Эконометрическое моделирование: максимизируем отдачу


Исследования | 19 Октября 2015 | 11

Эконометрическое моделирование: максимизируем отдачу

 

Эконометрическое моделирование — мощный аналитический инструмент для максимизации отдачи от маркетинговых инвестиций. Он позволяет на основе математического и статистического моделирования решить ряд задач маркетинговой и коммуникационной активности: сформировать маркетинговый микс, оптимизировать портфель брендов и продуктов, уточнить медиамикс коммуникаций, построить медиаплан рекламной кампании, оценить влияние и опасности со стороны конкурентов и как итог — спрогнозировать ведущие бизнес-показатели клиента

 

Эконометрическое моделирование: максимизируем отдачу

 

В BrandScience эконометрическое моделирование интегрировано в общий процесс работы с брендом клиента, и прежде всего — в стратегическое и медиапланирование. Отдел также может выполнять задачи непосредственно по запросам клиента, связанным с моделированием различных решений в его маркетинговой стратегии. В основе эконометрического моделирования лежит статистический анализ ключевых бизнес-показателей и маркетинговых инструментов. При этом выделяются целевой показатель (который и подлежит оптимизации) и группа влияющих факторов (как внутренних, так и внешних). В качестве целевого показателя для большинства товаров FMCG наиболее релевантным является выручка от продаж (в натуральном либо денежном эквиваленте) — как наиболее адекватный индикатор результатов бизнеса. Категория потребительского ритейла с огромным количеством товаров не всегда корректно оценивается валовой выручкой, так как ассортиментная политика может меняться. С финансовой точки зрения ориентироваться надо на маржинальность и итоговую прибыль. Однако эти данные обычно конфиденциальны и не выходят за рамки компании-клиента. Поэтому в качестве разумной альтернативы специалисты BrandScience используют трафик в магазинах — он не только отражает спрос на товары, но еще и является показателем успешности рекламной кампании (эффект и эффективность которой и представляют интерес). Для расчета ROI в денежном эквиваленте используется конверсия посетителей в покупателей и средний чек.

Для построения математической модели в BrandScience используют проверенные на практике подходы. При выборе влияющих факторов естественное желание — учесть их как можно больше. На деле, однако, это приводит к излишне перегруженной модели, которая дает хорошее понимание исторических данных, но не позволяет сделать достоверный прогноз из-за трудности предсказать поведение всех использованных факторов. Поэтому нужен разумный баланс — необходимо брать только самые важные факторы, в основном те, которыми можно управлять и которые имеют значимую динамику в период моделирования. В случае возникновения сильных расхождений модели и факта в конкретные периоды времени в модель добавляют новые факторы.

В общем случае в качестве влияющих факторов в модель включаются: дистрибуция (количество магазинов), ценовая политика (как ценовые промо, так и общее соотношение уровня цен с ценами конкурентов), сезонность (продажи или уровень трафика за несколько лет), собственная медиаактивность во всех каналах, значимая активность конкурентов. Разумеется, в зависимости от анализа стоящей задачи список факторов может быть скорректирован. В качестве математического аппарата при построении модели эконометристы BrandScience используют линейную регрессию и метод наименьших квадратов. Более сложные функциональные зависимости создают проблему ложных моделей, которые с математической точки зрения будут более совершенными, но по здравому смыслу не будут соответствовать действительности, в частности точности определения влияющих факторов. По словам Владимира Степанова, директора по развитию продуктов BrandScience, «модель должна быть настолько сложной, насколько это необходимо, и настолько простой, чтобы быть понятной неспециалисту (в том числе клиенту)». Такую модель можно адекватно интерпретировать и использовать для стратегических и оперативных решений, а также прогнозирования.

