狩猎VS耕作

狩猎VS耕作

有了数据库，你就可以开始耕作订阅者，而放弃狩猎了。想要确定出哪类人会购买你的每一个产品和每一项服务，其中一个方法就是咨询现有顾客的数据库，找出买产品和不买产品的人的特性，然后创建一个典型买方的档案，利用它从数据库中选择符合条件的订阅者。为了确保操作的正确性，还要创建一个对照组：从数据库中随机选择一些订阅者（不考虑他们的行为）。

如表4-2所示阐述了你该如何利用这些数据。

在一个含有200万个订阅者的数据库中，有273 334个被挑选出来的订阅者符合某个特定产品的买方条件，那就给他们发送一封促销性邮件。在这些人之中，有842个人购买产品。同时，也给随机选择的20 000个订阅者发送相同的邮件，只有3个人买了产品。如果我们当时随机地选择那273 334个人，结果会怎样呢？表4-2的最后一行告诉我们：41个人会购买产品，3553个人会由于这封和他们无关的E-mail而退订。

随机选择有什么问题？

给你的顾客发送相关联的邮件的机会是有限的，每次给他们发送其不感兴趣的内容时，退订率会上升。通过瞄准对的顾客，不仅能多售出800个产品，而且还能继续保留超过3000个由于无关联邮件而导致的退订顾客。

总结：发送相关联邮件，不要发送无关的内容。

如何对待那些非挑选出来的订阅者

比如，你有200万个注册的订阅者，但你只选择给他们中的273 334个人发送了E-mail。这200万个订阅者一定都对你的公司和产品感兴趣，若他们不感兴趣，他们就不会订阅了。那你该为他们提供怎样的产品和服务呢？

当然，你可以询问他们。在偏好表格中（在第11章中有偏好调查的详细阐述），你可以询问能为你指明方向的一些特定问题。这可能是最好的办法了。但是，大多数情况下，只有一小部分的订阅者会花时间来填偏好表格。很多顾客并不知道你的全部产品。促销性E-mail的一个目的就是让你的顾客了解他们之前不知道的，也没有在偏好调查表中列出来的产品。

接着你该给余下的1 726 666个订阅者提供些什么呢？在这里，耕作订阅者就变得很有用了。接下来我们就会讨论一些技术：链接分类、协同过滤和NBP（Next Best Product，下一个最好产品）。

1．链接归类是很有效的

在第15章中，你就会学到在E-mail中包含多个链接是多么重要。每次当链接被点击时，订阅者的邮件客户端就会将一个数据包发回给服务器，实际上是说“为这位订阅者显示链接的登录页面”。你的邮件追踪软件就会追踪到谁点击了链接和点击了哪一个链接，并且将这些信息存储到订阅者数据库记录中。你的工作就是将链接分类，这样以后你就能使用这些信息了。

通过链接，你可以知道（或推测）每个订阅者所感兴趣的内容。在为订阅者设计下一个邮件时，你应该首先搜索出他点击的所有链接。如果你有一个优良的分类系统，就可以知道是否对书籍、报道、室内设计、欧美家具和九月会议感兴趣，除了你计划和他交流的内容之外，也应该将这几个主题通过某种方法包含其中。

这是很有威力的信息。这么先进的耕作技术能让订阅者觉得你是真正地关注他和他的兴趣，这和角落杂货商所做的一样。

2．协同过滤是另一个答案

协同过滤就是通过从很多相似的用户（协同）那里收集信息来对某个用户的口味做自动预报（过滤）。Amazon.com和Netflix都采用这个技术。协同过滤的基本假设是，在过去同意的人在将来也倾向于同意。比如说，音乐品味的协同过滤能够预测出某个用户会喜欢什么样的音乐，提供这位用户口味（喜欢的或不喜欢的）的部分列表。这些预测是针对那些特定的人的，但却要使用从很多订阅者那搜集到的信息。

Netflix询问每位成员他们喜欢和不喜欢的电影，利用这份数百万人的报告，他们就能创建出“灵魂伴侣”--有相同的喜好或厌恶的东西。比如，如果企业知道某位用户喜欢简·奥斯汀、希区柯克和《抑制热情》（Curb Your Enthusiasm），讨厌《迷失》和《绝望的主妇》，那它就能将用户和那些也有同样好恶的“灵魂伴侣”配对了。通过这些了解可以预测出，由于某用户的“灵魂伴侣”对某部电影的看法，他有可能想要看那一部电影。