零售業電子郵件投資報酬率:將郵件發送與實體店回訪連結
您將能夠根據零售電子郵件所帶來的額外門市造訪次數來評估成效,而非開信率。您可將每位顧客的回訪訪客 WiFi 登入記錄與先前發送的電子郵件進行比對,保留一組隨機對照組,並按門市回報增長率。結合財務部門提供的平均客單價,您還可以計算出每次發送所產生的營收金額。
Part of the guide topicEmail marketing ROI for venues: measuring the visits it brings
透過您現有的 AP 基地台,只需九個步驟,就能以實體門市造訪率而非開信率來衡量零售電子郵件的 ROI。將每位顧客再次登入 WiFi 的記錄與傳送給他們的電子郵件進行比對。保留隨機對照組,並按門市回報成長效果。Purple Engage 能透過取得 GDPR 同意授權的訪客 WiFi 登入資料建立名單,因此同一次登入就能記錄造訪狀況。
您的門市級電子郵件報告最終會顯示什麼?
每檔行銷活動都會包含一個核心數據:相較於未收到郵件的顧客,該活動所帶來的額外門市造訪次數。您也會獲得再次造訪的明確定義以及固定的歸因期。此報告會按門市拆解結果,呈現方式易於您的營運團隊閱讀。
{"slot":"hero","alt":"零售行銷經理在門市後勤辦公室比較收到電子郵件的顧客與保留對照組的再次造訪率,並按門市進行拆解","caption":"根據電子郵件帶來的門市造訪次數來評估每次傳送成效,而非開信紀錄","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."}
該報告為每次發送解答了三個問題:
- 是否成功吸引顧客再次光顧?
- 帶來了多少額外造訪次數?
- 哪些門市貢獻了這些成果?
結合收銀機系統的平均交易金額,同一份報告就能為您提供每次發送所產生的營業額。
這是真實的成效衡量,而非模型推算。沒有任何數據是根據產業平均值估算的。每個數字都來自您自己的第一方數據:已同意接收電子郵件的顧客訪客 WiFi 登入記錄。
開始之前您需要準備什麼?
需要確認七個項目。其中大部分屬於決策層面而非技術層面,達成共識的時間通常比實際設定還要長。
{"caption":"依據造訪記錄進行 email 效益衡量的必備條件","asOf":"2026-06-10","columns":[{"key":"p","label":"必備條件"},{"key":"w","label":"重要原因"},{"key":"c","label":"如何檢查"}],"rows":[["測試中的每間門市皆已上線運作 Purple 顧客 WiFi","只有在顧客登入時才能記錄再次造訪","每間門市皆顯示過去 7 天內的登入記錄"],["包含 GDPR email 訂閱同意選項的品牌化登入頁面","只有取得同意的聯絡人才能接收 email 並進行效益衡量","測試登入時已在個人檔案中記錄訂閱同意狀態"],["90 天的造訪歷史記錄","建立用於估算規模的基準回訪率","報表顯示完整期間的回訪記錄"],["具備足夠規模可進行分組的已同意名單","顧客人數過少會掩蓋真實的成效提升","執行步驟 4 中的規模估算公式"],["門市已對應至所屬區域","小型門市會進行合併以利產生報表","每間門市皆附有區域標籤"],["按門市區分的平均交易金額(選填)","將增量造訪轉換為實際營收","財務部門已核可該數據"],["經簽核確認的測試計劃","防止在結果公布後變更衡量指標","測試期間、造訪定義與對照組比例皆已書面記錄"]],"footnote":"最後一列的決策由行銷團隊與門市營運團隊共同制定。"}
如果您的名單規模仍然較小,請在開始效益衡量前先累積名單。我們的門市零售 email 收集指南涵蓋了如何在結帳櫃檯與登入頁面擴大已同意名單的規模。
回訪記錄是如何與 email 進行比對匹配的?