Модель всегда строится под конкретного клиента, при этом источниками данных для целевых и влияющих параметров служат его данные (которым придается важнейшее значение), данные синдикативных и заказных маркетинговых исследований, а также собственные исследования, проводимые BrandScience, — Snapshots. Эта работа занимает обычно от трех до пяти недель. Особенностью процесса моделирования в BrandScience является и то, что по его окончании клиенту наряду с результатами анализа и вытекающими из него решениями передается и сама разработанная модель в виде программного продукта с прозрачным и понятным интерфейсом. Обучение и консалтинг по использованию данного продукта также входит в сервис агентства.

«Подготовка модели — интерактивный процесс, — объясняет Владимир Степанов. — Не стоит воспринимать проект по разработке модели как «отдал данные — получил рекомендации». Всегда необходимы встречи и обсуждение вопросов и промежуточных результатов с рабочей группой клиента. Только они знают свою категорию и свой продукт, как никто другой. В таких обсуждениях всегда проще разобраться, какие факторы необходимо добавить в модель, что могло привести к необъяснимым изменениям в продажах в определенный период (у нас не было товара, были проблемы с производством, у конкурентов были проблемы с лицензией и т.д.)».

Безусловно, эконометрическое моделирование имеет ограничения. Во-первых, оно не даст правильного ответа относительно тех решений или активностей, которые не присутствовали раньше и по которым, соответственно, нет исторических данных. Во-вторых, специфика статистики заключается в том, что требуется определенное количество наблюдений, чтобы можно было говорить об устойчивости тех или иных взаимосвязей. Поэтому для хорошего понимания сезонности и тенденций в целевом показателе необходимы данные за 2–3 года наблюдений, причем с достаточной и четко определяемой точностью. В-третьих, моделирование главным образом оценивает краткосрочный эффект от рекламного воздействия, который наступает в течение недели или с некоторым запозданием (в зависимости от медианосителя). Определение средне- и долгосрочного эффектов намного сложнее, и их прогнозирование требует других подходов.

В итоге, располагая адекватной моделью, становится возможно:

• Оценить влияние заложенных в модель факторов на ключевой показатель, в том числе роль медиа (например, «за счет рекламы на радио мы дополнительно привлекли 2 млн человек»);

• Рассчитать ROI по медиа (например, «1 рубль, вложенный в ТВ-рекламу, приносит 1,4 рубля дополнительных продаж»);

• Провести оптимизацию медиасплита на заданный уровень общего бюджета либо рекомендовать уровень общего бюджета и сплит для достижения заданного уровня ключевого показателя;

• Решить еще целый ряд оптимизационных и прогностических задач.

Правильно построенная модель позволяет добиться хороших результатов с точки зрения совпадения с действительностью. Так, для одного из клиентов в категории продуктового ритейла специалисты BrandScience сделали четыре эконометрические модели — по разным городам. В качестве целевого показателя был выбран трафик в магазинах. Результаты проверки прогноза трафика через полгода показали, что расхождения между моделями и фактическими значениями были минимальными — это является доказательством того, что модели корректно описывают целевой показатель с точки зрения влияния медиаинвестиций (при прочих более-менее равных условиях).

Иван Трофимов, руководитель аналитической группы BrandScience, отмечает: «Эконометрика — прекрасный инструмент для повышения эффективности инвестиций. Однако есть два важных условия, чтобы им воспользоваться:

• Данные о своем бизнесе необходимо начинать собирать как можно раньше и организовать их сбор и хранение должным образом. Много примеров того, как крупные высокотехнологичные компании оказываются в ситуации, когда данных о бизнесе или нет, или они организованы таким образом, что ими сложно воспользоваться.

• Готовность вносить изменения и ломать свои стереотипы — часто по результатам моделинга даются рекомендации, которые идут вразрез с устоявшимися привычками или правилами (медиамикс, медиавеса, флайтинг и т.д.). Даже если такие рекомендации кажутся слишком радикальными, всегда стоит прислушаться к ним и протестировать (например в отдельном регионе), как они скажутся на эффективности маркетингового микса».

В качестве примеров рассмотрим результаты построений реальных эконометрических моделей в BrandScience для конкретных клиентов.

