Valoración Marcom: unha alternativa ás probas A / B
Por iso, sempre queremos saber como facelo marcom (comunicacións de mercadotecnia) está a funcionar, tanto como vehículo como para unha campaña individual. Na avaliación de marcom é común empregar probas A / B sinxelas. Esta é unha técnica na que a mostraxe aleatoria completa dúas células para o tratamento da campaña.
Unha cela recibe a proba e a outra non. Entón compárase a taxa de resposta ou os ingresos netos entre as dúas celas. Se a cela de proba supera á cela de control (dentro dos parámetros de proba de elevación, confianza, etc.) a campaña considérase significativa e positiva.
Por que algo máis?
Non obstante, este procedemento carece de xeración de información. Non optimiza nada, realízase no baleiro, non ten implicacións para a estratexia e non hai controis para outros estímulos.
En segundo lugar, con demasiada frecuencia, a proba está contaminada porque polo menos unha das celas recibiu accidentalmente outras ofertas, mensaxes de marca, comunicacións, etc. Así que proban unha e outra vez. Non aprenden nada, agás que as probas non funcionan.
É por iso que recomendo usar a regresión ordinaria para controlar todos os demais estímulos. Modelado de regresión tamén ofrece información sobre a valoración de marcom que pode xerar un ROI. Isto non se fai no baleiro, senón que ofrece opcións como carteira para optimizar o orzamento.
Un exemplo
Digamos que estabamos probando dous correos electrónicos, proba vs. control e os resultados volveron sen sentido. Entón descubrimos que o noso departamento de marca enviou accidentalmente un correo directo (principalmente) ao grupo de control. Esta peza non foi planificada (por nós) nin contabilizada na elección aleatoria das células de proba. É dicir, o grupo como sempre recibiu o correo directo habitual pero o grupo de proba, que se mantivo, non. Isto é moi típico nunha corporación, onde un grupo non traballa nin se comunica con outra unidade de negocio.
Polo tanto, en vez de probar onde cada fila é un cliente, acumulamos os datos por período de tempo, digamos semanalmente. Sumamos, por semana, o número de correos electrónicos de proba, correos electrónicos de control e correos directos enviados. Tamén incluímos variables binarias para contabilizar a tempada, neste caso trimestral. A TÁBOA 1 mostra unha lista parcial dos agregados coa proba de correo electrónico a partir da semana 10. Agora facemos un modelo:
O modelo de regresión ordinario como se formulou anteriormente produce a saída da TÁBOA 2. Inclúe calquera outra variable de interese independente. Cabe destacar que o prezo (neto) está excluído como variable independente. Isto ocorre porque os ingresos netos son a variable dependente e calcúlanse como prezo (neto) * cantidade.
TABLA 1
semana | em_proba | em_cntrl | dir_mail | rede_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 |
Incluír o prezo como variable independente significa ter prezo a ambos os dous lados da ecuación, o que é inadecuado. (O meu libro, Análise de mercadotecnia: unha guía práctica para a ciencia do mercadotecnia real, ofrece amplos exemplos e análise deste problema analítico.) O R2 axustado para este modelo é do 64%. (Caín q4 para evitar a trampa ficticia.) Emc = correo electrónico de control e emt = correo electrónico de proba. Todas as variables son significativas no nivel do 95%.
TABLA 2
dm | emc | emt | const | ||||
---|---|---|---|---|---|---|---|
coef | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
st erro | 474.1 | 487.2 | 828.1 | 2.5 | 22.4 | 30.8 | |
relación t | -2 | -2.88 | -2.77 | 4.85 | 1.97 | 2.49 |
En canto á proba de correo electrónico, o correo electrónico de proba superou ao de control de 77 contra 44 e foi moito máis significativo. Así, tendo en conta outras cousas, o correo electrónico de proba funcionou. Estas visións chegan incluso cando os datos están contaminados. Unha proba A / B non produciría isto.
A TÁBOA 3 toma os coeficientes para calcular a valoración marcomm, unha contribución de cada vehículo en termos de ingresos netos. É dicir, para calcular o valor do correo directo, o coeficiente de 12 multiplícase polo número medio de correos directos enviados de 109 para obter 1,305 dólares. Os clientes gastan unha cantidade media de 4,057 dólares. Así 1,305 $ / 4,057 $ = 26.8%. Isto significa que o correo directo contribuíu con case o 27% do total dos ingresos netos. En termos de ROI, 109 correos directos xeran 1,305 dólares. Se un catálogo custa 45 dólares, entón ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!
Debido a que o prezo non era unha variable independente, normalmente conclúese que o impacto do prezo está enterrado na constante. Neste caso, a constante de 5039 inclúe o prezo, calquera outra variable que falta e un erro aleatorio, ou aproximadamente o 83% dos ingresos netos.
TABLA 3
dm | emc | emt | const | ||||
---|---|---|---|---|---|---|---|
Coeff | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
significar | 0.37 | 0.37 | 0.11 | 109.23 | 6.11 | 4.94 | 1 |
$4,875 | - $ 352 | - $ 521 | - $ 262 | $1,305 | $269 | $379 | $4,057 |
valor | -7.20% | -10.70% | -5.40% | 26.80% | 5.50% | 7.80% | 83.20% |
Conclusión
A regresión ordinaria ofreceu unha alternativa para proporcionar información fronte a datos sucios, como adoita suceder nun esquema de probas corporativas. A regresión tamén proporciona unha contribución aos ingresos netos, así como un caso de negocio para o ROI. A regresión ordinaria é unha técnica alternativa en termos de valoración marcomm.