Marcom-värdering: Ett alternativ till A / B-testning

dimensionell sfär

Så vi vill alltid veta hur marcom (marknadsföringskommunikation) fungerar, både som ett fordon och för en enskild kampanj. Vid utvärdering av marcom är det vanligt att använda enkla A / B-test. Detta är en teknik där slumpmässigt provtagning fyller två celler för kampanjbehandling.

En cell får testet och den andra cellen inte. Därefter jämförs svarsfrekvensen eller nettoomsättningen mellan de två cellerna. Om testcellen överträffar kontrollcellen (inom testparametrar för lyft, självförtroende etc.) anses kampanjen vara betydande och positiv.

Varför gör något annat?

Denna procedur saknar dock insiktsgenerering. Det optimerar ingenting, utförs i ett vakuum, ger inga konsekvenser för strategin och det finns inga kontroller för andra stimuli.

För det andra förorenas testet alltför ofta genom att åtminstone en av cellerna av misstag har fått andra erbjudanden, varumärkesmeddelanden, kommunikation etc. Hur många gånger har testresultaten bedömts vara otillräckliga, till och med icke-sensiska? Så de testar om och om igen. De lär sig ingenting, förutom att testning inte fungerar.

Det är därför jag rekommenderar att du använder vanlig regression för att kontrollera alla andra stimuli. Regressionsmodellering ger också insikter i värdering av marcom som kan generera en ROI. Detta görs inte i vakuum utan ger alternativ som en portfölj för att optimera budgeten.

Ett exempel

Låt oss säga att vi testade två e-postmeddelanden, test kontra kontroll och resultaten kom tillbaka icke-sensiska. Sedan fick vi reda på att vår varumärkesavdelning av misstag skickade en direktreklam till (mestadels) kontrollgruppen. Denna bit planerades inte (av oss) eller redovisades i slumpmässigt val av testceller. Det vill säga att gruppen som vanligt fick vanligt direktreklam men testgruppen - som hölls ute - inte. Detta är mycket typiskt i ett företag, där en grupp inte arbetar eller kommunicerar med en annan affärsenhet.

Så istället för att testa där varje rad är kund, rullar vi upp uppgifterna efter tidsperiod, säg varje vecka. Vi adderar, per vecka, antalet test-e-postmeddelanden, kontroll-e-postmeddelanden och direktmeddelanden som skickas ut. Vi inkluderar också binära variabler för att redovisa säsongen, i detta fall kvartalsvis. TABELL 1 visar en partiell lista över aggregaten med e-posttestet som börjar i vecka 10. Nu gör vi en modell:

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

Den vanliga regressionsmodellen som formulerats ovan producerar TABELL 2-utdata. Inkludera andra oberoende variabler av intresse. Särskilt märkbart bör vara att (nettopriset) exkluderas som en oberoende variabel. Detta beror på att nettoomsättningen är den beroende variabeln och beräknas som (netto) pris * kvantitet.

TABELL 1

vecka 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

Att inkludera pris som en oberoende variabel betyder att ha pris på båda sidor av ekvationen, vilket är olämpligt. (Min bok, Marknadsanalys: En praktisk guide till verklig marknadsföringsvetenskap, ger omfattande exempel och analys av detta analysproblem.) Den justerade R2 för denna modell är 64%. (Jag tappade Q4 för att undvika dummy-fällan.) Emc = kontroll-e-post och emt = test-e-post. Alla variabler är signifikanta på 95% -nivån.

TABELL 2

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

När det gäller e-posttestet överträffade test-e-postmeddelandet kontroll-e-postmeddelandet med 77 mot 44 och var mycket mer betydelsefullt. Således, för att redovisa andra saker, fungerade testmeddelandet. Dessa insikter kommer även när uppgifterna är förorenade. Ett A / B-test skulle inte ha lett till detta.

TABELL 3 tar koefficienterna för att beräkna marcomm-värdering, ett bidrag från varje fordon i termer av nettoomsättningen. Det vill säga, för att beräkna värdet av direktreklam multipliceras koefficienten 12 med det genomsnittliga antalet direktmeddelanden som skickas på 109 för att få $ 1,305 4,057. Kunderna spenderar i genomsnitt XNUMX XNUMX dollar. Således 1,305 $ / 4,057 $ = 26.8%. Det innebär att direktreklam bidrog med nästan 27% av den totala nettoomsättningen. När det gäller avkastning genererar 109 direktmeddelanden 1,305 45 dollar. Om en katalog kostar $ XNUMX då ROI = ($ 1,305 55 - $ 55) / $ 2300 = XNUMX%!

Eftersom priset inte var oberoende variabel dras man vanligtvis att prisets inverkan är begravd i konstant. I det här fallet inkluderar konstanten 5039 pris, andra saknade variabler och ett slumpmässigt fel, eller cirka 83% av nettoomsättningen.

TABELL 3

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

Slutsats

Vanlig regression erbjöd ett alternativ för att ge insikter inför smutsiga data, vilket ofta är fallet i ett företags testschema. Regression ger också ett bidrag till nettoomsättningen samt ett affärsfall för ROI. Vanlig regression är en alternativ teknik när det gäller värdering av marcomm.

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

2 Kommentarer

  1. 1

    Trevligt alternativ till en praktisk fråga, Mike.
    På det sätt du har gjort antar jag att det inte finns någon överlappning mellan målkommunikatörer under de närmaste föregående veckorna. Annars skulle du ha en auto-regressiv och / eller fördröjd komponent?

  2. 2

Vad tror du?

Den här sidan använder Akismet för att minska spam. Läs om hur din kommentardata behandlas.