В последнее время, я часто слышу мнения, что “Объем отправки писем это ключ к успеху в email-маркетинге!”. По своей сути, они означают, что отправка дополнительных email приводит к большей активности подписчиков, зарабатыванию большего числа денег, и, вообще, лучше (вне зависимости от того, что “лучше” значит для вас).
Их аргументы просты:
- Мои данные показывают, что чем больше получает/открывает/кликает мою рассылку, тем больше денег я зарабатываю.
- Так как я не могу волшебным образом “наколдовать” новые email-адреса, поэтому я должен чаще отправлять рассылки тем, кто уже есть.
Ведь если у вас есть адресная база в 10 000 адресов и каждый раз, когда вы отправляете по ним email, вы получите 100 заказов, то, отправив email на эти адреса два раза в месяц, а не один, вы ожидаете получить на 100 заказов больше, верно? Деньги у вас в кармане! Почему бы не пойти на это?
Безусловно, рассуждения верные. Но не все так просто.
Может быть, вы сможете увеличить частоту ваших рассылок для роста продаж, а может и не сможете. И вот почему:Активность подписчика (открытия, клики) зависит от частоты отправки рассылок. Чем больше вы отправляете, тем меньше подписчиков открывают ваши рассылки и кликают по ссылкам в них. А значит должна быть точка равновесия, в которой определенная частота рассылки максимизирует активность подписчика (а, следовательно, и ваши продажи).
Частота рассылок и активность подписчиков отрицательно коррелируют
Ок, первое, что мы должны показать, это то, что частота и активность отрицательно коррелируют, т.е. чем чаще вы шлете рассылку, тем меньше подписчиков проявляют активность с каждой следующей кампанией. Для этого исследования я использовал показатель кликов в рассылках вместо уровня открытий, т.к. это более честный показатель и он теснее связан с продажами для онлайн-магазинов.
У Mailchimp много пользователей и мы можем изучить влияние частоты отправки на активность подписчиков, но у некоторых пользователей частота отправки не меняется. Они, как часовой механизм, отправляют рассылки с одинаковой частотой, поэтому их данные бесполезны в данном исследовании. Также, было бы неправильно комбинировать данные от разных пользователей, т.к. они отправляют рассылки по разнообразным базам с разными подписчиками, которые имеют различные ожидания о различном контенте рассылок. Мы хотим избежать таких различий.
Поэтому, в конечном итоге, я сформировал процедуру, которую использовал в своем исследовании:
- Вытянем всех пользователей за последние 2 года, которые отправляли часто (от двух раз в месяц) по минимум тысяче подписчиков. Получим данные об уровне кликов в каждой из их рассылок.
- Расчитаем частоту отправки для пользователя на каждой из этих рассылок. Вместо точного значения частоты, я использовал простое скользящее среднее для каждых 3-х отправок, чтобы сгладить “воспринимаемую” частоту отправки (то, как ее воспринимают подписчики, т.к. для них момент получения — это момент обнаружения письма в почтовом ящике), которая, как я предполагаю, немного отстает от реальности.
- Устраняем все отклонения в данных, путем применения Tukey’s fence для каждого пользователя на пару частота отправок — уровень кликов. К примеру, email-рассылка на “Черную Пятницу” может показать выброс значения уровня кликов вне зависимости от чего-либо, поэтому эту рассылку стоит исключить из анализа.
- Изучаем данные от тех пользователей, у которых есть значительные различия в частоте отправок за их историю (Я использовал следующий критерий: межквартильный диапазон должен быть не меньше средней частоты).
- Для каждого такого пользователя берем линейную регрессию уровня кликов от частоты. Изучаем регрессию с какой-никакой статистически значимой связью в данных (R-squared > 0.2, F-test p value < 0.05).
До сих пор читаете?
Результат исследования был поразительным: в каждом случае, в котором мы получили статистически значимые результаты, был отмечен отрицательный наклон линии регрессии. Другими словами, для всех пользователей, имеющих хорошую историю рассылок, действует правило: чем чаще мы будем отправлять рассылки, тем меньший уровень кликов мы получим в каждой из них.
