ارزیابی مارکوم: جایگزینی برای تست A / B

کره بعدی

بنابراین ما همیشه می خواهیم بدانیم که چگونه مارامک (ارتباطات بازاریابی) در حال انجام است ، هم به عنوان وسیله نقلیه و هم برای یک فعالیت فردی. در ارزیابی مارکوم استفاده از تست A / B ساده معمول است. این یک روش است که در آن نمونه گیری تصادفی دو سلول را برای درمان کمپین جمع می کند.

یک سلول آزمایش می کند و سلول دیگر نمی تواند. سپس میزان پاسخ یا درآمد خالص بین دو سلول مقایسه می شود. اگر سلول آزمایش از سلول کنترل بهتر عمل کند (در پارامترهای آزمایش بالابر ، اعتماد به نفس و غیره) کمپین قابل توجه و مثبت ارزیابی می شود.

چرا چیز دیگری انجام می شود؟

با این حال ، این روش فاقد بینش است. این هیچ چیزی را بهینه نمی کند ، در خلا is انجام می شود ، هیچ استنباطی برای استراتژی ندارد و هیچ کنترلی برای سایر محرک ها وجود ندارد.

ثانیا ، اغلب اوقات ، این آزمایش از این نظر آلوده می شود که حداقل یکی از سلول ها به طور تصادفی پیشنهادات دیگر ، پیام های تجاری ، ارتباطات و غیره را دریافت کرده است. چند بار نتیجه آزمایش غیرقطعی ، حتی غیرحسسی تلقی شده است؟ بنابراین آنها بارها و بارها آزمایش می کنند. آنها هیچ چیز نمی آموزند ، با این تفاوت که آزمایش جواب نمی دهد.

به همین دلیل توصیه می کنم برای کنترل سایر محرک ها از رگرسیون معمولی استفاده کنید. مدل سازی رگرسیون همچنین بینشی در مورد ارزیابی مارکوم ارائه می دهد که می تواند ROI تولید کند. این در خلا done انجام نمی شود ، اما گزینه هایی را به عنوان نمونه کار برای بهینه سازی بودجه فراهم می کند.

مثال

بیایید بگوییم که ما در حال آزمایش دو ایمیل بودیم ، تست در مقابل کنترل و نتایج غیرحسی بود. سپس متوجه شدیم که دپارتمان مارک تجاری ما به طور تصادفی یک قطعه نامه مستقیم برای (بیشتر) گروه کنترل ارسال کرده است. این قطعه نه توسط ما برنامه ریزی شده و نه در انتخاب تصادفی سلولهای آزمایشی. به این معنی که گروه معمول به طور معمول نامه مستقیم معمول را دریافت می کردند اما گروه آزمایشی - که برگزار شد - دریافت نکردند. این در یک شرکت بسیار معمول است ، در حالی که گروهی کار نمی کنند و با واحد تجاری دیگری ارتباط برقرار نمی کنند.

بنابراین ، به جای آزمایش اینکه هر ردیف مشتری است ، داده ها را بر اساس بازه زمانی جمع می کنیم ، مثلاً هفتگی. ما هفته به تعداد ایمیل های آزمایشی ، ایمیل های کنترل و نامه های مستقیم ارسال شده اضافه می کنیم. ما همچنین شامل متغیرهای باینری برای حساب کردن فصل ، در این مورد سه ماهه هستیم. جدول 1 یک لیست جزئی از مصالح را با آزمون ایمیل که از هفته 10 شروع می شود ، نشان می دهد. اکنون ما یک مدل را انجام می دهیم:

net \ _rev = f (em \ _test، em \ _cntrl، dir \ _mail، q_1، q_2، q_3 و غیره)

مدل رگرسیون معمولی که در بالا فرموله شد ، خروجی TABLE 2 را تولید می کند. متغیرهای مستقل مورد علاقه دیگر را نیز وارد کنید. توجه ویژه باید این باشد که قیمت (خالص) به عنوان یک متغیر مستقل مستثنی است. به این دلیل که درآمد خالص متغیر وابسته است و به صورت محاسبه می شود (خالص) قیمت * کمیت.

