บล็อกการปรับแต่งอีคอมเมิร์ซ

การวิเคราะห์ตามการได้มาสามารถเพิ่มยอดขายได้ น่าเสียดายที่ร้านค้าอีคอมเมิร์ซหลายแห่งจำกัดข้อมูลกลุ่มประชากรตามรุ่นเพื่อปรับปรุงการเก็บรักษา หรือที่แย่กว่านั้นคืออย่าใช้เลย

คู่มือนี้แสดงวิธีที่แบรนด์อีคอมเมิร์ซสามารถใช้การวิเคราะห์ตามรุ่นเพื่อปรับปรุงการดำเนินการหลัก เช่น แคมเปญหลังการซื้อ การเพิ่มประสิทธิภาพการใช้จ่ายโฆษณา และข้อเสนอส่วนบุคคลสำหรับกลุ่มประชากรตามรุ่นและกลุ่มลูกค้าที่มีผลกระทบสูง

หากคุณต้องการข้ามไปยังวิธีใช้การวิเคราะห์ตามการได้มาพร้อมตัวอย่าง คลิกที่นี่ มิฉะนั้น ให้อ่านว่าการวิเคราะห์ตามรุ่นคืออะไร และเหตุใดคุณจึงควรใช้เวลาในการตั้งค่า

การวิเคราะห์ตามการได้มาคือประเภทของการแบ่งกลุ่มตามพฤติกรรมที่จัดกลุ่มผู้ใช้ตามลักษณะเฉพาะอย่างน้อยหนึ่งอย่าง และติดตามพฤติกรรมของพวกเขาเมื่อเวลาผ่านไป

การวิเคราะห์ตามรุ่นที่พบบ่อยที่สุดจะจัดกลุ่มผู้ใช้ตามวันที่ได้มา ตัวอย่างที่นี่รวมถึง

การวิเคราะห์ตามการได้มาเป็นเครื่องมือที่ยอดเยี่ยมสำหรับบริษัทอีคอมเมิร์ซที่จะใช้ ด้านล่างนี้คือประโยชน์ทั่วไปบางส่วนที่คุณจะได้รับจากการออกแบบและการใช้รายงานตามรุ่น

ประโยชน์หลักของการวิเคราะห์ตามการได้มาคือการทำความเข้าใจว่าลูกค้าของคุณดำเนินการอย่างไรเมื่อเวลาผ่านไป

หากไม่มีการแบ่งกลุ่มตามกลุ่มประชากรตามรุ่น การเติบโตหรือลดลงของบริษัทจะทำให้ผลกระทบของการปรับเปลี่ยนในแบบของคุณ เพิ่มประสิทธิภาพการแปลง หรือความพยายามอื่นๆ ไม่ชัดเจน

การวิเคราะห์ตามการได้มาเป็นวิธีเดียวที่ดีที่สุดในการดูและทำความเข้าใจอัตราการเลิกใช้งานแบรนด์ของคุณ เนื่องจากลูกค้าปัจจุบันใช้จ่ายมากกว่าลูกค้าใหม่โดยเฉลี่ย 73.72% การหาวิธีเพิ่มอัตราการรักษาลูกค้าให้สูงสุดเป็นหนึ่งในประโยชน์หลักของการวิเคราะห์การรักษากลุ่มประชากรตามรุ่น

เครดิตภาพ

สุดท้าย คุณสามารถใช้การวิเคราะห์ตามการได้มาเพื่อแบ่งกลุ่มลูกค้าอย่างมีประสิทธิภาพ

ตัวอย่างเช่น คุณควรสร้างประสบการณ์ส่วนตัวแบบใดสำหรับลูกค้าที่เพิ่งจากไปเมื่อเร็วๆ นี้ เทียบกับผู้ที่กลับมาทุกสัปดาห์กับลูกค้าที่เพิ่งมาใหม่ในไซต์ของคุณ ลูกค้าที่มาจากแคมเปญโฆษณาต่างกันมีพฤติกรรมแตกต่างกันหรือไม่? และถ้าเป็นเช่นนั้น คุณจะสร้างข้อเสนอที่ดีกว่าสำหรับพวกเขาได้อย่างไร

นี่คือประเภทของคำถามและคำตอบที่คุณจะได้รับจากการใช้การวิเคราะห์ตามการได้มา

จากการศึกษาล่าสุดของเราเกี่ยวกับสถิติการตลาดทางอีเมล แคมเปญหลังการซื้อแปลงเป็น 8.2% ที่โดดเด่นของเวลาทั้งหมด

การวิเคราะห์ตามการได้มาช่วยให้คุณเข้าใจเมื่อลูกค้าของคุณกลับมาซื้อซ้ำโดยธรรมชาติ ด้วยข้อมูลนี้ คุณสามารถเพิ่มประสิทธิภาพแคมเปญหลังการซื้อและเพิ่มได้ด้วยข้อความเตือนให้เติมสินค้า

