Abmeldungen verhindern, bevor sie passieren
Newsletter-Abmeldungen werden sich wohl nie zu 100 Prozent verhindern lassen. Aber wäre es nicht schön, gefährdete Personen zu identifizieren, noch bevor sie sich tatsächlich abgemeldet haben? Immerhin hätten wir so zumindest die Möglichkeit diese Zielgruppe mit einer besonderen Promo und individuellen Marketing-Inhalten zu überzeugen oder durch Anpassung der Kommunikationsfrequenz eine drohende Abmeldung abzuwehren.
So könnte eine Abmeldekurve für die letzten 6 Jahre aussehen:
Aus einem solchen recht einfachen Chart, das noch nicht viel mit Predictive Analytics zu tun hat, kann man schon einiges herauslesen. Wir sehen zum Beispiel, dass wir 2014 mit Abstand die meisten Newsletter-Abonnenten verloren haben. Aber noch viel wichtiger: In jedem Jahr verlieren wir im 4. Quartal eine auffällig große Anzahl unserer Leserschaft im Vergleich zu den restlichen Quartalen. Das wollen wir für 2017 doch verhindern, oder?
Wer sind denn unsere Newsletter-Abmelder?
Bevor wir damit starten können, zukünftige Ex-Newsletter-Empfänger zu identifizieren, müssen wir erst einmal herausfinden, wer sich von unserer Onlinepost in der Vergangenheit abgemeldet hat. Dazu eignet sich besonders gut ein Profil, mit dessen Hilfe wir signifikante Merkmale, die diese Abmelder von dem Rest unserer Newsletter-Abonnenten differenzieren, aufdecken können.
Profile stellen die Ausprägung bestimmter Merkmale für die untersuchte Analysegruppe (in dem Fall Abmelder) im Vergleich zur Basisgruppe (in dem Fall alle Newsletter-Abonnenten) dar. Ist ein bestimmtes Merkmal in der Analysegruppe überrepräsentiert, zeigt der Balken nach rechts, bei Unterrepräsentanz nach links. Rot bedeutet starke statistische Signifikanz, während gelb weniger signifikante Merkmale markiert.
Wir konnten die folgenden wichtigen Merkmale für unsere Newsletter-Abmelder identifizieren:
Merkmal #1: Die Anzahl der Opens
Personen, die sich bisher von unserem Newsletter abgemeldet haben, haben fleißig unsere Onlinepost geöffnet. Es hat insbesondere diejenigen getroffen, die 6 und mehr Opens aufweisen.
Merkmal #2: Die Anzahl der Klicks
Auch die Anzahl der Klicks zeigt, dass unsere Abmelder eigentlich aktive Abonnenten waren, der Großteil hat mehr als 20-mal während seines gesamten Newsletter-Abonnements geklickt.
Merkmal #3: Die Anzahl der Tage zwischen den Opens
Insbesondere Personen, zwischen deren Opens mehr als 13 Tage liegen, melden sich häufiger von unserem Newsletter ab.
Merkmal #4: Das Alter
Hauptsächlich ältere Abonnenten, nämlich diejenigen über 70 Jahre, verschwinden durch ihre Abmeldung aus unserer Zielgruppe.
Merkmal #5: Das Geschlecht
Als letztes signifikantes Merkmal haben wir das Geschlecht identifiziert, denn es melden sich eher Männer als Frauen vom Newsletter ab.
Welche Merkmale Sie im Profil berücksichtigen, müssen Sie sich anhand der verfügbaren Daten und der daraus ableitbaren Informationen ermitteln. Zum Beispiel könnte die Frequenz der Kommunikation (wenn es unterschiedliche Aussende-Rhythmen gibt) auch Hinweise auf drohende Abmeldungen geben.
Und wie identifizieren wir nun gefährdete Personen?
Anhand des zuvor erstellten Profils können wir nun all unsere Newsletter-Abonnenten scoren und anhand dieses Churn-Scores so klassifizieren, dass sich eine Art „Gefährdungsgrad“ – von „nicht gefährdet“ über „neutral“ bis hin zu „stark gefährdet“ ergibt. Stark gefährdete Personen sind den bekannten Newsletter-Abmeldern in unserem Fall am ähnlichsten. Eine Treemap eignet sich besonders gut als Darstellung, da wir hier auf den ersten Blick die Größenordnungen der einzelnen Churn-Klassen erkennen können.
Nun können wir unsere Zielgruppe zur Rückgewinnung vor der drohenden Abwanderung selektieren. Wir entscheiden uns für stark gefährdete und gefährdete Personen. Selbstverständlich wollen wir bereits abgemeldete Personen aus der Zielgruppe ausschließen.
Mithilfe eines Venn-Diagramms erkennen wir Überschneidungen auf den ersten Blick und können uns nun voll und ganz auf alle gefährdeten Personen konzentrieren.
