Marcomova procjena: 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 koristiti jednostavno A / B testiranje. Ovo je tehnika kojom slučajno uzorkovanje popunjava dvije ćelije za kampanju.

Jedna ćelija dobije test, a druga neće. Zatim se uspoređuje stopa odziva ili neto prihod između dvije ćelije. Ako test ćelija 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 implicira strategiju i ne postoje kontrole za druge podražaje.

Drugo, prečesto je test onečišćen time što je barem jedna od ćelija slučajno dobila druge ponude, poruke o robnoj marki, komunikaciju itd. Koliko puta su rezultati testa smatrani neuvjerljivim, čak i nesenzibilnim? Dakle, oni testiraju iznova i iznova. Ništa ne uče, osim što testiranje ne funkcionira.

Zato preporučujem upotrebu uobičajene regresije 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 budžeta.

Primjer

Recimo da smo testirali dvije e-adrese, test u odnosu na kontrolu i rezultati su se vratili nesenzibilno. Tada smo otkrili da je naš odjel za robne marke slučajno poslao izravnu poštu (uglavnom) kontrolnoj grupi. Ovaj komad nismo planirali (mi) niti smo uzeli u obzir slučajnim odabirom test ćelija. Odnosno, grupa koja je poslovala kao i obično dobila je uobičajenu direktnu poštu, ali ispitna grupa - koja je zadržana - nije. Ovo 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 periodu, recimo tjedno. Zbrajamo po tjednima broj poslanih testnih, kontrolnih i direktnih poruka. Uključujemo i binarne varijable koje uzimaju u obzir sezonu, u ovom slučaju tromjesečno. TABELA 1 prikazuje djelomičnu listu agregata s testom e-pošte koji počinje u 10. sedmici. 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 nezavisne varijable od interesa. Posebno treba primijetiti da je (neto) cijena isključena kao neovisna varijabla. To je zato što je neto prihod zavisna varijabla i izračunava se kao (neto) cijena * količina.

TABELA 1

sedmica 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, Marketing analitika: Praktični vodič za stvarne nauke o marketingu, pruža opsežne primjere i analizu ovog analitičkog problema.) Prilagođeni R2 za ovaj model iznosi 64%. (Ispustio sam q4 kako bih izbjegao zamasku.) Emc = kontrolna e-pošta i emt = testna e-pošta. Sve varijable su značajne na nivou od 95%.

TABELA 2

q_3 q_2 q_1 dm emc medicinski tehničari su const
koef -949 -1,402 -2,294 12 44 77 5,039
st err 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, test e-pošta je nadmašila kontrolnu e-poštu za 77 naspram 44 i bila je mnogo značajnija. Tako je, uzimajući u obzir druge stvari, testni e-mail radio. Ova saznanja dolaze čak i kada su podaci zagađeni. A / B test ovo ne bi proizveo.

U TABELI 3 uzimaju se koeficijenti za izračunavanje procjene markom, doprinos svakog vozila u smislu neto prihoda. Odnosno, za izračunavanje vrijednosti direktne pošte, koeficijent 12 se pomnoži sa srednjim brojem poslanih direktnih poruka od 109 da bi se dobilo 1,305 dolara. Kupci u prosjeku potroše 4,057 američkih dolara. Tako 1,305 $ / 4,057 $ = 26.8%. To znači da je direktna pošta donijela gotovo 27% ukupnog neto prihoda. Što se tiče ROI-ja, 109 direktnih mailova generira 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.

TABELA 3

q_3 q_2 q_1 dm emc medicinski tehničari su 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 je alternativna tehnika u smislu vrednovanja marcomm-a.

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

2 Komentari

  1. 1

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

  2. 2

Šta ti misliš?

Ova stranica koristi Akismet kako bi smanjila neželjenu poštu. Saznajte kako se podaci vašeg komentara obrađuju.