ข้างต้น Tula ใช้การวิเคราะห์ตามการได้มาเพื่อทำความเข้าใจเมื่อลูกค้าทำการซื้อซ้ำตามปกติ พวกเขาเรียกใช้อีเมลเติมเงินเพื่อเป็นการเตือนความจำก่อนวันที่นี้ และเพิ่มสิ่งจูงใจเพิ่มเติมหลังจากนั้น ในอีเมลฉบับนี้ จะเน้นย้ำถึงประโยชน์เฉพาะ 3 ประการของ

มูลค่าตลอดอายุการใช้งาน (LTV) มักถูกมองว่าเป็นตัวชี้วัดรายได้อีคอมเมิร์ซ

อย่างไรก็ตาม เวลามีความสำคัญสำหรับทั้งกระแสเงินสดและการคำนวณ ROI ในเรื่องนี้ ระยะเวลาคืนทุนสามารถดำเนินการได้ดีกว่าเมตริก LTV แบบกว้างๆ

จากการหาลูกค้า ลูกค้าของคุณกลับมาบ่อยแค่ไหน พวกเขากลับมาเร็วแค่ไหน และคุณทำกำไรได้เท่าไหร่เมื่อพวกเขากลับมา

ด้วยการวิเคราะห์ตามการได้มา คุณจะเข้าใจได้อย่างชัดเจนว่าลูกค้าสร้างรายได้เท่าใดต่อช่วงเวลา

ด้านล่างนี้เป็นตัวอย่างหนึ่งของการดูข้อมูลนี้ ต่อไปนี้ เรากำลังสร้างแผนภูมิว่ากลุ่มประชากรตามรุ่นสร้างรายได้เท่าใดเมื่อเวลาผ่านไป

เพื่อให้เมตริกการคืนทุนสามารถดำเนินการได้มากขึ้น คุณควรแบ่งกลุ่มข้อมูลตามพร็อพเพอร์ตี้ต่างๆ คุณสมบัติสามารถรวมถึง

Barilliance ช่วยให้ร้านค้าอีคอมเมิร์ซมีการแบ่งกลุ่มตามพฤติกรรมที่หลากหลาย โดยทั่วไปแล้ว Barilliance สามารถติดตามการนัดหมายในสถานที่ได้ เช่น หน้าใดที่เข้าชม รายการที่ถูกเพิ่มลงในตะกร้าสินค้า หน้าแสดงผลิตภัณฑ์ที่มีการดู

ข้อมูลบริบทอาจเป็นแหล่งที่มาของการแบ่งกลุ่มตามพฤติกรรม เช่น โดเมนที่อ้างอิง หรือผู้ใช้โต้ตอบกับแคมเปญการตลาดหรือไม่ สุดท้าย เราอนุญาตให้ลูกค้ากำหนดโปรไฟล์ลูกค้าหรือส่วนการรักษาลูกค้าเฉพาะ ลูกค้าจะลงทะเบียนโดยอัตโนมัติหรือหลุดออกจากการกระทำของพวกเขา

ต้นทุนในการได้มาซึ่งลูกค้ายังคงเพิ่มขึ้นอย่างต่อเนื่อง ด้านล่างนี้คือตัวอย่างของ Amazon CPC ตามหมวดหมู่

เครดิตภาพ

นี่เป็นอีกตัวอย่างหนึ่งที่แสดงให้เห็นว่า CAC มีการเปลี่ยนแปลงอย่างไรเมื่อเวลาผ่านไปในหลายอุตสาหกรรม เราจะเห็นว่าต้นทุนในการได้มาซึ่งลูกค้าเพิ่มขึ้น 70% ในอุตสาหกรรม B2B และเพียง 60% สำหรับแบรนด์ B2C เมื่อเทียบกับเมื่อสี่ปีก่อน

เครดิตภาพ

เราได้พูดคุยกันมาก่อนแล้วว่าการใช้เมตริก ROAS ในการพิจารณาประสิทธิภาพของโฆษณาจะทำให้คุณเสียเปรียบได้อย่างไร และเหตุใดคุณจึงควรมุ่งเน้นที่ ROMI (ผลตอบแทนจากการลงทุนทางการตลาด) แทน

การวิเคราะห์ตามการได้มาเป็นวิธีเดียวที่จะได้รับผลตอบแทนจากการลงทุนทางการตลาดอย่างแท้จริง ตามที่เราได้กล่าวไว้ข้างต้น คุณสามารถใช้ข้อมูลกลุ่มประชากรตามรุ่นเพื่อทำความเข้าใจว่าคุณสามารถคาดหวังการคืนทุนจากช่องทางการได้ลูกค้าใหม่ได้เร็วเพียงใด

สิ่งนี้ช่วยให้คุณลงทุนได้มากขึ้น โดยรู้ว่าเมื่อใดที่คุณสามารถคาดหวังการคืนทุนได้ และท้ายที่สุดแล้วแคมเปญโฆษณาของคุณจะทำกำไรได้มากเพียงใด

กรณีการใช้งานที่น่าสนใจอีกกรณีหนึ่งสำหรับการวิเคราะห์ตามการได้มาคือผลกระทบของส่วนลด

