探讨ROI计算

评估ROI让人厌倦，我不大喜欢干这事儿，总觉得是斤斤计较。干就干了，干吗还假假地去评估收入成本。可这是数字化社会的基础，一件事情干的好干的坏，得用数字

来证明一下。但显而易见，数字是可解释的。因此，我怀疑，一种好的ROI计算方法，并不是因为其科学而客观的将各种收入、成本效益都考虑到，而是因为她能够被合理地解释并且并接受。
干斤斤计较的事情没意思，但琢磨这事情的本身却有点意思。

也许人们的期望并不高，只是需要这样一种可以被解释的ROI计算方法吧。而以前总是有一种本能的排斥，总是在争论哪有绝对精确的度量方法呢？我们还是忘了"绝对"这个词，去追求"可以接受"。
本文探讨电信行业营销活动的ROI计算，特别是精确营销活动（用分析模型支撑的营销活动）。大体计算方法是依赖收入和成本，如果这两项已经落到财务层面，到好说。可营销活动并非如此，财务的成本、收入很少细化到财务层面。
数据挖掘研究院

什么样的ROI计算方法能够被大家认可呢？每一方不一样，作为负责项目的，不论是甲方还是乙方的，当然都希望效益好，因此，希望是偏向于高回报的评估方法，当然，如果这种评估方法过于偏颇，就像一些软文里面描述某种产品那样，一看就让人知道是忽悠的，那也被人看穿。

说到底，ROI方法是一种证明手段，证明什么？
1、 整体营销活动确实挣到钱了；
2、 即便没有挣到钱，也影响了很多客户。没有物质回报也得有精神回报；
3、 如果没有精确营销的模型，达不到这样的效果；
其实大家心里很明白，不少营销活动并非真的为了挣到钱，多多少少是一种"政绩工程"，也并没有去影响到很多客户。但势头比较猛，符合和谐社会的调子，那么这个营销活动的ROI一定得是好的。
数据挖掘实验室

这么说好像ROI计算非常主观，不过也应该看到一个现实情况，如今很多项目的ROI都是自己控制，并非第三方，开始必然是很主观的，但虽然时间流逝，大家也有点不再自欺欺人的感觉。毕竟外界压力还在起着作用。

对于上面的三个目标，要证明它们，可以整出三项指标出来。衡量整体营销活动是否挣到钱，那就是传统的ROI——收入减去成本比上成本。可收入、成本都不太好算。先说成本，因为一项营销活动用到了好多资源，人力、设备、宣传等等，宣传成本可能很容易当作是营销活动的成本，但人力、设备这些东西得分摊。再说收入，也是，电信行业的收入，主要就是客户的话费收入，你说这些收入那些是你营销活动造成的？
有办法。
数据挖掘研究院

那些一次性成本咱先不考虑，比如宣传之类的，那些是有现成数字的。而根据营销活动的目标客户量进行成本、收入计算，比如接触成本、赠送成本。根据客户接触方式的不同，考虑单位成本，外呼两块，短信一毛。这些值被当作是常量，如果严谨一点，需要综合历史数据衡量，得出一个相对客观的值，如果不严谨，差不多就可以。就像上面说的两块一毛，当然，也许有人反对，不对，短信一毛是对外的，我们内部发短信根本就没有这么高成本，那好，就改成一分，于是大家认同了，那就这样吧。
收入也是，目的就是要将那些客户的总收入划拨点出来，算成是营销活动的收入。但你会发现每种活动的目标不同，有的根本就是赔钱赚吆喝，收入反倒是下降的。没关系，吆喝也是有用的，可以算是吸引了新客户，或者是延长了客户在网时长，原来在网1年的，通过话费捆绑活动，延长了6个月。如此，就算话费没有提高，那就算在网时长，延长那部分贡献的收入都算是本活动的，哈哈哈。收入的提升呢，每月的话费多出来的部分，也算是活动的收入。没有必要去算每个客户的收入，只需要用活动前后的收入对比就可以。如果再严谨一点，还得考虑相对于总体话费变化的水平。

