E-postmarkedsføring og automatisering

E-postmarkedsføring: Enkel analyse av oppbevaringslister

abonnent oppbevaring har sine røtter i avisbransjen. For flere år siden jobbet jeg for et databasemarkedsføringsfirma som spesialiserer seg på avisabonnementsanalyse. En av de viktigste beregningene for segmentering og markedsføring av potensielle kunder for abonnement var deres evne til å 'beholde'. Vi ønsket ikke (alltid) å markedsføre til potensielle kunder som ikke ville beholde godt, så når vi ønsket å skaffe oss kvalitetsutsikter, ville vi markedsføre til nabolag og husholdninger som vi visste holdt godt. Med andre ord, de tok ikke tak i den 13 ukers spesialen, og deretter bailed, de ville faktisk fornye seg og holde fast.

For å analysere hvor godt produktet klarte seg og hvor bra det gikk med markedsføringen, ville vi kontinuerlig analysere kundebeholdningen. Dette vil hjelpe oss å holde oss på mål. I tillegg vil det også hjelpe oss å estimere hvor mange kunder som vil forlate kontra opphold, slik at vi kan planlegge anskaffelseskampanjer tilsvarende. I sommermånedene der folk ville reise på ferie, kan vi markedsføre potensielle kunder med lav oppbevaring bare for å holde tellingen oppe (abonnentantal = annonsering av dollar i avisindustrien).

Oppbevaringskurven

Retensjonskurve

Hvorfor bør du analysere oppbevaring av lister?

Jeg er ærlig overrasket over at, gitt verdien av en e-postadresse, har ikke e-postmarkedsførere tatt i bruk Retensjonsanalyse. Oppbevaringsanalyse på e-postabonnenter er verdifull av flere årsaker:

  1. Med lav oppbevaring kommer rapportering om høy søppel / spam. Overvåking av listeoppbevaring vil hjelpe deg med å bygge omdømme og unngå leveringsproblemer med Internett-leverandører.
  2. Å sette oppbevaringsmål er et flott middel for å sikre at innholdet ditt er opp til snus. Det vil i utgangspunktet fortelle deg hvor mange ganger du kan risikere dårlig innhold før en abonnent bestemmer seg for å kausjonere.
  3. Oppbevaringsanalyse vil fortelle deg hvor ille listene dine er nedverdigende og hvor mange abonnenter du må fortsette å legge til for å opprettholde listetallene dine og; som et resultat, inntektsmålene dine.

Hvordan måle oppbevaring og slitasje på listen over e-postabonnenter

Eksemplet jeg har gitt her er fullstendig sammensatt, men du kan se hvordan det kan hjelpe. I dette tilfellet (se diagrammet) er det en nedgang på 4 uker og en annen på 10 uker. Hvis dette var et reelt eksempel, kan det være lurt å legge inn litt dynamisk innhold rundt 4-ukersmerket som virkelig gir litt zip til kampanjen! Samme i uke 10!

For å starte tar regnearket jeg bruker i utgangspunktet hver abonnent og beregner datoen de startet og avmeldingsdatoen (hvis de har meldt seg ut. Husk å sjekke ut beregningene - de gjør en fin jobb med å skjule informasjon der den skal være blank og bare regner med forhold.

Du vil se at det resulterende rutenettet inneholder de totale dagene de ble abonnert hvis de har avsluttet abonnementet. Dette er informasjonen jeg vil bruke i den andre delen av analysen for å beregne retensjonsgraden for hver uke.

Abonnentdager

En oppbevaringskurve er ganske standard i enhver bransje som måler abonnement, men den kan også brukes til å analysere oppbevaring for andre bransjer - matlevering (hvor mange leveranser og hvor ofte før noen drar for godt ... kanskje en spesiell "takk" rett før det poenget er i orden), hårklipp, filmutleie ... du heter det, og du kan beregne slitasje og oppbevaring for klienten din.

Å beholde klienter er vanligvis mye billigere enn å skaffe nye. Du kan bruke retensjonsanalyse for å beregne og overvåke retensjonskurvene dine.

Med mitt falske eksempel ser du at bare for å opprettholde listetallene mine, må jeg legge til ytterligere 30 +% av abonnentene innen få måneder. Det er for øyeblikket ingen e-postmarkedsføringsstandarder for oppbevaringsanalyse - så avhengig av bransje og kampanjer kan listeoppbevaring og utmattelse variere dramatisk.

Last ned et Excel Retention-regneark

Oppbevaringsregneark

Last ned Excel-regnearket

Dette er bare en rudimentær prøve som jeg satte sammen for dette innlegget. Imidlertid inneholder den all informasjonen du trenger for å kunne analysere oppbevaringen din. Høyreklikk ganske enkelt på diagrammet nedenfor og gjør en "Lagre som" for å laste ned regnearket jeg har bygd lokalt.

Hvis du trenger hjelp til å utføre denne typen analyser på listene dine, gi meg beskjed! Det kommer virkelig til nytte når du også har husholdnings-, demografiske, atferds-, innholds- og utgiftsdata. Det lar deg gjøre utrolig segmentering for bedre å målrette markedsføringen og innholdet ditt mot publikum.

Douglas Karr

Douglas Karr er CMO for Åpne INSIGHTS og grunnleggeren av Martech Zone. Douglas har hjulpet dusinvis av vellykkede MarTech-startups, har bistått med due diligence på over 5 milliarder dollar i Martech-oppkjøp og -investeringer, og fortsetter å hjelpe selskaper med å implementere og automatisere salgs- og markedsføringsstrategier. Douglas er en internasjonalt anerkjent digital transformasjons- og MarTech-ekspert og foredragsholder. Douglas er også en publisert forfatter av en Dummies guide og en bok om lederskap for bedrifter.

Relaterte artikler

Tilbake til toppen-knappen
Lukke

Annonseblokkering oppdaget

Martech Zone er i stand til å gi deg dette innholdet uten kostnad fordi vi tjener penger på nettstedet vårt gjennom annonseinntekter, tilknyttede lenker og sponsing. Vi vil sette pris på om du vil fjerne annonseblokkeringen når du ser på nettstedet vårt.