Engage
Analytics

零售商的电子邮件投资回报率:将邮件发送与进店重访相关联

您将能够根据零售电子邮件促成的额外进店访问量,而非打开率来评估每次发送的效果。您只需将每位顾客随后的访客 WiFi 登录与之前发送的电子邮件相匹配,保留一个随机对照组,并按门店报告提升率。结合财务部门提供的平均交易额,您还可以计算出每次邮件发送所带来的具体收入数据。

14 min read3,262 words

Part of the guide topicEmail marketing ROI for venues: measuring the visits it brings

只需九个步骤,基于您现有的接入点,即可通过到店次数而非打开率来衡量零售电子邮件 ROI。将每位购物者再次发起的 WiFi 登录与之前发送的电子邮件进行匹配。保留一个随机对照组,并按门店报告提升效果。Purple Engage 会通过符合 GDPR 合规授权的访客 WiFi 登录信息生成列表,因此每一次登录都会自动记录到店情况。

您的门店级电子邮件报告最终会显示什么?

每个营销活动都将包含一个核心数据:与未收到邮件的购物者相比,该活动带来的额外到店次数。您还将获得关于再次到店的明确书面定义以及固定的归因周期。报告按门店拆分结果,采用您的运营团队可以轻松阅读的格式。

{"slot":"hero","alt":"在门店后勤办公室中,零售营销经理正在对比接收电子邮件的购物者与被保留的对照组的再次到店情况,并按门店进行拆分","caption":"通过带来的到店次数而非记录的打开率来评估每次发送的效果","prompt":"Natural light photograph in a UK fashion store back office. A marketing manager at a laptop shows a store operations director a simple bar chart comparing two groups by store. Calm, practical mood, purple accent in the interface, no readable brand logos, no readable text on screen."}

该报告回答了每次发送的三个问题:

  • 它是否吸引了购物者再次光顾?
  • 它带来了多少额外的到店次数?
  • 哪些门店构成了这一结果?

结合收银系统的平均交易额,同一份报告还能为您提供单次发送带来的收入。

这是精准衡量,而非预测建模。没有任何数据是基于行业平均水平估算的。每个数字均来自您自己的第一方数据:已选择接收电子邮件的购物者的访客 WiFi 登录记录。

在开始之前您需要准备什么?

需要准备好七个事项。其中大多数是决策而非技术问题,达成一致所需的时间往往比配置它们更长。

{"caption":"基于到店访问的电子邮件测量前提条件","asOf":"2026-06-10","columns":[{"key":"p","label":"前提条件"},{"key":"w","label":"重要原因"},{"key":"c","label":"如何检查"}],"rows":[["测试中的每家门店均已上线运行 Purple 客服 WiFi","只有在购物者登录时才能记录再次到店访问","每家门店均显示过去 7 天内的登录记录"],["带有符合 GDPR 要求的电子邮件订阅选项的品牌登录页面","只有获得同意的联系人才能接收电子邮件并进行测量","测试登录会在个人资料中记录订阅状态"],["90 天的到店访问历史记录","设定用于规模测算的基线再次到店率","报告显示整个期间的再次到店访问数据"],["足够大且可拆分的已订阅列表","购物者数量过少会掩盖真实的提升效果","运行第 4 步中的规模测算公式"],["门店与区域完成映射","小型门店合并用于汇总报告","每家门店都带有区域标签"],["按门店统计的平均交易额(可选)","将增量访问转化为实际收入","财务部门已核准该数据"],["已获批准的测试计划","防止在结果出来后指标发生变动","书面记录时间窗、访问定义和对照组比例"]],"footnote":"最后一行中的决策由营销部门和门店运营部门共同制定。"}

如果您的列表规模仍然较小,请在测量前先扩大采集。我们的店内零售电子邮件采集指南涵盖了如何在收银台和登录页面上增加已订阅列表。

再次到店访问如何与电子邮件进行匹配?

为什么打开率和点击率会误导以门店为主导的零售业

自 Apple 在 2021 年随 iOS 15 推出邮件隐私保护功能以来,打开率不再是可靠的信号。该功能会预加载电子邮件图像,因此无论是否有人阅读,邮件都会被记录为已打开。现在的打开率更多反映的是您列表中邮件应用组合的情况,而不是营销活动本身的效果。

点击率虽然真实,但过于局限。一位阅读了周末优惠信息并直接走进门店的购物者绝不会去点击邮件。您的电子邮件平台不会记录任何内容,但这次到店访问恰恰是您付费获取的结果。点击率还会向最活跃的购物者倾斜,而这些购物者本就很有可能到店。