為什麼開信率與點擊率會誤導以門市為主的零售業
自 Apple 於 2021 年在 iOS 15 中推出郵件隱私保護功能以來,開信率不再是可靠的指標。該功能會預先載入 email 圖片,因此無論是否有人閱讀,訊息都可能被記錄為已開啟。現在的開信率更多反映的是您名單中郵件應用程式的組合分布,而非您的行銷活動成效。
點擊率雖然真實,但範圍過於狹隘。顧客在閱讀週末優惠訊息後直接走進門市,期間完全不會進行點擊。您的 email 平台完全記錄不到任何數據,然而這次造訪正是您付出成本所獲得的成果。點擊率也容易偏向互動度最高的顧客,而這群人本來就很有可能前來造訪。
比對匹配規則
比對匹配之所以有效,是因為 email 地址與造訪記錄皆來自同一個來源。當顧客登入顧客 WiFi 時,他們會提供 email 地址並自主選擇同意訂閱。Purple Engage 會將其儲存為第一方聯絡人。當同一位顧客在日後再次造訪並登入時,該次造訪記錄就會歸入相同的個人檔案下。
這項規則本身非常簡潔。當收到 email 的個人檔案在歸因期間內於任何門市登入時,即算作一次回訪。每位顧客在每個歸因期間內僅計算一次,因此單一顧客的三次造訪只會算作一次回訪。這能讓衡量標準保持為比率,符合對照組比較的需求。
同意永遠排在第一位。根據 GDPR 規定,同意必須是自由給予、特定、明確且在不知情情況下給予的。未預先勾選的電子郵件訂閱選項,以及登入時清晰的隱私權聲明是基本起點。請與您的資料保護官確認文案內容。
{"kind":"flow","direction":"lr","caption":"WiFi 登入如何將電子郵件與再次造訪建立連結","alt":"從顧客首次登入訪客 WiFi、隨機拆分為受測組與對照組、再次造訪登入,到門市層級的提升分析報告的流程。","nodes":[{"id":"a","label":"顧客登入訪客 WiFi","sub":"登入時收集電子郵件與 GDPR 同意","tone":"brand"},{"id":"b","label":"在 Purple Engage 中建立個人檔案","sub":"包含造訪記錄的第一方聯絡人","tone":"neutral"},{"id":"c","label":"寄送前隨機拆分","sub":"受測組與保留對照組","tone":"neutral"},{"id":"d","label":"傳送電子郵件至受測组","sub":"對照組不會收到此行銷活動的任何內容","tone":"neutral"},{"id":"e","label":"指定時間內再次造訪登入","sub":"同一檔案,任何門市,僅計算一次","tone":"success"},{"id":"f","label":"由門市回報提升分析","sub":"受測組回訪率減去對照組回訪率","tone":"brand"}],"edges":[{"from":"a","to":"b","style":"solid"},{"from":"b","to":"c","style":"solid"},{"from":"c","to":"d","label":"受測組","style":"solid"},{"from":"c","to":"e","label":"對照組","style":"dashed"},{"from":"d","to":"e","style":"solid"},{"from":"e","to":"f","style":"solid"}]}
為何對照組至關重要
配對結果顯示收到電子郵件的顧客有再次光顧,但這並不代表是電子郵件促使他們再次光顧。選擇訂閱的顧客本來就是您最忠誠的客戶,許多人即使沒收到電子郵件也會再次光顧。
保留的對照組解答了核心問題。它是從同一份名單中隨機分出的比例,完全不會收到該行銷活動的任何內容。這兩組顧客回訪率之間的差距,才是電子郵件真正帶來的造訪量。
如何按部就班設定以造訪率為基礎的衡量機制?
