მარკომის შეფასება: A / B ტესტირების ალტერნატივა

განზომილებიანი სფერო

ჩვენ ყოველთვის გვინდა ვიცოდეთ როგორ მარკომი (მარკეტინგული კომუნიკაციები) ასრულებს როგორც მანქანას, ასევე ინდივიდუალურ კამპანიას. მარკომის შეფასებისას ხშირია მარტივი A / B ტესტირების გამოყენება. ეს არის ტექნიკა, როდესაც შემთხვევითი შერჩევით ხდება ორი უჯრედის დაკომპლექტება კამპანიის სამკურნალოდ.

ერთი უჯრედი იღებს ტესტს, ხოლო მეორე - არა. შემდეგ რეაგირების მაჩვენებელი ან წმინდა შემოსავალი შედარებულია ორ უჯრედს შორის. თუ ტესტის უჯრედი აღემატება საკონტროლო უჯრედს (აწევის, ნდობის და ა.შ. პარამეტრების ტესტირებისას) კამპანია მნიშვნელოვნად და პოზიტიურად მიიჩნევა.

რატომ სხვა რამე?

ამასთან, ამ პროცედურას არ გააჩნია გამჭრიახობის წარმოქმნა. ის არაფრის ოპტიმიზაციას ახდენს ვაკუუმში, არანაირ გავლენას არ ახდენს სტრატეგიაზე და არ არის კონტროლი სხვა სტიმულებზე.

მეორეც, ძალიან ხშირად, ტესტი დაბინძურებულია იმით, რომ ერთ-ერთმა უჯრედმა შემთხვევით მიიღო სხვა შეთავაზებები, ბრენდის შეტყობინებები, კომუნიკაციები და ა.შ. რამდენჯერ ჩაითვალა ტესტის შედეგები დაუსაბუთებელი, თუნდაც არამგრძნობიარეც? ასე რომ, ისინი ისევ და ისევ ცდილობენ. ისინი არაფერს სწავლობენ, გარდა იმისა, რომ ტესტირება არ მუშაობს.

ამიტომ გირჩევთ გამოიყენოთ ჩვეულებრივი რეგრესი, რომ გააკონტროლოთ ყველა სხვა სტიმული. რეგრესიის მოდელირება ასევე იძლევა ინფორმაციას მარკომის შეფასების შესახებ, რომელსაც შეუძლია ROI წარმოქმნას. ეს არ გაკეთებულა ვაკუუმში, მაგრამ გთავაზობთ ბიუჯეტის ოპტიმიზაციის ვარიანტებს, როგორც პორტფელს.

მაგალითი

ვთქვათ, ჩვენ ვამოწმებდით ორ ელ.ფოსტას, ტესტირება კონტროლის წინააღმდეგ და შედეგები უკან მგრძნობიარე აღმოჩნდა. შემდეგ გაირკვა, რომ ჩვენი ბრენდის დეპარტამენტმა შემთხვევით გაუგზავნა პირდაპირი ფოსტა (ძირითადად) საკონტროლო ჯგუფს. ეს ნაწილი არ იყო დაგეგმილი (ჩვენს მიერ) და არც აღრიცხული იყო საკვლევი უჯრედების შემთხვევითი არჩევისას. ეს არის ის, რომ ჩვეულებრივმა ჯგუფმა მიიღო ჩვეულებრივი პირდაპირი ფოსტა, მაგრამ ჩატარებული ტესტის ჯგუფი - არა. ეს ძალიან დამახასიათებელია კორპორაციებში, სადაც ერთი ჯგუფი არ მუშაობს და არც კომუნიკაცია სხვა ბიზნეს ერთეულთან.

ნაცვლად იმისა, რომ შეამოწმოთ, სადაც თითოეული სტრიქონი მომხმარებელია, ჩვენ ვაგროვებთ მონაცემებს დროის პერიოდის მიხედვით, ვთქვათ ყოველკვირეულად. ჩვენ კვირაში ვუმატებთ გამოგზავნილ საცდელ წერილებს, საკონტროლო ელ.ფოსტებსა და პირდაპირ წერილებს. ჩვენ ასევე მოიცავს ორობით ცვლადებს სეზონის გასათვალისწინებლად, ამ შემთხვევაში კვარტალურად. ცხრილი 1 გვიჩვენებს აგრეგატების ნაწილობრივ ჩამონათვალს ელ.ფოსტის ტესტით, რომელიც იწყება კვირაში 10. ახლა ჩვენ გავაკეთებთ მოდელს:

net \ _rev = f (em \ _test, em \ _cntrl, dir \ _mail, q_1, q_2, q_3 და ა.შ.)

ზემოთ ჩამოთვლილი ჩვეულებრივი რეგრესიის მოდელი წარმოქმნის ცხრილი 2-ს. ჩართეთ ინტერესის ნებისმიერი სხვა დამოუკიდებელი ცვლადი. განსაკუთრებით უნდა აღინიშნოს, რომ (წმინდა) ფასი გამორიცხულია, როგორც დამოუკიდებელი ცვლადი. ეს იმიტომ ხდება, რომ წმინდა შემოსავალი არის დამოკიდებული ცვლადი და გამოითვლება როგორც (წმინდა) ფასი * რაოდენობა.

ცხრილი 1

კვირას 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

ფასის, როგორც დამოუკიდებელი ცვლადის ჩასმა, ნიშნავს განტოლების ორივე მხარეს ფასის ქონას, რაც შეუსაბამოა. (Ჩემი წიგნი, მარკეტინგის ანალიტიკა: რეალური მარკეტინგის მეცნიერების პრაქტიკული სახელმძღვანელო, გთავაზობთ ამ ანალიტიკური პრობლემის ფართო მაგალითებს და ანალიზს.) ამ მოდელისთვის მორგებული R2 არის 64%. (მე დავტოვე q4, რომ თავიდან ავიცილოთ ცუდი ხაფანგი.) Emc = საკონტროლო ელ.წერილი და emt = საცდელი ელ. ყველა ცვლადი მნიშვნელოვანია 95% -ის დონეზე.

ცხრილი 2

q_3 q_2 q_1 dm emc EMTs const
კოეფიციენტი -949 -1,402 -2,294 12 44 77 5,039
შეცდა 474.1 487.2 828.1 2.5 22.4 30.8
t თანაფარდობა -2 -2.88 -2.77 4.85 1.97 2.49

ელ.ფოსტის ტესტის თვალსაზრისით, ტესტის ელ.ფოსტმა 77-ზე 44-ს გადააჭარბა საკონტროლო ელ.წერილს და ბევრად უფრო მნიშვნელოვანი იყო. ამრიგად, სხვა საგნების აღრიცხვისას, ტესტის ელ.წერილმა იმუშავა. ეს ინფორმაცია მაშინაც კი მოდის, როდესაც მონაცემები დაბინძურებულია. A / B ტესტის შედეგი არ იქნებოდა.

ცხრილში 3 მოცემულია კოეფიციენტები მარკომის შეფასების, თითოეული ავტომობილის წილის წმინდა შემოსავლის გამოსათვლელად. ანუ, პირდაპირი ფოსტის ღირებულების გამოსათვლელად, კოეფიციენტი 12 გამრავლებულია საშუალო ფოსტის საშუალო რაოდენობაზე, რომელიც გაგზავნილია 109-ით, 1,305 აშშ დოლარის მისაღებად. მომხმარებლები ხარჯავენ საშუალოდ 4,057 აშშ დოლარს. ამრიგად $ 1,305 / $ 4,057 = 26.8%. ეს ნიშნავს, რომ პირდაპირი ფოსტის წილმა საერთო წმინდა შემოსავლის თითქმის 27% შეადგინა. ROI– ს თვალსაზრისით, 109 პირდაპირი ფოსტა გამოიმუშავებს $ 1,305. თუ კატალოგი 45 დოლარი ღირს, მაშინ ROI = (1,305 $ - 55 $) / 55 $ = 2300%!

იმის გამო, რომ ფასი არ იყო დამოუკიდებელი ცვლადი, ჩვეულებრივ დგინდება, რომ ფასის გავლენა მუდმივშია ჩაფლული. ამ შემთხვევაში, 5039 მუდმივა მოიცავს ფასს, სხვა დაკარგული ცვლადები და შემთხვევითი შეცდომა, ან წმინდა შემოსავლის დაახლოებით 83%.

ცხრილი 3

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

დასკვნა

ჩვეულებრივი რეგრესი გთავაზობთ ბინძური მონაცემების თვალსაზრისით წარმოდგენის ალტერნატივას, როგორც ეს ხშირად ხდება კორპორატიული ტესტირების სქემაში. რეგრესია ასევე უზრუნველყოფს წვლილის შეტანას წმინდა შემოსავალში, ასევე ბიზნეს საქმეს ROI– სთვის. ჩვეულებრივი რეგრესია არის ალტერნატიული ტექნიკა მარკომის შეფასების თვალსაზრისით.

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

2 კომენტარები

  1. 1

    ლამაზი ალტერნატივა პრაქტიკული საკითხისა, მაიკ.
    როგორც თქვენ გააკეთეთ, ვფიქრობ, სამიზნე კომუნიკატორების გადაფარვა არ არსებობს უახლოეს წინა კვირებში. წინააღმდეგ შემთხვევაში, გექნებათ ავტომატური რეგრესიული და / ან დროში ჩამორჩენილი კომპონენტი?

  2. 2

    გულწრფელად გავითვალისწინებთ თქვენს კრიტიკას ოპტიმიზაციის შესახებ, როგორ შეიძლება გამოიყენოთ ეს მოდელი არხის დახარჯვის ოპტიმიზაციისთვის?

რას ფიქრობთ?

ეს საიტი იყენებს Akismet- ს, რათა შეამციროს სპამი. შეისწავლეთ თქვენი კომენტარის მონაცემები დამუშავებული.