Jaka będzie przyszłość e-mail marketingu?

Stwierdzenie, że zastosowanie personalizacji w kampaniach e-mailingowych daje pozytywne efekty, nie jest niczym odkrywczym:

Nie dziwi zatem fakt, że według 76% marketerów w ciągu kilku najbliższych lat wszystkie wiadomości wysyłane do klientów będą spersonalizowane.

Eksperci w swoich przewidywaniach odnośnie przyszłości e-mail marketingu idą jednak dalej i mówią o hiper-personalizacji, czyli personalizacji nie na poziomie segmentów, grup klientów, ale każdego klienta z osobna. Oznacza to, że sposób komunikowania i treść komunikatów będzie tworzona dla każdego klienta z osobna, z uwzględnieniem jego indywidualnych preferencji i w odpowiedzi na konkretne zachowanie (np. na stronie internetowej).

Przewiduje się również, że treść komunikatów oraz to kiedy zostaną one wysyłane będzie odzwierciedleniem całościowej  strategii budowy relacji z danym klientem (tzw. customer journey).

“E-mail marketing—really all marketing—is becoming all about connecting to each and ev­ery customer at the individual level across their entire journey.”

Eric Stahl, Senior Vice President of Product Marketing, Salesforce (źródło)

 

„We will no longer be pushing a one-sided marketing campaign, but rather focusing on personalizing the customer journey based on the data we have of their usage habits.”

Geoffrey Zbinden, Vice President Big Data Analytics & Customer Base Management, Orange (źródło)

 

Wchodząc w interakcje z klientem, nie będziemy kierować się chwilowymi efektami – tym co możemy zyskać tu i teraz. Na tą interakcję będziemy raczej patrzeć przez pryzmat podróży klienta w  ciągu całego jego cyklu życia, podróży, która powinna przynieść mu jak najwięcej satysfakcji i korzyści.

To co zaproponujemy klientowi w danej chwili, na przykład wysyłając ofertę na konkretny produkt, wpływa nie tylko na jego decyzję dotyczącą zakupu produktu w danej chwili, ale również na jego zachowania w przyszłości. W podejściu opartym o „customer journey” myślimy bardziej o znalezieniu optymalnej strategii. Wpływając na jednostkowe decyzje klienta, kierujemy go na taką ścieżkę zachowań, na końcu której również my jako firma zyskamy najwięcej.

Takie podejście generuje pewne wyzwania. Jednym z nich jest to skąd czerpać wiedzę na temat klientów, ich zachowań i preferencji. Odpowiedzi należy szukać w danych, które gromadzimy oraz tych, które możemy pozyskać na zewnątrz.

 

Dane – kopalnia wiedzy o kliencie

 

“Based on my behavioral data, geolocation, and the like, my email reader will use context clues to serve me information based on my needs at that moment (now, that’s truly responsive email).”

Daniel Burstein, Director of Editorial Content, MarketingSherpa (źródło)

 

Obecnie na świecie gromadzona jest ogromna ilość danych na temat tego kim jesteśmy, gdzie mieszkamy, co lubimy, jak spędzamy nasz wolny czas itd.

Do takich podstawowych rodzajów danych możemy zaliczyć:

  • dane demograficzne (np. płeć, wiek),
  • dane behawioralne (np. zachowania na stronie internetowej czy w aplikacji mobilnej, ilość wykonanych kontaktów z centrum obsługi klienta, wyniki poprzednich kampanii e-mail marketingowych),
  • dane geolokalizacyjne (np. dane teleadresowe – kod pocztowy, miasto, ulica i numer domu),
  • dane transakcyjne (np. ilość i kwota wykonanych transakcji z ostatniego miesiąca).

Część z tych danych udostępniamy sami , na przykład wypełniając formularze kontaktu, w innych przypadkach dane są zbierane bez naszej świadomości (np. transakcje kartą kredytową w sklepie, wysyłanie smsów, rozmowy telefoniczne, surfowanie po Internecie).

Firmy, które gromadzą dane w swoich systemach, mogą dodatkowo wzbogacić je o informacje z zewnętrznych źródeł danych. Przykładowo, instytucje finansowe nawiązują partnerstwa z firmami telekomunikacyjnymi i wykorzystują ich dane na temat tego jak ludzie rozmawiają przez telefony komórkowe (np. ilość wysłanych smsów) i danych lokalizacyjnych do szacowania ich wiarygodności kredytowej.

Ale same posiadanie danych nie jest wystarczające do zbudowania spersonalizowanej komunikacji z klientami.

I tutaj dochodzimy do kolejnego wyzwania. Jak wykorzystać dane do budowania strategii komunikacji?

Inteligentny e-mail marketing

Posłużę się przykładem firm telekomunikacyjnych. Firmy telekomunikacyjne muszą przetworzyć naprawdę duże ilości danych. Kilka, kilkanaście lub kilkadziesiąt milionów klientów. Każdy klient potrafi być opisany za pomocą nawet kilku tysięcy charakterystyk. Dane na temat ich zachowań (np. skąd dzwonią, do kogo, jak długo trwała rozmowa itd.) generowane są co sekundę, czy nawet milisekundę.

