Когортный анализ в email-маркетинге: что нужно анализировать и зачем

Когортный анализ предполагает разделение пользователей на группы (когорты) и дальнейшее изучение поведения этих групп с течением времени. Параметры, по которым формируются когорты, определяются, исходя из знаний целевой аудитории и поставленных целей и задач. Ценность когорты состоит в том, что нужные данные группируются по определенным характеристикам, не перемешиваясь. Это позволяет в дальнейшем анализировать связь между динамикой этих характеристик и проведенными изменениями и достаточно точно прогнозировать последующие изменения в поведении той или иной когорты.

В email-маркетинге целесообразно создавать когорты (сегменты) подписчиков по дате их попадания в базу. В дальнейшем отслеживание динамики открытий по когортам позволит определить долю вовлеченности пользователей, зарегистрировавшихся в разное время, и выявить наиболее активные когорты. При помощи когорт вы сможете работать с данными, которые ранее были недоступны при анализе совокупной статистики,  качественнее интерпретировать результаты тестов, выявлять тенденции в изменениях для каждой группы. Но, самое главное, когортный анализ позволит определить время жизни подписчиков (CLT — Customer Life Time) и своевременно корректировать email-стратегию.

Как проводить когортный анализ в email-маркетинге?

Сервис DashaMail проводит когортный анализ автоматически. Если же вы решите делать его самостоятельно, то воспользуйтесь следующей пошаговой инструкцией: 

1. Создайте когорты пользователей по дате подписки (в когорту попадают пользователи, подписавшиеся в одном месяце).
2. Подготовьте статистику о том,  сколько пользователей из каждой когорты открывали рассылки в каждом месяце, следующем за подпиской.
3. Из полученных данных сформируйте таблицу, которая выглядит следующим образом:

Когортный анализ вручную — достаточно трудоемкий процесс. Но стоит потраченного времени и усилий, поскольку поможет взглянуть на ряд процессов email-маркетинга изнутри.

Как интерпретировать таблицу?

В столбце «Прирост» содержится информация о том, сколько человек подписалось в базу в конкретном месяце. По горизонтали находится шкала времени, в ячейках указана статистика открываемости рассылок в этом месяце для выбранной когорты. Она дифференцирована по цветам: от красного (самая низкая открываемость) к зеленому (самая высокая открываемость). Выберем точку пересечения, например, февраль 2017 по вертикали и январь 2017 по горизонтали и увидим результат 33,56 %. Это означает, что что 33,56 % клиентов, подписавшихся на рассылки в январе, затем открывали письма в феврале. Двигаясь по горизонтали вправо к маю, видим существенное падение активности до 20,41%, которое желательно учесть в дальнейшей стратегии рассылок.

Выводы на основании когортного анализа

Наглядное представление данных в результате когортного анализа  позволяет выявлять закономерности  в развитии бизнеса. В примере выше видно, что подписчики, пришедшие в апреле 2017, дольше остаются активными, нежели привлеченные в ноябре 2016 года. Если не менялся источник привлечения подписчиков, можно смело говорить о сезонном всплеске интереса к продукту компании. Если же менялась стратегия сбора базы подписчиков, то тест оказался удачным, судя по полученным результатам.

Кроме того, ключевой эффект когортного анализа заключается в возможности отслеживать реакции групп подписчиков на изменения в рассылках и использовать это для повышения эффективности рассылок.

Рассмотрим кейс, где когортный анализ наглядно отражает результаты изменений в рассылках. В августе 2017 года интернет-магазин изменил стратегию рассылок, увеличив их частоту и добавив рассылки в вечернее время. В результате виден резкий рост активности подписчиков в августе 2017 года по всем группам:

Стоит отметить, что статистика по каждой отдельной рассылке в данном кейсе существенно не изменилась (в некоторых случаях несколько снизилась), однако когортный анализ показал, что вовлеченность подписчиков возросла.
 
Что еще можно изменить в рассылках и отследить результат подобным образом?

• Изменить  дни недели и время проведения рассылок.
• Добавить рассылку по не открывшим подписчикам  с новой темой письма.
• Изменить соотношение продающих и контентных рассылок. 

Определение времени жизни подписчика

Наиболее существенный вклад когортного анализа в разработку стратегии email-маркетинга заключается в том, что с его помощью можно определить  время жизни подписчика (CLT - Customer Life Time). По сути, это тот промежуток времени после попадания пользователя в базу, в течение которого он активен в  рассылках. Точкой окончания времени жизни считается дата последнего взаимодействия — открытия или клика. Почему важно знать CLT?

Во-первых, мы можем влиять только на то, что измеряем. Если не отслеживать время жизни подписчика, то и увеличивать его будет сложно. Кроме того, исходя их среднего времени жизни подписчиков, следует выстраивать всю стратегию email-маркетинга для того, чтобы добиваться максимального отклика от своей аудитории. Зная CLT, вы сможете адекватно понимать и оценивать поведение пользователя, делать наиболее подходящие для его срока активности предложения как в регулярных, так и триггерных рассылках, вовремя запустить кампанию реактивации или отправить на “карантин” и т.д. Для наглядности рассмотрим пример:

Когортный анализ по базе подписчиков оптового интернет-магазина показывает, что вовлеченность подписчиков в рассылки компании падает с каждым месяцем в 1,5-2 раза. Цикл жизни подписчика составляет примерно 2-3 месяца. Именно в этот период времени необходимо с помощью писем довести подписчика до заказа, а затем запустить автоматическую реактивационную цепочку или отправить на “карантин”.

Когортный анализ и время жизни подписчика помогут прогнозировать ключевые метрики прибыли бизнеса в целом. Например, зная количество привлеченных в марте подписчиков с временем их жизни, равным 3 месяцам, можно спланировать продажи от данной когорты в течение всей весны.

Зачем когортный анализ в email-маркетинге?

Перечислим, что вы сможете делать, используя когортный анализ  в email-маркетинге:

• определять время жизни подписчика;
• своевременно проводить реактивацию подписчиков, в том числе в автоматическом режиме;
• сегментировать обычные рассылки по времени добавления подписчиков, адаптируя контент для новых подписчиков и тех, кто уже перестает читать ваши рассылки, повышая тем самым эффективность email-маркетинга;
• анализировать эффективность каналов привлечения подписчиков;
• тестировать гипотезы и менять стратегии в рассылках (менять соотношение контентных и продающих писем, варьировать частоту и время проведения рассылок, добавлять новые триггеры и т.д.) и корректно интерпретировать результаты проводимых тестов;
• выявлять закономерности в бизнесе, включая сезонность;
• прогнозировать продажи с email-рассылок.

Все это стоит того, чтобы немного потрудиться и докопаться до новых истин в ваших рассылках. :)

Нужна помощь в email-маркетинге? Напишите нам в DashaMail, поможем! Умеем «готовить» email-маркетинг, помогаем со стратегией, шаблонами, контентом и рассылками в целом.