Marcom- ի գնահատում. A / B թեստավորման այլընտրանք

ծավալային ոլորտ

Այսպիսով, մենք միշտ ուզում ենք իմանալ, թե ինչպես մարոմ (շուկայավարման հաղորդակցություն) կատարում է կատարումը ՝ թե՛ որպես փոխադրամիջոց, և թե՛ անհատական ​​արշավ: Marcom- ը գնահատելիս ընդունված է օգտագործել պարզ A / B փորձարկում: Սա տեխնիկա է, երբ պատահական ընտրանքը հավաքում է երկու բջիջ քարոզչական բուժման համար:

Մեկ բջիջը ստանում է թեստ, իսկ մյուսը `ոչ: Այնուհետև արձագանքման մակարդակը կամ զուտ եկամուտը համեմատվում է երկու բջիջների միջև: Եթե ​​փորձարկման բջիջը գերազանցում է կառավարման բջիջը (բարձրացման, վստահության և այլն փորձարկման պարամետրերի սահմաններում) արշավը համարվում է նշանակալից և դրական:

Ինչու՞ այլ բան անել:

Այնուամենայնիվ, այս ընթացակարգը չունի խորաթափանցություն առաջ բերելը: Այն ոչնչի չի օպտիմիզացնում, կատարվում է վակուումում, որևէ ազդեցություն չի տալիս ռազմավարության համար և չկան վերահսկողություններ այլ խթանների համար:

Երկրորդ, շատ հաճախ, թեստը աղտոտվում է նրանով, որ բջիջներից գոնե մեկը պատահաբար ստացել է այլ առաջարկներ, ապրանքանիշի հաղորդագրություններ, հաղորդակցություններ և այլն: Քանի՞ անգամ է թեստի արդյունքները համարվել անհամոզիչ, նույնիսկ ոչ զգայական: Այսպիսով, նրանք կրկին ու կրկին փորձարկում են: Նրանք ոչինչ չեն սովորում, բացի նրանից, որ թեստավորումը չի գործում:

Այդ պատճառով ես խորհուրդ եմ տալիս օգտագործել սովորական հետընթաց ՝ վերահսկելու մնացած բոլոր խթանները: Հետընթաց մոդելավորում նաև տալիս է հասկացություն marcom- ի գնահատման վերաբերյալ, որը կարող է առաջացնել ROI: Դա չի արվում վակուումի մեջ, բայց բյուջեն օպտիմալացնելու համար պորտֆել է տալիս տարբերակներ:

Օրինակ

Ասենք, որ մենք փորձարկում էինք երկու էլփոստ, փորձարկում ընդդեմ կառավարման, և արդյունքները վերադարձան ոչ զգայական: Հետո իմացանք, որ մեր ապրանքանիշի բաժինը պատահաբար ուղիղ փոստի կտոր է ուղարկել (հիմնականում) վերահսկիչ խմբին: Այս կտորը չի պլանավորվել (մեր կողմից) և չի հաշվարկվել փորձարկման բջիջները պատահականորեն ընտրելու մեջ: Այսինքն ՝ գործը, ինչպես միշտ, խումբը ստանում էր սովորական ուղիղ փոստ, բայց անցկացված թեստային խումբը ՝ ոչ: Սա շատ բնորոշ է այն կորպորացիայում, որտեղ մի խումբ չի աշխատում և չի շփվում մեկ այլ ձեռնարկության հետ:

Այսպիսով, փոխարենը փորձարկելու, որտեղ յուրաքանչյուր տող հաճախորդ է, մենք հավաքում ենք տվյալները ըստ ժամանակահատվածի, ասենք շաբաթական: Մենք ավելացնում ենք ըստ շաբաթվա ուղարկվող փորձնական էլ. Փոստի, հսկիչ էլ. Փոստի և ուղղակի նամակների քանակը: Մենք նաև ներառում ենք երկուական փոփոխականներ `սեզոնը հաշվարկելու համար, այս դեպքում` եռամսյակային: Աղյուսակ 1-ը ցույց է տալիս ագրեգատների մասնակի ցուցակ, որը սկսվում է էլեկտրոնային փոստի թեստով `սկսած 10-րդ շաբաթից: Այժմ մենք կատարում ենք մի մոդել.

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

Վերևում ձևակերպված սովորական ռեգրեսիայի մոդելը արտադրում է աղյուսակ 2-ի արդյունքը: Ներառեք հետաքրքրության ցանկացած այլ անկախ փոփոխական: Հատուկ ուշադրություն պետք է դարձնել այն փաստին, որ (զուտ) գինը բացառվում է որպես անկախ փոփոխական: Դա պայմանավորված է նրանով, որ զուտ եկամուտը կախված փոփոխականն է և հաշվարկվում է որպես (զուտ) գին * քանակ.

