Performance Based Marketing Automation

Performance Based Marketing Automation

I love it when a plan comes together

De e-mail performance van Sanoma leek ondermaats te presteren ten opzichte van diverse benchmarks. DHVVP werd gevraagd om de e-mailmarketing onder de loep te nemen en input te geven over mogelijke verbeteringen. Gedurende een periode van 3 maanden hebben wij onderzoek gedaan naar de e-mailperformance met als slotstuk het opleveren van een verbeterplan.

image_gallery-1

Klant:

Sanoma

Branche:

Uitgeverijen

De Resultaten

Door de combinatie van: het optimaliseren van de doelgroepselecties; de inhoud en inrichting van de e-mails; de relevantie van de aanbieding aansluiten op de wens van de ontvanger, werd de voornaamste doelstelling: het verminderen van de opt-outs, gerealiseerd.

61% vermindering van opt-outs

De opt-outs werden teruggebracht van bijna 80% van alle clicks in een e-mail naar respectievelijk 29% en 33% (laagste en hoogste performance). Een afname van maar liefst 61%.

0 %
Vermindering van opt-outs

567% meer conversie

De hierboven genoemde test leverde ten opzichte van de baseline een performance-verbetering van 567% op. Het resultaat van een gestructureerde aanpak waarbij analyse vooraf, een gedegen testplan, een constante monitoring en het fijnslijpen van campagnes, voor een uitmuntend resultaat zorgt.

0 %
Meer conversie

25% Uplift conversie door personalisatie

De constante monitoring van de resultaten in Qlikview op basis van het PSC model liet zien dat er nog een conversielek te dichten was: de aansluiting van landing pages op de e-mail. Hier viel nog een mooi gat te dichten. Tijdens een A/B test tussen een reguliere landingspagina en een in Selligent dynamisch gepersonaliseerde landingspagina, op basis van wederom de CRITICAL succesfactoren, bleek deze laatste maar liefst 25% beter te scoren.

0 %
Uplift conversie

DHVVP Performance Model

Het onderzoek wat wij deden voor Sanoma besloeg vier van de in totaal zes stappen, welke onderdeel zijn van het DHVVP Performance Model:

1. Nulmeting

2. Analyse Data Vereisten

3. Funneling PSC

4. Conversielekken

5. Testen

6. Optimalisatie

Tijdens dit onderzoek wordt de huidige performance in kaart gebracht door middel van beschikbare data. Op basis hiervan wordt een baseline gelegd. Daarnaast wordt er gekeken welke data er mist om een goede communicatie op te zetten. De huidige performance wordt vervolgens in kaart gebracht met behulp van het PSC model. Toepassing van dit model maakt inzichtelijk waar de conversie precies achter blijft en wat er nodig is om te optimaliseren

Verbeterpunten

Door middel van het het Peformance Model kwamen wij tot een aantal verbeterpunten:

  • Drastisch verlagen opt-out score

  • Relevantere doelgroepselecties

  • Inzichtelijk maken performance en conversiefunnel

  • Relevanter communiceren naar de doelgroep

  • Aansluiten kanalen onderling

  • Verbeteren aansluiting merkpropositie t.o.v. klantbehoefte

Uit het PSC model kwam naar voren dat het grootste lek werd veroorzaakt door het enorme aantal opt-outs per e-mailing. De opbrengst in euro’s per campagne was op zich okey, maar omdat er per verzonden e-mail zoveel uitschrijvers waren, at Sanoma in feite haar eigen database op.

Testen met behulp van PSC en CRITICAL

Door het in kaart brengen van de conversie in het PSC model, werd inzichtelijk waar er verbeterd kon worden. Met het toepassen van CRITICAL succesfactoren waren we in staat om de e-mailcommunicatie steeds verder te optimaliseren. Denk hierbij aan onder andere doelgroepselecties, verzendtijdstippen, onderwerpregels, content en de call to actions in de e-mail. Met behulp van A/B testing werden de resultaten in kaart gebracht.

Meten van het klantsentiment

Een belangrijk onderdeel van het testen, was het meten van het klantsentiment. Hoe denkt een klant over jouw communicatie. Wij hebben de bekende thumps up/down icons in de mails toegevoegd. Daarbij maakten wij gebruik van CloseAlert. Waarnaast een gestructureerd testplan werd gehanteerd waar in 4 weken werd getest op:

De invloed van CloseAlert Widget Sec

De invloed op verschillende mail inhoud

De invloed van verschillende type vragen

  • Inhoud van de e-mail
  • Over de aanbieding

Het effect van het stellen van een vraag (en doorvoeren van het resultaat) zoals: Wat voor aanbieding zou u willen?

  • bestaande klanten
  • prospects

Het effect van het aanpassen van de aanbieding op basis van de feedback op:

  • opt-outs
  • conversie
  • feedback
 

Geautomatiseerde routering van de feedback

Tijdens het testen werd gebruik gemaakt van een volledig geautomatiseerde routering van de feedback. Dit betekent dat de feedback automatisch, op basis van type feedback, werd doorgestuurd naar de klantenservice. 

Hierbij werden de volgende acties opgevolgd:

  • Complaints
  • Opt-out verzoeken
  • Vragen

Dit zorgde voor een flinke tijdsbesparing in het doornemen van de kwalitatieve feedback.

De rest van de feedback werd gebruikt om de testcampagnes kwalitatief te kunnen beoordelen.

Algoritmes

Met behulp van de algoritmes binnen CloseAlert ontvingen wij perfecte feedback over de aanbiedingen en inhoud van de e-mails. Hierdoor was het niet nodig alle feedback stuk voor stuk door te lopen, maar zorgde CloseAlert voor een gestructureerde opsomming van het resultaat. Na een analyse van deze data werden de aanbiedingen en de inhoud van de e-mails verbeterd, wat een beduidend positief effect had op de resultaten.

Better Call John!

Ben je nieuwsgierig geworden en zou je de uitdaging aan willen gaan of liever eerst eens gratis testen? 

Neem dan contact op met John, de consultant die deze geweldige resultaten heeft weten te bereiken.