Täytä lomake ja olemme sinuun yhteydessä! X

Kiitos!x

Kiitos viestistäsi!

Ota yhteyttä@

31.10.2016 - 22:00 ID BBN

Markinoinnin automaatio kohtaa survival analyysin

Markkinoinnin automaatio on tehokas työväline, jos sitä osaa käyttää oikein. Tärkeintä on löytää oikeat kontaktit, eli ns. ”high-value”-kontaktit. Miten high-value-kontakti sitten tulisi määritellä?  

Ideaalitilanteessa markkinointi kohdistetaan keskiarvoltaan yli RFM-arvon oleviin kontakteihin. Esittelen tässä survival-analyysin, joka on yksi mahdollinen keino ryhmitellä kontakteja ja joka soveltuu todella hyvin myös myyntiputkessa tapahtuvan aktiivisuuden tutkimiseen.

Survival-analyysi, vapaasti suomennettuna elinaika-analyysi, on käytetty menetelmä lääketieteessä. Sieltä se saa nimensäkin ja sen avulla mallinnetaan elinajan pituutta. Lääketieteessä esimerkiksi Ebolaan sairastuneille koehenkilöille annetaan kokeellista lääkettä ja plaseboa, siten että ryhmä a saa lääkettä ja ryhmä b plaseboa. Mitatuista tuloksista testataan stokastista vastaavuutta. Tällä nähdään ensinnäkin, että poikkeaako tutkittavan lääkkeen teho tilastollisesti verrattuna plaseboon.

Miten tämä niche-tieto sitten liittyy markkinointiin? Monellakin tapaa. Kampanjassa on tavallaan myös kysymys selviytymisestä. Siihen kuuluvat kontaktit saavat sisältöä ”lääkkeenä”, jotta ne etenisivät myyntiputkessa ja tutustuisivat markkinoinnin kohteeseen.

Tutkimme asiakkaan pilottikampanjan aktiivisuuksia kolmeen eri maista koostuvaan segmenttiin. NDA-sopimuksesta johtuen käytän segmenteistä nimityksiä maa1, maa2 ja maa3. Sähköpostin lähetysajankohta on nollakohta, jolloin ajanlasku alkaa ja jonka jälkeen tapahtumat kirjataan. Kun kontaktin kampanjaan liittyvä aktiviteetti loppuu, sen elinaika päättyy. Elinaikaa voi tutkia sekunteina, minuutteina, tunteina, päivinä tai kuukausina, mutta datan mukaan näyttää siltä, että tutkittavien kampanjoiden elinaika antaa parhaimman vasteen, kun sitä tutkitaan minuutteina.

Seuraavaan kuvaajaan on piirretty kaikkien kolmen maan survival-käyrät. Tutkimuksen aika on rajoitettu 10 000 minuuttiin, mikä vastaa viikkoa. Värillinen sumuverho käyrän ympärillä näyttää 95 prosentin luottamusvälin, eli on odotettavissa, että 95 prosenttia mitatuista arvoista on tämän sisällä. Maissa 1 ja 2 on selvästi enemmän variaatiota kuin maassa 3.

Tuukka survival specialist

Tutkitaan tilastollista eroa vielä Log-Rank -testillä, joka on kehitetty survival-käyrien hypoteesin testaukseen. Hypoteeseina tässä tilanteessa ovat:

H0: vertailtavat survival-käyrät eivät eroa tilastollisesti.

H1: vertailtavat survival-käyrät eroavat tilastollisesti.

P-arvoksi maiden 1 ja 2 välille tulee 0.921, joka tarkoittaa ettei nollahypoteesia voi hylätä.

Maiden 1 ja 3 ja maiden 2 ja 3 käyriä testattaessa saamme vastaavasti p-arvoiksi 0.0000253 ja 0.000477. Nämä arvot ovat paljon pienempiä kuin 0.05, joten voimme hylätä nollahypoteesin ja todeta, että nämä survival-käyrät poikkeavat tilastollisesti toisistaan.

Mitä tästä kaikesta voidaan päätellä? Sen, että maat 1 ja 2 (punainen ja vihreä) käyttäytyvät vastaavanlaisesti, mutta maa 3 (sininen) käyttäytyy täysin poikkeavasti. Maahan 3 suunnattava kampanja pitäisi siis mukauttaa sen alueen oloihin. Maan 3 kontaktien vasteaika on paljon lyhyempi ja ne käyttäytyvät paljon vilkkaammin kuin maiden 1 ja 2 kontaktit.

Lue myös:
Alaston totuus ostajien polusta - analytiikka kertoo mitä matkalla todellisuudessa tapahtuu
Räätälöityä raportointia - Marketon raportointimahdollisuuksien rajojen ylittäminen

 

Tags:

Kampanjahallinta
Markkinoinnin automaatio
Raportointi
blog comments powered by Disqus
About me

ID BBN on Pohjoismaiden johtava automaatioasiantuntija ja asiakaskokemuksen kehittäjä.

ID BBN is the leading automation expert and customer experience developer in the Nordic countries.

Lisää kirjoittajalta