此处，目标客户的在网时长，某类活动延长的在网时长应当被当作常量。可以是经验判断或者统计分析确定下来，关键是大家约定好。变量部分，就是每个月目标客户的平均话费和话费提升。
数据挖掘研究院

尽量将一些看起来变化的因素共同约定，成为一种常量，可以主观也可以客观。上面的客户接触成本、客户在网时长都是如此，这样可以让ROI计算简洁一点，容易落地执行。
归纳简化一下：

数据挖掘研究院

营销成本 = 一次性成本+（单位客户成本×目标客户数）
营销收入 = 延长在网月份×目标客户话费提升
收入要高于成本，不然你这个活动可就亏了。
昨天谈到如何证明一项营销活动挣到钱了，说了一些计算收入、成本的思路。具体的计算方法没有提。评估效益还有两个目标——证明影响了多少客户，证明如果没有分析

模型效果不会那么好。

数据挖掘研究院

我们内部又在讨论这个东西，很热烈，感觉最后几乎要吵起来。为什么呢？就是因为这种计算方法没有标准，每个人都能自己理解一套，每个人都有一些不同的假设。很难说服另一个人采用某种方法，只能从概念上加以判断，看某种计算方法是不是合乎逻辑。但，争吵到了一定阶段，突然发现，也许我们一开始就是错的，很多争论沿着细节前进，却远离了原来的目标。只有重头来过，再次梳理。
数据挖掘研究院

说了些感慨，来思考一下影响客户的指标。
数据挖掘研究院

影响多少客户，这是一个有点矛盾的度量值。我们讲究精确营销，就是有的放矢，缩小目标客户范围，但命中率很高的那种。从这个角度来说，影响客户要小一点才显得精准。但现实中，营销并没有到那样的程度，很多时候是广撒网多捞鱼。因此，这个数大了也不行，小了也不行。

数据挖掘实验室

幸好，不需要用这个绝对值来衡量影响客户的程度。我们可以改去关注覆盖率，这个指标是指营销活动覆盖了多少可能的客户群。可以是全网的客户，可以是某种品牌的，也可以是符合某种条件的客户群。

数据挖掘研究院

覆盖率=活动客户数/潜在客户数
数据挖掘实验室

当然，这个客户群得提前给出，在活动设计之处就得给出。否则，这个数来历可疑，恐怕是为了造就这个覆盖率而设计的潜在客户条件。
数据挖掘研究院

接下来证明如果没有分析模型就无法取得如此的营销效果。

数据挖掘实验室

通常，如果在活动的时候设计一些对照组，这些对照组是非分析模型得出的客户。这样，只需要在活动之后对比两组的成功率，就能证明分析模型的作用。但现实又一次占了上风。很多时候，活动执行部门不希望有对照组，因为他们希望有更高的成功率，他们也有指标的压力，他们并不希望被当作实验。当然，除非你不要告诉他们有这个对照组存在。总之，有时候就是没有对照组。
数据挖掘研究院

这时可以用一种方法。记得刚才谈覆盖率的时候，有个潜在客户群，那个值应当是所有可能符合活动条件的客户。比如促销手机报的活动，这个潜在客户群至少要支持彩信才是。而除了营销活动促销之外，肯定还有其他非活动促销购买此产品的。那么当期所有购买这个产品的客户可以视为自然增长（虽然不能算真正的自然增长，因为有了活动的影响），如此可以设计一个自然成功率指标=自然增长/潜在客户。对比活动成功率与自然成功率就能显示出活动效果。
数据挖掘研究院

上面说了这些计算方法虽然不够标准，也许不够合理，甚至还得不到客户的认可。但一定要在活动设计阶段就给出来。否则在真正评估的时候才给出，恐怕就是忽悠成分偏

多。 数据挖掘研究院