Rok 2016 bude ve znamení „doporučování“

1 - 200 - kopieKaždý rok má své hlavní trendy a témata. Prezentují je média i přední odborníci a setkáte se s nimi také na každé konferenci odpovídající úrovně. Jaké je tedy hlavní téma roku 2016 v oblasti e-mailové komunikace?

V uplynulých letech jsme měli možnost se takto seznámit například s responzivními šablonami e-mailů. Přiznejme si, že se toto téma často opakovalo a jeho pozitivem je fakt, že ve srovnání se zahraničím v České republice o tolik nezaostáváme. Avšak u tématu doporučování již máme co dohánět. Není to samozřejmě výsledkem uplatňování zastaralých trendů, nebo že bychom se rozhodli nenásledovat ty nejnovější, ale v problematice doporučování bude vždy velkou roli hrát používaná technologie.

Technologie je vším

Zatímco nakódování šablony vám při zohlednění všech novinek zabere maximálně pár jednotek hodin (a nemusíte k tomu mít nic jiného než volně dostupný HTML editor), pro takřka jakoukoli metodu doporučování se nevyhnete více či méně sofistikovanému řešení, které doma na koleni dohromady nedáte.

Není novinkou, že průměrný zákazník je stále více zahlcován obchodními nabídkami, takže má ve výsledku na tu vaši méně času. Vaší výhodou ovšem může být chybějící personalizace většiny nabídek: jejich obsah málokdy působí přesvědčivým dojmem, navíc často není ani testován, ani optimalizován. Z klasických doporučovacích metod typu prediktivní inteligence můžete vytěžit zásadní konkurenční výhodu v podobě optimalizované pobídky na úroveň jednotlivých zákazníků.

Pokud bychom se měli detailněji podívat na metody doporučování, zásadní pro nás budou dvě skupiny:

  • Produktové doporučování
  • Doporučování odesílatele

Měli bychom vědět, že na výsledcích se podílí metod vícero, od již zmíněného prediktivního modelování přes sémantické distance či machine learning až po shlukovou analýzu. Již jen vyjmenování a stručný popis všech metod by zabralo podstatnou část článku, ve kterém se však budeme zabývat konkrétními možnostmi a dopady doporučování na e-mail marketing.

Produktové doporučování

Nejjednodušší položkou produktového doporučování je bezesporu položka nejoblíbenějších produktů. Je jednou z mála, které si dokážete do nabídky přidat na základě dat z e-shopu či webové analytiky. Příjemnější a lepších výsledků dosahující je automatizované řešení, jež vám navíc generuje nejoblíbenější produkty na úroveň jednotlivých zákazníků.

Podobně známé je doporučování souvisejících produktů. Klasickou cross-sellingovou kampaň si bez získaných dat a napárovaných produktů nevyrobíte. Samozřejmostí párování je například situace, kdy přívodní kabely k televizi souvisejícím produktem bezesporu jsou, ale neplatí to naopak. Mnoho z vás bude mít související produkty vyřešené na svém e-shopu, a pokud používáte e-mail marketingové řešení s otevřeným a srozumitelným API napojením, máte díky možnosti pracovat se zbožovým XML feedem významně usnadněnou situaci.

Zmiňujeme-li vlastnosti e-shopů, můžete být dokonce v situaci, kdy máte svůj e-shop personalizovaný 1:1. Nezáleží tolik na využívaném řešení, nepříliš vhodné by ale bylo investici do personalizace nezúročit i v e-mailovém kanálu. Protože pokud máte personalizaci webu skutečně vyřešenou, lze doporučování na základě výsledků personalizace dostat do e-mailu relativně velmi snadno. Ze zkušeností můžeme říci, že k tomu stačí 10 řádek kódu. J

Související však nemusejí být pouze produkty, s vhodným doporučovacím enginem můžete obohacovat vaše e-mailové nabídky i o produkty doplňované na základě souvislosti značky konkrétního nakupovaného zboží. Můžete vytvářet a následně pracovat se senzitivností zákazníka na jednotlivé značky, kdy ke každému zákazníkovi budete mít několik značek, na které reaguje velmi pozitivně, ale i několik těch, na které reaguje negativně, a ty by se logicky neměly do jeho nabídek vůbec zařazovat. Nemusí jít však jen o citlivost na danou značku. Zákazníkům můžete doporučovat produkty na základě chování a nákupů zákazníků ze stejného segmentu a s velmi podobným profilem.

Zcela samostatnou kapitolou je pak prediktivní customer journey v kombinaci s prediktivní inteligencí doporučování v e-mailovém, ale i webovém kanálu. Je nasnadě, že těmito vlastnostmi disponují výhradně nejlepší e-mail marketingové nástroje na trhu. Můžete se sami přesvědčit prostřednictvím krátké video upoutávky od Salesforce Marketing Cloud.

