Marketing & E-commerce hoạt động

Phân tích hiệu quả chiến dịch

Campaign Analytics — Phân tích chiến dịch

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Kiểm định A/B z-test hai tỷ lệ, khoảng tin cậy và cỡ mẫu

Kiểm định chuẩn cho thử nghiệm chuyển đổi, kèm khoảng tin cậy của mức chênh lệch tuyệt đối — thứ quan trọng hơn p-value.

Tỷ lệ A / B 3.000% → 3.500%
Lift tương đối +16.67%
p-value 0.0290
Kết luận Có ý nghĩa thống kê
Kết luận Có ý nghĩa thống kê
① Tham số

Chuyển đổi thực tế so với kỳ vọng nếu hai nhánh như nhau

thực tếnếu cùng tỷ lệ gộp
Chuyển đổi thực tế so với kỳ vọng nếu hai nhánh như nhau478.8319.2159.60Nhánh A — nếu cùng tỷ lệ gộp: 390Nhánh A — thực tế: 360Nhánh B — nếu cùng tỷ lệ gộp: 390Nhánh B — thực tế: 420Nhánh ANhánh B

Áp tỷ lệ gộp 3.250% cho cả hai nhánh sẽ cho 390 và 390 chuyển đổi. Khoảng cách giữa hai cặp cột chính là thứ z-test đang cân, và nó nhỏ hơn nhiều so với cảm giác khi đọc 'lift +17%'.

Diễn giải nhanh

p = 0.0290 so với ngưỡng 0.0500

p là xác suất thấy chênh lệch ít nhất lớn thế này NẾU hai nhánh thực sự như nhau. Nó không phải xác suất B tốt hơn A, và không nói gì về độ lớn của hiệu quả.

Chênh lệch tuyệt đối +0.500%, khoảng tin cậy +0.051% tới +0.949%

Khoảng không chứa 0. Hãy đọc đầu thấp của khoảng: nếu mức đó vẫn đáng triển khai thì quyết định mới thực sự an toàn.

Power tại cỡ mẫu này = 59%

Cần khoảng 19,744 lượt mỗi nhánh mới đạt power 80% cho đúng mức chênh lệch này. Kết quả đạt ý nghĩa ở cỡ mẫu dưới ngưỡng thường là mẫu may, và lần đo lại sẽ nhỏ hơn.

Lift tương đối +16.67% trên nền 3.000%

Lift tương đối luôn nghe to hơn thực tế. Con số đi vào doanh thu là chênh lệch tuyệt đối +0.500% nhân với lưu lượng.

Khi nào con số này sai: p-value nhỏ không có nghĩa là hiệu quả LỚN. Với mẫu rất lớn, một chênh lệch không đáng kể về kinh doanh vẫn cho p rất nhỏ — hãy đọc khoảng tin cậy của mức chênh lệch tuyệt đối.

Chi tiết

Chênh lệch tuyệt đối +0.5000%
Khoảng tin cậy 95% +0.0514% tới +0.9486%
z 2.1841
Cỡ mẫu mỗi nhánh cho power 80% 19,744
Cảnh báo Khoảng tin cậy không chứa 0

Chuyển đổi thực tế so với kỳ vọng nếu hai nhánh như nhau

thực tếnếu cùng tỷ lệ gộp
Chuyển đổi thực tế so với kỳ vọng nếu hai nhánh như nhau478.8319.2159.60Nhánh A — nếu cùng tỷ lệ gộp: 390Nhánh A — thực tế: 360Nhánh B — nếu cùng tỷ lệ gộp: 390Nhánh B — thực tế: 420Nhánh ANhánh B

Áp tỷ lệ gộp 3.250% cho cả hai nhánh sẽ cho 390 và 390 chuyển đổi. Khoảng cách giữa hai cặp cột chính là thứ z-test đang cân, và nó nhỏ hơn nhiều so với cảm giác khi đọc 'lift +17%'.

Khoảng tin cậy của chênh lệch tuyệt đối

Khoảng tin cậy của chênh lệch tuyệt đốiB không hơn AB không hơn Akhoảng tin cậy 95%khoảng tin cậy 95%+0.500%-0.0028460.01233

Dải màu phủ qua mốc 0 nghĩa là dữ liệu chưa loại được khả năng hai nhánh bằng nhau. Đây mới là con số để ra quyết định kinh doanh, không phải p-value.

Power theo cỡ mẫu mỗi nhánh

PowerNgưỡng 80%
Power theo cỡ mẫu mỗi nhánh1.0050.68620.36750.04892k6k10k14k18k22k26k

Tính lại chính kiểm định này ở từng cỡ mẫu, giữ nguyên mức chênh lệch quan sát được. Cỡ mẫu hiện tại 12,000 cho power 59%: chạy lại thử nghiệm nhiều lần thì phần lớn số lần sẽ ra kết quả khác.

