Оценка на Marcom: Алтернатива на A / B тестване

размерна сфера

Така че ние винаги искаме да знаем как MARCOM (маркетингови комуникации) се представя както като средство, така и за отделна кампания. При оценката на marcom е обичайно да се използва просто A / B тестване. Това е техника, при която случайното вземане на проби попълва две клетки за кампания.

Едната клетка получава теста, а другата клетка не. След това се сравнява степента на отговор или нетните приходи между двете клетки. Ако тестовата клетка превъзхожда контролната клетка (в рамките на тестовите параметри на повдигане, увереност и т.н.) кампанията се счита за значима и положителна.

Защо правиш нещо друго?

Тази процедура обаче няма генериране на прозрение. Той не оптимизира нищо, извършва се във вакуум, не оказва влияние върху стратегията и няма контрол за други стимули.

На второ място, твърде често тестът е замърсен, тъй като поне една от клетките е получила случайно други оферти, съобщения за марка, комуникации и др. Колко пъти резултатите от теста са били считани за неубедителни, дори нечувствени? Така те тестват отново и отново. Те не научават нищо, освен че тестването не работи.

Ето защо препоръчвам да използвате обикновена регресия, за да контролирате всички други стимули. Регресионно моделиране също така дава представа за оценката на marcom, която може да генерира възвръщаемост на инвестициите. Това не се прави във вакуум, а предоставя опции като портфолио за оптимизиране на бюджета.

Пример

Да приемем, че тествахме два имейла, тест срещу контрол и резултатите се върнаха несексично. След това разбрахме, че нашият отдел за търговски марки случайно е изпратил директна поща до (предимно) контролната група. Това парче не беше планирано (от нас), нито отчетено при произволен избор на тестовите клетки. Тоест, групата по обичайния начин на работа получи обичайната директна поща, но тестовата група - която беше издържана - не. Това е много типично за корпорация, в която една група не работи, нито комуникира с друга бизнес единица.

Така че вместо да тестваме, при който всеки ред е клиент, ние обобщаваме данните по период от време, да речем седмично. Събираме по седмици броя на изпратените тестови имейли, контролни имейли и директни имейли. Включваме и двоични променливи за отчитане на сезона, в този случай на тримесечие. ТАБЛИЦА 1 показва частичен списък на агрегатите с теста за електронна поща, започващ през седмица 10. Сега правим модел:

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

Обикновеният модел на регресия, както е формулиран по-горе, извежда ТАБЛИЦА 2 изход. Включете други независими променливи от интерес. Трябва да се обърне специално внимание, че (нетна) цена е изключена като независима променлива. Това е така, защото нетните приходи са зависимата променлива и се изчисляват като (нетна) цена * количество.

ТАБЛИЦА 1

седмица 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

Включването на цената като независима променлива означава да има цена от двете страни на уравнението, което е неподходящо. (Моята книга, Маркетингова аналитика: Практическо ръководство за реална маркетингова наука, предоставя обширни примери и анализ на този аналитичен проблем.) Коригираният R2 за този модел е 64%. (Пуснах q4, за да избегна фиктивния капан.) Emc = контролен имейл и emt = тестов имейл. Всички променливи са значими на ниво 95%.

ТАБЛИЦА 2

q_3 q_2 q_1 dm EMC EMT конст
коеф -949 -1,402 -2,294 12 44 77 5,039
st грешка 474.1 487.2 828.1 2.5 22.4 30.8
t-съотношение -2 -2.88 -2.77 4.85 1.97 2.49

По отношение на теста за имейл, тестовият имейл превъзхождаше контролния имейл с 77 срещу 44 и беше много по-значим. По този начин, отчитайки други неща, тестовият имейл работи. Тези прозрения идват дори когато данните са замърсени. A / B тест не би довел до това.

ТАБЛИЦА 3 взема коефициентите за изчисляване на оценката на маркома, принос на всяко превозно средство по отношение на нетните приходи. Тоест, за да се изчисли стойността на директната поща, коефициентът 12 се умножава по средния брой изпратени директни писма от 109, за да се получат $ 1,305 4,057. Клиентите харчат средна сума от XNUMX XNUMX долара. По този начин $ 1,305 4,057 / $ 26.8 XNUMX = XNUMX%. Това означава, че директната поща допринася близо 27% от общите нетни приходи. По отношение на възвръщаемостта на инвестициите 109 директни пощи генерират $ 1,305 45. Ако каталогът струва $ XNUMX тогава ROI = ($ 1,305 55 - $ 55) / $ 2300 = XNUMX%!

Тъй като цената не е независима променлива, обикновено се прави заключението, че въздействието на цената е погребано в константата. В този случай константата от 5039 включва цена, всякакви други липсващи променливи и случайна грешка или около 83% от нетните приходи.

ТАБЛИЦА 3

q_3 q_2 q_1 dm EMC EMT конст
Коеф -949 -1,402 -2,294 12 44 77 5,039
означава 0.37 0.37 0.11 109.23 6.11 4.94 1
$ 4,875 - $ 352 - $ 521 - $ 262 $ 1,305 $ 269 $ 379 $ 4,057
стойност -7.20% -10.70% -5.40% 26.80% 5.50% 7.80% 83.20%

заключение

Обикновената регресия предлага алтернатива за предоставяне на прозрения в лицето на мръсните данни, както често се случва в корпоративна схема за тестване. Регресията също така допринася за нетните приходи, както и бизнес аргумент за възвръщаемост на инвестициите. Обикновената регресия е алтернативна техника по отношение на оценката на marcomm.

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

2 Коментари

  1. 1

    Хубава алтернатива на практически проблем, Майк.
    По начина, по който сте направили, предполагам, че няма припокриване на целевите комуникатори в непосредствените предходни седмици. В противен случай бихте ли имали автоматично регресивен и / или забавен във времето компонент?

  2. 2

    Приемайки присърце вашите критики относно оптимизацията, как може да се използва този модел за оптимизиране на разходите за канал?

Какво мислите?

Този сайт използва Akismet за намаляване на спама. Научете как се обработват данните за коментарите ви.