ในการทำเช่นนี้ ขั้นแรกให้สร้างการแบ่งกลุ่มตามกลุ่มตามพฤติกรรมสองกลุ่ม โดยกลุ่มแรกซื้อผ่านส่วนลด และกลุ่มที่สองซื้อโดยไม่มีกลุ่ม จากนั้น เปรียบเทียบว่ากลุ่มประชากรตามรุ่นเหล่านี้ทำงานอย่างไรใน 90 วันข้างหน้า (หรือกรอบเวลาใดๆ ที่เหมาะกับธุรกิจของคุณ)

คุณสามารถเริ่มดูว่าส่วนลดส่งผลให้มีลูกค้าประจำหรือเพียงแค่สูญเสียรายได้แทน

มีวิธีอื่นๆ ที่การวิเคราะห์ตามรุ่นสามารถช่วยให้ร้านค้าอีคอมเมิร์ซเพิ่มประสิทธิภาพแคมเปญส่วนลดได้

เมื่อลีดไม่แปลง พวกเขาสามารถจัดกลุ่มตามพฤติกรรมที่แยกต่างหากได้ จากนั้น คุณมีอิสระที่จะให้ข้อเสนอส่วนลดเชิงรุกมากขึ้นโดยไม่ต้องกลัวว่าจะให้มาร์จิ้นโดยไม่จำเป็น

Stitch Fix เป็นตัวอย่างที่ดี ข้อความนี้จะถูกส่งไปหากผู้ใช้ทำการประเมินความพอดีเบื้องต้นเสร็จสิ้นแต่ไม่ได้ทำการสั่งซื้อจนเสร็จสมบูรณ์

ข้อเสนอนี้เป็นเครดิต $35 ที่ชัดเจนซึ่งจะหมดอายุหากไม่ได้ใช้

โปรไฟล์ที่สมบูรณ์เป็นเทคนิคพื้นฐานในการปรับปรุงประสิทธิภาพของการวิเคราะห์ตามรุ่น

ผู้เข้าชมใหม่มักไม่ระบุชื่อ Fashion Nova แก้ไขปัญหานี้ในเชิงรุกด้วยป๊อปอัปต้อนรับเริ่มต้น นอกเหนือจากการเสนอสิ่งจูงใจเชิงรุก (ลด 30%) แล้ว พวกเขายังให้ผู้ใช้เลือกได้ว่าต้องการอะไร

ข้อมูลนี้จะเชื่อมโยงกับโปรไฟล์ลูกค้าและใช้ในการแบ่งกลุ่มตามรุ่น ตลอดจนปรับแต่งข้อเสนอในอนาคตให้เป็นส่วนตัว

เป้าหมายของแคมเปญต้อนรับคือการสร้างความสัมพันธ์และสร้างยอดขาย

เราได้กล่าวถึงวิธีการสร้างแคมเปญต้อนรับแบบหลายขั้นตอน พร้อมด้วยตัวอย่างที่ดีที่สุดในชั้นเรียนจาก Sephora ที่นี่ อย่างไรก็ตาม หากต้องการโทรในแคมเปญอีเมลที่คุณเรียกใช้เอง คุณควรสร้างการทดสอบ AB และวิเคราะห์ผ่านการวิเคราะห์ตามรุ่น

คุณสามารถจัดทำแผนภูมิได้อย่างรวดเร็วว่ากลุ่มต่างๆ ดำเนินการอย่างไรในช่วง 30 และ 60 วันถัดไป และท้ายที่สุดแล้วจะเข้าใจว่าชุดต้อนรับชุดใดทำงานได้ดีกว่าในการเปลี่ยนผู้เยี่ยมชมรายใหม่ให้เป็นลูกค้าประจำ

คู่มือนี้แสดงให้เห็นว่าแบรนด์อีคอมเมิร์ซควรใช้การวิเคราะห์ตามรุ่นเพื่อเพิ่มยอดขายอย่างไร Barilliance ช่วยให้แบรนด์อีคอมเมิร์ซดำเนินการตามข้อมูลเชิงลึกที่ได้รับจากการวิเคราะห์ตามรุ่น

ด้วย Barilliance คุณสามารถสร้างประสบการณ์และข้อเสนอที่เป็นส่วนตัวสำหรับแต่ละกลุ่มรุ่น ตั้งค่าการทดสอบหลายตัวแปรเพื่อเพิ่มรายได้ทีละน้อย และทำให้ธุรกิจของคุณเติบโตในท้ายที่สุด

หากต้องการทราบวิธีใช้การปรับแต่งอีคอมเมิร์ซส่วนบุคคลเพื่อปรับแต่งประสบการณ์ตามรุ่น คลิกที่นี่

และหากคุณต้องการพูดคุยกับผู้เชี่ยวชาญด้านการปรับเปลี่ยนในแบบของคุณ และดูว่า Barilliance เป็นพันธมิตรที่ใช่สำหรับคุณหรือไม่ คุณสามารถขอการสาธิตแบบตัวต่อตัวได้ที่นี่