Tiempo de lectura 9 minutos
Informe exclusivo de Forrester sobre la IA en el marketing
Uno de los dilemas más difíciles a los que se enfrenta todo profesional del marketing es determinar el número de campañas que debe enviar a sus clientes: ¿cuál debe ser la frecuencia? ¿Qué cantidad producirá los mejores resultados?
Para empezar a responder a estas preguntas, primero debemos comprender de dónde provienen: enviar un gran paquete de campañas puede provocar la reacción opuesta al resultado deseado, ya que puede servir como distracción. Lo ideal es que cada campaña tenga un gran impacto, pero para los profesionales del marketing se trata de un equilibrio delicado. El bombardeo de campañas puede provocar una reducción del estado de la campaña y puede causar menores tasas de apertura.
El cliente se molestará y lo llevarás al único lugar al que no quieres que vaya: el botón para darse de baja, que es donde lo perderás, a menudo para siempre.
Para intentar mitigar este dilema, tendremos que profundizar en nuestros datos para comprender mejor el comportamiento y los sentimientos de nuestros clientes. En estos 5 pasos, intentaremos ayudarte a alcanzar ese número mágico: el número óptimo de campañas.
Definamos las variables que queremos examinar:
Campaña: ¿qué es una campaña y para qué sirve? ¿Los SMS entran en esta categoría? ¿Y las notificaciones push? ¿O solo queremos probar nuestro programa de correo electrónico? Es importante destacar que definir la campaña significa estudiar cada correo electrónico enviado a un cliente específico. Por lo tanto, enviar 10 000 mensajes idénticos a 10 000 clientes son 10 000 entidades diferentes.
Periodo de tiempo: este término también deriva de la pregunta planteada anteriormente. ¿El objetivo es averiguar cuántas campañas necesitamos enviar durante una semana? ¿10 días? ¿Un mes? Tenga en cuenta en nuestros ejemplos que seguirán, que el periodo de tiempo no se establece según un término calendario. Por lo tanto, siete días son una semana, independientemente del día en que hayamos empezado a contar. Consideramos que un cliente que ha recibido tres campañas (el sábado, el domingo y el lunes) es un cliente que ha recibido tres campañas seguidas, aunque técnicamente se hayan enviado en dos semanas naturales diferentes.
Intervalo máximo entre dos campañas: definir este término nos permitirá establecer qué es una secuencia. Podemos decidir dejar este término vacío, por lo que no se tiene en cuenta el intervalo máximo entre campañas. Por otro lado, podemos establecer el número en 1, determinando que cualquier campaña enviada consecutivamente se considerará una campaña consecutiva.
Utilizando este conjunto de caracterizaciones, podemos mapear y definir cada campaña enviada mirando hacia atrás al periodo de tiempo que hemos establecido y al número de campañas enviadas anteriormente. Aquí hay algunos ejemplos sencillos:
(Cada línea vertical representa un día y cada círculo representa una campaña enviada) En el ejemplo A, el periodo de tiempo es de siete días, sin un intervalo máximo establecido entre campañas.
En el ejemplo B, el periodo de tiempo es de seis días, pero el intervalo máximo es de 1. Por lo tanto, aunque la campaña es la quinta durante este periodo de seis días, es la cuarta la que responde a nuestro escenario de intervalo máximo.
Respuesta: para definir la eficacia de una campaña, debemos establecer qué se considera un éxito. ¿Es abrir el correo electrónico, realizar un depósito o tener un día activo en el sitio? Debe ser una respuesta binaria, es decir, preguntas y respuestas de sí o no. En la mayoría de los casos, la respuesta se medirá el día específico en que se envió la campaña. En el ejemplo que mostraremos, la respuesta se estableció como el día de actividad.
Estas definiciones deben estar bien establecidas, ya que nos ayudarán a llegar a respuestas más fundamentales durante nuestra investigación. Para este artículo, todas nuestras pruebas se basarán en el ejemplo A.
El proceso de mapeo no es sencillo y es bastante técnico. En esta etapa definimos cada campaña de acuerdo con las definiciones que establecimos en el paso 1. Después de mapearlas, buscaremos una respuesta del cliente. Al final de este proceso básico, podemos comprobar la división de los distintos tipos de campañas ejecutadas y concluir las tasas de respuesta (basta con dividir la cantidad de «respuestas positivas» entre la cantidad total de campañas enviadas). También se puede crear este análisis a partir de una simple división utilizando criterios como la edad, el país, el nivel VIP, la etapa del ciclo de vida, etc.
En la tabla siguiente, vemos una referencia de 12 sitios de juegos (17 millones de correos electrónicos), con fecha de principios de 2017. En este caso, se realizó una segunda división de los clientes mientras recibían sus campañas, entre clientes nuevos y clientes activos, para comprender mejor las alteraciones de frecuencia durante las diferentes etapas del ciclo de vida.
A partir de este mapa, queda claro que la mayoría de los correos electrónicos eran del segundo tipo de campaña. También es obvio que la distribución de las campañas tercera y cuarta es mayor en la etapa «Nueva» del ciclo de vida. Esto se debe a que el plan de marketing está más organizado en las nuevas etapas de sus clientes.
