小峰创业汇,一个专业分享互联网创业及营销的实战自媒体网站

怎样选择A/B测试、营销组合模型、营销归因?

营销推广 2020-03-25 评论(0)
- N +

欢迎收藏本站,每日更新各种高质量的创业,营销,职场,咨询等干货内容。同时也可以关注我们的公众号小峰创业汇,各种创业赚钱项目每日准时与你不见不散。

怎样选择A/B测试、营销组合模型、营销归因?

约150年前,有个著名的美国商人John Wanamaker说,“我有一半的广告费浪费了;但问题是我不知道是哪一半”。

自那以后,营销人都在优化广告投入上努力地探索着。如何把销售额与错综复杂的营销战役以及触点联系起来是一件很难的事情。在数据驱动营销的时代,CEO和CFO们提出了更严格的要求:营销决策必须有明确的投资回报率作支撑。“靠直觉”的方法已经无以为继了。

在探索中,有三种方法浮出了水面,并成为营销科学中被应用得最为广泛的方法。它们之间既有联系也有区别。

他们就是:A/B测试、营销组合模型、归因模型

先说相对而言最简单的A/B测试。

A/B 测试是一个基于假设检验的实验方法。实际工作中,我们需要评估各种不同的广告或产品方案。A/B测试就是一个帮我们选出更好的方案的办法。当进行A/B测试时,通常会采用两个(或多个)组:A组和B组。A组是对照组,B组是实验组,B组在某些因素上与A组不同。

然后,把用户随机地分到这两组,比较这两组的用户行为是否有显著的差异。如果有,那我们就会认为,导致这个行为差异的原因,是B组里的那些与A组不同的因素。比如,如果B组是看了特定广告的用户,而A组没有看,并且B组产生了更多的购买行为,我们就可以下结论:特定广告显著地提高了用户的购买行为。

这个方法能够测试不同的广告所传递的信息、优惠、颜色、广告创意元素、针对人群等对因变量的影响。这个方法长期统领了直效营销,并且自然地延展到了网站优化、电商和其他的可通过市场直接反馈收集测试结果的情境。营销人们喜欢A/B test简单的原理和清晰的做法。然而这个方法有几个重要的局限:

  • A/B 测试的对象往往比较细节,以至于过度依赖于A/B测试无法用整体、连贯的视角看到战略性的大图景——该花多少钱,在哪些渠道花钱,用哪一种品牌策略等等。而这些东西才是像John Wanamaker这样的CEO真正关心的。

  • 在实际操作中,A/B测试的执行总是缺乏规范性。为了减少成本,有些营销人会让测试组用便宜的广告机会或者很小的样本量,无法与控制组相匹配。这就降低了测试的有效性。一个干净的测试,“A”组和“B”组应该是随机分配的,保证除了想测试的变量在A、B之间不同之外没有别的因素不同。如果做不到A、B两组的随机性,这将大大减低A/B测试的效果。

  • 当缺乏一个好的实验设计时,A/B测试也会捉襟见肘,甚至效率低下。实验原则是A/B测试的关键,好的实验设计可以让实验更加高效。

不过,就算对A/B测试运用得当,我们仍然不太能够回答Wanamaker的问题,尤其是在今天日益复杂的市场环境中。

为了得到答案,我们可能会投奔另外两个解决方案:营销组合模型和营销归因模型——你可以把他们想象成是:一个是行业中的老大哥,另一个是老大哥在互联网时代的亲儿子。

怎样选择A/B测试、营销组合模型、营销归因?

先说老大哥。

营销组合模型

Marketing Mix Modeling (MMM)营销组合模型是一套统计分析技术,用来测量和预测不同营销行为对销售及ROI的影响。它被用来测量整体的营销效果并用来在不同的营销渠道中决定最优的预算分配。

这套统计分析技术最早由计量经济学家发明,在早期被主要应用在快消品行业。第一家把这套方法用于商业环境的公司是Hudson River Group,其他先驱公司包括Mindshare,Omnicom和OHAL。这些先驱公司把MMM从学术圈带到到市场,让MMM成为一个广泛应用的营销分析工具。

Marketing Mix中的“Mix”一词最早指的是Mix of 4Ps(Product,Price,Place & Promotion)。早期MMM分析的目的就是为了理解并找到这4P的最优组合,同时测量并预测不同的营销活动对销售的不同影响。

时至今日,MMM中包含的变量更加广泛,一个营销组合模型可以由以下这些类型的数据组成:

  • Target Audience data (目标用户数据)

  • Product data (产品数据,包括产品价格、产品特征)

  • Competitive data(竞品数据)

  • Industry data(行业数据)

  • Economic data(经济数据)

  • Marketing data(营销数据)

  • Conversion data(转化数据如sales,profit,ROI)

营销组合模型就是拆解这些因素对销量的影响,进而对市场策略达成宏观的认识。模型结果还能对未来的营销预算给出优化,从而真正回答Wanamaker的问题:“哪一半广告费被浪费了?”。

怎样选择A/B测试、营销组合模型、营销归因?

