Tiempo de lectura 10 minutos
Informe exclusivo de Forrester sobre la IA en el marketing
Como experto en marketing o retención, usted dedica mucho tiempo y dinero a sus campañas de retención de clientes. En este artículo se analiza cómo medir la eficacia de sus campañas, en términos monetarios, con el fin de optimizar las campañas futuras y maximizar los ingresos que generan. En otras palabras, vamos a explorar cómo tratar cada campaña como un «experimento de marketing».
Muchos especialistas en marketing utilizan las tasas de apertura de correos electrónicos y las tasas de clics como principales medios para medir la eficacia de las campañas. Estas métricas pueden proporcionar información importante sobre la fuerza de la marca y el compromiso de los clientes, así como sobre aspectos de la campaña de correo electrónico en sí (por ejemplo, la oferta, el asunto y las imágenes de la plantilla). Sin embargo, estas métricas no proporcionan ninguna indicación de lo que hicieron los clientes en su sitio web después de hacer clic en la campaña. Y lo que es más importante, las métricas de respuesta estándar no le dicen nada sobre el aumento monetario generado por la campaña, y esta debería ser la métrica más importante que debe tener en cuenta.
La clave para determinar la eficacia de cualquier campaña de marketing dirigida a los clientes es el uso adecuado de un grupo de control. Un grupo de control es un subconjunto de los clientes a los que se dirige una campaña concreta y que usted decide que no recibirán la campaña.
Los miembros del grupo de control se seleccionan aleatoriamente para representar a todo el grupo objetivo de clientes. En otras palabras, deben ser similares a los miembros de todo el grupo y, por lo tanto, estar expuestos al mismo conjunto de condiciones, excepto por la campaña de marketing concreta que se está probando.
Por ejemplo, supongamos que un vendedor minorista en línea ha realizado una segmentación de clientes para seleccionar a 10 000 clientes que recibirán una oferta concreta. Enviará esta campaña solo a 9500 de ellos (el «grupo de prueba»), dejando de lado a un subgrupo seleccionado al azar de 500 clientes (el «grupo de control») que no la recibirán. Una vez finalizada la campaña, el vendedor determinará la eficacia de la misma comparando los ingresos adicionales generados por el grupo de prueba con los generados por el grupo de control.
Es muy importante que el grupo de control sea una muestra representativa de la población total de la campaña. Cuando el tamaño del grupo de control es lo suficientemente grande, el proceso de selección aleatoria siempre dará como resultado un grupo de control que represente eficazmente a todo el grupo.
El tamaño de la muestra que necesita depende del tamaño de la población total de la campaña. Para 10 000 clientes, como en el ejemplo anterior, un 5 % es suficiente. Como regla general, las campañas más pequeñas requieren un porcentaje mayor para generar un grupo de control válido. Por lo tanto, para campañas dirigidas a menos de un par de miles de clientes, es una buena idea utilizar 10%-20% en su lugar.
Hay un factor adicional que debe tenerse en cuenta a la hora de decidir el tamaño del grupo de control: la tasa de respuesta esperada. Cuando se espera una tasa de respuesta especialmente baja para una campaña concreta (por ejemplo, al enviar una oferta a clientes «inactivos» que llevan mucho tiempo sin comprar), se necesitará un grupo de control más grande para obtener resultados estadísticamente significativos. Por otro lado, si espera una tasa de respuesta especialmente alta (por ejemplo, al enviar una bonificación a sus mejores clientes), bastará con un grupo de control más pequeño.
Puede utilizar Excel para extraer fácilmente un grupo de control de cualquier lista de clientes. Consulte el apéndice de esta publicación a continuación para obtener instrucciones detalladas.
Imaginemos que, antes de empezar a utilizar grupos de control, envió una campaña de marketing a sus 1000 mejores clientes. Les ofreció un descuento del 10 % en todos los productos de su tienda durante una semana completa.
Las métricas de la campaña podrían haber sido las siguientes:
A primera vista, ¡los resultados de la campaña parecen fantásticos! El 20 % es una tasa de respuesta alta, y 200 clientes que gastaron una media de 200 dólares aparentemente generaron 40 000 dólares adicionales de ingresos en una semana.
Pero, un momento: como no has llevado a cabo esta campaña como un experimento de marketing, no tienes forma de saber cuántos de esos 1000 clientes habrían comprado esta semana de todos modos, ni cuánto de esos 40 000 dólares habrían gastado esos clientes incluso sin la campaña.
Se podría pensar que con solo comparar las tasas de compra y los importes gastados por un grupo similar de clientes de un periodo anterior (cuando no se llevó a cabo ninguna campaña) con el periodo actual (en el que se llevó a cabo la campaña) se puede revelar cuántos ingresos adicionales generó la campaña. La razón por la que esta comparación no es válida es que siempre hay muchos otros factores que afectan al comportamiento de los clientes de un periodo a otro. Es fundamental que la comparación entre los grupos de prueba y de control se realice durante el mismo período de tiempo.
