Marcom-værdiansættelse: Et alternativ til A / B-test

dimensionelle sfære

Så vi vil altid vide hvordan Marcom (marketingkommunikation) udfører både som et køretøj og til en individuel kampagne. Ved evaluering af marcom er det almindeligt at anvende simpel A / B-test. Dette er en teknik, hvor tilfældig prøvetagning udfylder to celler til kampagnebehandling.

En celle får testen, og den anden celle ikke. Derefter sammenlignes svarprocent eller nettoomsætning mellem de to celler. Hvis testcellen overgår kontrolcellen (inden for testparametre for løft, tillid osv.) Anses kampagnen for at være signifikant og positiv.

Hvorfor gør noget andet?

Imidlertid mangler denne procedure generering af indsigt. Det optimerer intet, udføres i et vakuum, giver ingen konsekvenser for strategien, og der er ingen kontroller for andre stimuli.

For det andet er testen alt for ofte forurenet, idet mindst en af ​​cellerne ved et uheld har modtaget andre tilbud, brandmeddelelser, kommunikation osv. Hvor mange gange er testresultaterne blevet anset for ikke-endelige, endda ikke-sensiske? Så de tester igen og igen. De lærer intet, bortset fra at test ikke fungerer.

Derfor anbefaler jeg at bruge almindelig regression til at kontrollere for alle andre stimuli. Regressionsmodellering giver også indsigt i værdiansættelse af marcom, som kan generere et ROI. Dette gøres ikke i et vakuum, men giver muligheder som en portefølje til at optimere budgettet.

Et eksempel

Lad os sige, at vi testede to e-mails, test vs. kontrol, og resultaterne kom tilbage ikke-sensiske. Derefter fandt vi ud af, at vores brandafdeling ved et uheld sendte et direct mail-stykke til (for det meste) kontrolgruppen. Dette stykke var ikke planlagt (af os) og blev ikke taget højde for ved tilfældig valg af testceller. Det vil sige, at virksomheden-som-sædvanlig-gruppen fik den sædvanlige direkte mail, men testgruppen - som blev holdt ude - ikke. Dette er meget typisk i et selskab, hvor en gruppe ikke arbejder eller kommunikerer med en anden forretningsenhed.

Så i stedet for at teste, hvor hver række er kunde, ruller vi dataene op efter tidsperiode, siger ugentligt. Vi tilføjer, hver uge, antallet af test-e-mails, kontrol-e-mails og direkte mails sendt ud. Vi inkluderer også binære variabler til regnskab for sæsonen, i dette tilfælde kvartalsvis. TABEL 1 viser en delvis liste over aggregaterne med e-mail-testen, der starter i uge 10. Nu laver vi en model:

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

Den almindelige regressionsmodel som formuleret ovenfor producerer TABEL 2-output. Inkluder andre uafhængige variabler af interesse. Det skal især bemærkes, at (nettoprisen) er ekskluderet som en uafhængig variabel. Dette skyldes, at nettoomsætningen er den afhængige variabel og beregnes som (netto) pris * mængde.

TABEL 1

uge 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

At inkludere pris som en uafhængig variabel betyder at have pris på begge sider af ligningen, hvilket er upassende. (Min bog, Marketing Analytics: En praktisk guide til ægte markedsføringsvidenskab, giver omfattende eksempler og analyser af dette analytiske problem.) Den justerede R2 for denne model er 64%. (Jeg tabte q4 for at undgå dummy-fælden.) Emc = kontrol-e-mail og emt = test-e-mail. Alle variabler er signifikante på 95% niveau.

TABEL 2

q_3 q_2 q_1 dm emc emt const
koeff -949 -1,402 -2,294 12 44 77 5,039
st. fej 474.1 487.2 828.1 2.5 22.4 30.8
t-forhold -2 -2.88 -2.77 4.85 1.97 2.49

Med hensyn til e-mail-testen overgik test-e-mailen kontrol-e-mailen med 77 mod 44 og var meget mere signifikant. Således, der tegner sig for andre ting, fungerede test-e-mailen. Disse indsigter kommer, selv når dataene er forurenede. En A / B-test ville ikke have produceret dette.

TABEL 3 tager koefficienterne til beregning af marcomm-værdiansættelse, et bidrag fra hvert køretøj udtrykt i nettoomsætning. For at beregne værdien af ​​direct mail multipliceres koefficienten 12 med det gennemsnitlige antal direkte mails sendt på 109 for at få $ 1,305. Kunder bruger et gennemsnitligt beløb på $ 4,057. Dermed $ 1,305 / $ 4,057 = 26.8%. Det betyder, at direct mail bidrog med næsten 27% af den samlede nettoomsætning. Med hensyn til ROI genererer 109 direkte mails $ 1,305. Hvis et katalog koster $ 45, så ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!

Da pris ikke var uafhængig variabel, konkluderes det normalt, at prisens indvirkning er begravet i konstanten. I dette tilfælde inkluderer konstanten på 5039 pris, andre manglende variabler og en tilfældig fejl eller ca. 83% af nettoomsætningen.

TABEL 3

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

Konklusion

Almindelig regression tilbød et alternativ til at give indsigt i forhold til beskidte data, som det ofte er tilfældet i en virksomhedstestordning. Regression giver også et bidrag til nettoomsætningen såvel som en business case for ROI. Almindelig regression er en alternativ teknik med hensyn til marcomm-værdiansættelse.

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

2 Kommentarer

  1. 1

    Dejligt alternativ til et praktisk spørgsmål, Mike.
    På den måde, du har gjort, antager jeg, at der ikke er nogen overlapning af målkommunikatorer i de nærmeste forudgående uger. Ellers ville du have en auto-regressiv og / eller tidsforsinket komponent?

  2. 2

Hvad mener du?

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.