Вреднување на Марком: Алтернатива на тестирање на А / Б

димензионална сфера

Значи, секогаш сакаме да знаеме како марком (маркетинг комуникации) се изведува, како возило, така и за индивидуална кампања. При проценка на маркомот, вообичаено е да се користи едноставно А / Б тестирање. Ова е техника каде што случајното земање примероци опфаќа две клетки за третман на кампања.

Едната ќелија го добива тестот, а другата нема. Потоа, стапката на одговор или нето приходот се споредуваат помеѓу двете ќелии. Ако пробната ќелија ја надмине контролната ќелија (во рамките на параметрите за тестирање на подигнување, доверба, итн.), Кампањата се смета за значајна и позитивна.

Зошто нешто друго?

Сепак, оваа постапка нема генерација на увид. Ништо не оптимизира, се изведува во вакуум, не дава импликации за стратегијата и нема контроли за други стимули.

Второ, премногу често, тестот е загаден со тоа што барем една од ќелиите случајно примила други понуди, брендови пораки, комуникации, итн. Колку пати резултатите од тестот се сметаат за неубедливи, дури и несензитивни? Па тие тестираат повторно и повторно. Тие не учат ништо, освен дека тестирањето не работи.

Затоа препорачувам да користите обична регресија за контрола на сите други стимули. Регресивно моделирање исто така дава увид во вреднувањето на маркомот што може да генерира рентабилност. Ова не е направено во вакуум, но дава опции како портфолио за оптимизирање на буџетот.

Пример

Да речеме, тестиравме две е-пошта, тест наспроти контрола и резултатите се вратија несензуално. Потоа откривме дека нашиот оддел за брендови случајно испратил дел од директната пошта до (претежно) контролната група. Ова парче не беше испланирано (од наша страна), ниту даде сметка за случајно избирање на тест клетките. Тоа е, групата како што е вообичаено, ја доби вообичаената директна пошта, но тест групата - која се одржа - не. Ова е многу типично за една корпорација, при што една група не работи ниту комуницира со друга деловна единица.

Значи, наместо да тестираме каде секој ред е клиент, ние ги собираме податоците според временскиот период, да речеме неделно. Ние додаваме, по недела, бројот на тест-пораки, контролни електронски пораки и директни испратени пораки. Вклучуваме и бинарни варијабли за да се земе предвид сезоната, во овој случај квартално. ТАБЕЛА 1 покажува делумен список на агрегати со тестот за е-пошта што започнува во недела 10. Сега правиме модел:

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

Обичниот модел на регресија, како што е формулиран погоре, произведува ТАБЕЛА 2 излез. Вклучете ги сите други независни варијабли од интерес. Особено треба да се забележи дека (нето) цената е исклучена како независна променлива. Ова е затоа што нето приходот е зависна променлива и се пресметува како (нето) цена * количина.

ТАБЕЛА 1

недела ем-тест em_cntrl dir_mail q_1 q_2 q_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

Да се ​​вклучи цената како независна променлива значи да се има цена од обете страни на равенката, што е несоодветно. (Мојата книга, Аналитика за маркетинг: Практичен водич за наука за вистински маркетинг, дава обемни примери и анализа на овој аналитички проблем.) Прилагодениот R2 за овој модел е 64%. (Јас паднав q4 за да избегнам лажна стапица.) Emc = контролна е-пошта и emt = тест е-пошта. Сите варијабли се значајни на ниво од 95%.

ТАБЕЛА 2

q_3 q_2 q_1 dm emc емт const
коефициент -949 -1,402 -2,294 12 44 77 5,039
умре 474.1 487.2 828.1 2.5 22.4 30.8
t-сооднос -2 -2.88 -2.77 4.85 1.97 2.49

Во однос на тестот за е-пошта, тест-е-поштата ја надмина контролната е-пошта за 77 наспроти 44 и беше многу позначајна. Така, сметководствено за други работи, тест-пораката работеше. Овие сознанија доаѓаат дури и кога податоците се загадени. А / Б тест немаше да го произведе ова.

ТАБЕЛА 3 ги зема коефициентите за пресметување на вреднување на маркомот, придонес на секое возило во однос на нето приходот. Тоа е, за да се пресмета вредноста на директната пошта, коефициентот 12 се множи со просечниот број на испратени директни пораки од 109 за да се добијат 1,305 УСД. Клиентите трошат просечна сума од 4,057 американски долари. Така 1,305 УСД / 4,057 УСД = 26.8%. Тоа значи дека директната пошта придонела скоро 27% од вкупниот нето приход. Во однос на рентабилност, 109 директни пошти генерираат 1,305 УСД. Ако каталогот чини 45 долари, тогаш Рентабилност = (1,305 $ - 55 $) / 55 $ = 2300%!

Бидејќи цената не беше независна променлива, обично се заклучува дека влијанието на цената е закопано во константа. Во овој случај, константата од 5039 вклучува цена, сите други променливи што недостасуваат и случајна грешка, или околу 83% од нето приходот.

ТАБЕЛА 3

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

Заклучок

Обичната регресија понуди алтернатива за да обезбеди увид во лицето на валкани податоци, како што често се случува во корпоративната шема за тестирање. Регресијата исто така обезбедува придонес кон нето приходите, како и деловно дело за рентабилност. Обичната регресија е алтернативна техника во однос на вреднувањето на маркомот.

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

2 Коментари

  1. 1

    Добра алтернатива за практично прашање, Мајк.
    На начинот на кој го направивте, претпоставувам дека нема преклопување на целните комуникатори во непосредните претходни недели. Во спротивно, би имале авто-регресивна и/или компонента со временско задоцнување?

  2. 2

    Земајќи ги при срце вашите критики за оптимизацијата, како може да се користи овој модел за да се оптимизира трошењето на каналот?

Што мислите?

Оваа страница користи Akismet за намалување на спам. Научете како се обработува вашиот коментар.