De cara al futuro, la siguiente etapa es comprender la tasa de respuesta de los diferentes tipos de campañas. Observe la siguiente tabla:
Aquí podemos ver la tasa de respuesta de las campañas por correo electrónico, midiendo los días activos en los que el cliente recibió la campaña. Los clientes activos responden mejor (26 % frente a 17 % en una media no ponderada), excepto en la primera campaña enviada, que es significativamente más alta para los nuevos clientes.
Este gráfico, que vuelve a recopilar los datos de 12 marcas diferentes, no muestra cambios sustanciales. Al realizar su investigación, intente buscar los principales máximos y mínimos para establecer su umbral.
Después de formular el umbral adecuado para cada grupo, podemos volver a realizar el análisis, cambiando los criterios. Los resultados finales, que determinan el número adecuado de envíos para cada grupo durante un tiempo específico, deben formularse después de considerar las diferentes variables. Por lo tanto, incluso si observamos una caída masiva en la tasa de respuesta de las campañas que ocupan el cuarto lugar, debemos combinarla con más pruebas para llegar a una conclusión.
La tasa de cancelación de suscripciones es un buen ejemplo. Una serie de campañas irregulares o una alta frecuencia de campañas pueden aumentar rápidamente la cantidad de cancelaciones de suscripciones y causar pérdidas importantes.
La siguiente tabla muestra los puntos de referencia de cancelación de suscripción para diferentes tipos de campañas:
Podemos ver cómo la tasa de bajas es mucho mayor en la primera campaña en siete días que en las campañas siguientes. Una vez más, esto probablemente se deba al hecho de que la primera campaña crea un estímulo único y muchos clientes toman sus decisiones en función de esta comunicación. También observamos que la tasa de bajas de los clientes activos comienza a aumentar considerablemente después de la quinta campaña en siete días. Es algo que tendremos que tener en cuenta a la hora de establecer nuestra conclusión final.
Como se ha indicado anteriormente, no queremos tomar decisiones basándonos en grupos demasiado generales. Para profundizar en el comportamiento de nuestros clientes, necesitamos crear más subdivisiones, con el fin de llegar a grupos más específicos. Examinar las diferentes etapas del ciclo de vida siempre es una buena opción, pero hay que tener en cuenta si algún subgrupo puede actuar de forma diferente. ¿Es necesario realizar pruebas diferentes a los jugadores VIP? ¿Qué ocurre con otros jugadores con preferencias de producto diferentes?
En el siguiente ejemplo, dividimos a nuestros clientes activos de los puntos de referencia anteriores en diferentes grupos, definidos por su frecuencia, es decir, el tiempo medio (en días) que transcurrió entre actividades.
En la primera tabla podemos ver que los clientes activos con una alta frecuencia (F<3) responded better to numerous and more recurrent campaigns. We can also see that customers who are active less frequently (F>7) muestran una caída en la tasa de respuesta a medida que aumenta el número de campañas.
En la tabla de bajas, podemos observar que los clientes menos frecuentes experimentarán un mayor aumento en sus porcentajes de bajas a partir de la cuarta campaña.
Después de realizar numerosas pruebas, podemos empezar a formular una respuesta para cada grupo que hayamos elegido. En un mundo absoluto, todas nuestras mediciones apuntarían al mismo umbral y podríamos determinar el número adecuado de campañas y su frecuencia. Pero entre los resultados, es probable que encontremos algunas contradicciones. Es posible que veamos un aumento de la tasa de respuesta en las campañas de segundo tipo en siete días, así como un aumento de la tasa de bajas. Para resolver este tipo de resultados, incluiremos cálculos adicionales. Intente siempre elegir la medición adecuada a sus necesidades que mejor se adapte al objetivo de sus grupos destinatarios. Por ejemplo: si nos fijamos en el grupo de «clientes activos con riesgo de abandono», la medición más importante para ese grupo es la tasa de respuesta, ya que queremos que sean más activos. En cuanto al grupo de «clientes activos sin riesgo de abandono», la medida crucial es la tasa de bajas, porque queremos poder contactar con ellos.
Una vez que haya decidido el número de campañas, aplique los resultados de frecuencia en sus programas de marketing creando un grupo de prueba. Compruebe si los clientes que reciben el número definitivo que ha calculado responden mejor que sus otros clientes.
El método que se sugiere aquí es solo uno de los muchos que abordan la importante cuestión de cuántas campañas debo enviar y con qué frecuencia. Existen otros métodos de investigación que se pueden incorporar, dependiendo de sus datos, pero intente implementarlos con prudencia para alcanzar ese número óptimo.
Colaboradora: Maya Sha'anan
Informe exclusivo de Forrester sobre la IA en el marketing
En este informe exclusivo de Forrester, descubra cómo los profesionales del marketing global utilizan la inteligencia artificial y el marketing sin posiciones para optimizar los flujos de trabajo y aumentar la relevancia.
El equipo de redactores de Optimove incluye expertos en marketing, I+D, productos, ciencia de datos, éxito de clientes y tecnología que desempeñaron un papel fundamental en la creación del Positionless Marketing, un movimiento que permite a los profesionales del marketing hacer cualquier cosa y ser cualquier cosa.
La diversa experiencia y los conocimientos prácticos de los líderes de Optimove proporcionan comentarios expertos y perspectivas sobre prácticas y tendencias de marketing probadas y de vanguardia.
