Vrijednost Marcoma: alternativa A / B testiranju

dimenzionalna sfera

Tako da uvijek želimo znati kako Marcom (marketinška komunikacija) nastupa, i kao sredstvo i za pojedinačnu kampanju. U procjeni marcoma uobičajeno je upotrijebiti jednostavno A / B testiranje. Ovo je tehnika kojom slučajno uzorkovanje popunjava dvije stanice za kampanju.

Jedna stanica dobiva test, a druga stanica neće. Tada se uspoređuje stopa odziva ili neto prihod između dviju ćelija. Ako ispitna stanica nadmaši kontrolnu ćeliju (unutar ispitnih parametara podizanja, pouzdanosti itd.), Kampanja se smatra značajnom i pozitivnom.

Zašto nešto drugo raditi?

Međutim, ovom postupku nedostaje generiranja uvida. Ništa ne optimizira, izvodi se u vakuumu, ne utječe na strategiju i ne postoje kontrole za druge podražaje.

Drugo, prečesto je test onečišćen time što je barem jedna od stanica slučajno dobila druge ponude, poruke o robnoj marki, komunikaciju itd. Koliko puta su rezultati ispitivanja smatrani neuvjerljivim, čak i nesenzibilnim? Pa testiraju opet i opet. Ništa ne uče, osim što testiranje ne djeluje.

Zato preporučujem uobičajenu regresiju za kontrolu svih ostalih podražaja. Modeliranje regresije također daje uvid u procjenu marcoma koja može generirati ROI. To se ne radi u vakuumu, već pruža mogućnosti kao portfelj za optimizaciju proračuna.

Primjer

Recimo da smo testirali dvije e-adrese, test u odnosu na kontrolu i rezultati su se vratili ne-senzibilno. Tada smo otkrili da je naš odjel za robne marke slučajno poslao izravnu poštu (uglavnom) kontrolnoj grupi. Ovaj dio nismo planirali (niti mi) niti smo uzeli u obzir slučajnim odabirom test stanica. Odnosno, grupa koja je poslovala kao i obično dobila je uobičajenu izravnu poštu, ali ispitna grupa - koja je zadržana - nije. To je vrlo tipično za korporaciju u kojoj jedna grupa ne radi niti komunicira s drugom poslovnom jedinicom.

Dakle, umjesto testiranja u kojem je svaki redak kupac, podatke sakupljamo prema vremenskom razdoblju, recimo tjedno. Zbrajamo po tjednima broj poslanih testnih, kontrolnih i izravnih poruka. Uključujemo i binarne varijable koje uzimaju u obzir sezonu, u ovom slučaju tromjesečno. TABLICA 1 prikazuje djelomični popis agregata s testom e-pošte koji počinje u 10. tjednu. Sada radimo model:

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

Uobičajeni regresijski model kako je gore formuliran daje TABELU 2 rezultata. Uključite bilo koje druge neovisne varijable od interesa. Posebno treba primijetiti da je (neto) cijena isključena kao neovisna varijabla. To je zato što je neto prihod ovisna varijabla i izračunava se kao (neto) cijena * količina.

TABLICA 1

tjedan 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

Uključiti cijenu kao neovisnu varijablu znači imati cijenu na obje strane jednadžbe, što je neprikladno. (Moja knjiga, Marketinška analitika: Praktični vodič za stvarnu marketinšku znanost, daje opsežne primjere i analizu ovog analitičkog problema.) Prilagođeni R2 za ovaj model iznosi 64%. (Ispustio sam q4 da izbjegnem zamku.) Emc = kontrolna e-pošta i emt = testna e-pošta. Sve su varijable značajne na razini od 95%.

TABLICA 2

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

Što se tiče testa e-pošte, testni e-mail nadmašio je kontrolni e-mail za 77 naspram 44 i bio je puno značajniji. Tako je, uzimajući u obzir druge stvari, testni e-mail uspio. Ta saznanja dolaze čak i kad su podaci zagađeni. A / B test to ne bi proizveo.

U TABLICI 3 uzimaju se koeficijenti za izračunavanje ocjene markom, doprinos svakog vozila u smislu neto prihoda. Odnosno, za izračunavanje vrijednosti izravne pošte, koeficijent 12 množi se srednjim brojem poslanih izravnih poruka od 109 da bi se dobilo 1,305 dolara. Kupci u prosjeku potroše 4,057 američkih dolara. Tako 1,305 USD / 4,057 USD = 26.8%. To znači da je izravna pošta donijela gotovo 27% ukupnog neto prihoda. Što se tiče ROI-ja, 109 izravnih mailova donosi 1,305 USD. Ako katalog tada košta 45 USD ROI = (1,305 USD - 55 USD) / 55 USD = 2300%!

Budući da cijena nije bila neovisna varijabla, obično se zaključuje da je utjecaj cijene zakopan u konstantu. U ovom slučaju konstanta 5039 uključuje cijenu, bilo koje druge varijable koje nedostaju i slučajnu pogrešku, ili oko 83% neto prihoda.

TABLICA 3

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

Zaključak

Uobičajena regresija nudila je alternativu za pružanje uvida u lice prljavih podataka, kao što je to često slučaj u korporacijskoj shemi testiranja. Regresija također daje doprinos neto prihodu, kao i poslovni slučaj za ROI. Uobičajena regresija alternativna je tehnika u smislu vrednovanja marcomma.

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

2 Komentari

  1. 1

    Lijepa alternativa praktičnom pitanju, Mike.
    Na način na koji ste to učinili, pretpostavljam da nema preklapanja ciljnih komunikatora u neposrednim prethodnim tjednima. Inače biste li imali autoregresivnu i / ili vremenski zaostalu komponentu?

  2. 2

    Uzimajući u obzir vaše kritike na račun optimizacije, kako netko može koristiti ovaj model za optimizaciju potrošnje kanala?

Što vi mislite?

Ova web stranica koristi Akismet za smanjenje neželjene pošte. Saznajte kako se podaci vašeg komentara obrađuju.