En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger)


En tragtdrevet tilgang til Messenger-bots til leadgenerering

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

Afprøvning. Testning er en af ​​de vigtigste ting, jeg har viet min energi til i det seneste år. Test af antagelser. Test af koncepter. Test af produktstigninger.

Inkrementalisme er nøglen, når du bygger noget, der ikke eksisterer endnu.

Da vi startede Visualbots, et chatbotværktøj til leadgenerering, var antagelserne om at teste mange. Industrien var stadig i sin vorden, og marketingfolk var ikke vant til værktøjer som vores. Og vi vidste ikke, hvilke botdesign- og optimeringsstrategier, der ville have fungeret mest.

Men vi var sikre på, at der var en nøgleproduktantagelse at teste:

"Kan Messenger-bots bruges til leadgenerering og levere bedre resultater end de to vigtigste erstatningsprodukter (nemlig destinationssider og lead-annoncer)?"

For at bevise denne antagelse har vi arbejdet med titusindvis af tidlige brugere på tværs af forskellige brancher, der har brugt titusindvis af euro, følgende denne proces: vi forvandlede en eksisterende landingsside til en chatbot, vi kører Facebook-annonceringskampagner på botten, og vi målte ydeevnen af ​​den fulde tragt, med det ultimative mål at opnå en målkonverteringsrate (se et af de første eksempler nedenfor).

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Et rigtigt eksempel på en Messenger-bottragt (leadgenerering)

Dette har givet os mulighed for det samle en masse data og generere ekspertise om, hvordan leadgenereringsbottragten fungerer på Messenger. Og jeg skriver denne artikel for at dele nogle af de erfaringer, vi har lært om de tre følgende punkter nedenfor:

  1. Messenger-bottragten
  2. Messenger-bot KPI'er
  3. Optimering af Messenger-bot KPI'er

Nyd artiklen.

Messenger-bottragten

Som enhver brugererhvervelsesaktivitet kan messenger-flowet repræsenteres som en tragt, der består af 3 hovedtrin:

  1. Erhvervelse
  2. Aktivering
  3. Konvertering
En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Messenger-bottragten

1. Anskaffelse (= annoncen)

Acquisition refererer til den marketingkanal, der bruges til at sende trafik til botten.

I vores tilfælde udgøres det af Facebook klik-til-messenger-annonce bruges til at drive trafik til Messenger-chatten.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Annoncen

2. Aktivering (= velkomstbeskeden)

Aktivering refererer til den første meningsfulde handling udført af brugeren, der begynder at chatte med botten. I vores tilfælde består det i interaktionen med botens velkomstbesked.

velkommen besked er det første, en bruger ser, når de støder på Messenger-bot fra annoncen.

Det er teknisk set en del af selve annoncen, men vi analyserer den altid separat, da den har sine egne karakteristika og optimeringsteknikker.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Velkomstbeskeden

3. Konvertering (= bottenteksten)

Konvertering refererer til at nå målet for botten.

I vores tilfælde, da vi taler om leadgenerering, består det typisk i at indsamle en e-mail, efter at flere kvalifikationsspørgsmål indeholdt i "bot-kroppen" er blevet besvaret.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Bot-kroppen

Messenger-bot KPI'er

Hvert trin i bottragten har sin egen KPI. De vigtigste vi kigger på er:

  1. pris pr. klik
  2. konverteringsrate for velkomstbeskeder
  3. blykonverteringsfrekvens

Nedenfor kan du finde flere detaljer om hver KPI.

1. Anskaffelses-KPI (= pris pr. klik)

Den vigtigste KPI vi bruger er pris pr. klik (CPC). Det angiver, hvor dyrt et klik, der sender trafik til annoncen, er.

Denne KPI er næsten fuldstændig afhængig af selve annonceopsætningen, så det faktiske indhold af botten er ikke rigtigt ligegyldigt her.

Formula Er følgende:

pris pr. klik = brugt beløb/ klik

En rimelig række af værdier for metrikken er mellem 0.20 € og 0.40 €.

Vi har set tilfælde, hvor prisen var meget lavere, hvilket normalt oversættes til en meget lav kundeemnekvalitet eller højere, hvilket nogle gange førte til bedre konverteringsrater ned ad tragten, som kompenserer for de højere omkostninger ved trafikanskaffelse.

2. Aktiverings-KPI (= konverteringsrate for velkomstbeskeder)

Den vigtigste KPI, vi bruger, er konverteringsrate for velkomstbeskeder. Det angiver, hvor mange personer, der har set velkomstbeskeden, der rent faktisk har interageret med den og indledt samtalen med botten.

Denne KPI afhænger for det meste af overensstemmelsen mellem annonceteksten/billedet og indholdet af velkomstbeskeden og måden selve budskabet er skrevet på (f.eks. fungerer korte retoriske spørgsmål normalt bedre).