Power và mức chênh lệch nhỏ nhất phát hiện được

Lượt mỗi nhánhPower cho chênh lệch hiện tạiChênh lệch tối thiểu ở power 80%
1,97414.1%+1.581%
3,94924.0%+1.118%
5,92333.5%+0.913%
7,89842.5%+0.791%
9,87250.8%+0.707%
11,84658.3%+0.645%
13,82165.0%+0.598%
15,79570.7%+0.559%
17,76975.7%+0.527%
19,74480.0%+0.500%
21,71883.6%+0.477%
23,69386.6%+0.456%
25,66789.1%+0.439%
27,64191.2%+0.423%

Toàn bộ chỉ số

Chênh lệch tuyệt đối +0.5000%
Khoảng tin cậy 95% +0.0514% tới +0.9486%
z 2.1841
Cỡ mẫu mỗi nhánh cho power 80% 19,744
Cảnh báo Khoảng tin cậy không chứa 0

Công thức đang dùng

z = (p_B − p_A)/√(p̄(1−p̄)(1/n_A + 1/n_B))

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/ab-test gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  3. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Phân tích hiệu quả chiến dịch là gì

Phân tích hiệu quả chiến dịch trả lời câu hỏi nhân quả: chiến dịch tạo ra bao nhiêu doanh thu tăng thêm so với không làm gì. So sánh trước–sau gần như luôn sai vì mùa vụ và xu hướng.

Làm thế nào

  1. Thiết kế thử nghiệm có nhóm đối chứng ngay từ đầu.
  2. Nếu không thể thử nghiệm, dùng difference-in-differences hoặc synthetic control.
  3. Tính doanh thu tăng thêm, không tính tổng doanh thu của nhóm tiếp cận.
  4. Đo cả tác động dài hạn, không chỉ trong thời gian chạy chiến dịch.

Đo bằng chỉ số nào

Incremental ROAS doanh thu TĂNG THÊM trên chi phí
Lift so với đối chứng thước đo nhân quả
Chi phí trên chuyển đổi tăng thêm chỉ số so sánh kênh

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! Tính ROAS trên toàn bộ doanh thu của nhóm được tiếp cận — phần lớn số đó sẽ xảy ra dù không có chiến dịch.
! Retargeting có chỉ số đẹp nhất và giá trị tăng thêm thấp nhất, vì nó nhắm vào người vốn đã định mua.

Mô hình định lượng dùng trong Marketing

Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.

Tất cả mô hình →
Markov Chainsắp có

Trạng thái kế tiếp chỉ phụ thuộc trạng thái hiện tại.

ARIMAbeta

Tự hồi quy + sai phân + trung bình trượt.

Prophetsắp có

Phân rã xu hướng + mùa vụ + ngày lễ.

Random Forestbeta

Tập hợp cây quyết định, giảm phương sai bằng bagging.

Câu hỏi thường gặp

Phân tích hiệu quả chiến dịch là gì?

Phân tích hiệu quả chiến dịch trả lời câu hỏi nhân quả: chiến dịch tạo ra bao nhiêu doanh thu tăng thêm so với không làm gì. So sánh trước–sau gần như luôn sai vì mùa vụ và xu hướng.

Phân tích hiệu quả chiến dịch được làm như thế nào?

1. Thiết kế thử nghiệm có nhóm đối chứng ngay từ đầu. 2. Nếu không thể thử nghiệm, dùng difference-in-differences hoặc synthetic control. 3. Tính doanh thu tăng thêm, không tính tổng doanh thu của nhóm tiếp cận. 4. Đo cả tác động dài hạn, không chỉ trong thời gian chạy chiến dịch.

Phân tích hiệu quả chiến dịch hay sai ở đâu?

Tính ROAS trên toàn bộ doanh thu của nhóm được tiếp cận — phần lớn số đó sẽ xảy ra dù không có chiến dịch. Retargeting có chỉ số đẹp nhất và giá trị tăng thêm thấp nhất, vì nó nhắm vào người vốn đã định mua.

Đo phân tích hiệu quả chiến dịch bằng chỉ số nào?

Incremental ROAS — doanh thu TĂNG THÊM trên chi phí; Lift so với đối chứng — thước đo nhân quả; Chi phí trên chuyển đổi tăng thêm — chỉ số so sánh kênh.

Phân tích hiệu quả chiến dịch trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Chủ đề khác trong Marketing

Toàn bộ Marketing
Customer Segmentation CLV Churn Prediction Dynamic Pricing Recommendation Attribution Sales Forecast Reports