E-mailmarkedsføring: Enkel analyse af opbevaringsliste

Retention

abonnent tilbageholdelse har sine rødder i avisbranchen. For flere år siden arbejdede jeg for et databasemarkedsføringsfirma med speciale i avisabonnementsanalyse. En af de vigtigste målinger for segmentering og markedsføring af udsigterne til abonnementer var deres evne til at 'bevare'. Vi ønskede ikke (altid) at markedsføre til udsigter, der ikke ville beholde godt, så når vi ønskede at erhverve kvalitetsudsigter, ville vi markedsføre til kvarterer og husstande, som vi vidste bevarede godt. Med andre ord greb de ikke 13-ugers specialen og bailed derefter, de ville faktisk forny og holde fast.

For at analysere, hvor godt produktet klarede sig, og hvor godt vores marketing klarede sig, ville vi løbende analysere vores kundefastholdelse. Dette ville hjælpe os med at holde mål. Det vil også hjælpe os med at estimere, hvor mange kunder der forlader kontra ophold, så vi kan planlægge vores erhvervelseskampagner i overensstemmelse hermed. I sommermånederne, hvor folk ville tage på ferie, markedsførte vi måske udsigter til lav tilbageholdelse blot for at holde optællingerne nede (abonnentantal = reklamedollar i avisbranchen).

Opbevaringskurven

Fastholdelseskurve

Hvorfor skal du analysere fastholdelse af lister?

Jeg er ærligt overrasket over, at e-mail-marketingfolk i betragtning af værdien af ​​en e-mail-adresse ikke har vedtaget tilbageholdelsesanalyse. Bevarelsesanalyse på e-mail-abonnenter er værdifuld af flere årsager:

  1. Med lav tilbageholdelse kommer rapportering om høj junk / spam. Overvågning af din listeopbevaring vil hjælpe dig med at opbygge dit omdømme og undgå leveringsproblemer hos internetudbydere.
  2. At sætte fastholdelsesmål er et godt middel til at sikre, at dit indhold er op til snus. Det fortæller dybest set, hvor mange gange du kan risikere dårligt indhold, før en abonnent beslutter at kautionere.
  3. Bevarelsesanalyse fortæller dig, hvor dårligt dine lister nedværdiges, og hvor mange abonnenter du skal fortsætte med at tilføje for at opretholde dit listetal og; som et resultat dine indtægtsmål.

Sådan måles fastholdelse og slid på din e-mail-abonnentliste

Eksemplet, jeg har leveret her, er helt sammensat, men du kan se, hvordan det kan hjælpe. I dette tilfælde (se diagrammet) er der et fald på 4 uger og et andet efter 10 uger. Hvis dette var et rigtigt eksempel, vil jeg måske placere noget dynamisk indhold omkring 4 ugers varemærke, der virkelig tilføjer noget zip til kampagnen! Samme i uge 10!

For at starte tager regnearket, jeg bruger, stort set hver abonnent og beregner datoen, de startede, og deres afmeldingsdato (hvis de har afmeldt. Sørg for at tjekke beregningerne - de gør et godt stykke arbejde med at skjule info, hvor det skal være tomt og kun regne med forhold.

Du ser, at det resulterende gitter indeholder de samlede dage, de blev abonneret på, hvis de har afmeldt. Dette er de oplysninger, som jeg vil bruge i den anden del af analysen til at beregne fastholdelsesgraden for hver uge.

Abonnentdage

En tilbageholdelseskurve er ret standard i enhver branche, der måler abonnementer, men den kan også bruges til at analysere fastholdelse for andre brancher - levering af mad (hvor mange leverancer og hvor ofte før nogen forlader for godt ... måske en særlig 'tak' lige før det punkt er i orden), haircuts, filmudlejning ... du navngiver det, og du kan beregne slid og tilbageholdelse for din klientel.

Det er typisk meget billigere at fastholde kunder end at erhverve nye. Du kan bruge tilbageholdelsesanalyse til at beregne og overvåge dine opbevaringskurver.

Med mit falske eksempel ser du, at jeg bare skal tilføje yderligere 30 +% af abonnenterne for at opretholde min listeoptælling inden for få måneder. Der er i øjeblikket ingen e-mailmarkedsføringsstandarder for tilbageholdelsesanalyse - så afhængigt af din branche og dine kampagner kan din listeopbevaring og slid variere dramatisk.

Download et Excel-opbevaringsregneark

Opbevaring Regneark

Download eksemplet på Excel-regneark

Dette er bare en rudimentær prøve, som jeg sammensatte til dette indlæg. Det indeholder dog alle de oplysninger, du har brug for for at kunne analysere din tilbageholdelse. Højreklik bare på diagrammet nedenfor, og lav et 'Gem som' for at downloade det regneark, jeg har bygget lokalt.

Hvis du har brug for hjælp til at udføre denne type analyse på dine lister, så lad mig det vide! Det er virkelig praktisk, når du også har husstands-, demografiske, adfærdsmæssige, indholds- og udgiftsdata. Det giver dig mulighed for at udføre nogle utrolige segmenteringer for bedre at målrette din marketing og dit indhold til dit publikum.

Hvad mener du?

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.