Marcom vērtējums: alternatīva A / B testēšanai

dimensiju sfēra

Tāpēc mēs vienmēr gribam zināt, kā Marcom (mārketinga komunikācijas) darbojas gan kā līdzeklis, gan kā atsevišķa kampaņa. Novērtējot marcom, parasti izmanto vienkāršu A / B testēšanu. Tas ir paņēmiens, kurā izlases veida paraugu ņemšana aizpilda divas šūnas kampaņas ārstēšanai.

Viena šūna saņem testu, bet otra - ne. Tad starp abām šūnām tiek salīdzināts atbildes līmenis vai neto ieņēmumi. Ja testa šūna pārspēj kontroles šūnu (paaugstināšanas, ticamības utt. Pārbaudes parametru ietvaros), kampaņa tiek uzskatīta par nozīmīgu un pozitīvu.

Kāpēc darīt kaut ko citu?

Tomēr šai procedūrai trūkst ieskatu. Tas neko optimizē, tiek veikts vakuumā, neietekmē stratēģiju un nav citu stimulu kontroles.

Otrkārt, pārāk bieži tests tiek piesārņots ar to, ka vismaz viena no šūnām nejauši ir saņēmusi citus piedāvājumus, zīmola ziņojumus, saziņu utt. Cik reizes testa rezultāti ir uzskatīti par nepārliecinošiem, pat nejūtīgiem? Tāpēc viņi testē atkal un atkal. Viņi neko nemācās, izņemot to, ka testēšana nedarbojas.

Tāpēc es iesaku izmantot parasto regresiju, lai kontrolētu visus pārējos stimulus. Regresijas modelēšana sniedz arī ieskatu marcom vērtēšanā, kas var radīt IA. Tas netiek darīts vakuumā, bet gan piedāvā iespējas kā portfeli, lai optimizētu budžetu.

Piemērs

Pieņemsim, ka mēs pārbaudījām divus e-pastus, pārbaudi un kontroli, un rezultāti atgriezās nejutīgi. Tad mēs uzzinājām, ka mūsu zīmolu nodaļa nejauši nosūtīja tiešā pasta sūtījumu (galvenokārt) kontroles grupai. Šis gabals nebija paredzēts (mēs), un tas netika ņemts vērā, nejauši izvēloties testa šūnas. Tas ir, ierasto lietu grupa saņēma parasto tiešo pastu, bet testa grupa, kas tika izlikta, nesaņēma. Tas ir ļoti raksturīgi korporācijā, kur viena grupa nestrādā un nesazinās ar citu biznesa vienību.

Tāpēc tā vietā, lai pārbaudītu, kur katra rinda ir klients, mēs apkopojam datus pēc laika perioda, teiksim, katru nedēļu. Pēc nedēļām mēs summējam izsūtīto testa e-pastu, kontroles e-pastu un tiešo pastu skaitu. Mēs iekļaujam arī bināros mainīgos, lai ņemtu vērā sezonu, šajā gadījumā reizi ceturksnī. 1. TABULĀ parādīts daļējs apkopojumu saraksts ar e-pasta pārbaudi, kas sākas 10. nedēļā. Tagad mēs izveidojam modeli:

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

Iepriekš formulētais parastais regresijas modelis rada 2. TABULAS izvadi. Iekļaujiet visus citus interesējošos neatkarīgos mainīgos. Īpaši jāatzīmē, ka (neto) cena tiek izslēgta kā neatkarīgs mainīgais. Tas ir tāpēc, ka tīrie ieņēmumi ir atkarīgs mainīgais un tiek aprēķināti kā (neto) cena * daudzums.

1 TABULA

nedēļa 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

Cenas iekļaušana kā neatkarīgs mainīgais nozīmē, ka cena ir vienādojuma abās pusēs, kas nav piemēroti. (Mana grāmata, Mārketinga analīze: reālas mārketinga zinātnes praktisks ceļvedis, sniedz plašus šīs analītiskās problēmas piemērus un analīzi.) Šim modelim koriģētais R2 ir 64%. (Es nometu q4, lai izvairītos no fiktīvās lamatas.) Emc = kontroles e-pasts un emt = testa e-pasts. Visi mainīgie ir nozīmīgi 95% līmenī.

2 TABULA

q_3 q_2 q_1 dm Emc EMTs const
koefs -949 -1,402 -2,294 12 44 77 5,039
st kļūdīties 474.1 487.2 828.1 2.5 22.4 30.8
t attiecība -2 -2.88 -2.77 4.85 1.97 2.49

E-pasta pārbaudes ziņā testa e-pasts pārspēja kontroles e-pastu par 77 pret 44 un bija daudz nozīmīgāks. Tādējādi, ņemot vērā citas lietas, testa e-pasts darbojās. Šīs atziņas rodas pat tad, ja dati ir piesārņoti. A / B tests to nebūtu radījis.

3. TABULA ņem koeficientus, lai aprēķinātu marcomm vērtējumu, katra transportlīdzekļa ieguldījumu tīro ieņēmumu izteiksmē. Tas ir, lai aprēķinātu tiešā pasta vērtību, koeficients 12 tiek reizināts ar vidējo nosūtīto tiešo pastu skaitu 109, lai iegūtu 1,305 USD. Klienti iztērē vidēji 4,057 USD. Tādējādi 1,305 4,057 USD / 26.8 XNUMX USD = XNUMX%. Tas nozīmē, ka tiešais pasts veidoja gandrīz 27% no kopējiem neto ieņēmumiem. IA izteiksmē 109 tiešie sūtījumi rada 1,305 USD. Ja katalogs maksā 45 USD, tad IA = (1,305 55 USD - 55 USD) / 2300 USD = XNUMX%!

Tā kā cena nebija neatkarīgs mainīgais, parasti tiek secināts, ka cenas ietekme tiek apglabāta konstante. Šajā gadījumā konstante 5039 ietver cenu, visus citus trūkstošos mainīgos un nejaušu kļūdu jeb aptuveni 83% no neto ieņēmumiem.

3 TABULA

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

Secinājumi

Parastā regresija piedāvāja alternatīvu, lai sniegtu ieskatu netīro datu priekšā, kā tas bieži notiek korporatīvās testēšanas shēmā. Regresija nodrošina arī ieguldījumu neto ieņēmumos, kā arī uzņēmējdarbības pamatu ROI. Parastā regresija ir alternatīva tehnika marcomm vērtēšanas ziņā.

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

2 Komentāri

  1. 1

    Jauka alternatīva praktiskam jautājumam, Maik.
    Tādā veidā, kā jūs to darījāt, es domāju, ka tiešajās iepriekšējās nedēļās mērķa komunikatori nepārklājas. Pretējā gadījumā jums būtu automātiski regresīvs un / vai laika kavēts komponents?

  2. 2

Ko jūs domājat?

Šī vietne izmanto Akismet, lai samazinātu surogātpastu. Uzziniet, kā tiek apstrādāts jūsu komentārs.