Например, вот результаты для двух пользователей X и Y:
Отправляем больше, получаем меньше активности.
Другой пример снижения активности в рассылке.
[От переводчика]
Здесь в оригинальной статье есть пример с предвыборной кампанией email-маркетинга Обамы, которая используется сторонниками отправки максимально возможного количества email-рассылок. Но, как справедливо отмечается, если вам необходимо максимизировать результат до какого-то конкретного момента (в данном случае, это выборы), то все ок, но для периодических email-рассылок без конкретной даты окончания это абсолютно неприемлемо. И вот почему.
[/От переводчика]
Суммарная активность рассылок за продолжительный период времени это выпуклая квадратичная функция, не нарастающая линия.
В свете данных о негативной корреляции между частотой отправки и активностью подписчиков, мы можем выяснить, сколько раз в месяц клиент должен отправить свою рассылку, с помощью техники, которую отели, авиакомпании, прокаты автомобилей и другие используют в своем инвентаре ценообразования.
Приведенные выше графики для пользователей X и Y очень похожи на кривые спроса в экономике, где спрос падает, а цена растет. Поэтому мы можем ввести такое понятие как “эластичность активности от частоты”. Рассмотрим данные пользователя Y как пример. Для отдельной рассылки мы имеем:
уровень кликов = -0.08% * частота рассылки + 2.5%
Следовательно, при прочих равных условиях, общее количество кликов, которое я планирую получить в месяц, основанное на моей частоте рассылок, может быть смоделировано как:
всего кликов в месяц = размер базы * частота рассылки * (-0.8%*частота рассылки +2.5%)
Нам необходимо максимизировать количество кликов в месяц. Данная функция выпуклая вверх и квадратичная. Это означает, что взяв первую производную и приравнивая ее к 0, мы можем получить оптимальную частоту рассылки.
2 * размер базы * -0.8% * частота отправки + размер базы*2.5% = 0
получаем:
оптимальная частота отправки = -2.5%/(2*-0.8%) = 15 отправок в месяц
В общем случае оптимальная частота отправки может быть расчитана из кривой зависимости активности подписчиков от частоты отправки рассылки вида
Y = A*X + B
как:
-B/2*A
Для всех, кто напуган математическими выкладками, мы просто сформулируем идею. Плавно увеличивайте частоту отправки рассылки, смотря на показатель общего количество кликов, собираемых в месяц со всех рассылок. Как только вы проскочите оптимальное значение частоты рассылок, этот показатель начнет уменьшаться и каждая следующая “лишняя” рассылка в месяц будет все сильнее уменьшать его. Просто откатитесь на одно значение (частоты рассылок в месяц) назад и остановитесь на этом максимуме — это будет тот самый идеальный баланс, который вы ищете.
Выводы
Обратите внимание, что приведенных выше расчетах оптимальной частоты отправки, есть один параметр, который таинственным образом выкидывается: размер адресной базы. Таким образом все заявления “Вы можете больше спамить людей, если размер вашей адресной базы большой” абсолютно неуместны. Неважно насколько большая ваша адресная база, есть более тонкий способ отправлять рассылки, чем топорная “долбежка”.
В случае пользователя Y получилось, что оптимальным спобом отправки была бы отправка через день. В рамках исследования были случаи, когда пользователь отправлял каждый день, но кривая эластичности уровня открытий от частоты отправки рекомендовала смягчить темпы отправки, основывая на природе их читательской активности.
В наших выводах, оптимальная частота отправки рассылки зависит от пользователя. Ее зависимость основывается на вашей аудитории и ее ожиданиях от контента ваших рассылок. Поэтому не обращайте внимание ни на какие призывы отправлять больше и больше, а постарайтесь найти золотую середину, которая по вашим ощущениям будет сбалансирована между индивидуальной активностью подписчиков в каждой отдельной рассылке и суммарной активностью подписчиков во всем периоде по всем рассылкам.
============================
Материал статьи из блога Mailchimp.com переведен и подготовлен сотрудниками сервиса email-маркетинга Pechkin-mail.ru.
