Marcom-waardasie: 'n alternatief vir A / B-toetsing
Ons wil dus altyd weet hoe marcom (bemarkingskommunikasie) presteer, sowel as 'n voertuig as vir 'n individuele veldtog. By die evaluering van marcom is dit algemeen om eenvoudige A / B-toetsing te gebruik. Dit is 'n tegniek waarin ewekansige steekproefneming twee selle bevat vir veldtogbehandeling.
Een sel kry die toets en die ander sel nie. Dan word die responskoers of netto inkomste tussen die twee selle vergelyk. As die toetssel beter presteer as die beheersel (binne die toetsparameters van hysbak, vertroue, ens.) Word die veldtog as beduidend en positief beskou.
Waarom doen iets anders?
Hierdie prosedure het egter geen insiggenerering nie. Dit optimaliseer niks, word in 'n vakuum uitgevoer, gee geen implikasies vir strategie nie en daar is geen kontroles vir ander stimuli nie.
Tweedens word die toets al te dikwels besoedel deurdat ten minste een van die selle per ongeluk ander aanbiedinge, handelsmerke, kommunikasie, ens. Ontvang het. Hoeveel keer is die toetsuitslae as onoortuigend, selfs nie-sinies, beskou? Hulle toets dus weer en weer. Hulle leer niks, behalwe dat toets nie werk nie.
Daarom beveel ek aan dat u gewone regressie gebruik om alle ander stimuli te beheer. Regressie-modellering gee ook insig in die waardering van marcom wat 'n ROI kan genereer. Dit word nie in 'n vakuum gedoen nie, maar bied opsies as 'n portefeulje om die begroting te optimaliseer.
'N Voorbeeld
Gestel ons het twee e-posse getoets, toets teen kontrole en die resultate het nie-sinies teruggekom. Toe kom ons agter dat ons handelsmerkafdeling per ongeluk 'n e-posstuk na (meestal) die kontrolegroep gestuur het. Hierdie stuk is nie (deur ons) beplan nie en het ook nie rekening gehou met die willekeurige keuse van die toetsselle nie. Dit wil sê dat die besigheid soos gewoonlik die gewone e-pos gekry het, maar die toetsgroep - wat uitgehou is - nie. Dit is baie tipies in 'n onderneming waarin een groep nie werk of met 'n ander sake-eenheid kommunikeer nie.
In plaas daarvan om te toets waarin elke ry 'n klant is, stel ons die gegewens op volgens die periode, sê ons weekliks. Ons tel die aantal toets-e-posse, beheer-e-posse en direkte e-posse wat per week gestuur word, per week op. Ons sluit ook binêre veranderlikes in om die seisoen te verreken, in hierdie geval kwartaalliks. TABEL 1 toon 'n gedeeltelike lys van die aggregate met die e-postoets wat in week 10 begin. Nou doen ons 'n model:
Die gewone regressiemodel soos hierbo geformuleer lewer TABEL 2-uitset. Sluit enige ander onafhanklike veranderlikes van belang in. Daar moet veral op gelet word dat (netto) prys as 'n onafhanklike veranderlike uitgesluit word. Dit is omdat netto inkomste die afhanklike veranderlike is en bereken word as (netto) prys * hoeveelheid.
TABEL 1
week | em_toets | em_cntrl | dir_pos | 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 |
Om prys as 'n onafhanklike veranderlike in te sluit, beteken om prys aan beide kante van die vergelyking te hê, wat onvanpas is. (My boek, Bemarkingsanalise: 'n praktiese gids tot regte bemarkingswetenskap, gee uitgebreide voorbeelde en ontleding van hierdie analitiese probleem.) Die aangepaste R2 vir hierdie model is 64%. (Ek het q4 laat val om die dummy trap te vermy.) Emc = beheer e-pos en emt = toets e-pos. Al die veranderlikes is betekenisvol op die 95% -vlak.
TABEL 2
dm | emc | EMTs | konst | ||||
---|---|---|---|---|---|---|---|
koëffis | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
st fout | 474.1 | 487.2 | 828.1 | 2.5 | 22.4 | 30.8 | |
t-verhouding | -2 | -2.88 | -2.77 | 4.85 | 1.97 | 2.49 |
Wat die e-postoets betref, het die toets-e-pos met 77 vs 44 beter as die e-postoets gevaar en was dit baie belangriker. Die toets-e-pos het dus rekening gehou met ander dinge. Hierdie insigte kom selfs wanneer die data besoedel word. 'N A / B-toets sou dit nie lewer nie.
TABEL 3 bevat die koëffisiënte om die marcomm-waardasie te bereken, 'n bydrae van elke voertuig in terme van die netto inkomste. Om die waarde van direkte pos te bereken, word die koëffisiënt van 12 vermenigvuldig met die gemiddelde aantal direkte e-posse wat 109 gestuur word om $ 1,305 4,057 te kry. Klante bestee gemiddeld $ XNUMX XNUMX. Dus $ 1,305 / $ 4,057 = 26.8%. Dit beteken direkte pos het byna 27% van die totale netto inkomste bygedra. In terme van ROI genereer 109 direkte e-pos $ 1,305. As 'n katalogus $ 45 kos, dan ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!
Omdat prys nie onafhanklik veranderlik was nie, word die gevolgtrekking gewoonlik gemaak dat die impak van die prys konstant is. In hierdie geval bevat die konstante van 5039 prys, enige ander ontbrekende veranderlikes en 'n ewekansige fout, of ongeveer 83% van die netto inkomste.
TABEL 3
dm | emc | EMTs | konst | ||||
---|---|---|---|---|---|---|---|
Koëff | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
beteken | 0.37 | 0.37 | 0.11 | 109.23 | 6.11 | 4.94 | 1 |
$4,875 | - $ 352 | - $ 521 | - $ 262 | $1,305 | $269 | $379 | $4,057 |
waarde | -7.20% | -10.70% | -5.40% | 26.80% | 5.50% | 7.80% | 83.20% |
Gevolgtrekking
Gewone regressie bied 'n alternatief om insig te gee in die lig van vuil data, soos gewoonlik in 'n korporatiewe toetsskema. Regressie lewer ook 'n bydrae tot netto inkomste sowel as 'n saaklike saak vir ROI. Gewone regressie is 'n alternatiewe tegniek in terme van marcomm-waardasie.