本文主要是介绍营销科学中的边际ROI计量随笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
主要是读这篇基于AB实验的边际ROI增长分析实践 的随笔记。
传统ROI计量
一些营销活动中的传统的ROI的计算方式是:
- 拉新ROI = LTV / CAC = 用户生命周期价值/平均获客成本
- 买量类拉新策略评估使用。
- 促活ROI = GMV / RotalRecallCost = 促销活动期间的总销售额/促销活动的总成本
最明显的是,这种方式至少会存在一种问题,即无法剔除自然增长所带来的效果,比如历史数据显示ROI经常随季节行情大幅波动,像电商类广告主在双11期间ROI会特别高,而游戏类广告主在寒暑假期间ROI会有一定幅度的增长。
基于AB 实验,改进的 边际ROI
Avg是人均函数,该公式核心是通过设置对照组剔除自然增长的作用,从而精算出实验组策略的增量效果,降本增效背景下只有ROI>100%才有可能保证利润为正
两者对比
从基于AB实验的边际ROI标准出发,要想计算边际ROI,核心是在随机实验组之外增设一个不投广告的对照组,同样是随机分配。该对照组虽然不投广告,但是仍然会有自然获客和新用户付费收益。
综合来看,实验组3虽然朴素ROI最高(达514%,但是剔除掉对照组的自然增长后,实际的边际ROI只有38%,某种意义上是烧钱赚吆喝,而实验组2的边际ROI是145%,它和实验组1才是打正的策略。
综上,边际ROI可以准确地剥离出自然增量的干扰,准确计算出广告预算带来的实际额外收益,更适合应用于复杂的实际商业环境。
这篇关于营销科学中的边际ROI计量随笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!