TABLE 1

շաբաթ 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

Գինը որպես անկախ փոփոխական ներառելը նշանակում է հավասարության երկու կողմերում ունենալ գին, ինչը անտեղի է: (Իմ գիրքը, Շուկայավարման վերլուծություն. Իրական շուկայավարման գիտության գործնական ուղեցույց, տալիս է այս վերլուծական խնդրի լայնածավալ օրինակներ և վերլուծություն:) Այս մոդելի ճշգրտված R2- ը 64% է: (Ես ցած գցեցի q4- ը ՝ կեղծ ծուղակից խուսափելու համար:) emc = կառավարման էլ. Փոստ և emt = թեստային էլ. Բոլոր փոփոխականները էական են 95% մակարդակում:

TABLE 2

q_3 q_2 q_1 dm էմս էմթ const
գործակից 949 - 1,402 - 2,294 - 12 44 77 5,039
սխալվում է 474.1 487.2 828.1 2.5 22.4 30.8
t- հարաբերակցությունը -2 2.88 - 2.77 - 4.85 1.97 2.49

Էլ.փոստի թեստի առումով, թեստային էլ.փոստը գերազանցեց հսկիչ էլ.փոստը 77-ը 44-ի համեմատ և շատ ավելի նշանակալից էր: Այսպիսով, հաշվարկելով այլ բաներ, փորձարկման էլ. Փոստը գործեց: Այս պատկերացումները գալիս են նույնիսկ այն ժամանակ, երբ տվյալներն աղտոտվում են: A / B թեստը դա չէր տա:

Աղյուսակ 3-ը վերցնում է գործակիցները `հաշվարկելու համար մարկոմի գնահատումը, յուրաքանչյուր մեքենայի ներդրումը զուտ եկամտի տեսանկյունից: Այսինքն ՝ ուղղակի փոստի արժեքը հաշվարկելու համար 12 գործակիցը բազմապատկվում է 109 ուղարկված ուղիղ նամակների միջին քանակի վրա ՝ 1,305 դոլար ստանալու համար: Հաճախորդները ծախսում են միջին հաշվով 4,057 դոլար: Այսպիսով $ 1,305 / $ 4,057 = 26.8%, Դա նշանակում է, որ ուղիղ փոստը ներդրել է ընդհանուր զուտ եկամտի գրեթե 27% -ը: ROI- ի տեսանկյունից, 109 ուղղակի փոստով ստացվում է $ 1,305: Եթե ​​կատալոգի արժեքը $ 45 է, ապա այդ դեպքում ROI = (1,305 $ - 55 $) / 55 $ = 2300%!

Քանի որ գինը անկախ փոփոխական չէր, սովորաբար եզրակացվում է, որ գնի ազդեցությունը թաղված է հաստատունի մեջ: Այս դեպքում 5039 հաստատունը ներառում է գինը, ցանկացած այլ բացակայող փոփոխական և պատահական սխալ կամ զուտ եկամտի շուրջ 83% -ը:

TABLE 3

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

եզրափակում

Սովորական ռեգրեսիան այլընտրանք առաջարկեց կեղտոտ տվյալների դեմ պատկերացում կազմելու համար, ինչպես հաճախ է պատահում կորպորատիվ փորձարկման սխեմայում: Հետընթացը նաև ներդրում է կատարում զուտ եկամուտների, ինչպես նաև ROI- ի բիզնես գործի համար: Սովորական ռեգրեսիան այլընտրանքային տեխնիկա է `մարկոմի գնահատման տեսանկյունից:

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

2 Comments

  1. 1

    Հիանալի այլընտրանք գործնական խնդրին, Մայք:
    Ձեր արած ձևով, ենթադրում եմ, որ մոտակա նախորդ շաբաթներին նպատակային հաղորդակցիչների համընկնում չկա: Հակառակ դեպքում Դուք կունենայի՞ք ավտո-հետընթաց և / կամ ժամանակի հետևանքով բաղկացած բաղադրիչ:

  2. 2

    Հաշվի առնելով ձեր քննադատությունները օպտիմալացման վերաբերյալ `ինչպե՞ս կարելի է օգտագործել այս մոդելը` ալիքի ծախսերը օպտիմալացնելու համար:

Ինչ եք կարծում?

Այս կայքը օգտագործում է Akismet- ը սպամի նվազեցման համար: Իմացեք, թե ինչպես է ձեր տվյալները մշակվում.