营销组合模型已经存在了将近40年了,它在本质上也是一种归因(将整体销量归功给不同的媒介渠道)。但它与我们常说的“多触点营销归因”、“数字归因”(这些名字其实意味着同一件事)还是有本质区别的。后者是一个相对新的产物,所以人们很喜欢把它描绘成一个挑战者、新时代的弄潮儿。

那营销归因(Attribution)到底是什么呢?我们先看它和MMM的相似点:

  1. 都依赖大量的数据,包含了从营销活动到后续的销售额等种种数据。

  2. 也都运用到了高阶统计(主要是计量经济学、基于回归模型的技术)来测量营销活动(如,广告、促销)对商业指标(如销售、市场份额、品牌健康度)的影响。

  3. 两个方法也都很大程度依赖相关分析。

是不是觉得这两个方法其实很像?也怪不得人们会认为Attribution是MMM在互联网时代的亲儿子呢。

营销归因(Attribution)

归因模型可以被看作是组合模型的一个子集。因为组合模型的本质其实就是将销售“归因”到不同的营销渠道。

但归因模型的侧重点在于理解“数字营销渠道”的最优组合。请重点关注这里的“数字”二字。我们用归因模型来测量和理解各种数字营销触点在一个转化通道中的影响,并用它来决定哪个触点才是最值得投资的、最有效的数字营销渠道。(回忆一下刚才说的,组合模型关注的不仅是数字渠道,还有传统媒介、经济因素、行业、竞品等等)所以,营销归因模型是在数字广告的背景下运营而生的。

他俩最重要的差异在于:

营销组合模型(MMM)的模型依赖于市场层面的数据(market-level,比如按城市分:纽约、芝加哥、波士顿等)。也就是,我们把一片市场里的所有个体的数据汇总到一起(而不是每个个体都分析)。它的模型时间序列以日、周或月为单位(而不是秒),解释的是销量之和,而不是每一笔转化。模型里的变量不仅仅是广告,还有促销、经济大环境、竞争对手的广告花费等。

这些市场层面的数据通常需要一定的收集和整理的时间,这就意味着MMM只能在市场战役结束后才能实施分析,它被用来分析过去的教训,并决定在下一次战役中该花多少钱。

这也是为什么人们把它称为“宏观”的模型。

而营销归因模型在用户层面(individual level,也就是每个用户是一个记录)做分析,而且拥有用户每秒的广告行为记录(比如你这一秒从某网站点开了展示广告,下一秒去谷歌搜索这个品牌),每一次转化都追踪到各个触点,并知道触点的顺序。

归因模型可以很快实施,有时甚至是当下、即刻的。这让营销人们能够在战役过程中对营销计划作出调整,而不仅仅是从这次战役中获取教训运用到下次战役。所以人们才会说,营销归因模型是一个“微观”模型。

如果你觉得上面写的太复杂,那你可以简单粗暴地这样认为:在这个世界上还没出现数字媒体时,甚至还没有网络的时候,组合模型的概念就诞生了,所以当我们要解决数字广告的归因问题时,组合模型相形见拙。组合模型通常是用发生在过去的、高度汇总的数据来搭建的。这个数据远远没有归因模型里用的数据那样有这么高的实时性。正因为此,一个传统的组合模型是不合适来做所谓的数字营销归因的。而组合模型能给出的全渠道优化建议,也是数字归因模型无法做到的。

这两种方法各有所长,我该怎么选?

如果你要分析的对象同时有线上和线下业务,而且你的营销也同时发生在线上和线下,比如你是个零售商,你有实体店和网店,而且你在线上线下都做广告。那你的理想状态是将归因模型整合进营销组合模型。

怎样选择A/B测试、营销组合模型、营销归因?

这样做的好处是,你可以把归因模型的数据输入到你的营销组合模型中,而且可以更加精准地测量整体的营销效果。你也可以更精准地预测线上和线下的活动对销售和ROI的影响。

记住,真正的多渠道分析是不分线上线下的,线上线下的触点互相影响,而且并不存在哪个单一的渠道给你带来所有销售。我们要理解完整的用户购买旅程,就要同时考虑到线上和线下这两边的触点。不过,目前真正能做到这种完美结合归因模型和营销组合模型的公司是极其少见的(虽然大家都会这么声称)。

评论列表 (0)条评论

发表评论

验证码