Практичный email [CRM] маркетинг

В предыдущей статье мы разбирались с усовершенствованием welcome‑серии с течением времени. Сегодня поговорим об упрощении такой вещи, как статистика email-рассылок. Эту тему мы уже затрагивали в материале Аналитика рассылок за 5 минут. Однако там речь шла о сокращении числа измерений на уровне отдельной email-кампании (как правило, в регулярных массовых рассылках).

А сейчас попробуем подняться до группы кампаний — на примере триггерных писем, которые бывает очень удобно соединять и анализировать вместе.

В принципе, когда триггерных писем немного — 1-2-3 сценария — ничто не мешает вести их статистику по отдельности, как обычно, измеряя просмотры, клики и прочие показатели. Но по мере развития email-маркетинга на проекте триггерных писем становится всё больше (это вполне может быть 10-15, а то и 20 сообщений по различным этапам «жизненного цикла» подписчика). И вот здесь уже анализировать их по отдельности на постоянной основе становится трудно.

Измерения на уровне группы писем

Итак, допустим за время развития проекта у нас накопилось сразу 10 триггерных писем: welcome-серия, напоминания о незавершённых действиях (по типу брошенной корзины), серия после заказа и автоматическая реактивация.

Когда всё идёт хорошо, email-канал работает стабильно, нам достаточно измерять эффективность всех этих писем в совокупности, с определённой периодичностью — например, раз в месяц.

Вот, как это может выглядеть:

Месяц — период, за который проводятся измерения
(март, апрель, май и т.д.).

Трафик — общий трафик, привлекаемый со всех триггерных писем за период, на основе UTM-меток по данным сервиса веб-аналитики — параметр «Сеансы» или «Визиты», если брать наиболее распространённые инструменты Гугл Аналитикс и Яндекс.Метрику (например, 500 сеансов).

Целевые действия — число целевых действий подписчиков, полученных с привлечённого трафика: заказов для интернет-магазинов, заявок для сайтов услуг и так далее — то есть действий, приносящих проекту доход, по данным сервисов веб-аналитики на основе настроенных там целей (например, 10 заказов или 5 заявок на услугу).

Конверсия — соотношение количества целевых действий и трафика, привлечённого с триггерных писем (например, 10 заказов / 500 сеансов = 2%, или 5 заявок / 500 сеансов = 1%).

Доход — денежная ценность целевых действий, если таковая нам известна, по данным сервиса веб-аналитики, CRM или другой системы, которая собирает финансовые данные (например, 50 000 рублей).

Средний чек — соотношение дохода и числа целевых действий (например, 50 000 рублей / 10 заказов = 5000 рублей или 50 000 рублей / 5 заявок = 10 000 рублей).

Можно добавить к измеряемым показателям графу «Примечание», где в свободной форме делать выводы на основе полученных данных. А также усреднять показатели за год, чтобы иметь более наглядные цифры для сравнения.

Регулярное заполнение такой таблицы даст нам наглядную картину эффективности триггерных писем на проекте и позволит отслеживать её в динамике. При этом времени на такой обобщённый анализ потребуется гораздо меньше, чем на аналитику каждого письма в отдельности.

Мониторинг работоспособности

Отслеживание совокупных показателей триггерных писем раз в месяц полезно и с точки зрения мониторинга их работоспособности. Поломка чего-либо вполне вероятный сценарий, а в течение длительного времени — практически неизбежный.

Очередное обновление, как с нашей стороны, так и со стороны сервиса рассылок, способно привести к остановке части триггерных писем или даже всех писем сразу, и важно заметить и исправить это оперативно.

Вряд ли мы сможем регулярно тестировать все письма на собственных почтовых ящиках. Это и долго, и трудоёмко, и при этом не на 100% надёжно (то, что срабатывает локально на наших почтах, не факт, что бесперебойно работает для всех остальных подписчиков). Однако при заполнении ежемесячной сводки мы ясно увидим проблему, которая проявит себя в снижении трафика или других показателей:

Дальше можно будет заняться поиском конкретной неисправности, для начала просто перейдя к отчёту по UTM-меткам в сервисе веб-аналитики.

Первое, на что стоит обратить внимание — а все ли UTM-метки представлены в отчёте за последний месяц? Если обычно мы видим в системе аналитики 10 меток utm_campaign, а тут внезапно их стало 8-9, значит трафик с каких-то триггерных писем прекратился, и это вполне может быть признаком отказа.

Также проблему способно выявить не полное отсутствие, но значительное снижение трафика и конверсий по какому-либо триггеру, которое можно заметить, сопоставив показатели за этот и и предыдущий месяцы.