Formula Er følgende:

velkomstbesked konverteringsrate = samtaler startet/ link klik

Metric'en "Samtaler startede" refererer til det antal gange, folk begyndte at sende beskeder til din virksomhed. Det inkluderer samtaler med nye brugere såvel som tidligere engagerede (i den forstand forskellig fra Facebooks definition af Beskedsamtaler startet).

"Linkklik"-metrics refererer til antallet af klik, der fik brugerne til at åbne chatten (på samme måde som den er defineret af Facebook). Vi foretrækker at bruge denne metric frem for normale klik, så vi kan udelukke effekten af, at folk klikker på dele af annoncen, der ikke linker til chatten, såsom sidenavnet.

En rimelig række af værdier for metrikken er mellem 25 % og 50 %.

3. Konverterings-KPI (= leadkonverteringsrate)

Den vigtigste KPI, vi bruger, er blykonverteringsfrekvens. Det angiver, hvor mange mennesker, der begyndte at interagere med botten, i sidste ende efterlod deres mere værdifulde personlige oplysninger (f.eks. en e-mail eller et telefonnummer), som typisk bliver spurgt i slutningen af ​​tragten.

Denne KPI afhænger af, hvordan hele tragten er opbygget, af længden af ​​flowet og måden, hvorpå de personlige oplysninger bliver spurgt.

Formula Er følgende:

lead konverteringsrate = leads/ samtaler startet

Begrebet "Lead" varierer meget fra virksomhed til virksomhed, men kan normalt defineres som en bruger, der svarer på det vigtigste kvalifikationsspørgsmål i tragten.

Det er også virkelig svært at definere et interval for denne metrik, da det varierer meget afhængigt af branchen.

En rimelig række af værdier for en mellemlang kvalifikationstragt (dvs. med mere end seks spørgsmål) er mellem 25% og 50%.

Men det kan nemt stige over 75% i tilfælde af virkelig højtydende tragte.

Optimering af Messenger-bot KPI'er

Før vi går ind i de tekniske aspekter af, hvordan man forbedrer KPI'erne ovenfor, er der et hovedkoncept, man skal huske på, når man opretter og optimerer en Messenger-bot bygget til kundeanskaffelsesformål:

Du er nødt til skabe sammenhængende ad-to-bot oplevelser.

Annoncen og botten skal udformes sammen, da der ikke er nogen måde, du kan begynde at forbedre botten på, hvis annoncen ikke er i overensstemmelse med den. Du ville simpelthen modtage dårlig trafik, som du ikke vil være i stand til at optimere til.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

Det har vi lært på den hårde måde, da de første test ikke gav de forventede resultater. Og det første signal om det var en virkelig lav konverteringsrate for velkomstbeskeder (dvs. kun få personer, der interagerede med Facebook-annoncen, begyndte at interagere med botten).

For at forstå årsagerne til, hvorfor det skete, lavede vi flere UX-tests med bots, og bad brugerne gå gennem hele tragten og fortælle os, hvad de forventede, trin efter trin. Det kom tydeligt frem, at den første grund til, at folk droppede, var, at det, de modtog på chatten, ikke var, hvad de havde forventet.

Og dette skete, fordi hvem der lavede annoncen (testeren) var forskellig fra hvem der lavede botten (os).

Det var da vi forstod, at før vi overhovedet byggede botten, var vi nødt til at tænke på hele tragten sammen, begyndende fra annoncen (og som en konsekvens erklærede vi at designe annoncer sammen med botten - ved at bruge dette super seje værktøj til annoncemodeller).

Når det er sagt, kan vi nu gå mere ind i detaljerne om, hvad vi skal se på, når vi forbedrer de forskellige trin i tragten.

1. Optimering af anskaffelses-KPI'en (= pris pr. klik)

Det er de vigtigste spørgsmål, vi stiller os selv, når annoncen ikke fungerer efter hensigten (dvs. CPC konsekvent uden for det forventede interval).

  • Bruger du Messages objektive kampagner (optimering på kampagneniveau)?

I vores test har de vist sig at præstere konsekvent bedre end andre kampagner, inklusive konverteringskampagner.

  • Bruger du den rigtige målgruppe (optimering af annoncesætniveau)?

Dette har vist sig at have en enorm indflydelse på annoncens ydeevne, som det sker i enhver anden type Facebook-kampagner. Det eneste aspekt, der er værd at nævne her, er, at en god optimeringsteknik er følgende: efter at der er indsamlet et godt antal samtaler, kan du oprette lookalike publikum at målrette mod personer, der ligner dem, der allerede chattede med din bot. Og dette fungerer ret godt.

  • Bruger du en lav indsats opfordring til handling (CTA) (optimering på annonceniveau)?