請按順序完成以下九個步驟。步驟一至六在寄送前進行;步驟七至九則在時間視窗結束後執行。
{"title":"透過門市造訪次數衡量零售電子郵件 ROI","steps":[{"title":"在登入時確認同意","body":"檢查每間門市是否皆使用附有未預選電子郵件訂閱核取方塊及涵蓋造訪資料隱私聲明的品牌登入頁面。","check":"測試登入已建立一個標記為同意接收電子郵件的個人檔案。"},{"title":"定義回訪造訪","body":"計算訪客在日後任何一天的 WiFi 登入次數,在每個時間視窗內每位顧客僅計算一次。排除員工裝置。","check":"該定義已寫入測試計畫並完成簽核。"},{"title":"固定歸因時間視窗","body":"發送後選擇 7 天或 14 天,此時間應與顧客通常的回訪頻率一致。","check":"發送前已記錄時間視窗與發送日期。"},{"title":"確定對照組規模","body":"使用下方的規模公式與 90 天基準回訪率來設定保留組比例。","check":"對照組符合您欲偵測提升效果所需的最小數量。"},{"title":"隨機分割受眾","body":"在每間門市內,將已同意的聯絡人隨機分配至實驗組與對照組。在該時間視窗內,讓對照組排除在所有其他電子郵件之外。","check":"兩組先前 90 天的回訪率差異落在一個百分點以內。"},{"title":"僅發送給實驗組","body":"排定行銷活動發送至實驗組區段,並記錄發送時間。","check":"發送記錄顯示對照組聯絡人接收電子郵件的數量為零。"},{"title":"時間視窗結束時匯出造訪資料","body":"使用相同的定義與日期,依門市調取兩組的回訪造訪資料。","check":"時間視窗內的每次造訪均包含個人檔案、門市與時間戳記。"},{"title":"按門市計算提升效果","body":"以實驗組回訪率減去對照組回訪率,再乘以實驗組顧客數,即可得出增量造訪次數。","check":"門市增量造訪次數加總等於全店總計。"},{"title":"驗證方法","body":"執行 A/A 測試:分割清單、不發送任何內容,並在相同的時間視窗長度內比較回訪率。","check":"全店的 A/A 提升效果接近於零。"}]}
保留組的規模應該有多大?
對照組的規模取決於兩個輸入值。一是您的基準回訪率。另一個是值得關注的最小提升幅度。固定百分比無法決定此規模。Lehr 規則提供了一個快速估計法,可在 5% 的顯著水準下達到大約 80% 的統計檢定力:
每組所需的顧客數 = 16 × p × (1 − p) ÷ d²
p = 時間視窗內的基準回訪率(18% 即為 0.18)
d = 值得偵測的最小提升幅度(兩個百分點即為 0.02)
範例:16 × 0.18 × 0.82 ÷ 0.0004 = 每組 5,904 名顧客
您的保留組比例所產生的顧客數可能會少於 5,904 名。如果遇到這種情況,您有三個選擇:提高保留組比例、接受較大的可偵測提升幅度,或是整合同一行銷活動的多次發送數據。
{"tone":"tip","title":"預設對照組比例","text":"對於訂閱意願顧客超過 50,000 人的清單,建議從 10% 開始;若低於該數量則從 20% 開始。隨後請執行公式計算,以確認對照組規模足夠大。"}
計算提升度與營收
每檔行銷活動皆應採用相同的計算邏輯,確保結果能進行基準相同的比較。
受測組回訪率 = 返回店內的受測組顧客 ÷ 受測組顧客總數
對照組回訪率 = 返回店內的對照組顧客 ÷ 對照組顧客總數
提升度 = 受測組回訪率 − 對照組回訪率
增量造訪人次 = 提升度 × 受測組顧客總數
增量營收 = 增量造訪人次 × 平均交易金額
{"tone":"warning","title":"一次誤發就會破壞測試","text":"在測試視窗期內,切勿向對照組顧客發送任何電子郵件,包括通訊與自動化流程。只要對對照組發送一次郵件,就會縮減測得的提升度,且事後無法修復。"}
如何按門市生成報告結果?