Однако иногда спад показателей триггерных писем не связан с простым «механическим» отказом. Это может быть постепенное снижение эффективности месяц за месяцем, которое нам тоже покажет ведение сводки обобщённых показателей:

С такой ситуацией сложнее справиться, так как часто она выходит за рамки email и касается изменений на проекте в целом. Но кое-какие шаги по оптимизации действующих триггерных кампаний предпринять всё-таки возможно.

Оптимизация триггерных писем

Оптимизация — это наращивание эффективности действующих сценариев автоматических писем. Оптимизировать можно:

•  только что запущенные триггерные письма, выводя их на «запланированную высоту»,
•  триггерные сценарии, которые показывают себя хорошо, но мы хотим сделать их ещё лучше,
•  триггерные сценарии, которые проседают с течением времени и которые мы хотим вернуть к прежней результативности.

В любом случае, оптимизация — дело непростое, и до поры до времени наращивание показателей лучше обеспечивать экстенсивно, просто увеличивая число триггеров: скажем, на проекте действовали 10 сценариев, а мы добавили ещё 5. Но рано или поздно от количества понадобится переходить к качеству. На этом шаге и будет востребована оптимизация.

Тут нам уже понадобится спускаться на уровень отдельных кампаний и смотреть их показатели подробно: от коэффициента доставки до отписки и жалоб на спам, а также «посткликовые» показатели на сайте (качество трафика, конверсия, сессии пользователей в веб‑визоре).

Здесь же отмечу лишь, что когда речь заходит об оптимизации, желательно сфокусироваться в один момент времени максимум на 1‑2 письмах, увеличение результативности которых мы видим ключевым. Тогда у нас будет ограниченный «фронт работ» и в каждый момент времени мы будем хорошо понимать, что происходит и куда двигаться дальше.

Частота измерений в случае оптимизации может вырасти до 1 раза в неделю (или даже до раза в 2-3 дня). Однако весь набор триггерных писем мы продолжим измерять как и прежде — на обобщённом уровне, раз в месяц.

Автоматизация статистики

Помимо «укрупнения» масштаба собираемых данных для экономии времени мы можем пойти по пути автоматизации наших отчётов — при помощи Гугл Дата Студио (бесплатный инструмент в пару к Гугл Аналитикс) или более «продвинутых», платных инструментов типа Power BI.

В этом случае, поскольку данные в отчёты поступают автоматически, и нам не нужно муторно переносить их из разных систем аналитики в ячейки Экселя вручную, может показаться, что никаких ограничений не существует: можно взять на отслеживание столько показателей и «разрезов», сколько вздумается.

На самом деле это не совсем так: тут же «вылезет» другая проблема — данных станет слишком много. И невозможно будет разобраться в многочисленных графиках, столбцах цифр и прочих представлениях.

Поэтому в конечном счёте, если и строить автоматизированные отчёты, то примерно в формате отчётов на уровне группы кампаний. С их помощью мы сможем заниматься оценкой общей эффективности, отслеживанием трендов и мониторингом работоспособности.

Если же нам понадобится спускаться на уровень ниже для оптимизации отдельных кампаний, то лучше вынести их в отдельные, изолированные отчёты. Так объём единовременно анализируемых данных сократится до понятного числа параметров.

Заключение

Предложенный здесь способ аналитики достаточно универсален и, конечно, может быть применён не только для автоматических писем, но и для других кампаний, сгруппированных удобным для нас образом: по типу писем — триггерные/транзакционные/массовые рассылки, по механике отправки — автоматические/«ручные», по различным сегментам подписчиков и так далее.

Везде мы можем:

•  бегло анализировать ситуацию (обобщённая статистика email-рассылок нам в помощь),
•  мониторить работоспособность и находить причины отказов, умеренно детализируя отчёты,
•  поднимать полную детализацию по отдельным кампаниям с целью их оптимизации.

Разделение аналитики на уровни в зависимости от ситуации и наших целей позволяет нам иметь дело с ограниченным количеством измерений в каждый момент времени. Мы экономим ресурсы и не тонем в потоке многочисленной, трудноусваиваемой информации, при этом сохраняя контроль над нашими email-коммуникациями.

	[В следующий раз покритикуем стандартный подход к реактивации базы].

P.S. Статистика email-рассылок, конкретные наборы измеряемых показателей, форматы измерений и много примеров дополнительно разобраны в 4-6 главах моей книги «Практичный email маркетинг». Если вы ещё её не купили, то всегда можете исправить это упущение ↑

Также, если вы ещё не подписались на рассылку моего блога — самое время это сделать 😉