Czy człowiek byłby w stanie przetworzyć i przeanalizować taką ilość danych, aby znaleźć odpowiedź na pytanie, na przykład, którzy z tych klientów odejdą do konkurencji w najbliższym czasie?

Wątpię.

Ale nie musisz być firmą telekomunikacyjną – wyzwaniem może być również analiza bazy składającej się z kilku tysięcy klientów, w przypadku gdy masz stworzyć komunikat dopasowany do każdego z nich indywidualnie. Co więcej, człowiekowi trudno jest wybrać spośród kilkunastu czy dziesiątek faktów opisujących klientów te, które mają największy wpływ na podejmowane przez niego decyzje – na przykład kupno produktu.

Do tego potrzebne są maszyny.

Polecane: Czy uczenie maszynowe (ang. Machine Learning) jest potrzebne?

Dzięki obecnie dostępnej technologii analityki predykcyjnej, jesteśmy w stanie zaprogramować maszyny tak, aby przewidywały zachowania klientów w praktycznie każdym obszarze działalności firm – sprzedaży, marketingu, windykacji, CRM, ryzyka i in. Na przykład:

  • Jaki przychód wygeneruje nam klient w ciągu całego cyklu życia (LTV) ?
  • Czy klient odejdzie do konkurencji w najbliższym czasie (analizy churn)?
  • Jeżeli klient dokonał już zakupu u nas – jaki produkt zaproponować mu w następnej kolejności, aby zwiększyć sprzedaż ?
  • Którzy klienci będą naprawdę zainteresowani naszą ofertą?
  • Kiedy i jakim kanałem najlepiej się kontaktować z danym klientem?
  • Czy klient spłaci zadłużenie po wejściu klienta na ścieżkę windykacyjną?
  • Jak zwiększyć rentowność bazy klientów poprzez eliminacje tych, którzy są niewypłacalni?
  • Kiedy wyświetlić reklamę (np. w aplikacji, grze), aby zwiększyć prawdopodobieństwo monetyzacji użytkownika?

Co więcej, maszyny są w stanie na bieżąco analizować dane i odpowiednio modyfikować swoje predykcje w odpowiedzi na zmiany w zachowaniu poszczególnych klientów. Automatycznie, bez udziału człowieka.

Skuteczność analityki predykcyjnej potwierdza chociażby jeden z ostatnich raportów Emarketera, który wskazuje, że prawie połowa respondentów uważa, że analityka predykcyjna i modelowanie predykcyjne jest jednym z najbardziej pomocnych technologii pozwalających wydobywać wartość z danych.

Efektywność analityki predykcyjnej

Efektywność analityki predykcyjnej

 

Technologia przyszłości w e-mail marketingu

Hiper-personalizacja z pewnością wymusi zmiany technologiczne. Analityka predykcyjna będzie wbudowywana w aplikacje służące do komunikacji z klientami, w tym do e-mail marketingu czy automatyzacji marketing (ang. marketing automation).

Wspomina o tym chociażby Business Insider:
„A huge shift is taking place in the business software market (…) Software needs to be smarter and more predictive.”

Ten trend już jest bardzo widoczny. Przykładowo, firma stojącą za rozwojem Slack – jednej z obecnie najbardziej znanych aplikacji do komunikacji – powołała niezależny zespół, który ma się zajmować wbudowaniem analityki predykcyjnej w ich aplikację.

Przykładem zastosowania analityki predykcyjnej w narzędziach do automatyzacji marketingu może być automatyzacja scoringu. Obecnie, w niektórych tego typu narzędziach to jaką ilość punktów scoringowych naliczyć klientowi za daną interakcję z firmą (np. obejrzenie strony z cennikiem, pobranie e-booka) jest ustalana ręcznie, bazując na wiedzy eksperckiej i subiektywnej ocenie. Ich suma może wskazywać na przykład na poziom zainteresowania ofertą, zagrożenie zaprzestania korzystania z aplikacji itd. Konsekwencją przekroczenia pewnego poziomu scoringu (ustalanego również ręcznie) może być wysłanie automatycznie maila z odpowiednią treścią, wysłanie alertu do działu obsługi w firmie, sugerującego konieczność skontaktowania się z klientem itd.

Ten proces może zostać zautomatyzowany dzięki analityce predykcyjnej, gdzie scoring będzie wyliczany nie w oparciu o subiektywną ocenę, ale na podstawie obiektywnej analizy danych na temat klienta i predykcji jak będzie on się zachowywał w przyszłości.

Polecane: Lead scoring – jak wykorzystać analitykę predykcyjną do prowadzenia skutecznych kampanii sprzedażowych

Przewiduje się również, że analityka predykcyjna będzie miała wpływ na wygląd i treść samych e-maili.

Analityka predykcyjna w e-mail marketingu

Analityka predykcyjna w e-mail marketingu

 

Zakończenie

Przyszłość e-mail marketingu zapowiada się bardzo ciekawie. Mimo że na część tych zmian musimy chwilę poczekać, już teraz warto przyjrzeć się możliwościom jakie daje analityka predykcyjna i zastanowić się jak ją zastosować w swojej firmie do budowania relacji z klientami, dzięki lepszej komunikacji.

 


Chcesz wiedzieć więcej o analityce predykcyjnej?

Zapisz się na Newsletter