請依據各門市專屬的對照組顧客來評估該門市表現,而非對比全店網絡的平均值。在各門市內部進行隨機抽樣(此方法稱為分層抽樣),讓每間門市皆保持相同的對照組比例。
對精準度保持客觀態度。若某門市僅有 1,000 名對照組顧客且基準率為 18%,則僅能檢測出約 5 個百分點的提升度。唯有當對照組達到該規模時,才適合單獨呈報該門市數據。較小的門市應按區域進行整合。請將每家門市的數據視為方向性參考,全店網絡總體數據才是最終結果。
{"caption":"單次發送、14 天視窗期的示範門市報告","asOf":"2026-06-10","columns":[{"key":"s","label":"門市"},{"key":"n","label":"受測組 / 對照組顧客"},{"key":"t","label":"受測組回訪率"},{"key":"c","label":"對照組回訪率"},{"key":"u","label":"提升度(百分點)"},{"key":"i","label":"增量造訪人次"}],"rows":[["門市 A(旗艦店)","9,000 / 1,000","23.0%","19.5%","3.5","315"],["門市 B","5,400 / 600","20.5%","18.0%","2.5","135"],["門市 C","2,700 / 300","19.0%","19.7%","-0.7","-19"],["其餘 15 間門市","47,700 / 5,300","20.8%","18.4%","2.4","1,145"],["全店網絡總計","64,800 / 7,200","21.0%","18.6%","2.4","1,576"]],"footnote":"示範數據。門市 B 與 C 的對照組顧客少於 1,000 人,因此應視為方向性參考並按區域整合。全店網絡增量造訪人次為各門市列之總和;提升度已進行四捨五入。","download":{"filename":"store-email-uplift-report.csv"}}
門市 C 在 300 名對照組顧客中顯示負提升度。以此樣本規模而言,這屬於統計雜訊,並非電子郵件導致顧客流失的證據。在任何人做出過度解讀前,請先將其與所屬區域數據整合。
實例演練:擁有 18 間門市的時裝零售商
採用上述方法的示範數據。
背景。 一家擁有 18 間門市的時裝零售商,在過去 12 個月中透過訪客 WiFi 累積了 72,000 名同意接收訊息的顧客。其電子郵件報告僅顯示開信率與點擊率。門市團隊希望了解季中促銷電子郵件是否確實帶來了實體客流。
採取的行動。 團隊設定了 14 天的觀察期。從 90 天的歷史資料中得出 18% 的基準回訪率。10% 的對照組保留了 7,200 名消費者,足以偵測出約 1.8 個百分點的提升。團隊在每間門市內進行隨機分組,並將電子郵件發送給其餘 64,800 名消費者。
結果。 接受行銷活動的消費者回訪率為 21.0%,而對照組為 18.6%。這代表提升了 2.4 個百分點,相當於 1,576 次的增量造訪。若以 38 英鎊的平均交易金額計算,在扣除折扣成本與利潤前,約創造了 60,000 英鎊的增量收益。只有旗艦店達到了 1,000 名消費者的門檻,能夠進行單店分析。團隊則按區域回報其他門市的結果。
實際案例:擁有 12 家分店的酒吧集團
示意數據。
情境。 一家擁有 12 家分店的酒吧集團想知道星期四發送的電子郵件是否能帶動週末的人潮。該集團有 9,000 名透過訪客 WiFi 訂閱的顧客,以及 12% 的七天基準回訪率。
採取的行動。 在這種名單規模下,10% 的對照組只能偵測出約 4.3 個百分點的提升。團隊將對照組比例提高至 20%,從而獲得 1,800 名對照組顧客,可偵測的提升幅度約為 3.1 個百分點。
結果。 收到電子郵件的顧客在七天內的回訪率為 16.0%,而對照組為 12.0%。這代表 7,200 名顧客中提升了 4 個百分點,即 288 次增量造訪。該集團僅回報了整體品牌的結果。由於每間分店只有約 150 名對照組顧客,沒有單一分店能夠支持獨立的分析結果。
在回報結果前,如何驗證數據?
