Penilaian Marcom: Alternatif untuk Ujian A / B

sfera dimensi

Oleh itu, kami sentiasa ingin tahu bagaimana marcom (komunikasi pemasaran) berkinerja baik sebagai kendaraan dan untuk kempen individu. Dalam menilai marcom adalah biasa menggunakan ujian A / B yang sederhana. Ini adalah teknik di mana pengambilan sampel secara rawak mengisi dua sel untuk rawatan kempen.

Satu sel mendapat ujian dan sel yang lain tidak akan berjaya. Kemudian kadar tindak balas atau pendapatan bersih dibandingkan antara dua sel. Sekiranya sel ujian melebihi sel kawalan (dalam parameter pengujian peningkatan, keyakinan, dll.), Kempen tersebut dianggap signifikan dan positif.

Mengapa Sesuatu Yang Lain?

Walau bagaimanapun, prosedur ini kekurangan penjanaan wawasan. Ia tidak mengoptimumkan apa-apa, dilakukan dalam keadaan hampa, tidak memberikan implikasi terhadap strategi dan tidak ada kawalan untuk rangsangan lain.

Kedua, terlalu sering, ujian itu tercemar kerana sekurang-kurangnya satu sel secara tidak sengaja menerima tawaran lain, mesej jenama, komunikasi, dan lain-lain. Berapa kali keputusan ujian dianggap tidak meyakinkan, malah tidak sensitif? Oleh itu, mereka menguji lagi dan lagi. Mereka tidak belajar apa-apa, kecuali bahawa ujian tidak berjaya.

Itulah sebabnya saya mengesyorkan menggunakan regresi biasa untuk mengawal semua rangsangan lain. Pemodelan regresi juga memberi pandangan mengenai penilaian marcom yang dapat menghasilkan ROI. Ini tidak dilakukan dalam keadaan kosong, tetapi menyediakan pilihan sebagai portfolio untuk mengoptimumkan anggaran.

Contoh

Katakan kami menguji dua e-mel, ujian berbanding kawalan dan hasilnya kembali tidak masuk akal. Kemudian kami mendapat tahu bahawa jabatan jenama kami secara tidak sengaja menghantar sekeping surat terus kepada (kebanyakan) kumpulan kawalan. Bahagian ini tidak dirancang (oleh kami) atau diambil kira dalam memilih sel ujian secara rawak. Maksudnya, kumpulan perniagaan-seperti-biasa mendapat surat terus biasa tetapi kumpulan ujian-yang ditahan-tidak. Ini sangat biasa di sebuah syarikat, di mana satu kumpulan tidak berfungsi atau berkomunikasi dengan unit perniagaan yang lain.

Oleh itu, bukannya menguji di mana setiap baris adalah pelanggan, kami mengumpulkan data mengikut jangka masa, katakan setiap minggu. Kami menambah, setiap minggu, jumlah e-mel ujian, e-mel kawalan dan surat terus yang dihantar. Kami juga menyertakan pemboleh ubah binari untuk dipertimbangkan musim, dalam kes ini setiap suku tahun. JADUAL 1 menunjukkan senarai sebahagian agregat dengan ujian e-mel mulai minggu 10. Sekarang kita melakukan model:

bersih \ _rev = f (em \ _test, em \ _cntrl, dir \ _mail, q_1, q_2, q_3, dll)

Model regresi biasa seperti yang dirumuskan di atas menghasilkan output TABLE 2. Sertakan sebarang pemboleh ubah bebas yang berminat. Yang perlu diberi perhatian ialah harga (bersih) dikecualikan sebagai pemboleh ubah bebas. Ini kerana pendapatan bersih adalah pemboleh ubah bersandar dan dikira sebagai (bersih) harga * kuantiti.

TABLE 1

minggu 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

Untuk memasukkan harga sebagai pemboleh ubah bebas bermaksud mempunyai harga pada kedua sisi persamaan, yang tidak sesuai. (Buku saya, Analisis Pemasaran: Panduan Praktikal untuk Sains Pemasaran Sebenar, memberikan contoh yang luas dan analisis masalah analitik ini.) R2 yang disesuaikan untuk model ini adalah 64%. (Saya menjatuhkan q4 untuk mengelakkan perangkap dummy.) Emc = e-mel kawalan dan emt = e-mel ujian. Semua pemboleh ubah adalah signifikan pada tahap 95%.

TABLE 2

q_3 q_2 q_1 dm emc EMT malar
pekali -949 -1,402 -2,294 12 44 77 5,039
st err 474.1 487.2 828.1 2.5 22.4 30.8
nisbah t -2 -2.88 -2.77 4.85 1.97 2.49

Dari segi ujian e-mel, e-mel ujian mengatasi e-mel kawalan sebanyak 77 vs 44 dan jauh lebih penting. Oleh itu, dengan mengambil kira perkara lain, e-mel ujian berjaya. Pandangan ini datang walaupun data tercemar. Ujian A / B tidak akan menghasilkan ini.

JADUAL 3 mengambil pekali untuk mengira penilaian marcomm, sumbangan setiap kenderaan dari segi pendapatan bersih. Maksudnya, untuk mengira nilai surat terus, pekali 12 didarabkan dengan jumlah purata surat langsung yang dihantar sebanyak 109 untuk mendapatkan $ 1,305. Pelanggan membelanjakan jumlah purata $ 4,057. Oleh itu $ 1,305 / $ 4,057 = 26.8%. Ini bermaksud surat terus menyumbang hampir 27% daripada jumlah pendapatan bersih. Dari segi ROI, 109 surat terus menghasilkan $ 1,305. Sekiranya katalog berharga $ 45 maka ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!

Oleh kerana harga bukan pemboleh ubah tidak bersandar, biasanya disimpulkan bahawa kesan harga terkubur dalam pemalar. Dalam kes ini, pemalar 5039 merangkumi harga, sebarang pemboleh ubah lain yang hilang dan ralat rawak, atau sekitar 83% dari pendapatan bersih.

TABLE 3

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

Kesimpulan

Regresi biasa menawarkan alternatif untuk memberikan pandangan mengenai data kotor, seperti yang sering berlaku dalam skema ujian korporat. Regresi juga memberikan sumbangan kepada pendapatan bersih dan juga kes perniagaan untuk ROI. Regresi biasa adalah teknik alternatif dari segi penilaian marcomm.

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

2 Komen

  1. 1

    Alternatif yang baik untuk masalah praktikal, Mike.
    Seperti yang telah anda lakukan, saya rasa tidak ada tumpang tindih sasaran komunikasi dalam minggu-minggu sebelumnya. Jika tidak, adakah anda mempunyai komponen regresi automatik dan / atau kelewatan masa?

  2. 2

    Mengingat kritikan anda mengenai pengoptimuman, bagaimana mungkin seseorang menggunakan model ini untuk mengoptimumkan perbelanjaan saluran?

Apa yang anda fikir?

Laman web ini menggunakan Akismet untuk mengurangkan spam. Ketahui bagaimana data komen anda diproses.