Точно по адресу: топ-6 кейсов применения машинного обучения в email-маркетинге

В чем секрет низкой конверсии из email рассылок в вашем бизнесе? Скорее всего проблема заключается в том, что клиенты получают нерелевантный контент. Маркетологу порой сложно проанализировать многие вещи и важные детали. Ему не под силу отслеживать поведенческие изменения аудитории и вовремя на них реагировать. И даже если анализ и сегментация целевой аудитории выполнены правильно, собрана качественная база и подготовлен хороший контент, успех коммуникации будет под вопросом. Важно точно знать: кому писать, что писать и когда отправлять.

Если у вас небольшой бизнес и база позволяет выполнять всю работу вручную — это вполне посильная задача. Но что делать, если количество ваших клиентов исчисляется десятками, а то и сотнями тысяч? Где не справится человек — на помощь придет технология машинного обучения. В статье рассмотрим 6 примеров использования машинного обучения для оптимизации почтового маркетинга.

Группируем клиентов: повышение конверсии целевым контентом

Чтобы воздействовать на аудиторию направлено, нужно сегментировать ее на более мелкие группы, разделяя по признакам: пол, возраст, география, поведение на сайте, интересующие товары, история покупок. Алгоритм на основе исторических данных классифицирует клиентов в группы, а в последующем будет распределять новых по уже имеющемуся сценарию.

Сегментирование – это распределение клиентов на группы в зависимости от особенностей их поведения.

Сегментация нужна не только для персонализации контента. Когда мы знаем, что клиент относится к группе похожих на него по ряду параметров других клиентов, то можем точнее рассчитывать вероятность покупки определенных товаров. То есть мы можем прогнозировать покупки клиента и использовать эту информацию в рассылках, при построении маркетинговых акций и даже при формировании продуктовой линейки.

Specially for you: повышаем продажи с помощью системы рекомендаций

Машинное обучение давно используется для персонализации предложений по продуктам и услугам. Всем знакомы и привычны рекомендательные системы в онлайн-магазинах, составляющие предложения для клиентов, на основе его покупок и просмотра товаров. Это помогает увеличивать частоту покупок и средний чек за счет приобретения сопутствующих товаров. И это работает не только непосредственно в самих магазинах, но и отлично подходит для их продвижения с помощью рассылок.

Алгоритмы способны сегментировать аудиторию автоматизировано на основе определенных критериев, формируя группы клиентов «по интересам» и потребностям, и предсказывать, как поведет себя тот или иной сегмент в будущем. Соотнося их с историческими данными модель предложит именно тем клиентам именно те товары. И сделает это быстрее и качественнее, чем специалист вручную. Такая система доказала свою эффективность на деле: с помощью улучшенной системы рекомендаций делается четверть всех продаж.

Пример того, как Яндекс.Музыка использует персональные рекомендации в email рассылках.

Интернет-магазин профессиональной косметики Shophair с помощью персональных рекомендаций увеличил прибыль и конверсию в заказы. Для этого специалисты внедрили алгоритм контроля частоты отправки рассылок, создали систему персональных рекомендация на основе машинного обучения, которая опирается исключительно на интересы конкретного клиента. Такой подход позволил увеличить средний чек на 500 рублей и конверсию в заказы на 27 %.

Зеркало: не товар для клиента, а клиент для товара

Также машинное обучение позволяет изменить порядок работы маркетологов. Представим ситуацию, когда в матрице есть не самые популярные товары. Товары из топ-10 активно покупают, а вот что делать с остальными? Технологии машинного обучения позволяют искать не товары для клиента, а клиентов на конкретный товар.

Нам нужно повысить продажи по конкретной позиции: алгоритм проанализирует историю его покупателей, определит признаки для них, и подберет из базы выборку, которая купит этот продукт с большей вероятностью. Останется только сформировать продающее сообщение и сделать рассылку.

На автомате: спасение маркетологов от рутины

Все инновации и технологии созданы для того, что улучшать жизнь. Бесконечные отчеты в Excel, отнимающие массу времени, столь же длительные согласования, кропотливый сбор баз и ручная разбивка на выборки, уставшие от всего этого специалисты и неизбежные ошибки, возникающие по причине загруженности и многозадачности.

Machine learning дает возможность маркетологам заниматься стратегическим планированием и не тратить время на обработку потоков данных вручную.

Знакомо? Машинное обучение способно вытащить маркетологов из рутины и освободить время для стратегического планирования. Например, приветственные письма дают хорошую конверсию в продажи, а с помощью технологии машинного обучения можно один раз создать несколько сценарных планов для разных сегментов аудитории. Маркетологу останется только сделать рассылку по заданным выборкам, проконтролировать ее эффективность и корректировать по мере необходимости.

Или, если мы продаем конкретный товар с конкретной регулярностью (товар имеет определенную фиксированную частотность покупку клиентом): витамины, которые пьются курсом, корм для домашних животных или любой другой продукт, который расходуется за конкретный интервал времени, то нам не составит труда настроить частотность рассылок так, чтобы предугадать спрос, который возникнет у постоянного клиента.

Как это работает

Компания продает товары для животных через интернет-магазин. Алгоритм анализирует частотность конкретных покупок конкретными клиентами. Определяем, что большую упаковку корма для собак покупают один раз в месяц. Учитывая персональные особенности и индивидуальный график каждого клиента, отправляем ему письмо с предложением повторить предыдущий заказ. Получаем результат:

• +11% открытие писем;
• +10% переходов по ссылкам;
• +32% конверсии в заказ.

