Бренды, которые проводят A/B-тесты для каждого отправляемого ими письма, сообщают, что рентабельность инвестиций в email-маркетинг на 37% выше, чем бренды, которые не проводят никаких A/B-тестов. Будь то B2B-компания, отправляющая своим клиентам капельные кампании по взращиванию, или бренд электронной коммерции, рассылающий рекламные предложения, добавление экспериментов в виде A/B-тестов в маркетинговый микс электронной почты — один из верных способов добиться большего количества конверсий. Но такие эксперименты с электронной почтой должны проводиться намеренно. Это значит, что просто загуглить «идеи A/B-тестирования электронной почты» и затем работать по списку не получится. Вам нужно сделать больше. Итак, давайте рассмотрим несколько способов, с помощью которых вы можете начать А/Б-тестирование, что обеспечит вам постоянный успех в маркетинге электронной почты.
Выбор правильных показателей эффективности
Когда речь заходит об A/B-тестировании электронных писем, большинство маркетологов электронной почты начинают думать о том, что принесет им больше открытий и кликов. Но эти показатели вовлеченности в верхнюю часть туннеля редко отражают реальный успех кампании электронной почты. Например, даже если эксперимент с электронной почтой (скажем, с тематической линией) действительно принесет больше открытий, это не дает представления о том, привела ли кампания к увеличению числа потенциальных клиентов, доходов или бизнеса. Чтобы понять, какой реальный бизнес генерирует кампания по электронной почте, необходимо изучить всю воронку взаимодействия с электронной почтой. Вы должны иметь возможность отслеживать и понимать поведение ваших подписчиков на месте, когда они открывают и переходят по ссылкам из ваших писем. А затем отчитываться о «реальных» бизнес-показателях, таких как подписка на пробную версию или демонстрационный запрос, к которым привели открытия и клики по электронной почте. Просто остановиться на мониторинге открытий и кликов в эксперименте с электронной почтой и объявить победителями тех, кто получил больше, — это неправильный путь, поскольку он оставляет реальные конверсии вне эксперимента.
По сути, вам нужно рассказать, как показатели вовлеченности, такие как открытия или клики, полученные в результате эксперимента, соотносятся с реальными показателями эффективности (например, с показателем конверсии целевой страницы, на которую в итоге ведет открытие или клик по электронной почте). Просто остановиться на мониторинге открытий и кликов в эксперименте с электронной почтой и объявить победителями тех, кто получил больше, — это неправильный путь, поскольку он оставляет реальные конверсии за рамками эксперимента. Чад С. Уайт (автор лучшей книги по маркетингу электронной почты «Правила маркетинга электронной почты») объясняет это очень хорошо: «Кроме того, кого волнует, что тема письма А генерирует больше открытий, чем тема письма Б, если последняя генерирует больше конверсий? И кого волнует, что содержание письма А генерирует больше кликов, чем содержание письма Б, если последнее генерирует больше конверсий? Мы гарантируем, что ваш босс предпочтет больше конверсий». Как же наблюдать за поведением своих подписчиков на сайте, чтобы определить «настоящих» победителей в экспериментах по А/Б-тестированию электронной почты? Один из простых способов — через Google Analytics с помощью UTM-параметров. С помощью UTM-параметров вы можете точно определить, было ли ваше электронное письмо последней точкой контакта перед конверсией, или оно способствовало конверсии. Рассмотрим пример.
