
Business in a box.
探索我们的解决方案。
与我们的销售团队交谈
我们经常会收到关于我们的权限电子邮件面板的一个问题,即它在预测收件箱率方面的准确性。历史上,这是一个难以回答的问题,因为没有一个事实来源可以进行测量,因此观点(以及对样本统计的普遍信任)主导了讨论。
不过现在,一家主要的邮箱提供商对他们的平台进行收件箱投递数据的授权,使得进行真正的分析成为可能。我们在我们发送平台和其他提供商的20000多个不同的发送域中进行了这种分析,无论发送者是大还是小。
结果令人振奋。即便是在信号相对较低的情况下,权限面板也高度准确,随着发送中看到的独特面板成员数量的增加,其准确性变得极高。使用常见的统计方法,我们查看主要提供者看到的收件箱率与我们面板所看到的收件箱率之间的均方根误差(RMSE——标准差的类似物)。
在我们的分析中,我们注意到通过顶级电子邮件服务提供商发送邮件的发送者在面板收件率和真实收件率之间看到了更好的相关性。这个机制尚不清楚,但我们推测,大型服务提供商对其客户的合规标准通常导致其受众的收件率更一致,因此不太容易出现偏差。如果我们将绘图限制在仅限于顶级ESP的发送者上,这也将RMSE减少了大约30%。
即使每天只有少数(10个)面板成员看到邮件流,我们也看到面板所见的收件率与事实的强相关性。
如果我们仅考虑每天有50个或更多面板成员的邮件流,相关性会更加紧密。
如果我们查看这种错误率随时间的变化,我们会看到一些事情:
即使是收件邮件的独特面板成员数量非常少,错误率也在10%以下。
随着面板成员数量的增加,错误率迅速下降到4%。
最终接近2% – 显示面板数据98%准确。
就识别邮件流投递问题而言,这种准确性是极佳的。
因此,您可能会问:在一个主要提供商提供事实数据的情况下,即使面板数据高度相关,拥有面板数据有什么用呢?大多数邮箱提供商 - 包括Google和Microsoft这样的巨头 - 不提供收件箱投递数据,因此对于投递到那里的邮件,您仍然需要像面板数据这样的来源来理解收件率。
现在我们可以对其在这些情况中的准确性充满信心。