匹配规则

匹配之所以有效,是因为电子邮件地址和到店访问来自同一个地方。当购物者登录访客 WiFi 时,他们会提供电子邮件地址并做出明确的订阅选择。Purple Engage 会将其存储为第一方联系人。当同一位购物者在随后的访问中再次登录时,该次访问就会被记录在同一个个人资料下。

规则本身很简短。当接收电子邮件的个人资料在归因时间窗内于任何门店登录时,即算作一次再次到店访问。在每个时间窗内,每位购物者只计算一次,因此一位购物者的三次到店访问计为一次再次到店。这使得测量指标保持为一个比率,这也是对照组比较所需要的。

获得同意是第一位的。根据 GDPR 的规定,同意必须是自愿给予的、明确的、知情的且毫不含糊的。未预先勾选的电子邮件订阅选项以及登录时清晰的隐私声明是基本起点。请与您的数据保护官确认具体措辞。

{"kind":"flow","direction":"lr","caption":"WiFi 登录如何将电子邮件与再次到访关联起来","alt":"从顾客首次访客 WiFi 登录、随机拆分为受试组和对照组,到再次登录以及门店层面的提升报告的流程。","nodes":[{"id":"a","label":"顾客登录访客 WiFi","sub":"登录时捕获电子邮件和 GDPR 同意","tone":"brand"},{"id":"b","label":"在 Purple Engage 中创建档案","sub":"带有到访历史的第一方联系人","tone":"neutral"},{"id":"c","label":"发送前随机拆分","sub":"受试组和留存对照组","tone":"neutral"},{"id":"d","label":"向受试组发送电子邮件","sub":"对照组不会收到此营销活动的内容","tone":"neutral"},{"id":"e","label":"在窗口期内再次登录","sub":"同一档案,任何门店,只计算一次","tone":"success"},{"id":"f","label":"门店报告提升情况","sub":"受试组再次到访率减去对照组率","tone":"brand"}],"edges":[{"from":"a","to":"b","style":"solid"},{"from":"b","to":"c","style":"solid"},{"from":"c","to":"d","label":"受试组","style":"solid"},{"from":"c","to":"e","label":"对照组","style":"dashed"},{"from":"d","to":"e","style":"solid"},{"from":"e","to":"f","style":"solid"}]}

为什么对照组至关重要

数据匹配表明收到电子邮件的顾客再次到访了。但这并不意味着是电子邮件促使他们再次到访的。同意接收邮件的顾客本身就是您忠诚度最高的群体,许多人即使没有收到邮件也会再次光顾。

预留的对照组回答了真正的核心问题。它是同一名单中随机抽选的一小部分,不会收到该营销活动的任何内容。两组之间再次到访率的差距,才是电子邮件真正带来的额外到访量。

如何一步步设置基于到访的测量?

请按顺序完成以下九个步骤。步骤一到六在发送前进行。步骤七到九在窗口期结束后进行。

{"title":"按门店到访量衡量零售电子邮件 ROI","steps":[{"title":"在登录时确认同意","body":"检查每家门店是否都使用带有未勾选电子邮件选入框及包含到访数据隐私声明的品牌登录页面。","check":"测试登录会创建一个标记为已选入接收电子邮件的档案。"},{"title":"定义二次到访","body":"统计顾客在之后任意一天、任意门店的访客 WiFi 登录,每个购物者在每个窗口期内仅计一次。排除员工设备。","check":"该定义已写入测试计划并获得批准。"},{"title":"确定归因窗口期","body":"选择发送后的 7 天或 14 天,与您购物者通常返回的频率相匹配。","check":"窗口期和发送日期在发送前已记录。"},{"title":"确定对照组规模","body":"使用下方的规模计算公式,结合您 90 天的基线返回率来设置留存对照组比例。","check":"对照组达到了您希望检测到的提升幅度所需的最小数量。"},{"title":"随机划分受众","body":"在每家门店范围内,将已选入的联系人随机划分为测试组和对照组。在窗口期内,确保对照组不接收任何其他电子邮件。","check":"两组此前 90 天的返回率相差在一个百分点以内。"},{"title":"仅发送给测试组","body":"将营销活动排程发送给测试人群,并记录发送时间。","check":"发送日志显示零个对照组联系人接收到了电子邮件。"},{"title":"窗口期结束时导出到访数据","body":"使用相同的定义和日期,按门店提取两组的二次到访数据。","check":"窗口期内的每次到访都包含档案、门店和时间戳。"},{"title":"按门店计算提升量","body":"从测试组返回率中减去对照组返回率,然后乘以测试组购物者数量,得出增量到访数。","check":"各门店的增量到访数相加等于全店网络总计。"},{"title":"验证方法","body":"运行 A/A 测试:划分列表,不发送任何内容,并在相同的窗口期长度内比较返回率。","check":"全店网络的 A/A 提升量接近于零。"}]}

预留对照组的规模应该多大?

