Marcom-értékelés: Az A / B tesztelés alternatívája

dimenziós gömb

Tehát mindig tudni akarjuk Marcom (marketingkommunikáció) teljesít, mind eszközként, mind egyéni kampányként. A marcom értékelésekor gyakran egyszerű A / B tesztet alkalmaznak. Ez egy olyan technika, ahol a véletlenszerű mintavétel két sejtet tölt be kampánykezelés céljából.

Az egyik sejt megkapja a tesztet, a másik pedig nem. Ezután a válaszarányt vagy a nettó bevételt összehasonlítjuk a két cellával. Ha a tesztcella meghaladja a kontroll cellát (az emelés, a magabiztosság stb. Tesztparaméterein belül), akkor a kampány jelentősnek és pozitívnak tekinthető.

Miért csinál valami mást?

Ennek az eljárásnak azonban hiányzik a betekintés generálása. Semmit sem optimalizál, vákuumban hajtják végre, nincsenek következményei a stratégiára, és nincsenek kontrollok más ingerekre.

Másodszor, a tesztet túl gyakran szennyezik, mivel legalább az egyik cella véletlenül kapott más ajánlatokat, márkaüzeneteket, kommunikációkat stb. Hányszor tekintették a teszt eredményeit meggyőzőnek, sőt nem is érzékinek? Tehát újra és újra tesztelnek. Semmit sem tanulnak, kivéve, hogy a tesztelés nem működik.

Ezért ajánlom a szokásos regresszió használatát az összes többi inger kontrollálására. Regresszió modellezés betekintést nyújt a marcom értékelésébe is, amely ROI-t generálhat. Ez nem vákuumban történik, hanem portfólióként kínál lehetőséget a költségvetés optimalizálására.

Egy példa

Tegyük fel, hogy két e-mailt teszteltünk, teszt és kontroll, és az eredmények nem érzékenyek voltak. Aztán megtudtuk, hogy márkaosztályunk véletlenül küldött közvetlen postai küldeményt (főleg) a kontrollcsoportnak. Ezt a darabot nem mi terveztük (mi nem), és nem vettük figyelembe a tesztsejtek véletlenszerű kiválasztásakor. Vagyis a szokásos üzletcsoport megkapta a szokásos közvetlen levelet, de a tesztcsoport - amelyet ki is tartottak - nem. Ez nagyon jellemző egy vállalatnál, ahol az egyik csoport nem működik, és nem is kommunikál egy másik üzleti egységgel.

Tehát a tesztelés helyett, ahol minden sor ügyfél, az adatokat időnként, mondjuk hetente összesítjük. Hetente összeadjuk a teszt e-mailek, a kontroll e-mailek és a kiküldött közvetlen levelek számát. Bináris változókat is tartalmazunk az évszak elszámolásához, ebben az esetben negyedévente. Az 1. TÁBLÁZAT az összesítések részleges felsorolását mutatja a 10. héten kezdődő e-mail teszttel. Most egy modellt készítünk:

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

A fent megfogalmazott rendes regressziós modell a 2. TABLE kimenetet eredményezi. Tartalmazzon minden egyéb független változót, amely érdekli. Külön figyelemre méltó, hogy a (nettó) árat mint független változót kizárják. Ennek oka, hogy a nettó bevétel a függő változó, és a következőképpen kerül kiszámításra: (nettó) ár * mennyiség.

1 TÁBLÁZAT

hét 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

Az ár független változóként való felvétele azt jelenti, hogy az egyenlet mindkét oldalán van ár, ami nem megfelelő. (Könyvem, Marketing elemzés: gyakorlati útmutató a valódi marketingtudományhoz, átfogó példákat és elemzést ad erről az analitikai problémáról.) A modellhez igazított R2 64%. (A negyedik negyedet eldobtam, hogy elkerüljem a dummy csapdát.) Emc = kontroll e-mail és emt = teszt e-mail. Az összes változó 4% -os szinten szignifikáns.

2 TÁBLÁZAT

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

Az e-mail tesztet tekintve a teszt e-mail 77 és 44 arányban felülmúlta a kontroll e-mailt, és sokkal jelentősebb volt. Így egyéb dolgok elszámolásával a teszt e-mail működött. Ezek a felismerések akkor is elérhetők, ha az adatok szennyezettek. A / B teszt ezt nem eredményezte volna.

A 3. TÁBLÁZAT az együtthatókat használja a marcomm értékelés kiszámításához, vagyis az egyes járművek hozzájárulását a nettó bevételhez viszonyítva. Vagyis a közvetlen levél értékének kiszámításához a 12-es együtthatót megszorozzuk a küldött közvetlen levelek átlagos számával (109), így 1,305 dollár jut. Az ügyfelek átlagosan 4,057 dollárt költenek. Így 1,305 4,057 USD / 26.8 XNUMX USD = XNUMX%. Ez azt jelenti, hogy a közvetlen postai küldemények a teljes nettó bevétel közel 27% -át tették ki. A megtérülés szempontjából 109 közvetlen levél 1,305 dollárt generál. Ha egy katalógus ára 45 dollár, akkor ROI = (1,305 55 USD - 55 USD) / 2300 USD = XNUMX%!

Mivel az ár nem volt független változó, általában arra a következtetésre jutottak, hogy az ár hatása az állandóban van eltemetve. Ebben az esetben az 5039 állandó magában foglalja az árat, az esetleges egyéb hiányzó változókat és egy véletlenszerű hibát, vagyis a nettó bevétel körülbelül 83% -át.

3 TÁBLÁZAT

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

Következtetés

A szokásos regresszió alternatívát kínál a betekintéshez a piszkos adatokkal szemben, amint ez egy vállalati tesztelési séma esetében gyakran előfordul. A regresszió hozzájárul a nettó bevételhez, valamint üzleti megtérülést jelent a megtérülés szempontjából. A szokásos regresszió alternatív technika a marcomm értékelése szempontjából.

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

2 Comments

  1. 1

    Szép alternatíva egy gyakorlati kérdésnek, Mike.
    Gondolom, ahogyan tette, a közvetlen előző hetekben nincs átfedés a célkommunikátorokkal. Ellenkező esetben lenne auto-regresszív és / vagy késleltetett komponensed?

  2. 2

    Ha az optimalizálással kapcsolatos kritikáit szívére vesszük, hogyan lehetne felhasználni ezt a modellt a csatorna kiadások optimalizálására?

Mit gondolsz?

Ez az oldal Akismet-et használ a levélszemét csökkentése érdekében. Ismerje meg, hogyan dolgozik a megjegyzésed.