جدول 1

هفته 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

درج قیمت به عنوان یک متغیر مستقل به معنای داشتن قیمت در هر دو طرف معادله است که نامناسب است. (کتاب من، تجزیه و تحلیل بازاریابی: یک راهنمای عملی برای علم بازاریابی واقعی، مثالهای گسترده و تجزیه و تحلیل این مسئله تحلیلی را ارائه می دهد.) R2 تنظیم شده برای این مدل 64٪ است. (من Q4 را انداختم تا از دام ساختگی جلوگیری کنم.) emc = ایمیل کنترل و emt = ایمیل تست. همه متغیرها در سطح 95٪ قابل توجه هستند.

جدول 2

q_3 q_2 q_1 dm EMC EMT طراح
ضریب -949 -1,402 -2,294 12 44 77 5,039
اشتباه کردن 474.1 487.2 828.1 2.5 22.4 30.8
نسبت t -2 -2.88 -2.77 4.85 1.97 2.49

از نظر تست ایمیل ، ایمیل آزمون با 77 در مقابل 44 عملکرد بهتری نسبت به ایمیل کنترل داشت و بسیار مهمتر بود. بنابراین ، با حساب کردن سایر موارد ، ایمیل آزمون کار کرد. این بینش ها حتی وقتی داده ها آلوده می شوند نیز به دست می آیند. آزمایش A / B این تولید را ایجاد نمی کرد.

جدول 3 ضرایب را برای محاسبه ارزیابی مارکوم ، سهم هر وسیله نقلیه از نظر درآمد خالص در نظر گرفته است. یعنی برای محاسبه ارزش نامه پست الکترونیکی ضریب 12 ضربدر میانگین تعداد پست الکترونیکی مستقیم 109 برای بدست آوردن 1,305 دلار می شود. مشتریان به طور متوسط ​​4,057،XNUMX دلار هزینه می کنند. بدین ترتیب 1,305،4,057 دلار / 26.8،XNUMX دلار = XNUMX٪. این بدان معناست که پست الکترونیکی تقریباً 27٪ از درآمد خالص کل را تشکیل می دهد. از نظر ROI ، 109 نامه مستقیم 1,305 دلار درآمد کسب می کند. اگر قیمت کاتالوگ 45 دلار است ROI = (1,305،55 $ - 55 $) / 2300 $ = XNUMX٪!

از آنجا که قیمت متغیر مستقلی نبود ، معمولاً نتیجه گرفته می شود که تأثیر قیمت در ثابت نهفته است. در این حالت ثابت 5039 شامل قیمت ، سایر متغیرهای از دست رفته و یک خطای تصادفی یا حدود 83٪ از درآمد خالص است.

جدول 3

q_3 q_2 q_1 dm EMC EMT طراح
کوف -949 -1,402 -2,294 12 44 77 5,039
متوسط 0.37 0.37 0.11 109.23 6.11 4.94 1
$ 4,875 - $ 352 - $ 521 - $ 262 $ 1,305 $ 269 $ 379 $ 4,057
ارزش -7.20٪ -10.70٪ -5.40٪ 26.80٪ 5.50٪ 7.80٪ 83.20٪

نتیجه

رگرسیون معمولی جایگزینی را برای ارائه بینش در برابر داده های کثیف ارائه داد ، همانطور که معمولاً در یک طرح آزمایش شرکت مشاهده می شود. رگرسیون همچنین مشارکت در درآمد خالص و همچنین یک پرونده تجاری برای ROI را فراهم می کند. رگرسیون معمولی یک روش جایگزین از نظر ارزیابی مارکوم است.

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

2 نظرات

  1. 1

    جایگزین خوبی برای یک مسئله عملی ، مایک.
    به روشی که شما انجام داده اید ، حدس می زنم هیچ ارتباطی با ارتباط دهنده های هدف در هفته های قبلی وجود نداشته باشد. در غیر این صورت شما یک جز component خودکارگرایانه و / یا با تأخیر در زمان دارید؟

  2. 2

    با توجه به انتقادات خود در مورد بهینه سازی ، چگونه می توان از این مدل برای بهینه سازی هزینه کانال استفاده کرد؟

شما چه فکر میکنید؟

این سایت از Akismet برای کاهش هرزنامه استفاده می کند. بدانید که چگونه نظر شما پردازش می شود.