Kunne man bygge en model for at optimere e-mail marketing.. og forecaste værdien?

Hvad hvis du vidste, hvor meget det ville øge din omsætning at ændre jeres e-mail-frekvens, tilgangen af nye permissions eller open-rate for de udsendte e-mails.
Mathematical model

Jeg skrev et gæsteindlæg til det store britiske marketingbureau, Distillled: “What can mathematics teach us about email marketing?” som passende kunne læses forud for dette indlæg.

Hvad hvis vi kunne forecaste vores e-mail marketing indsats? Hvad hvis du vidste, hvor meget det ville øge din omsætning, hvis du ændrede din e-mail-frekvens, mængden af nye permissions pr. måned eller CTR for de udsendte e-mails.

Der må være nogle sandheder som man kan stole på.

Selvom denne model er langt fra perfect, kan den optimere vores approach, vores tankeproces, vores taktikker og den overordnede strategi for hvordan man skal optimere sin e-mail marketing.

Prøv beregneren

Jeg har bygget en beregner som du kan bruge gratis (men hvis du deler den med andre, så giv venligst credit – det er alt jeg beder om).

Lad mig forklare hvordan den virker:

Beregneren bruger naturligvis hele den matematiske model. Den måde, du bruger den på, er ved at redigere kolonnen “Aktuel” til dine estimerede aktuelle nøgletal. Derefter kan du indtaster potentielle ændringer, som varierer fra status-quo, i de fire kolonner for hypoteser. Beregneren udregner løbende værdien for dit nuværende setup samt hver af dine fire hypotese-scenarier. Slutteligt viser den dig udviklingen af af overskud i bundgrafen.

Se denne .gif, hvor jeg først ændrer kolonnen “current” og derefter eksperimenterer med en højere mailfrekvens, hvilket øger de variable omkostninger og samtidig gør at åbningsraterne potentielt faldende. Leg rundt med tallene og find et sweet-spot!

email model calculator

For at bruge den, følg dette link og klik så “Fil > Lav en kopi” og gem en version af dette regneark på dit eget Google drev. Du skal gøre dette for ikke at konkurrere med andre i dette sheet – så holder du samtidig dine data og eksperimenter hemmelige ;o)

Google sheet make a copy

Den matematiske model bag

Jeg elsker denne del, men de fleste af jer vil ikke læse det.

Så befri dig selv for alt dette nørderi og skip delen om matematikken.

Du får forklaringen fra mit engelske indlæg:

“The open rate is a measure of how many percent (in decimals) that open the average promotional e-mail. Click through rate is a measure of how many percent (in decimals) that click their way from the email to the website or webshop. Conversion rate is the rate that you convert people from newsletters and emails to customers once they reach your website. Average order value is, as you guessed, the average order value, however, only from the traffic you get form your newsletters or email.

Existing permissions is the amount of permissions you have today. New permissions is the amount of new permissions you get per month (or whichever t-period you want to use). Permission growth is the percent (in decimals) that your amount of new permissions grow with month over month. The unsubscribe rate is how many percent of your total permissions you typically lose per email you send to your list.

Frequency is the amount of emails per month, t. The die rate is how quickly people change emails, and therefore by default bounce from your list. Most of the experts I have talked to on estimate around 15% per year, which is why you should probably just keep the 1,17% per month.

Net present value is how much money you will make in todays worth. So if you use your next best marketing channel as the discount rate, then you will typically find the NPV to be significant lower than if you use the rate for borrowing money, as the discount rate.

Initial cost of investments represents the amount of money you will invest today to either keep status quo or inflict a change. Budget represents the monthly cost of the department sending emails, software fees and so forth. Inflation is a metric for how much prices increase year over year.

Discount rate, might be the most difficult to explain. Lets image you put $100 in a portfolio of stocks today – then you might have $161 in 5 years (10% growth per year). If this is your “alternate” use of your money then you want to know if you should, instead, spend your money on email marketing.”

Ubekendte

Matematikken er korrekt, indiskutabelt. Til gengæld ved ingen hvor meget åbningsraten, klik raten eller konverteringsraten vil falde (eller måske ikke falde) hvis du sendte dobbelt så mange emails. Det betyder, at vi ikke ved hvordan de mange variable er intern forbundet (eller korrelerer). Til gengæld kan vi lave kvalificerede gæt, og derigennem teste vores hypoteser, hvilket præcis er pointen med økonomiske modeller.

Model antagelser

You can either create a quite complex model that includes pretty much very variable, like this on, and then you don’t have to rely as much on assumption. On the other hand, you can create a simpler model, but then it would require more assumptions.

Say you wanted unsubscribe rate to be a function of frequency. It might be an exponential function, a linear or whatever, but the higher the frequency the higher the unsubscribe rate. However, in this model you can actually decide more variables for yourself – that is cool.

Coolness comes at a price, because you need to think harder. If you increase frequency from 2 to 4 then what might happen? Your budget might increase, unsubscribe rate might increase, open rates might drop, click rates might drop and conversion rate might drop? We don’t know for sure but you need to consider the other variables as you test your hypotheses.

Man kan enten lave en ret kompleks model, der indeholder temmelig mange variable, som denne, og så behøver du ikke at stole på en masse antagelser. På den anden side kan du oprette en enklere model, men så ville det kræve flere antagelser.

Lad os sige at afmeldingsfrekvensen er en funktion af frekvensen. Det kan stadig være en eksponentiel funktion, eller en lineær eller hvad som helst, men modellen antager at jo højere en e-mail frekvens desto højere afmeldingsfrekvens (i absolutte tal, ikke relative). Men i denne model kan du faktisk selv bestemme næsten alle variabler, og det er ret cool.

Denne coolness er ikke gratis. Det koster på hjerne kontoen – der skal braines en smule mere. Hvis du øger din frekvens fra 2 til 4, hvad sker der så? Dit budget vil måske stige, din afmeldingsrate kan stige, åbningsraterne kan falde, klikfrekvensen kan falde, og konverteringsraten kan falde? Vi ved det ikke med sikkerhed, men du gør klogt i at overveje disse variable, når du tester dine hypoteser. Bare rolig, det er skide sundt!

Den største svaghed

Det er langt fra alle e-mails som har et kommercielt formål. Du har måske en anti-churn eller re-engage automation flow, der slet ikke handler om at skabe salg. Hvor indtaster du disse e-mails? Det gør du ikke, fordi de ikke påvirker dine pengestrøm direkte.

Men hvis du eksempelvis har en hypotese om, at hvis du investerer 100 tusinde kroner i et re-engage-flow vil det øge åbningsraterne for dine kommercielle e-mails med 20%, så er det en mulig hypotese at matche op imod andre initiativer. Du skal blot tilføje 100 tusinde som en initial investering og øge åbningsraten med 20% for de 2 kommercielle e-mails du sender hver måned.

De store teknologiske fremskridt betyder at flere og flere gode marketingfolk ikke alene ville stille deres lid til fast nyhedsbreve, men derimod smartere og mere segmenterede automationflows. Modellen giver dog stadig en måde at teste og validere ideer på – hurtigt.

 

 

 
Christian Højbo Møller

Christian Højbo Møller

Christian er CMO i sin start-up Candidlab som i dag er ekspanderet til 11 lande. Han har tidligere været Lead- og Senior Konsulent i verdens største mediebureau gruppe, GroupM. Samt arbejdet med spændende kunder som HBO, Ford, Just-Eat og Toyota.

Connect på LinkedIn eller send en besked.