Vrednotenje Marcom: alternativa testiranju A / B

dimenzijska krogla

Torej vedno želimo vedeti, kako marcom (tržno komuniciranje) deluje tako kot sredstvo kot za posamezno kampanjo. Pri ocenjevanju marcom je običajno uporabiti preprosto A / B testiranje. To je tehnika, pri kateri naključno vzorčenje napolni dve celici za kampanjo.

Ena celica dobi test, druga celica pa ne. Nato se primerja stopnja odziva ali čisti prihodek med obema celicama. Če preskusna celica presega kontrolno celico (znotraj testnih parametrov dviga, samozavesti itd.), Se šteje, da je kampanja pomembna in pozitivna.

Zakaj kaj drugega?

Vendar ta postopek nima vpogleda. Nič ne optimizira, izvaja se v vakuumu, ne vpliva na strategijo in ni nadzora za druge dražljaje.

Drugič, test je prepogosto onesnažen, saj je vsaj ena od celic po nesreči prejela druge ponudbe, sporočila blagovne znamke, komunikacije itd. Kolikokrat so bili rezultati testa nedoločni, celo nesenzibilni? Tako vedno znova testirajo. Nič se ne naučijo, razen da testiranje ne deluje.

Zato priporočam uporabo običajne regresije za nadzor nad vsemi drugimi dražljaji. Modeliranje regresije daje tudi vpogled v vrednotenje marcoma, ki lahko ustvari donosnost naložbe. To se ne naredi v vakuumu, ampak ponuja možnosti kot portfelj za optimizacijo proračuna.

Primer

Recimo, da smo testirali dva e-poštna sporočila, test proti nadzoru in rezultati so se vrnili nesmiselno. Nato smo ugotovili, da je naš oddelek za blagovne znamke po naključju poslal neposreden poštni prispevek (večinoma) kontrolni skupini. Ta del ni bil načrtovan (z naše strani) niti upoštevan pri naključnem izbiranju testnih celic. To pomeni, da je skupina, ki posluje kot običajno, prejela običajno neposredno pošto, testna skupina, ki je bila zadržana, pa je ni. To je zelo značilno za korporacijo, kjer ena skupina ne deluje in ne komunicira z drugo poslovno enoto.

Namesto testiranja, pri katerem je vsaka vrstica stranka, podatke zbiramo po časovnem obdobju, recimo tedensko. Po tednih seštevamo število poslanih testnih, kontrolnih in neposrednih sporočil. Vključujemo tudi binarne spremenljivke, ki upoštevajo sezono, v tem primeru četrtletno. TABELA 1 prikazuje delni seznam agregatov s preskusom e-pošte, ki se začne v 10. tednu. Zdaj naredimo model:

net \ _rev = f (em \ _test, em \ _cntrl, dir \ _mail, q_1, q_2, q_3 itd.)

Zgoraj formulirani običajni regresijski model daje TABELO 2 izhodnih podatkov. Vključite vse druge neodvisne spremenljivke, ki vas zanimajo. Posebej je treba opozoriti, da je (neto) cena izključena kot neodvisna spremenljivka. To je zato, ker je čisti prihodek odvisna spremenljivka in se izračuna kot (neto) cena * količina.

TABELA 1

teden em_test em_cntrl dir_mail q_1 q_2 q_3 net_rev
9 0 0 55 1 0 0 $ 1,950
10 22 35 125 1 0 0 $ 2,545
11 23 44 155 1 0 0 $ 2,100
12 30 21 75 1 0 0 $ 2,675
13 35 23 80 1 0 0 $ 2,000
14 41 37 125 0 1 0 $ 2,900
15 22 54 200 0 1 0 $ 3,500
16 0 0 115 0 1 0 $ 4,500
17 0 0 25 0 1 0 $ 2,875
18 0 0 35 0 1 0 $ 6,500

Vključiti ceno kot neodvisno spremenljivko pomeni imeti ceno na obeh straneh enačbe, kar je neprimerno. (Moja knjiga, Marketinška analitika: Praktični vodič po resnični marketinški znanosti, vsebuje obsežne primere in analizo tega analitičnega problema.) Prilagojeni R2 za ta model je 64%. (Spustil sem q4, da bi se izognil preskusni mački.) Emc = kontrolna e-pošta in emt = testna e-pošta. Vse spremenljivke so pomembne na 95-odstotni ravni.

TABELA 2

q_3 q_2 q_1 dm emc EMTs const
koef -949 -1,402 -2,294 12 44 77 5,039
st napaka 474.1 487.2 828.1 2.5 22.4 30.8
t-razmerje -2 -2.88 -2.77 4.85 1.97 2.49

Kar zadeva test e-pošte, je testno e-poštno sporočilo preseglo kontrolno e-pošto s 77 proti 44 in je bilo veliko bolj pomembno. Tako je testno e-poštno sporočilo, če upoštevamo druge stvari, delovalo. Ta spoznanja pridejo tudi, kadar so podatki onesnaženi. A / B test tega ne bi povzročil.

V TABELI 3 so izračunani koeficienti za izračun vrednotenja tržne vrednosti, prispevek vsakega vozila v smislu neto prihodka. To pomeni, da se za izračun vrednosti neposredne pošte koeficient 12 pomnoži s povprečnim številom poslanih neposrednih sporočil 109, da dobimo 1,305 USD. Stranke v povprečju porabijo 4,057 USD. Tako 1,305 $ / 4,057 $ = 26.8%. To pomeni, da je neposredna pošta prispevala skoraj 27% celotnega neto prihodka. Kar zadeva donosnost naložbe, 109 neposrednih sporočil ustvari 1,305 USD. Če potem katalog stane 45 USD ROI = (1,305 - 55 USD) / 55 USD = 2300%!

Ker cena ni bila neodvisna spremenljivka, se običajno sklepa, da je vpliv cene zakopan v konstanto. V tem primeru konstanta 5039 vključuje ceno, vse druge manjkajoče spremenljivke in naključno napako ali približno 83% neto prihodka.

TABELA 3

q_3 q_2 q_1 dm emc EMTs const
Coeff -949 -1,402 -2,294 12 44 77 5,039
pomeni 0.37 0.37 0.11 109.23 6.11 4.94 1
$ 4,875 - $ 352 - $ 521 - $ 262 $ 1,305 $ 269 $ 379 $ 4,057
vrednost -7.20% -10.70% -5.40% 26.80% 5.50% 7.80% 83.20%

zaključek

Običajna regresija je ponujala alternativo za vpogled v umazane podatke, kot je to pogosto v podjetniškem preskusnem programu. Regresija prispeva tudi k neto prihodkom in tudi poslovni primer za donosnost naložbe. Navadna regresija je alternativna tehnika v smislu vrednotenja marcomm.

ir? t = marketingtechblog 20 & l = as2 & o = 1 & a = 0749474173

2 Komentarji

  1. 1

    Lepa alternativa praktičnemu vprašanju, Mike.
    Predvidevam, da v neposrednih prejšnjih tednih na noben način ni prekrivanja ciljnih komunikatorjev. V nasprotnem primeru bi imeli samodejno regresivno in / ali časovno zaostalo komponento?

  2. 2

Kaj menite?

Ta stran uporablja Akismet za zmanjšanje nezaželene pošte. Preberite, kako se vaš komentar obravnava.