Análisis y pruebasMarketing por correo electrónico y automatizaciónLibros de marketing

Valoración de Marcom: una alternativa a las pruebas A / B

Entonces siempre queremos saber como marcom (comunicaciones de marketing), tanto como vehículo como para una campaña individual. Al evaluar marcom, es común emplear pruebas A / B simples. Esta es una técnica en la que el muestreo aleatorio llena dos celdas para el tratamiento de la campaña.

Una celda se somete a la prueba y la otra no. Luego, la tasa de respuesta o los ingresos netos se comparan entre las dos celdas. Si la celda de prueba supera a la celda de control (dentro de los parámetros de prueba de elevación, confianza, etc.), la campaña se considera significativa y positiva.

¿Por qué hacer algo más?

Sin embargo, este procedimiento carece de generación de conocimientos. No optimiza nada, se realiza en el vacío, no tiene implicaciones para la estrategia y no hay controles para otros estímulos.

En segundo lugar, con demasiada frecuencia, la prueba está contaminada porque al menos una de las celdas ha recibido accidentalmente otras ofertas, mensajes de marca, comunicaciones, etc. ¿Cuántas veces se ha considerado que los resultados de la prueba no son concluyentes, incluso sin sentido? Así que prueban una y otra vez. No aprenden nada, excepto que las pruebas no funcionan.

Por eso recomiendo utilizar la regresión ordinaria para controlar todos los demás estímulos. Modelado de regresión también ofrece información sobre la valoración de los márgenes que puede generar un retorno de la inversión. Esto no se hace en el vacío, sino que ofrece opciones como cartera para optimizar el presupuesto.

Un Ejemplo

Digamos que estábamos probando dos correos electrónicos, prueba versus control y los resultados no tenían sentido. Luego descubrimos que nuestro departamento de marca envió accidentalmente un correo directo al grupo de control (principalmente). Esta pieza no fue planificada (por nosotros) ni tuvo en cuenta la elección aleatoria de las celdas de prueba. Es decir, el grupo de negocios como de costumbre recibió el correo directo habitual, pero el grupo de prueba, que se mantuvo fuera, no. Esto es muy típico en una corporación, donde un grupo no trabaja ni se comunica con otra unidad de negocios.

Entonces, en lugar de realizar pruebas en las que cada fila es un cliente, acumulamos los datos por período de tiempo, digamos semanalmente. Sumamos, por semana, el número de correos electrónicos de prueba, correos electrónicos de control y correos directos enviados. También incluimos variables binarias para contabilizar la temporada, en este caso trimestral. La TABLA 1 muestra una lista parcial de los agregados con la prueba de correo electrónico que comienza en la semana 10. Ahora hacemos un modelo:

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

El modelo de regresión ordinario, como se formuló anteriormente, produce un resultado de la TABLA 2. Incluya cualquier otra variable independiente de interés. Cabe destacar que el precio (neto) está excluido como variable independiente. Esto se debe a que el ingreso neto es la variable dependiente y se calcula como precio (neto) * cantidad.

TABLA 1

semana em_prueba em_control correo_dir 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

Incluir el precio como variable independiente significa tener el precio en ambos lados de la ecuación, lo cual es inapropiado. (Mi libro, Análisis de marketing: una guía práctica para la ciencia del marketing real, proporciona amplios ejemplos y análisis de este problema analítico). El R2 ajustado para este modelo es 64%. (Dejé caer q4 para evitar la trampa ficticia). Emc = control de correo electrónico y emt = correo de prueba. Todas las variables son significativas al 95%.

TABLA 2

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

En términos de la prueba de correo electrónico, el correo electrónico de prueba superó al correo electrónico de control en 77 frente a 44 y fue mucho más significativo. Por lo tanto, teniendo en cuenta otras cosas, el correo electrónico de prueba funcionó. Estos conocimientos llegan incluso cuando los datos están contaminados. Una prueba A / B no habría producido esto.

La TABLA 3 toma los coeficientes para calcular la valoración del mercado, una contribución de cada vehículo en términos de ingresos netos. Es decir, para calcular el valor del correo directo, el coeficiente de 12 se multiplica por el número medio de correos directos enviados de 109 para obtener $ 1,305. Los clientes gastan una cantidad promedio de $ 4,057. Así $ 1,305 / $ 4,057 = 26.8%. Eso significa que el correo directo contribuyó con casi el 27% de los ingresos netos totales. En términos de ROI, 109 correos directos generan $ 1,305. Si un catálogo cuesta $ 45 entonces ROI = ($ 1,305 - $ 55) / $ 55 = 2300%!

Debido a que el precio no era una variable independiente, generalmente se concluye que el impacto del precio está enterrado en la constante. En este caso, la constante de 5039 incluye el precio, cualquier otra variable que falte y un error aleatorio, o aproximadamente el 83% de los ingresos netos.

TABLA 3

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

Conclusión

La regresión ordinaria ofreció una alternativa para proporcionar información frente a datos sucios, como suele ser el caso en un esquema de pruebas corporativas. La regresión también proporciona una contribución a los ingresos netos, así como un caso de negocio para el ROI. La regresión ordinaria es una técnica alternativa en términos de valoración del mercado.

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

Michael Grigby

Mike Grigsby ha estado involucrado en la ciencia del marketing durante más de 25 años. Fue director de investigación de mercados en Millward Brown y ha ocupado puestos de liderazgo en Hewlett-Packard y The Gap. Con una gran experiencia profesional a la vanguardia de la ciencia del marketing y el análisis de datos, ahora dirige la práctica de análisis minorista estratégico en Base objetivo.

Artículos Relacionados

Volver al botón superior
Cerrar

Adblock detectado

Martech Zone puede proporcionarle este contenido sin costo porque monetizamos nuestro sitio a través de ingresos publicitarios, enlaces de afiliados y patrocinios. Le agradeceríamos que elimine su bloqueador de anuncios mientras visita nuestro sitio.