Предположим, что вы проводите эксперимент по электронной почте, в ходе которого тестируете две версии контента (каждая из которых содержит только одну ссылку на вашу целевую страницу). Далее, предположим, что одна версия (или версия А) использует подход «страх упустить» к контенту с ограниченной по времени бесплатной пробной версией, а другая — подход социального доказательства (с использованием отзывов клиентов, значков, обзоров и т. д.). Таким образом, используя UTM-параметры для этого эксперимента, вы должны создать две разные ссылки для вашего призыва к действию. Одна может быть такой: convert.com?utm_source=newsletter&utm_medium=email&utm_campaign=q2&utm_content=fomo
А другой может быть таким: convert.com?utm_source=newsletter&utm_medium=email&utm_campaign=q2&utm_content=socialproof
По мере того как подписчики будут переходить по вашим ссылкам и посещать ваш сайт, Google Analytics будет собирать данные с ваших UTM-ссылок и сможет показать вам, какая тема контента сработала лучше всего. Возможно, вы удивитесь, узнав, что, хотя письмо с контентом, основанным на страхе, вызвало больше кликов, на самом деле больше подписчиков было зарегистрировано именно на письмо с социально значимым контентом. Вы уловили идею, верно? Некоторые поставщики услуг email-маркетинга поддерживают такое отслеживание «из коробки», а другие позволяют вам создать интеграцию, чтобы вы могли получить более точный снимок и точно отследить отклик вашей email-кампании.
Формирование хорошей гипотезы
Как и любой эксперимент, даже эксперимент с электронной почтой должен начинаться с сильной гипотезы. Гипотеза всегда определяется проблемой и, по сути, устанавливает, почему вы хотите провести эксперимент в первую очередь. Написание гипотезы для вашего эксперимента с электронной почтой заставляет вас посмотреть на данные (или на «проблему», с которой вы сейчас боретесь), проанализировать, почему вы считаете, что ваш эксперимент окажет положительное влияние на коэффициент конверсии, а также перечислить показатели, которые определят успех. Вот еще один удобный онлайн-инструмент для создания гипотез. Просто заполните свои данные, и ваша гипотеза, подкрепленная данными, будет готова.
Как видите, простое написание гипотезы помогает заложить прочный фундамент для эксперимента с электронной почтой, не позволяя вам тестировать случайные изменения, и в то же время побуждая вас тестировать изменения, основанные на целях вашего канала электронной почты.
Выбор типа A/B-теста электронной почты для проведения
Я не хочу углубляться в элементы, которые вы можете протестировать в своем эксперименте — потому что вы можете протестировать все, начиная с поля отправителя и тематической линии и заканчивая копией и макетом. Скорее, здесь я хотел бы обсудить, какой тип элемента вам следует тестировать, исходя из ваших целей. По сути, тесты, которые проверяют небольшие изменения, такие как другой цвет кнопки CTA или другое изображение, помогут вам перейти от коэффициента конверсии X к X.2. Но если вы регулярно наблюдаете низкие конверсии от ваших кампаний по электронной почте, то переход от X к X.2 не поможет. Вместо этого вам следует искать возможности оптимизации конверсии, которые позволят вам перейти от X к 2X. Это происходит только тогда, когда вы проводите радикальные эксперименты. Например, эксперимент с контентом из приведенного выше раздела — это радикальный эксперимент, в ходе которого вы знакомите своих подписчиков с совершенно иными стилями сообщений, чем те, которые вы используете в настоящее время. Такие радикальные эксперименты помогут вам открыть «Глобальный максимум» в вашем случае или подход, который является совершенно новым для вас, но может выиграть массовые конверсии.
Исходя из ваших целей конверсии электронной почты, вы можете выбрать серию экспериментов, тестирующих небольшие изменения, или начать с радикального эксперимента и развить его серией экспериментов, тестирующих небольшие изменения для дальнейшего повышения коэффициента конверсии.
