Марцомова процена: алтернатива А / Б тестирању

димензионална сфера

Тако да увек желимо да знамо како марцом (маркетиншка комуникација) наступа, и као средство и за појединачну кампању. У процени марцома уобичајено је користити једноставно А / Б тестирање. Ово је техника којом случајно узорковање попуњава две ћелије за кампању.

Једна ћелија добија тест, а друга неће. Тада се упоређује стопа одзива или нето приход између две ћелије. Ако тест ћелија надмаши контролну ћелију (у оквиру параметара тестирања подизања, поузданости итд.), Кампања се сматра значајном и позитивном.

Зашто нешто друго?

Међутим, овом поступку недостаје генерирања увида. Ништа не оптимизује, изводи се у вакууму, не имплицира стратегију и не постоје контроле за друге стимулусе.

Друго, пречесто је тест загађен тиме што је бар једна од ћелија случајно добила друге понуде, поруке бренда, комуникације итд. Колико пута су резултати теста сматрани неутемељљивим, чак и несензибилним? Па тестирају поново и поново. Они не уче ништа, осим што тестирање не функционише.

Због тога препоручујем употребу уобичајене регресије за контролу свих осталих стимулуса. Моделовање регресије такође даје увид у процену марцома која може генерисати повраћај улагања. То се не ради у вакууму, већ пружа могућности као портфељ за оптимизацију буџета.

Пример

Рецимо да смо тестирали две е-адресе, тест насупрот контроли и резултати су се вратили не-сензибилно. Тада смо сазнали да је наш одјел за бренд случајно послао директну пошту (углавном) контролној групи. Овај део нисмо планирали (нити ми) нити смо узели у обзир случајним одабиром тест ћелија. Односно, група која је пословала као и обично добила је уобичајену директну пошту, али испитна група - која је задржана - није. Ово је врло типично за корпорацију у којој једна група не ради нити комуницира са другом пословном јединицом.

Дакле, уместо да тестирамо где је сваки ред клијент, податке сабирамо по временском периоду, рецимо недељно. Збрајамо по недељама број послатих тестних, контролних и директних порука. Укључујемо и бинарне променљиве како би се узело у обзир сезона, у овом случају тромесечно. ТАБЕЛА 1 приказује делимичну листу агрегата са тестом е-поште који почиње у 10. недељи. Сада радимо модел:

нет \ _рев = ф (ем \ _тест, ем \ _цнтрл, дир \ _маил, к_1, к_2, к_3 итд.)

Уобичајени регресиони модел, како је горе формулисан, даје ТАБЕЛУ 2 резултата. Укључите било које друге независне променљиве од интереса. Посебно треба приметити да је (нето) цена искључена као независна променљива. То је зато што је нето приход зависна променљива и израчунава се као (нето) цена * количина.

ТАБЕЛА КСНУМКС

недеља ем_тест ем_цнтрл дир_маил к_1 к_2 к_3 нет_рев
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

Укључити цену као независну променљиву значи имати цену на обе стране једначине, што је неприкладно. (Моја књига, Маркетинг аналитика: Практични водич за стварне науке о маркетингу, пружа опсежне примере и анализу овог аналитичког проблема.) Прилагођени Р2 за овај модел износи 64%. (Испустио сам к4 да бих избегао лажну замку.) Емц = контролна е-пошта и емт = тестна е-пошта. Све варијабле су значајне на нивоу од 95%.

ТАБЕЛА КСНУМКС

к_3 к_2 к_1 dm емц ЕМТс цонст
коеф -КСНУМКС -КСНУМКС -КСНУМКС 12 44 77 5,039
ст ерр 474.1 487.2 828.1 2.5 22.4 30.8
т-однос -2 -КСНУМКС -КСНУМКС 4.85 1.97 2.49

У погледу теста е-поште, тест е-пошта је надмашила контролну е-пошту за 77 наспрам 44 и била је много значајнија. Тако је, узимајући у обзир друге ствари, пробни имејл радио. Ова сазнања долазе чак и када су подаци загађени. А / Б тест ово не би произвео.

У ТАБЕЛИ 3 узимају се коефицијенти за израчунавање процене марком, допринос сваког возила у смислу нето прихода. Односно, за израчунавање вредности директне поште, коефицијент 12 се помножи са средњим бројем послатих директних порука од 109 да би се добило 1,305 долара. Купци у просеку потроше 4,057 америчких долара. Тако 1,305 $ / 4,057 $ = 26.8%. То значи да је директна пошта донела готово 27% укупног нето прихода. Што се тиче повраћаја улагања, 109 директних маилова доноси 1,305 УСД. Ако каталог тада кошта 45 УСД РОИ = (1,305 УСД - 55 УСД) / 55 УСД = 2300%!

Будући да цена није била независна променљива, обично се закључује да је утицај цене сахрањен у константи. У овом случају константа од 5039 укључује цену, било које друге променљиве које недостају и случајну грешку, или око 83% нето прихода.

ТАБЕЛА КСНУМКС

к_3 к_2 к_1 dm емц ЕМТс цонст
Цоефф -КСНУМКС -КСНУМКС -КСНУМКС 12 44 77 5,039
значити 0.37 0.37 0.11 109.23 6.11 4.94 1
$ 4,875 - $ КСНУМКС - $ КСНУМКС - $ КСНУМКС $ 1,305 $ 269 $ 379 $ 4,057
вредност -КСНУМКС% -КСНУМКС% -КСНУМКС% 100% 100% 100% 100%

Zakljucak

Уобичајена регресија нудила је алтернативу за пружање увида у лице прљавих података, као што је то често случај у корпорацијској шеми тестирања. Регресија такође доприноси нето приходу, као и пословни случај за повраћај улагања. Уобичајена регресија је алтернативна техника у погледу процене маркома.

ир? т = маркетингтецхблог 20 & л = ас2 & о = 1 & а = 0749474173

Komentari

  1. 1

    Лепа алтернатива практичном питању, Мике.
    На начин на који сте то учинили, претпостављам да нема преклапања циљних комуникатора у непосредним претходним недељама. У супротном, да ли бисте имали ауторегресивну и / или временски заосталу компоненту?

  2. 2

    Узимајући у обзир ваше критике на рачун оптимизације, како неко може користити овај модел за оптимизацију потрошње канала?

Шта ви мислите?

Ова страница користи Акисмет како би смањила нежељену пошту. Сазнајте како се ваш коментар обрађује.