对照组的规模取决于两个输入因素。一个是您的基线返回率。另一个是值得关注的最小提升量。它不由固定百分比决定。Lehr 规则给出了在 5% 显著性水平下实现约 80% 统计功效的快速估计值:

每组所需的购物者数量 = 16 × p × (1 − p) ÷ d²

p = 窗口期内的基线返回率(18% 即为 0.18)
d = 值得检测的最小提升量(两个百分点即为 0.02)

示例:16 × 0.18 × 0.82 ÷ 0.0004 = 每组 5,904 名购物者

您的预留对照组比例可能无法提供 5,904 名购物者。如果是这样,您有三个选择:提高预留对照组比例、接受更大的可检测提升量,或者汇总同一营销活动的多次发送数据。

{"tone":"tip","title":"默认保留组比例","text":"对于超过 50,000 名已选择订阅的购物者名单,初始比例设置为 10%;低于该数量则设置为 20%。然后运行公式以确认对照组规模是否足够大。"}

计算提升率与营收

对每个营销活动使用相同的计算逻辑,以确保结果具有可比性。

实验组回流率  = 回流的实验组购物者 ÷ 实验组购物者
对照组回流率  = 回流的对照组购物者 ÷ 对照组购物者
提升率        = 实验组回流率 − 对照组回流率
增量访问次数  = 提升率 × 实验组购物者
增量营收      = 增量访问次数 × 平均交易价值
{"tone":"warning","title":"一次误发就会毁掉测试","text":"在此期间,切勿向对照组购物者发送任何电子邮件,包括新闻通讯和自动化流程。向对照组发送单封邮件就会削弱测得的提升率,且事后无法修复。"}

如何按门店报告结果?

根据每家门店自己的对照组购物者报告结果,而不是对比整体门店的平均水平。在每家门店内部进行随机抽样(一种称为分层抽样的方法),使每家门店保持相同的保留组比例。

对精确度保持客观看法。一家拥有 1,000 名对照组购物者且基线率为 18% 的门店,仅能检测出约 5 个百分点的提升。只有当门店的对照组达到该规模时,才可以单独报告该门店的数据。将较小的门店按区域进行汇总。将每家门店的数据视为方向性参考;整体门店的数据才是最终结果。

{"caption":"单次发送的示例门店报告,14 天观察期","asOf":"2026-06-10","columns":[{"key":"s","label":"门店"},{"key":"n","label":"实验组 / 对照组购物者"},{"key":"t","label":"实验组回流率"},{"key":"c","label":"对照组回流率"},{"key":"u","label":"提升率(百分点)"},{"key":"i","label":"增量访问次数"}],"rows":[["门店 A(旗舰店)","9,000 / 1,000","23.0%","19.5%","3.5","315"],["门店 B","5,400 / 600","20.5%","18.0%","2.5","135"],["门店 C","2,700 / 300","19.0%","19.7%","-0.7","-19"],["其他 15 家门店","47,700 / 5,300","20.8%","18.4%","2.4","1,145"],["整体门店总计","64,800 / 7,200","21.0%","18.6%","2.4","1,576"]],"footnote":"示意数据。门店 B 和 C 的对照组购物者少于 1,000 名,因此仅作方向性参考,并应按区域汇总。整体门店增量访问次数为各门店行之和;提升率已四舍五入。","download":{"filename":"store-email-uplift-report.csv"}}

门店 C 在 300 名对照组购物者中显示出负提升率。在该样本量下,这属于统计噪音,并不能证明电子邮件把购物者拒之门外。在任何人做出解读之前,请将其与所属区域进行汇总。

实际案例:拥有 18 家门店的时装零售商

示意数据,使用上述方法。

背景。 一家拥有 18 家门店的时装零售商在过去 12 个月中,通过访客 WiFi 获得了 72,000 名选择订阅的购物者。其电子邮件报告显示了打开率和点击率。门店团队希望了解季中促销电子邮件是否确实带来了购物者进店。

具体做法: 团队设定了 14 天的观察期。从 90 天的历史数据中得出了 18% 的基线复购率。10% 的留存组包含 7,200 名对照组顾客,足以检测出约 1.8 个百分点的提升。团队在每个门店内部进行随机分配,并向其余 64,800 名顾客发送了电子邮件。