在報告提交給門市營運團隊或財務部門之前,請先仔細核對此清單。
{"title":"在分享結果前進行驗證","groups":[{"heading":"發送前","items":[{"text":"回訪定義與觀察期已核准","why":"防止在結果出來後修改指標"},{"text":"實驗組與對照組之前的回訪率差距在一個百分點以內","why":"確認分組為隨機劃分"},{"text":"對照組已排除在觀察期內的所有其他電子郵件之外"},{"text":"兩組均已排除員工裝置"}]},{"heading":"觀察期結束後","items":[{"text":"發送紀錄顯示對照組收件人數為零"},{"text":"門市總數與整體品牌總數相符"},{"text":"對照組消費者少於 1,000 人的門市已按區域合併","why":"小樣本只會產生雜訊,而非有效結論"},{"text":"無發送期間的 A/A 測試顯示提升接近於零","why":"證明此方法不會虛構提升效果"},{"text":"收益計算採用財務部門核准的平均交易金額"}]}],"download":{"filename":"retail-email-roi-verification.csv"}}
數據無法告訴您的事
- 未連線消費者的造訪。 WiFi 只能偵測到登入的消費者,因此這種方法會低估總造訪次數。不過提升幅度的比較依然成立,因為兩組數據被低估的程度相同。
- 消費金額。 登入紀錄僅代表一次造訪,而非購物車內容。除非您將 WiFi 數據與收銀機發票結合,否則收益計算仍需依賴平均交易金額。
- 線上銷售。 閱讀電子郵件後在您網站上購物的顧客,將完全不會顯示為到店造訪。
- 成效良好的原因。 該測試顯示電子郵件帶來了到店造訪,但並未顯示是主旨、優惠內容還是圖片發揮了作用。若需要這個答案,請一次只測試一項變量。
- 長期影響。 14 天的觀察期會遺漏在第三週回訪的顧客。保留一組對照組一整季,以評估對顧客終身價值的影響。
如果某個步驟失敗
- 發送前組別存在差異(步驟 5)。 請重新隨機分組。切勿手動調整組別。
- 對照組收到了電子郵件(步驟 6)。 放棄該次測試,並在下次發送時重新執行。
- 某家門市顯示無造訪紀錄(步驟 7)。 在解讀結果之前,請確認該門市的訪客 WiFi 登入功能正常運作。
- 提升成效高得不合常理(步驟 8)。 請檢查匯出資料在每個觀察期內是否將每位顧客僅計算一次,而不是計算每次造訪。
如需進一步了解如何計算回訪次數以及資料可能在何處遺漏的詳細診斷,請參閱我們的如何衡量回訪率指南。
哪些錯誤會扭曲零售電子郵件的歸因?
- 將開信率解讀為意圖。 隱私保護功能會虛增開信數,因此高開信率無法證明門市到訪成效。
- 看到結果後才選擇觀察期。 為了美化活動成效而挑選的觀察期無法與下一次活動進行比較。請在測試計畫中將其固定。
- 讓對照組顧客收到其他電子郵件。 自動化工作流程通常是罪魁禍首。在觀察期內,請將對照組排除在所有自動化流程之外。
- 計算每次造訪而非每位顧客。 如此一來,最常造訪的顧客將主導結果,提升成效也不再代表實際比率。
- 包含員工裝置。 員工每班都會登入,這會扭曲兩組的數據。
- 根據小樣本為門市進行排名。 建立在 300 名對照組顧客基礎上的排行榜只是靠運氣。請依地區合併小型門市。
- 與去年相比,而非與對照組相比。 天氣、日曆日期和產品系列都會發生變化。唯有同期的對照組才能單獨衡量電子郵件的成效。
這在您的電子郵件 ROI 計畫中處於什麼位置?
