Za višjo stopnjo odprtja e-novic

Vsi, ki pripravljajo e-novice v določenem podjetju ali za določenega naročnika, vedo, koliko truda je vloženega v vsak izvod. Začne se pri zbiranju naslovov za bazo, nadaljuje pa pri idejni zasnovi, pisanju besedil, oblikovanju, razrezu predloge, postavitvi posameznih e-novic … In potem te e-novice odpre 15 % uporabnikov z liste, na vsebino klikneta pa 2 %. Kako iz tega početja dobiti kar največ?

1.      Kvaliteta e-naslovov

Prva stvar je zagotovo kvaliteta e-naslovov. Rek »Malo denarja, malo muzike« tukaj še kako drži. Če smo pri zbiranju t.i. leadov preveč skopuški, potem bo kvaliteta naše baze zelo slaba. Zato premislite, kdo je vaša ciljna publika in o tem, koliko ste za posamezen lead pripravljeni odšteti ter nastavite CPL na ceno, ki vas bo do tega cilja pripeljala.

2.      Testiranje »pošiljatelja« in »zadeve«

Drugi korak je zagotovo testiranje pošiljatelja in zadeve. Pri testiranju se moramo zavedati dveh stvari: prva je to, da moramo testirati eno zadevo naenkrat. Ko se torej testira pošiljatelja (Ana Novak, Banka / Banka e-novice / Ana Novak), uporabimo eno zadevo, ko pa testiramo zadevo (NOVO | Kredit po meri potrošnika / Skrivnost najema pravega kredita), uporabimo enega pošiljatelja, saj pri navzkrižnem testiranju ne moremo vedeti, zaradi katerega elementa je naročnik odprl e-novice. Druga stvar je pa to, da se moramo zavedati, da do pravih podatkov ne pridemo v enem dnevu, ampak moramo biti vztrajni in poskušati več spremenljivk, preden lahko dorečemo, kaj zares učinkuje.

3.      Čas pošiljanja

Pri pošiljanju igrata pomembno vlogo tudi dan in ura pošiljanja. Preden neučakano kliknemo na gumb Pošlji, pomislimo, koliko ljudi je v tistem trenutku pred računalnikom z dostopom do e-pošte. Je ravno čas kosil? So vsi že odšli na podaljšan vikend? Vsi že/še spijo? Določeni ponudniki množičnega pošiljanja e-pošte imajo možnost avtomatskega določanja optimalnega časa, v nasprotnem primeru predlagamo analizo preteklih pošiljanj. Slabost slednjega je seveda v tem, da morate prej poslati kar precej e-novic, da pridete to realnega rezultata.

4.      Ponovno pošiljanje neodprtim

In še mala skrivnost: pošiljanje bazi uporabnikov, ki prvega maila niso odprli. Po 2-3 dneh lahko celotni bazi uporabnikov, ki e-novic niso odprli, le-te ponovno pošljete. Spremenite lahko zadevo, jo naredite privlačnejšo, pošljete v drugem delu dneva (če ste prejšnji mail poslali zjutraj, lahko ponovnega pošljete zvečer) itd.

To so bili seveda le nasveti za to, da bodo naročniki sploh pogledali vaše e-novice. Če želite, da jih bodo vedno tudi z veseljem prebirali, poskrbite tudi za kvalitetno in relevantno vsebino.

Maja Š. Jakin
Maja Š. Jakin
Maja Šorli Jakin je izkušena medijska načrtovalka z bogato zgodovino dela v marketinški in oglaševalski industriji. Njene ključne spretnosti vključujejo vsebinski marketing, oglaševanje, marketinško strategijo, urejanje in vodenje projektov. Maja je nekdanja direktorica vsebin, trenutno pa zaseda mesto izvršne direktorice agencije W3B.

Naročite se na #hashtag e-novice!

* obvezno polje

Privolim, da lahko W3B, d.o.o. moje osebne podatke obdeluje za naslednje namene:

Enkrat mesečno prejmete e-novice. Dovolite, da vaš e-naslov uporabimo za pošiljanje e-novic skladno s pogoji varstva osebnih podatkov. Odjavite se lahko kadarkoli.

Novo na #hashtag.si

Z več kot pol milijarde uporabnikov, ki vsak mesec obiščejo Pinterest, in osupljivimi 10 milijardami ustvarjenih boardov po vsem svetu, se lahko strinjamo, da je Pinterest postal glavno središče za iskanje navdiha. Sedaj pa je Pinterest svojim uporabnikom še...
Figma UI  Ena najbolj izpostavljenih tem letošnje konference je bila vpeljava umetne inteligence (v nadaljevanju UI) v orodje.  Samodejno ustvarjanje dizajna: z enostavnim vnosom besedila je mogoče ustvariti oz. generirati mockup uporabniškega vmesnika za spletno stran ali aplikacijo. Ta funkcija naj...
Razumeti moramo jezik UI (umetne inteligence) ...  Kako sploh UI deluje pri generiranju vsebin? V enostavnih besedah, umetna inteligenca deluje na osnovi obsežnih jezikovnih modelov, ki se učijo iz ogromnih količin podatkov. Ti modeli uporabljajo algoritme za analizo besedil in...