Ошибка VS Идеал: выбираем правильные темы для писем

С помощью алгоритма обработки естественного языка можно анализировать, какие темы писаем действительно работают, а какие нет. После анализа модель на основе машинного обучения сама предложит наиболее подходящие темы писем, опираясь на статистику прочтения писем с темами из различных языковых конструкций.

Анализ тональности ответов

Алгоритмы обработки естественного языка позволяют подбирать актуальные продающие темы для писем. Они способны анализировать языковые сообщения пользователей, наличие тех или иных наречий и прилагательных, и определять их тональность. Так работают многие сервисы, анализирующие информационное поле бренда. Они определяют положительную или отрицательную тональность отзывов клиентов.

После этого специалист получает данные, какие эмоции могли вызвать такую реакцию. Отслеживание тональности позволяет улучшать клиентский сервис, корректировать продуктовую матрицу, убирая из нее некачественные товары или добавляя аналоги, которые пока не представлены. Результат такой работы очень наглядно отражается в первую очередь на выручке: когда клиенты понимают, что их слышат и прислушиваются, часто это снимает противоречие к повторной покупке.

В нужный час: как делать рассылки своевременно и не раздражать клиента

Чаще всего компании рассылают одни и те же письма большинству, если не всем, клиентам в то время, которое или удобно, или определено как оптимальное. При выборе предложения ориентируются чаще на ощущения или потребность бизнеса (неплохо бы было сделать рассылку вот с этим товаром, думает маркетолог, продажи по нему ниже ожидаемого).

Но это далеко не лучший подход: не потому, что не правильный, а потому, что не работает. Процент открытия остается низким, а это значит, что рассылка своей цели — увеличения конверсии в продажу — не достигла. Есть способ гораздо более точный: технологии машинного обучения сделают так, чтобы письмо было прочитано, отправив его именно тогда, когда нужно, без привязок к конкретным временным интервалам (когда пользователи начинают свой день и проверяют почту, например).

Как это работает

Магазин ортопедических товаров Ortos делает рассылку с персональными рекомендациями своим клиентам на основе истории их заказов и просмотров. При внедрении технологии машинного обучения провели АВ-тест. Одна группа клиентов получила подборку через две недели после заказа, а вторая — в четко заданную алгоритмом персонально каждому клиенту дату.

Повысит ли такой подход эффективность персональных рекомендаций? Однозначно: в 2 раза выше конверсия в заказ, в 3 раза меньше отписка от рассылок, +30 % открытий писем.

После внедрения алгоритмов, оптимизирующих время доставки писем, open rate вырос на 30%.

Математические модели предсказывают лучшее время для отправки письма, а также допустимую для конкретного сегмента частоту отправки писем. С помощью машинного обучения можно рассчитать максимальное количество писем, которое пользователь готов принять и воспринять без раздражения и желания немедленно отписаться. Это нивелирует возможный негатив.

Не многие будут рады уведомлениям о входящих сообщениях глубокой ночью или нескольким письмам в день от одного отправителя. Алгоритму под силу на основе исторических данных соотнести эффективность времени и частоты рассылки для совершения покупки в разных сегментах аудитории и следовать максимально результативному сценарию.

Как внедрить?

Готовы изменить подход к email маркетингу в вашей компании навсегда? Существует несколько способов, с помощью которых вы сможете внедрить и использовать возможности машинного обучения:

Берем в штат сотрудника, который полностью закроет это направление

Что хорошо: Когда в вашей команде будет профессионал в области технологий машинного обучения, то вы сможете решить не только вопрос рассылок. Разработав и интегрировав проект в бизнес, штатный специалист сможет контролировать уже запущенный процесс, но при этом заняться разработкой решений для других задач. У вас всегда будет качественная глубокая аналитика от человека, который работает внутри и знает тонкости и потребности бизнеса.

Что плохо: Если вы не эксперт в области больших данных и в компании нет отдела аналитики, то вам будет сложно контролировать качество работы сотрудника. К тому же, задачи, которые потребуют решения с помощью ML рано или поздно иссякнут. А платить зарплату сотруднику нужно каждый месяц.

Коробочные решения

Сегодня на рынке представлено достаточно много софта или Customer data platform, которые предлагают алгоритмы на основе машинного обучения для автоматизации маркетинга, автоматической RFM-сегментации, предсказание оттока, персонализации сайтов и множества других задач.

Что хорошо: Вы сможете выбрать нужные вам инструменты и быстро внедрить их, начав увеличивать прибыль за счет улучшения своего продукта в короткие сроки.

Что плохо: Отсутствие гибкости и индивидуального подхода к вашему бизнесу, потребностям и задачам. Проект, разработанный индивидуально на основе глубокого изучения проблемы и созданный по уникальному сценарию — всегда даст фору типовому решению. Вам будет доступен по подписке определенный функционал, за который вы будете ежемесячно платить вне зависимости от того, пользовались вы им или нет.

Индивидуально под ключ

Что хорошо: Вы сами выбираете подрядчика, который изучает проблему и предлагает решение, подходящее именно вам. В команде, как правило, есть все необходимые специалисты, а привлечение дополнительных заранее просчитано и заложено в финальную стоимость проекта.

Что плохо: Стоимость будет выше любого описанного ранее варианта.

Зато вы точно будете знать, что платите за индивидуальное решение проблемы, а четкое ТЗ и подписанный контракт гарантируют, что работа будет сделана в срок и так, как нужно.

Вы можете выбрать любое решение, если оно подходит вашему бизнесу и покажет необходимый результат. Просто делайте — вперед идут не только те, кто работает больше других, но и те, кто идет в ногу со временем.

Кстати, мы можем помочь вам с маркетингом в целом, так и с email-маркетингом в частности. Обращайтесь к нашему менеджеру — контакты по этой ссылке. Ну или просто напишите «Привет» в чат справа.