结果: 营销组顾客的复购率为 21.0%,而对照组为 18.6%。这意味着 2.4 个百分点的提升,即增加了 1,576 次额外到店。按 38 英镑的平均交易价值计算,在扣除折扣成本和利润率之前,共带来了约 60,000 英镑的增量收入。只有旗舰店超过了 1,000 名顾客的阈值,可以独立分析数据。团队对其他门店按区域进行了汇总汇报。

算例:包含 12 家分店的酒吧集团

图示数据。

现状: 一家拥有 12 家分店的酒吧集团希望了解周四发送的电子邮件是否能带动周末的客流。该集团通过客用 WiFi 积累了 9,000 名已选择接收营销信息的顾客,7 天基线复购率为 12%。

具体做法: 在这种名单规模下,10% 的留存组只能检测出约 4.3 个百分点的提升。团队将留存组比例提高到 20%。这样就获得了 1,800 名对照组顾客,可检测到的提升度约为 3.1 个百分点。

结果: 收到电子邮件的顾客在 7 天内的复购率为 16.0%,而对照组为 12.0%。在 7,200 名顾客中提升了 4 个百分点,即增加了 288 次额外到店。该集团仅汇报了整体资产的结果。由于每家分店只有约 150 名对照组顾客,没有单个分店能够支持独立的数据分析。

汇报前如何验证结果?

在报告提交给门店运营或财务部门之前,请先逐项核对此清单。

{"title":"分享结果前进行验证","groups":[{"heading":"发送前","items":[{"text":"复购定义和观察期已获得批准","why":"防止结果出来后指标发生变动"},{"text":"营销组和对照组先前的复购率相差在 1 个百分点以内","why":"确认分组是随机的"},{"text":"对照组在观察期内已排除在所有其他电子邮件之外"},{"text":"员工设备已从两组中排除"}]},{"heading":"观察期结束后","items":[{"text":"发送日志显示对照组接收人数为零"},{"text":"门店总数与整体资产总数一致"},{"text":"对照顾客少于 1,000 人的门店已按区域汇总","why":"样本量过小会产生噪音,而非有效结论"},{"text":"在未发送期间进行的 A/A 测试显示提升接近于零","why":"证明该方法不会凭空制造提升"},{"text":"收入计算采用财务部门批准的平均交易价值"}]}],"download":{"filename":"retail-email-roi-verification.csv"}}

数据无法说明的问题

  • 未连接 WiFi 顾客的到店情况。 WiFi 只能识别登录系统的顾客,因此该方法会低估总到店次数。不过提升度对比依然成立,因为两组数据被低估的程度是一致的。
  • 消费金额。 登录仅代表到店,并不代表购物篮明细。除非将 WiFi 数据与收银小票关联,否则收入计算需依赖平均交易价值。
  • 线上销售。 阅读电子邮件并在您的网站上购买的顾客在统计中完全不计为到店。
  • 起效原因。 测试表明电子邮件带来了到店,但并未显示究竟是主题行、优惠内容还是配图在起作用。如果您需要明确答案,请一次仅测试一项变更。
  • 长期效果。 14 天的统计周期会遗漏在第三周回访的顾客。在整个季度内保留对照组,以评估其对客户终身价值的影响。

如果某个步骤失败

  • 发送前组间存在差异(步骤 5)。 重新进行随机分组。切勿手动调整分组。
  • 对照组收到了电子邮件(步骤 6)。 放弃本次测试,并在下次发送时重新运行。
  • 某家门店显示无到店(步骤 7)。 在对结果进行任何解读前,确认该门店的访客 WiFi 登录功能处于在线状态。
  • 提升幅度高得令人难以置信(步骤 8)。 检查导出的数据在每个统计周期内是否按顾客人数去重计数,而非统计每次访问。

如需深入了解回访次数的统计方式以及数据流失的原因,请参阅我们关于如何衡量回头客的指南。

哪些错误会扭曲零售电子邮件归因?

  • 将打开次数误视为购买意图。 隐私保护功能会虚增打开率,因此高打开率并不能证明顾客到店。
  • 在看到结果后才确定统计周期。 为了美化活动效果而挑选的时间周期无法与下一次测试进行对比。应在测试计划中将其固定。
  • 允许对照组顾客接收其他电子邮件。 自动化流程通常是罪魁祸首。在此周期内应将对照组从所有工作流中排除。
  • 统计每次访问而非统计每位顾客。 否则光顾最频繁的顾客将主导结果,提升幅度将不再是一个比率。
  • 包含员工设备。 员工每班次都会登录,这会干扰两个组的数据。
  • 基于小样本对门店进行排名。 基于 300 名对照组顾客建立的排行榜纯属依靠运气。应按区域汇总小型门店的数据。
  • 与去年同期对比而非与对照组对比。 天气、日历日期和产品系列都会发生变化。只有同期的对照组才能将电子邮件的效果剥离出来。

这在您的电子邮件投资回报率(ROI)体系中处于什么位置?