Правильная логистика
После того как вы выдвинули гипотезу о проведении А/Б-тестирования электронной почты, пришло время определить размер выборки, продолжительность эксперимента и способ разделения базы подписчиков. Когда речь заходит о типах разделения при A/B-тестировании электронной почты, наиболее популярным является разделение 50/50. В этом случае вы отправляете версию А 50% ваших подписчиков, а версию Б — оставшимся 50%. В качестве альтернативы вы можете отправить версию А 25% подписчиков, версию Б — еще 25%, а победившая версия (по количеству открытий или кликов) будет отправлена оставшимся 50% подписчиков. Некоторые маркетологи электронной почты не включают в тест всю базу подписчиков. В этом случае, например, если у вас есть капельная кампания из 10 писем и вы решили провести A/B-тест с дополнительным 11-м письмом, то вы можете провести эксперимент только с 90% ваших подписчиков, а оставшиеся 10% вообще не будут подвержены вашему эксперименту. Такое тестирование с удержанием подписчиков помогает оценить общую эффективность вашего эксперимента. Команда оптимизаторов Pinterest часто использует для своих экспериментов «1-процентную группу удержания». В дополнение к окончательному определению сплита, вам также следует подумать о размере выборки, которую вы собираетесь тестировать (кстати, это хороший ресурс о размерах выборки для A/B-тестирования). [Вы можете экспериментировать только с 90% своих подписчиков, а оставшиеся 10% вообще не будут подвержены вашему эксперименту. Такое тестирование с удержанием подписчиков помогает оценить общую эффективность эксперимента.
В целом, большинство поставщиков услуг email-маркетинга утверждают, что вы можете проводить выигрышные A/B-тесты даже с небольшой базой подписчиков. Например, согласно MailChimp, если у вас есть 5000 подписчиков для тестирования каждой из ваших версий (всего 10 000 для версий A и B), то все в порядке. HubSpot, с другой стороны, называет даже базу подписчиков с 1000 контактами достаточно приличной для проведения A/B экспериментов. Однако если вам нужен более точный размер выборки для вашего эксперимента, ознакомьтесь с калькуляторами размера выборки этих инструментов оптимизации конверсии. Как только вы узнали, как вы собираетесь разделить свою базу подписчиков и сколько контактов вы собираетесь использовать для проведения A/B-экспериментов, пришло время определить точку остановки для вашего теста. В зависимости от целей вашего теста (открытия или клики), точка остановки будет разной. По данным MailChimp, тест на оптимизацию открытий может выявить победителя примерно за 2 часа. А для тестов на оптимизацию количества кликов идеальная продолжительность теста составляет около 12 часов. Обратите внимание, что ваш победитель по открытию или кликам может быть или не быть «окончательным победителем», потому что, как мы видели выше, окончательный победитель — это тот, который приводит к большему количеству конверсий, а версия письма, которая получает больше вовлеченности, не гарантирует больше конверсий. В большинстве случаев вам понадобится несколько дней, чтобы определить окончательного победителя на основе взаимодействия подписчика с вашим письмом и его активности на вашем сайте.
Создание надежной системы тестирования электронной почты
Когда вы начинаете проводить A/B-тестирование электронной почты, может быть очень увлекательным тестирование цвета кнопки или эффективности персонализации. Часто такие небольшие изменения двигают показатели из-за эффекта новизны, когда подписчики реагируют на «новизну» в электронных письмах. Но хотя такие мгновенные победы помогают вызвать интерес к экспериментам с электронной почтой, они мало что дают для долгосрочного успеха маркетинга электронной почты. Для этого вам необходимо разработать систему тестирования электронной почты, которая позволит вам достичь конкретных целей маркетинга электронной почты и избежать того, чтобы в конечном итоге вы использовали свою пропускную способность для тестирования случайных изменений. Часто небольшие изменения двигают показатели благодаря эффекту новизны, когда подписчики реагируют на «новизну» в электронных письмах. Создание системы экспериментов с электронной почтой также поможет вам документировать все проводимые вами тесты и их результаты. Результаты предыдущих экспериментов помогут вам при планировании будущих email-тестов. Например, если в ходе одного из A/B-тестов электронной почты вы обнаружили, что перемещение кнопки CTA в область сгиба приводит к большему количеству кликов, возможно, вы захотите протестировать другой цвет кнопки CTA в ходе последующего эксперимента, чтобы посмотреть, улучшит ли это конверсию. Инвестируя в такую структуру, каждый раз, когда вы захотите протестировать электронную почту (что следует делать часто для достижения большего успеха), вы будете получать множество сведений, которые уже были получены в ходе предыдущих экспериментов. Это может показаться большой работой, но даже простая электронная таблица Google справится с этой задачей.