Jetzt fehlen uns nur noch die nötigen Marketing-Inhalte, die diese Abonnenten wirklich zum Bleiben bewegen (und/oder eine angepasste Aussende-Frequenz). Wie wir alle wissen, reicht eine einfache E-Mail mit Nachrichten, die für alle gleich sind, heute nicht mehr aus. Wie Sie mithilfe von Predicitve Analytics den nächsten Schritt gehen und vorhersagen, was Ihre Kunden wollen, bevor sie danach fragen, erfahren Sie in unserem kostenfreien Whitepaper „Best Next Offer - Vorausdenken mit Predictive Analytics“
Hier geht’s direkt zum kostenlosen Download: https://www.apteco.de/kostenfreies-whitepaper-best-next-offer-vorausdenken-mit-predictive-analytics
So könnte eine Abmeldekurve für die letzten 6 Jahre aussehen:
Aus einem solchen recht einfachen Chart, das noch nicht viel mit Predictive Analytics zu tun hat, kann man schon einiges herauslesen. Wir sehen zum Beispiel, dass wir 2014 mit Abstand die meisten Newsletter-Abonnenten verloren haben. Aber noch viel wichtiger: In jedem Jahr verlieren wir im 4. Quartal eine auffällig große Anzahl unserer Leserschaft im Vergleich zu den restlichen Quartalen. Das wollen wir für 2017 doch verhindern, oder?
Wer sind denn unsere Newsletter-Abmelder?
Bevor wir damit starten können, zukünftige Ex-Newsletter-Empfänger zu identifizieren, müssen wir erst einmal herausfinden, wer sich von unserer Onlinepost in der Vergangenheit abgemeldet hat. Dazu eignet sich besonders gut ein Profil, mit dessen Hilfe wir signifikante Merkmale, die diese Abmelder von dem Rest unserer Newsletter-Abonnenten differenzieren, aufdecken können.
Profile stellen die Ausprägung bestimmter Merkmale für die untersuchte Analysegruppe (in dem Fall Abmelder) im Vergleich zur Basisgruppe (in dem Fall alle Newsletter-Abonnenten) dar. Ist ein bestimmtes Merkmal in der Analysegruppe überrepräsentiert, zeigt der Balken nach rechts, bei Unterrepräsentanz nach links. Rot bedeutet starke statistische Signifikanz, während gelb weniger signifikante Merkmale markiert.
Wir konnten die folgenden wichtigen Merkmale für unsere Newsletter-Abmelder identifizieren:
Merkmal #1: Die Anzahl der Opens
Personen, die sich bisher von unserem Newsletter abgemeldet haben, haben fleißig unsere Onlinepost geöffnet. Es hat insbesondere diejenigen getroffen, die 6 und mehr Opens aufweisen.
Merkmal #2: Die Anzahl der Klicks
Auch die Anzahl der Klicks zeigt, dass unsere Abmelder eigentlich aktive Abonnenten waren, der Großteil hat mehr als 20-mal während seines gesamten Newsletter-Abonnements geklickt.
Merkmal #3: Die Anzahl der Tage zwischen den Opens
Insbesondere Personen, zwischen deren Opens mehr als 13 Tage liegen, melden sich häufiger von unserem Newsletter ab.
Merkmal #4: Das Alter
Hauptsächlich ältere Abonnenten, nämlich diejenigen über 70 Jahre, verschwinden durch ihre Abmeldung aus unserer Zielgruppe.
Merkmal #5: Das Geschlecht
Als letztes signifikantes Merkmal haben wir das Geschlecht identifiziert, denn es melden sich eher Männer als Frauen vom Newsletter ab.
Welche Merkmale Sie im Profil berücksichtigen, müssen Sie sich anhand der verfügbaren Daten und der daraus ableitbaren Informationen ermitteln. Zum Beispiel könnte die Frequenz der Kommunikation (wenn es unterschiedliche Aussende-Rhythmen gibt) auch Hinweise auf drohende Abmeldungen geben.
Und wie identifizieren wir nun gefährdete Personen?
Anhand des zuvor erstellten Profils können wir nun all unsere Newsletter-Abonnenten scoren und anhand dieses Churn-Scores so klassifizieren, dass sich eine Art „Gefährdungsgrad“ – von „nicht gefährdet“ über „neutral“ bis hin zu „stark gefährdet“ ergibt. Stark gefährdete Personen sind den bekannten Newsletter-Abmeldern in unserem Fall am ähnlichsten. Eine Treemap eignet sich besonders gut als Darstellung, da wir hier auf den ersten Blick die Größenordnungen der einzelnen Churn-Klassen erkennen können.
Nun können wir unsere Zielgruppe zur Rückgewinnung vor der drohenden Abwanderung selektieren. Wir entscheiden uns für stark gefährdete und gefährdete Personen. Selbstverständlich wollen wir bereits abgemeldete Personen aus der Zielgruppe ausschließen.
Mithilfe eines Venn-Diagramms erkennen wir Überschneidungen auf den ersten Blick und können uns nun voll und ganz auf alle gefährdeten Personen konzentrieren.
Jetzt fehlen uns nur noch die nötigen Marketing-Inhalte, die diese Abonnenten wirklich zum Bleiben bewegen (und/oder eine angepasste Aussende-Frequenz). Wie wir alle wissen, reicht eine einfache E-Mail mit Nachrichten, die für alle gleich sind, heute nicht mehr aus. Wie Sie mithilfe von Predicitve Analytics den nächsten Schritt gehen und vorhersagen, was Ihre Kunden wollen, bevor sie danach fragen, erfahren Sie in unserem kostenfreien Whitepaper „Best Next Offer - Vorausdenken mit Predictive Analytics“
Hier geht’s direkt zum kostenlosen Download: https://www.apteco.de/kostenfreies-whitepaper-best-next-offer-vorausdenken-mit-predictive-analytics