Valoración Marcom: unha alternativa ás probas A / B

esfera dimensional

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:

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

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_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

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

q_3 q_2 q_1 dm emc emt const
coeff -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

q_3 q_2 q_1 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.

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

2 Comentarios

  1. 1

    Unha boa alternativa a un asunto práctico, Mike.
    Tal e como o fixeches, supoño que non hai solapamento de comunicadores de destino nas semanas inmediatas anteriores. Se non, terías un compoñente auto-regresivo e / ou atrasado no tempo?

  2. 2

¿Que pensas?

Este sitio usa Akismet para reducir o spam. Aprende a procesar os teus datos de comentarios.