I vores test klarede CTA'er, der indebærer en høj potentiel indsats for brugeren (f.eks. "Send besked"), dårligere end dem med lav anstrengelse (f.eks. "Læs mere").

2. Optimering af aktiverings-KPI'en (= konverteringsrate for velkomstbeskeder)

Det er de vigtigste spørgsmål, vi stiller os selv, når velkomstbeskeden ikke fungerer efter hensigten (dvs. konverteringsraten konsekvent under 25%).

  • Er indholdet af din velkomstbesked i overensstemmelse med annonceteksten og billedet?

Som fremhævet før, er hovedårsagen til, at botanskaffelseskampagner mislykkes, at annonce- og botoplevelsen ikke er tænkt sammen. Juster indholdet af annoncen med det i velkomstbeskeden.

  • Stiller du et spørgsmål med lav indsats?

Velkomstbeskedens rolle er i bund og grund at bede brugeren om at tilmelde sig samtalen med botten. Som en konsekvens vil du minimere friktionen så meget som muligt. Og måden budskabet er formuleret på har stor betydning. Som michael højdepunkter i hans artikel, lav indsats spørger fungerer godt, især hvis de er i form af retoriske spørgsmål. Eksempler kunne være "Vil du starte?" eller "Vil du modtage en gratis kuponkode?".

3. Optimer konverterings-KPI'en (= lead-konverteringsrate)

Da begrebet lead er forskelligt fra virksomhed til virksomhed, er det svært at abstrakte lektioner om, hvordan man optimerer denne KPI. Vær venligst opmærksom på det, når vi læser de centrale spørgsmål, vi stiller os selv, når kundeemnekonverteringsraten ikke fungerer efter hensigten (dvs. konverteringsraten konsekvent under 25%).

  • Opbygger samtalen tilstrækkelig tillid til, at brugeren kan efterlade sine kontaktoplysninger?

Mens vi udførte vores test, indså vi noget, vi ikke havde forventet før. Vi gik oprindeligt fra designantagelsen om, at kortere bots ville have præsteret bedre end længere, da brugerne ville have gennemgået færre trin.

Men disse korte bots fungerede ikke som forventet, og fjernelse af spørgsmål gav endnu værre resultater. Da vi kører UX-test, begyndte vi at modtage kommentarer som følgende:

"Det føles som om, det ikke har været nok spørgsmål til at give en e-mailadresse"

"Hvordan vil dette give mig et personligt tilbud med et så begrænset antal oplysninger?"

Det så paradoksalt nok ud til, at brugerne forventede mange spørgsmål, før de kunne betragte botten som pålidelig og beslutte at give deres personlige oplysninger. Med andre ord:

Spørgsmål skaber tillid

Virkeligheden er faktisk, at bottragten i en leadgenereringsbot ligner mere den, du kan se nedenfor.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.
Faldfrekvenser for en Messenger-bot-leadgenereringstragt (rigtige data)
  • Forklarer du, hvorfor du beder om de personlige oplysninger?

Før du beder om en e-mail eller et telefonnummer, er det altid en god praksis at forklare, hvorfor du har brug for sådanne oplysninger, og hvad der vil ske, efter at brugeren har indsendt dem, herunder hvornår de vil blive kontaktet, af hvem og af hvilken grund (f.eks. "Vi sender dig et skræddersyet tilbud", "Vi booker et besøg i vores lejligheder for dig").

  • Giver du noget incitament?

Det er en god praksis at give brugeren et incitament til at efterlade sine personlige oplysninger, såsom et gratis tilbud, prøve eller indhold af høj kvalitet. Dette kan tillades allerede på annonceniveau og understreges i velkomstbudskabet, men skulle i sidste ende produktgevinster på leadkonverteringsniveau.

Dette er nogle af de erfaringer, vi har lært i løbet af det sidste år, mens vi nærmer os Messenger-bots som tragte og optimerer dem på en datadrevet måde (nogle yderligere indsigter link.).

Jeg håber, at dette også vil være nyttigt for dig.

Hav en god rejse,
 — Livio

14/12/2018

> Ansvarsfraskrivelse: denne artikel er blevet offentliggjort et år efter den oprindeligt blev skrevet. I mellemtiden er projektet Visualbots blevet afbrudt, og mange ting har ændret sig i mit liv og i chatbot-landskabet. Jeg deler denne artikel i håbet om, at den indsigt, der er indsamlet i løbet af et års aktivitet, stadig kan være nyttig for Messenger-marketingfællesskabet.

En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) PlatoBlockchain Data Intelligence. Lodret søgning. Ai.


En tragtdrevet tilgang til Messenger-bots til leadgenerering (med reelle målinger) blev oprindeligt offentliggjort i Chatbots Magazine på Medium, hvor folk fortsætter samtalen ved at fremhæve og svare på denne historie.

Tidsstempel:

Mere fra Chatbots Magazine