Si hubiera realizado esta campaña como experimento de marketing, utilizando el 10 % de los clientes objetivo como grupo de control (que no recibió la campaña), los resultados de la campaña podrían haber sido los siguientes:
Echemos un vistazo al grupo de control. Incluso sin recibir ninguna oferta, el 14 % de sus mejores clientes realizaron una compra en su tienda durante la semana en cuestión. Gastaron una media de 150 dólares cada uno. Dado que el grupo de control representa a todo el grupo objetivo, podemos extender el comportamiento de compra del grupo de control para representar el escenario en el que no se hubiera llevado a cabo ninguna campaña. Por lo tanto, podríamos haber esperado que, sin ninguna campaña, todo el grupo objetivo hubiera realizado compras por un total de 21 000 $ (1000 clientes x 14 % x 150 $).
Así pues, la pregunta que debemos responder es: ¿cuántos ingresos adicionales se obtuvieron gracias a la campaña de marketing? (En aras de la simplicidad, no tenemos en cuenta los costes que supone para la empresa ofrecer el descuento del 10 %, aunque incluirlo en los cálculos sería sencillo).
En realidad, el conjunto de los 1000 mejores clientes gastó 38 100 $ esta semana: los 180 clientes que recibieron la campaña gastaron un total de 36 000 $ y los 14 clientes que no recibieron la campaña gastaron 2100 $ adicionales.
Por lo tanto, la ganancia real generada por esta campaña de marketing es de 17 100 $ (38 100 $ – 21 000 $), muy lejos de la ganancia aparente de 40 000 $ a la que llegamos antes de utilizar un grupo de control.
Resumen de#### En conclusión, tratar esta campaña como un experimento de marketing nos permitió obtener una comprensión precisa del éxito real de la campaña.
Mediante el uso de grupos de control, se puede determinar el aumento monetario real de cada campaña de marketing. Al probar muchas campañas y realizar un seguimiento minucioso de la eficacia real de cada una de ellas, se podrán optimizar gradualmente todas las campañas de marketing para obtener los máximos resultados financieros (además de mejorar la retención y la fidelización de los clientes).
Para mantener la integridad de los resultados, es importante asegurarse de que ningún factor adicional bajo su control influya en el comportamiento de los clientes. En otras palabras, durante el periodo de medición de una campaña concreta (normalmente varios días), los grupos de prueba y control no deben estar expuestos a ninguna otra oferta o incentivo específico. Si los clientes reciben varias campañas simultáneas, resulta imposible medir la eficacia de cualquiera de ellas. Según nuestra experiencia, muchos profesionales del marketing no se dan cuenta de la importancia de aislar sus experimentos de marketing.
Por lo tanto, realizar un seguimiento de los clientes que se encuentran dentro del periodo de duración de otras campañas y excluirlos de cualquier campaña adicional simultánea es un aspecto crucial a la hora de seleccionar los grupos de clientes objetivo para cualquier campaña de marketing.
Seleccionar grupos objetivo para las campañas, extraer grupos de control válidos y analizar todos los resultados no es un proceso fácil de realizar manualmente (por ejemplo, utilizando Excel). Esto es especialmente cierto en el caso de las empresas que llevan a cabo docenas de campañas de marketing cada mes, incluidas las que se repiten periódicamente para grupos objetivo concretos (por ejemplo, nuevos clientes, VIP, clientes en riesgo de abandono).
Es mucho más recomendable utilizar un software que pueda automatizar este proceso. Nuestro sistema de modelización de clientes y gestión de campañas Optimove puede hacerlo por usted. Optimove selecciona automáticamente listas de ID de clientes basadas en criterios de segmentación definidos y, a continuación, puede seleccionar automáticamente un grupo de control aleatorio válido del tamaño ideal. Una vez concluido el periodo de medición de la campaña, el software calculará el aumento financiero generado por cada campaña (así como otras métricas clave). En última instancia, Optimove convierte cada campaña en un experimento de marketing medible que alimenta el motor de recomendaciones de autoaprendizaje del software.
La metodología de análisis que se describe en este artículo es la base de todo buen análisis de campañas. En mi próximo artículo, profundizaré en otros enfoques para analizar y optimizar el rendimiento de las campañas. No se lo pierda...
Puede utilizar Excel para extraer fácilmente un grupo de control de la siguiente manera ([haga clic aquí para abrir un archivo de Excel que muestra este enfoque](https://www.optimove.com/wp-content/uploads/Select_Control_Group_in_Excel.xlsx «Seleccionar un grupo de control utilizando Excel»)):
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.
Pini cofundó Optimove en 2012 y ha dirigido la empresa, como su director general, desde sus inicios. Con dos décadas de experiencia en marketing de clientes basado en análisis, consultoría empresarial y ventas, es la fuerza motriz detrás de Optimove. Su pasión por las tecnologías innovadoras y empoderadoras es lo que mantiene a Optimove a la vanguardia. Tiene un máster en Ingeniería Industrial y Gestión por la Universidad de Tel Aviv.
