija so sicer kupci zgoščenk, a tu gre seveda za poseben tip strank, ki večkrat opravijo nakupe in jih vedno zanimajo nove vsebine.  Nekoliko podpovprečen je samo odziv pri računalništvu, kar kaže, da stranka ni dobro zasnovala vsebine ponudbe v dopisu. Moje osebno mnenje je, da bi lahko z dinamičnimi vsebinami, ker se dopis prilagaja lastnostnim posamezne stranke še precej bolj dvignili število kupcev, ki bi se odpravilo v nakupe na spletno stran našega trgovca.

Žal smo pred glavno nagrado obtičali. Trgovec ni želel na prodajno spletno stran dati sledilnih kod, ki bi v naše orodje za avtomatizacijo marketinga sporočale, ali je potek stranka opravila nakup ali ne.

Sledilna koda se vstavi v povezave na spletnih formah, njena funkcija pa je javljanje vrednosti nakupov. V tem primeru bi za vsako stranko lahko videli, po katerih podstraneh  se je gibala, kje se je največ zadrževala in kakšna je bila vrednost nakupov. Vse te podatke  potem lahko prenesemo v orodje za napovedno analitiko in vsake pol leta ponovimo prej opisani cikel.

Kakšna spoznanja nam je prinesel projekt?

Z opisanim pristopom smo dokazali, kako lahko napovedno analitiko uporabimo za, kot bi rekli v vojski, kirurško natančno trženje.  Bazo naslovnikov za konkretno akcijo smo krepko zmanjšali in količina odprtih dopisov je bil prvi pokazatelj uspešnosti akcije. Pri tem nismo utrujali baze podatkov, tako da bi že naslednji dan lahko poslali dopise za novo akcijo, ki bi naslavljala čisto drug segment baze. Seveda bi presečne stranke izločili, saj nikoli ni dobro biti preveč agresiven.

Tudi število prehodov na pristajalno stran (landing page) trgovca je bilo vzpodbudno in tu smo imeli še veliko rezerve, saj bi lahko vsebino dopisov do pičice prilagodili vsaki stranki posebej. Kljub temu je bilo število unikatnih klikov na povezave do spletne strani trgovca skoraj še enkrat večje kot sicer.

Zanimivo je tudi, da stranke niti nimajo preveč rade bogatih dopisov z razkošnim slikovnim materialom. Z mnogimi A/B testiranji smo ugotovili, da je lepo oblikovan, a kratek in enostaven dopis veliko uspešnejši – osrednja »call to action« povezava in učinkovita kratka predstavitev kaj želimo (elevator pitch) sta vse, kar zadošča, da se stranka odloči za nadaljevanje nakupne poti.

Seveda je B2C pristop drugačen od B2B, a na koncu so vedno ljudje, ki odpirajo elektronske dopise in berejo ponudbe. Uspeha običajno ne prinaša zasipanje z dnevnimi ponudbami, pač pa dobro premišljena strategija usmerjenih kampanj, vendar se je treba ob takšnem pristopu precej bolj potruditi in elektronsko tržno komunikacijo jemati v  zelo širokem kontekstu.

Prav a konec morda še nekaj kratkih točk, direktno iz strelskih jarkov:

  • Ne pošiljajte ponudb kar vsevprek, pošljite jih ljudem, ki jih zanimajo
  • Potrudite se izvedeti čimveč podatkov o strankah. Samo elektronski naslov in ime sta brez vrednosti
  • Bodite odprti do vedno novih pristopov pri oblikovanju ponudb in seznamov pošiljanja. Napovedna analitika, klasični pristopi in zdrava kmečka pamet – pomaga prav vse!
  • Nikar ne obupajte in ves čas iščite načine komuniciranja, ki ustrezajo prav vašim strankam.