Métricas para medir la efectividad de una campaña de email - marketing
Trabajar sin medir no tiene ningún sentido. Por eso es tan importante invertir tiempo en crear métricas que nos ayuden a medir la efectividad de nuestra estrategia de email-marketing. Para explicar mejor esta parte de analíticas he decidido dividir las métricas según categorías, aunque está claro que luego podéis mezclarlas para preparar vuestro propio informe de resultados. También os quiero invitar a leer el post de Clara Ávila sobre KPIs de email marketing, nos hemos coordinado para hacer que ambos posts sean complementarios y que vosotros podáis tener de más opciones 😉
Os aviso que algunas métricas sólo están disponibles en determinadas plataformas de email-marketing. Yo trabajo con AcumbaMail, también he sacado datos de Mailchimp para este post).
Métricas generales de estrategia de Email-Marketing
Suscriptores en cada lista (más abajo tenéis un detalle de todas las métricas a raíz de este tema)
Tasa de bajas (diarias, semanales o mensuales)
Métricas de listas
Total de suscriptores de una lista por día, semana o mes
Total de bajas (No suscritores) de una lista por día, semana o mes
Dispositivo de suscriptores
Ubicación geográfica de suscriptores
% de suscriptores activos e inactivos
Ordenador
Móvil
Métricas de envíos de newsletters
Bounce rate – correos no enviados correctamente debido a que no existen o por problemas del servidor
Tasa de apertura – el total de usuarios que abrieron el newsletter que enviaste
Total de usuarios que no abrieron el newsletter
Países de apertura – ubicación geográfica que tienen los usuarios que abrieron el correo
Bajas – la cantidad de personas que se dieron de baja después de recibir el newsletter
Dispositivos de dónde abrieron el correo – ordenador o móviles y sus respectivos sistemas operativos
Clics en enlaces – % de clics realizados dentro el newsletter
Número de clics según los distintos enlaces
Mapa de clics que puedes ver directamente en el diseño del newsletter
Métricas de conversión a raíz de un newsletter
Evidentemente depende de qué estrategia de conversión tienes empleada, pero a modo genérico te comparto algunas métricas que podrían encajarte:
Visitas referidas del correo a una página web
Número de descargas realizadas directamente desde el newsletter
Número de nuevos registros a raíz del newsletter
Número de ventas a raíz del newsletter
Recomendaciones en general
Analiza el motivo de baja de tus usuarios, es interesante tener un feedback real, hay gente que se toma la molestia de explicar porque no quiere seguir recibiendo correos.
Cuando lances una campaña mide desde el inicio la reacción que está teniendo.
No te obsesiones con las métricas, úsalas para guiarte y aprender.
Prioriza tus métricas, por ejemplo:
Enfócate en conseguir más conversiones que % de apertura de tu correo
Enfócate en saber de dónde viene los suscritores en vez de fijarte en una sola cifra global
Enfócate al análisis para determinar por qué un usuario se da la baja, en vez de guiarte por tan sólo el número total de bajas
Espero que esto os ayude a medir.
¿Quieres saber más sobre Google Analytics y Métricas? ¡Pulsa aquí!
Esta artículo pertenece a la web: vilmanunez . com
La importancia de los segmentos en Google Analytics
El uso de segmentos para el análisis de un activo digital debe ser una de las principales funcionalidades tenidas en cuenta a la hora de planificar el estudio analítico, saber su funcionamiento y a qué lo podemos aplicar.
Comparto una solución de contingencia de mi experiencia con Google Analytics y su posterior aplicación a mi análisis en Data Studio. Hablo de solución porque potencialmente me encontraba con el desarrollo y posterior análisis de un funnel básico. Me explico comentando que mi único medio era una dimensión “Página” mapeada a la herramienta (no contaba con información de eventos) y un fin tan ambicioso como conocer perfectamente al usuario y mejorar la tasa de conversión end to end.
Teniendo un proceso de contratación de cuatro pasos, siendo el primero la puerta de entrada a, por ejemplo, la simulación de un préstamo o la tarificación de un seguro, el segundo la introducción de datos personales, el tercero el resultado de la simulación y el cuarto la confirmación.
A priori, solo voy a tener datos de usuarios por página, cuántos abandonan el proceso y en qué paso abandonan. Con esta información, comenzar un análisis pormenorizado de la página o páginas en cuestión para dar con la problemática de la fuga (tiempo de carga, páginas vistas, métricas personalizadas ad hoc, etc.). Sinceramente, aspiraba a complejizar más mi análisis.
Mi gran opción para poder avanzar era el uso de una segmentación secuencial avanzada y el conocimiento al detalle del proceso de contratación. Para ello, simulé el proceso hasta comprender las diferentes opciones que se le daban al usuario y cómo podía interactuar a partir de preguntas como:
¿Existen casuísticas de error que no permiten al usuario avanzar?
¿Puede el usuario volver al paso anterior mediante algún botón?
¿Se le da al usuario la opción de volver a calcular?
¿Contrata el usuario que vuelve a calcular?
Con estas preguntas desarrollé una estructura de lo que sería mi nuevo funnel, a partir de mis simulaciones on site y posteriores validaciones de navegación en la herramienta. La métrica que utilizaría para mi análisis sería usuarios, tanto en las distintas páginas como a la hora de utilizarla como métrica a cruzar con el segmento, ya que es la que me permitiría obtener un dato coherente de las distintas rutas.
El resultado era muy visual e intuitivo y era el momento de desarrollar los segmentos que me ayudarían en mi objetivo de conocer al usuario.
Siguiendo todos los segmentos la misma lógica de página “x” es inmediatamente seguida de página “y” a nivel de sesión, comparto y explico la creación de dos de los segmentos (vuelven a simular y vuelven a simular y contratan).
En el paso 3 el usuario tiene la posibilidad de volver a simular, volviendo así directamente al paso 1 y no dándose ninguna otra casuística similar. De esta manera, tendríamos al total de usuarios que vuelven a simular, sin necesidad de implementación de eventos asíncronos (aunque esto pueda conllevar otras limitaciones a la hora del análisis). Estos clientes que vuelven a simular pueden terminar el proceso y contratar, lo que nos serviría para sacar información muy valiosa sobre el proceso. Podemos analizar a estos usuarios configurando el segmento a nivel de sesión (simulan, vuelven a simular y contratan en la misma sesión) o a nivel de usuario (simulan y vuelven a simular y contratan en una sesión posterior).
Este tipo de análisis ha pasado de ser algo puntual a una constante en mi planificación a la hora de diseñar un funnel y me ha servido en gran medida para sacar información muy relevante sobre el usuario y su comportamiento.
¿Quieres saber más sobre Google Analytics? ¡Pulsa aquí!
Este artículo pertenece a la web: www. analiticaweb . es.
