
大数据教你如何让大忙人及时回复邮件
“我每天都收到成百上千封邮件,大多数邮件都很重要,我却没有精力一一回复。”在线视频学习平台One Month的联合创始人和首席执行官Mattan Griffel表示,要想让那些每天被邮件轰炸的大忙人也能及时回复你的邮件,也是需要技巧的。
网上教人们如何写邮件的建议不少,但大多还没有数据做支撑。最近,邮件效率服务商Boomerang通过分析5300多万封邮件数据,找出了一些影响邮件回复率的窍门。总结起来就是两大点,方便他人及勾起兴趣。
首先,不要让对方觉得回复你邮件是件耗时耗力的麻烦事。要缩短的就是对方阅读邮件内容的时间,其中就涉及内容的长度和阅读难度。
比如Mattan Griffel曾提出,缩短内容有助于提高回复率。“如果邮件只有两到三句话,收件人读起来会更轻松。如果一封邮件超过两段,收件人可能会过会儿再读,收到回复的时间也就拖长了。”此次Boomerang的研究也发现,一封英文邮件字数最好是50至125个单词之间,这时回复率将可能高于50%。
由于Boomerang统计的都是英文邮件篇幅。按照翻译时中文原稿的字数约为英文译稿的1.5倍,我们只能大概估算下,中文邮件最佳长度可能在75到188字之间。
当邮件长度超过2500个英文单词时,回复率就低于35%了。如果想发长篇大论,最好以附件形式发送;另一方面,当邮件长度低于50个单词时,邮件回复率也会迅速降低,一封只有25个单词的邮件,与一封2500词长的邮件一样只有44%的得到回应机率;而如果邮件只有标题没有内容,得到回应的机会更小,只有 11%。
字数要求同样还体现在邮件主题上。数据显示,不包括自带的“转发”字眼时,只有3到4个英文单词的主题回复率最高。标题越长,得到回应的机会越小。当然,主题也是不能为空的,通常没有标题的邮件回复概率只有 14%。
除了控制字数,此次研究最大发现之一就是,电子邮件的阅读难度也会影响回复率。像一个小学3年级学生一样写作时效果最好。
阅读难度越大或者废话越多的内容越容易耗费对方的时间,从而降低对方立刻回应的意愿。按照大学程度阅读水平撰写的邮件中,得到反馈的只有39%,还不及充满语法错误的幼儿园水平邮件的反馈率。
即使是给知识能力水平高的人发送邮件,也应当尽量简化缩短语句,使用最简单明了的词汇。“要让收件人一目了然地知道自己到底需要做什么。”Mattan Griffel建议,如果不得不写一封非常冗长的邮件,那就把希望对方做的事情放在最前面。将段落拆成短句,将重要部分加粗或者斜体。“一两个句子成段好过一大段文字。”
当然,具体还是要根据邮件的写作背景来看。如果你是要与教授讨论你的博士论文细节,而他还将参与你的博士后奖学金评估,那还是要注意每个用词都尽可能专业;但如果你是写给一个足球迷来吐槽上次球队糟糕的表现,那就最好用三年级小学生都能看懂的大白话。
勾起收件人兴趣也是提高回复率的好方法。比如可以在邮件中向对方提出几个好问题。统计数据显示,当你在邮件中提出一到三个问题,邮件会有 50% 的概率得到回复。“当人们不忙的时候,让人产生好奇的邮件吸引他们;但当人们忙的时候,好奇心减弱,实用主题的邮件更多地被阅读。”宾夕法尼亚大学沃顿商学院教授Adam Grant表示。不过贪多可没什么好处,包含8个问题的邮件比只有3个问题的回复率要少20%。
另外,别以为客观讲事实才是最好的,其实影响回复率的关键因素还有邮件的表达情感和写作角度。Boomerang发现,邮件内容稍显积极或消极,是最容易得到回应的。此外,主观内容一般比客观内容的回复率要高 8%。
统计数据显示,相比于完全中性的邮件内容,轻微积极或者轻微消极的邮件内容,可以让回复率提高 10% 到 15%。比如投诉时适当的消极态度最容易获得商店经理的回应。当然情绪也不能过度,否则回复率也会随之降低。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01