本指南是我們場地電子郵件行銷 ROI 及其帶來的造訪核心主題的零售篇章。該核心主題涵蓋餐飲旅宿、零售和活動領域的完整計畫:擷取、區隔、衡量和報表。如需零售擷取與區隔的相關資訊,請參閱零售業的 Purple Engage。如需了解採用 WiFi 導向行銷的更多優勢,請閱讀 WiFi 行銷指南。
此方法仰賴於一般電子郵件平台無法提供的一項關鍵功能:透過門市內的 WiFi 登入自動建立名單,並將造訪紀錄記錄在同一個個人檔案中。
{"tone":"proof","title":"Purple 的大規模營運實力","text":"Purple 在 90 個國家/地區的 80,000 多個場域維運訪客 WiFi,每年處理 5 億次登入,且品牌化登入頁面的同意訂閱率高出約 50%(資料來源:Purple)。包含 Harrods 與 McDonald's 在內的知名品牌皆採用 Purple。"}
常見問題
造訪比對功能是否支援我們現有的基地台?
支援。Purple 不受硬體限制,能以雲端覆蓋層(Cloud overlay)的形式運行於 Cisco Meraki、HPE Aruba、Ruckus、Juniper Mist、Ubiquiti UniFi、Cambium、Extreme 以及 Fortinet 上。本指南中的測量是在 Purple Engage 中進行,而非在基地台本體。因此,無論各門市使用哪家廠商的設備,運作方法皆相同。即使您的企業在收購後混合使用了不同廠商的設備,門市報告也會以相同標準處理每間門市。
這與 Mailchimp、Klaviyo 或 HubSpot 中的電子郵件 ROI 報告有何不同?
這些平台報告的是收件匣與線上的活動:開啟率、點擊率及網站訂單。它們會向您提供的清單發送信件,但不會幫您建立清單。Purple Engage 則能從獲得授權同意的訪客 WiFi 登入紀錄中建立清單,並記錄每位顧客後續在門市的再次登入。這能讓您根據信件所帶來的實際造訪次數來評估發送成效,而這正是實體零售商向董事會報告時的核心成果。
透過 WiFi 登入來測量回訪率是否符合 GDPR 規範?
只要妥善取得授權同意,且您的隱私權通知有明確說明造訪資料的用途,即可符合規範。GDPR 要求授權同意必須是出於自由意志、特定、知情且明確的。在實務上,這意味著登入時需提供未預先勾選的同意選項以及通俗易懂的文字說明。Purple 通過 ISO 27001 認證並符合 GDPR 規範,登入頁面會記錄每位顧客的選擇。在上線前,請先與您的資料保護官確認相關文字內容。
需要多久時間才能獲得可靠的結果?
預計在發送後的一個歸因視窗期,外加一天資料擷取時間即可獲得結果。若採用 14 天的視窗期,您大約可在發送後 15 天獲得讀數。可靠性取決於樣本數而非時間長短。如果樣本規模計算公式顯示您的群組過小,請在兩到三次發送中重複該行銷活動,並在得出結論前將結果進行彙整。
我們可以為每次發送算出一筆具體的營收金額嗎?
可以,前提是財務部門能提供每間門市的平均交易金額。將增量造訪次數乘以該金額,即可得出增量營收。扣除折扣成本與發送成本後,即可獲得報酬率數字。WiFi 資料能顯示顧客已經回訪,但無法顯示他們購買了什麼商品。將登入紀錄與收銀機發票相結合可以得出每次造訪的消費金額,但這屬於單獨的資料專案。基於造訪次數的數據本身即具備獨立參考價值。
那麼我們在 Purple 之外已經擁有的聯絡人該如何處理?
您可以繼續向他們傳送電子郵件,但請將他們排除在衡量測試之外。配對需要在同一個個人檔案上有 WiFi 登入記錄。從未在門市登入過的聯絡人無法與再次造訪進行配對。請先衡量來自 WiFi 的名單,接著如我們的 零售實體門市獲取指南 所述,透過收銀台和登入頁面的收集來擴大可衡量的比例。
為什麼不改用印製折扣碼來衡量?
折扣碼衡量的是兌換次數,而不是造訪次數。這會遺漏那些因為電子郵件而再次光顧但從未使用的顧客,同時也會獎勵那些本來就會購買的顧客。保留對照組可以同時掌握這兩種效應,因為它是比較回訪率而非計算優惠券數量。請將折扣碼留作優惠機制使用,並使用對照組來進行精確衡量。