本指南是我们关于实体场所电子邮件营销投资回报率及到店转化核心专题中的零售篇章。该核心专题涵盖了酒店餐饮、零售和活动领域的完整体系:数据获取、细分、衡量与报告。有关零售数据获取与细分,请参阅面向零售业的 Purple Engage。有关基于 WiFi 营销的更广泛应用案例,请阅读 WiFi 营销指南。

该方法依赖于通用电子邮件平台无法提供的一项功能:一个通过店内 WiFi 登录自动构建的列表,并且回访记录会直接关联到同一档案下。

{"tone":"proof","title":"规模化应用的 Purple","text":"Purple 在 90 个国家/地区的 8,0000+ 个场所运行访客 WiFi,每年处理 5 亿次登录,其品牌化登录页面的选择退出率/同意率比普通页面高出约 50%(Purple 内部数据)。包括 Harrods 和 McDonald's 在内的众多品牌均在使用 Purple。"}

常见问题解答

访问匹配功能是否兼容我们现有的无线接入点?

是的。Purple 与硬件无关,可以作为云端重叠层无缝运行于 Cisco Meraki、HPE Aruba、Ruckus、Juniper Mist、Ubiquiti UniFi、Cambium、Extreme 和 Fortinet 之上。本指南中涉及的测量均在 Purple Engage 中完成,而非在接入点本身。因此,无论各门店使用哪个厂商的设备,测算方法都完全一致。即便您的资产在收购后混合使用了不同厂商的设备,门店报告也会一视同仁地处理每家门店。

这与 Mailchimp、Klaviyo 或 HubSpot 中的电子邮件 ROI 报告有何不同?

那些平台仅报告收件箱和线上发生的情况:打开率、点击率和网页订单。它们仅向您导入的列表发送邮件,但无法协助构建该列表。Purple Engage 则能通过经同意的访客 WiFi 登录来构建客户列表,并记录每位顾客下一次在门店的登录情况。这让您能够根据邮件带来的实际到店访问量来评估发送效果,而这恰恰是实体零售商向董事会汇报时最核心的成果指标。

通过 WiFi 登录测量二次到店访问是否符合 GDPR 合规要求?

只要正确获取了用户同意,且您的隐私政策清晰说明了访问数据的使用方式,就是完全合规的。GDPR 要求同意必须是自由给予、特定、知情且明确无误的。在实际操作中,这意味着登录时需提供未预先勾选的同意选项以及通俗易懂的文本表述。Purple 已通过 ISO 27001 认证且符合 GDPR 标准,登录页面会记录每位顾客的选择。建议在上线前与您的数据保护官确认具体表述文本。

我们需要多久才能获得可靠的结果?

通常在邮件发送后的一个归因窗口期再加一天(用于提取数据)即可获得结果。如果设定为 14 天的窗口期,您在发送后约 15 天就能获取数据解读。结果的可靠性取决于样本量而非时间长短。如果样本量计算公式显示您的分组过小,请在两到三次发送中重复该营销活动,然后汇总结果再得出结论。

我们能否为每次邮件发送计算出具体的营收金额?

可以,前提是财务部门能提供每家门店的平均交易金额(客单价)。将增量访问次数乘以该客单价,即可得出增量营收。扣除折扣成本和发送成本后,即可计算出具体的投资回报率。WiFi 数据能证明顾客重新返回了门店,但无法显示他们购买了什么商品。将登录数据与收银机收据关联可以得出每次访问的实际消费额,但这属于另一个单独的数据项目。基于访问量计算出的指标本身就具备独立的参考价值。

我们在 Purple 之外已经拥有的联系人该如何处理?

您可以继续给他们发送电子邮件,但要将他们排除在衡量测试之外。数据匹配需要在同一档案上进行 WiFi 登录。从未在门店登录过的联系人无法与再次到访进行匹配。请先衡量来自 WiFi 的名单。然后按照我们零售电子邮件捕获指南中的说明,通过收银台和登录页面的捕获来扩大可衡量的份额。

为什么不改用打印的优惠码来进行衡量?

优惠码衡量的是兑换情况,而不是到访情况。它们会遗漏那些因电子邮件而再次光顾但从未适用优惠码的顾客。它们还会奖励那些无论如何都会购买的顾客。预留对照组可以兼顾这两种效应,因为它比较的是再次到访率,而不是统计优惠券数量。请将优惠码用于促销机制,并使用对照组进行测量。