Doporučování odesílatele

V porovnání s produktovým doporučováním stojí doporučování odesílatele (neoprávněně) stranou. Nemusíte samozřejmě znát a realizovat všechny možné testy, které zmíníme. Mnohem důležitější je uvědomit si, že pokud budete řešit pouze obsahovou část a nebude vám záležet na možnostech doporučování samotné rozesílky, nemalou část vynaložené práce na optimalizaci obsahu zahodíte do koše.

Většina z nás používá standardní akviziční Welcome kampaně. Ať už využíváme jakoukoli pobídku či způsob pro sběr e-mailů, kde všichni očekáváme interakce s e-mailovým systémem v reálném čase, většinou jako poslední a opomíjený prvek bývá doporučování e-mailové adresy. Přitom našeptávače ve vyhledávacích polích bereme jako zcela samozřejmé. A je tedy chybou nepostupovat stejně i v případě e-mailových adres, protože doporučování alespoň správné domény v korektním tvaru (od RFC syntaxe po ověření MX záznamů) vám v procesu double opt-in sníží bounce rate až o 4 procenta.

Před odesláním vaší e-mailové nabídky byste měli mít možnost prověřit nejen její obsah (obrázky, odkazy, integraci trackování s webovou analytikou, personalizaci a dynamické prvky, datovou velikost či test zobrazení), ale i výsledky doručení. Typickými dvěma představiteli těchto testů jsou Spam-Check (z názvu je zřejmé, co se bude kontrolovat) a předpověď rizika bouncu, kdy se na náhodně vybrané množině e-mailových adres provede test s predikcí bounce rate. Ta, pokud by dosahovala nepřiměřeně vysokých hodnot, může mít za následek zablokování rozesílky.

Ukázka výsledku výpočtu predikce bounce rate plánované rozesílky

Ukázka výsledku výpočtu predikce bounce rate plánované rozesílky

Neméně důležitou součástí testování je doporučování frekvence rozesílky. Doporučení frekvence rozesílky pro celou databázi či jednotlivé segmenty dokáže výrazně zvýšit úspěšnost celé nabídky.

Výše zmíněné techniky jsou ideální pro zahájení prvních rozesílek, kdy nemáme dostatek informací o svých zákaznících, kvalitě e-mailových adres a tak podobně. Postupem času však můžeme k těmto testům přidávat další doporučovací techniky. Často zmiňovanou metodou je doporučování vhodného času doručení. Nejde přitom o nic jiného než výpočet nejvhodnějšího dne a času (na základě předchozích rozesílek), ve kterém jsou vaše e-mailovém nabídky otevírány vašimi zákazníky.

Již dávno neplatí, že by tato funkcionalita byla součástí pouze nástrojů nejvyšší kategorie. Setkáte se s ní totiž i v kvalitních nástrojích střední kategorie, které mají navíc velmi dobře vizualizovanou část s výsledky, takže jste schopni na úrovni 1:1 získat i níže uvedená hlášení:

V momentě, kdy dokážete předpovědět, jak úspěšná bude vaše rozesílka i v který den a čas má být přesně doručená, měli byste zaměřit svoji pozornost na doporučování předmětu. Tím se můžete zabývat z mnoha hledisek, od doporučování znaků (takzvané emojis) na základě jejich vhodnosti a relevantnosti k obsahu sdělení přes doporučování syntaxe na základě lingvistické analýzy až po doporučování klíčových slov do předmětu. Pomocí těchto technik budete schopni výrazně ovlivnit nejen metriky otevření, ale i základní předpoklad pro zpřístupnění již personalizovaného a doporučeného obsahu každému zákazníkovi.

Co vše vám doporučování nabízí?

Popsali jsme si několik nejdůležitějších metod doporučování, díky nimž máme možnost pozitivně ovlivnit naši rozesílku. Můžeme výrazněji ovlivnit open rate našich newsletterů (díky nejlepší době pro rozesílku), časování její frekvence či personalizaci předmětů na úrovni 1:1, a doporučovací techniky zase pomohou vytvořit nabídku, která bude přesně reflektovat vašeho zákazníka. A to nejen jeho preference, ale také minulé aktivity (i nenákupního charakteru), citlivost na jednotlivé značky nabízeného zboží či služeb a mnohé další.

Přestože se zdá být výčet doporučovacích technik dosti značný, nejedná se o vyčerpané téma. Co tedy dále můžeme testovat? Zajímá-li nás v první řadě doručitelnost, můžeme vyzkoušet predikci výsledků doručitelnosti na základě údajů o odesílateli. V případě, že máme doručitelnost v pořádku, můžeme se zaměřit na testování a predikci obsahu z pohledu počtu produktů v nabídce, poměru obsahu mezi textem a grafickými prvky, a to vše v ideální úrovni personalizace 1:1. Přestože mnohdy není možné nasadit všechny doporučovací techniky najednou, bylo by chybou je zcela opomíjet, protože vyzkoušení základních technik vám přinese výsledky.

Chtěli byste se o e-mailngu dozvědět více? Zaregistrujte se na konferenci Emailing 2020, která proběhne již 6. října!

Snímek obrazovky 2016-09-07 v 14.58.52

Napsat komentář

Vaše emailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *

Štítky: