Marcom-verdsettelse: Et alternativ til A / B-testing
Så vi vil alltid vite hvordan marcom (markedsføringskommunikasjon) utfører, både som et kjøretøy og for en individuell kampanje. Ved evaluering av marcom er det vanlig å bruke enkle A / B-tester. Dette er en teknikk der tilfeldig prøvetaking fyller ut to celler for kampanjebehandling.
En celle får testen og den andre cellen ikke. Deretter sammenlignes svarprosent eller nettoinntekt mellom de to cellene. Hvis testcellen overgår kontrollcellen (innenfor testparametere for løft, selvtillit osv.), Anses kampanjen som betydelig og positiv.
Hvorfor gjør noe annet?
Imidlertid mangler denne prosedyren generering av innsikt. Det optimaliserer ingenting, utføres i vakuum, gir ingen implikasjoner for strategi og det er ingen kontroller for andre stimuli.
For det andre blir testen altfor ofte forurenset ved at minst en av cellene ved et uhell har mottatt andre tilbud, merkevarebeskjeder, kommunikasjon osv. Hvor mange ganger har testresultatene blitt ansett som ufullstendige, til og med ikke-sensiske? Så de tester igjen og igjen. De lærer ingenting, bortsett fra at testing ikke fungerer.
Derfor anbefaler jeg å bruke vanlig regresjon for å kontrollere for alle andre stimuli. Regresjonsmodellering gir også innsikt i marcom-verdsettelse som kan generere en ROI. Dette gjøres ikke i vakuum, men gir alternativer som en portefølje for å optimalisere budsjettet.
Et eksempel
La oss si at vi testet to e-poster, test kontra kontroll og resultatene kom tilbake ikke-sensiske. Så fant vi ut at merkevareavdelingen ved et uhell sendte en post til (for det meste) kontrollgruppen. Dette stykket ble ikke planlagt (av oss) og heller ikke tatt hensyn til i tilfeldig valg av testceller. Det vil si at virksomheten som vanlig fikk vanlig post, men testgruppen - som ble holdt utenfor - gjorde ikke det. Dette er veldig typisk i et selskap, hvor en gruppe ikke jobber eller kommuniserer med en annen forretningsenhet.
Så i stedet for å teste hvor hver rad er kunde, ruller vi opp dataene etter tidsperiode, si ukentlig. Vi legger opp antall uke-e-poster, kontroll-e-post og direkte e-post sendt per uke. Vi inkluderer også binære variabler for å redegjøre for sesongen, i dette tilfellet kvartalsvis. TABELL 1 viser en delvis liste over aggregatene med e-posttesten som starter i uke 10. Nå gjør vi en modell:
Den vanlige regresjonsmodellen som formulert ovenfor produserer TABELL 2-utgang. Inkluder andre uavhengige variabler av interesse. Av spesiell oppmerksomhet bør være at (nettopris) er ekskludert som en uavhengig variabel. Dette er fordi nettoinntekt er den avhengige variabelen og beregnes som (netto) pris * antall.
TABELL 1
uke | em_test | em_cntrl | dir_mail | nett_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 |
Å inkludere pris som en uavhengig variabel betyr å ha pris på begge sider av ligningen, noe som er upassende. (Min bok, Markedsføringsanalyse: En praktisk guide til ekte markedsføringsvitenskap, gir omfattende eksempler og analyser av dette analytiske problemet.) Den justerte R2 for denne modellen er 64%. (Jeg droppet q4 for å unngå dummy-fellen.) Emc = kontroll-e-post og emt = test-e-post. Alle variablene er signifikante på 95% nivå.
TABELL 2
dm | emc | EMT | const | ||||
---|---|---|---|---|---|---|---|
koeff | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
st. feil | 474.1 | 487.2 | 828.1 | 2.5 | 22.4 | 30.8 | |
t-forhold | -2 | -2.88 | -2.77 | 4.85 | 1.97 | 2.49 |
Når det gjelder e-posttesten, overgikk test-e-posten kontroll-e-posten med 77 mot 44 og var mye mer signifikant. Dermed fungerte test-e-posten, og tok hensyn til andre ting. Denne innsikten kommer selv når dataene er forurenset. En A / B-test ville ikke ha produsert dette.
TABELL 3 tar koeffisientene for å beregne marcomm-verdsettelse, et bidrag fra hvert kjøretøy når det gjelder nettoinntekt. For å beregne verdien av direkte e-post multipliseres koeffisienten 12 med det gjennomsnittlige antallet direkte e-poster som er sendt på 109 for å få $ 1,305 4,057. Kunder bruker et gjennomsnittlig beløp på $ XNUMX. Dermed $ 1,305 / $ 4,057 = 26.8%. Det betyr at direct mail bidro med nesten 27% av den totale nettoinntekten. Når det gjelder avkastning, genererer 109 direkte e-poster $ 1,305 45. Hvis en katalog koster $ XNUMX da ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!
Fordi prisen ikke var uavhengig variabel, konkluderes det vanligvis med at prisens innvirkning er begravet i konstant. I dette tilfellet inkluderer konstanten på 5039 pris, andre manglende variabler og en tilfeldig feil, eller omtrent 83% av nettoinntektene.
TABELL 3
dm | emc | EMT | const | ||||
---|---|---|---|---|---|---|---|
Koeff | -949 | -1,402 | -2,294 | 12 | 44 | 77 | 5,039 |
bety | 0.37 | 0.37 | 0.11 | 109.23 | 6.11 | 4.94 | 1 |
$4,875 | - $ 352 | - $ 521 | - $ 262 | $1,305 | $269 | $379 | $4,057 |
verdi | -7.20% | -10.70% | -5.40% | 26.80% | 5.50% | 7.80% | 83.20% |
konklusjonen
Vanlig regresjon tilbød et alternativ for å gi innsikt i møte med skitne data, slik det ofte er tilfelle i et testprogram. Regresjon gir også et bidrag til nettoinntektene samt en business case for ROI. Vanlig regresjon er en alternativ teknikk når det gjelder marcomm-verdsettelse.