 

Планирование маркетингового микса (FMCG-клиент, моделирование продаж)

Задачи:

• Выявить маркетинговые факторы, влияющие на продажи;

• Определить рекламный бюджет, необходимый для увеличения продаж на 10%, если дистрибуция вырастет на 10% (Рис. 1).

Для решения задач была построена математическая модель, включающая все значимые факторы, влияющие на продажи. Ее анализ показал следующее:

1. Основные факторы, влияющие на продажи: дистрибуция, отношение цены к средней цене категории,

ТВ-реклама;

2. Для того чтобы продажи выросли на 10% (8,5% за счет роста дистрибуции и 1,5% за счет большей активности на ТВ), необходимо увеличить объем ТВ-рекламы на 14%.

 

Рис. 1. Чувствительность продаж

Эконометрическое моделирование: максимизируем отдачу

Дистрибуция ↑ 10% → Продажи ↑ 8,5% (0,85×10)

Продажи ↑ 1,5% ← ТВ-рейтинги ↑ 14% (0,11×14)

Планирование медиамикса (сеть розничных магазинов, моделирование посещений)

Задачи:

• Определить основные факторы, влияющие на посещения;

• Оценить эффективность рекламы по медиа (Рис. 2);

• Оптимизировать медиамикс (Рис. 3).

Результаты анализа, выводы и рекомендации клиенту:

1. Ключевые факторы — рост доходов, расширение сети, рост количества обслуживающего персонала, наличие товаров самой популярной категории, реклама;

2. Вклад рекламы в общий объем посетителей сети — 16%;

3. ТВ и пресса — наиболее эффективные каналы коммуникации с точки зрения ROI;

4. Затраты на ТВ в зоне убывающей отдачи, в то время как пресса не реализовывает свой потенциал, наружная реклама не имеет оптимального уровня;

5. Для максимизации общего ROI рекомендовано перераспределение 20% ТВ-бюджета на прессу и 5% — на наружную рекламу.

 

Рис. 2. Эффективность рекламы по медиа

Эконометрическое моделирование: максимизируем отдачу

 

Рис. 3. Медиамикс

Эконометрическое моделирование: максимизируем отдачу

 

Оптимизация плана рекламных кампаний (FMCG, моделирование знания марки)

Задачи:

• Сравнить эффективность разных типов кампаний — промо, продуктовые новинки, имидж;

• Понять, эффективно ли поддерживать BTL на ТВ;

• Оптимизировать план кампаний с точки зрения недельных весов, периодов вне эфира, соотношения разных типов кампаний.

Результаты анализа и выводы:

• Промо и новинки в 4–5 раз эффективнее имидж-кампаний в краткосрочном периоде;

• Эффект имиджевых кампаний длится в 1,5 раза дольше и формирует базу постоянных посетителей.

Рекомендации клиенту:

1. Изменить соотношение имидж/новинки с 85:15 а 75:25;

2. Увеличить недельные веса на 50 GRPs;

3. Оптимальный флайтинг ТВ-кампании — 2 недели в эфире и 1 вне;

4. Продолжать поддерживать BTL-события на ТВ.

В итоге знание бренда выросло на 17% (в 1, 5 раза больше, чем в предыдущие годы) благодаря предложенной оптимизации.

 

Эффективность продвижения: промо vs обычная поддержка (автомобильный бренд)

Задача: проанализировать влияние конкретной промокампании на тест-драйвы в автосалонах. Параллельно шла стандартная национальная рекламная кампания.

С помощью регрессионного анализа было установлено, что эффективность (отдача на 1 потраченный рубль) промо в 3,3 раза выше обычной поддержки (Рис. 4). При этом, конечно, по своим масштабам эффект промо не дотягивает до регулярной поддержки, но с задачей точечного привлечения дополнительных потенциальных клиентов справляется отлично.

Рис. 4.

Эконометрическое моделирование: максимизируем отдачу

 

 

Подписывайтесь на канал «AdIndex» в Telegram, чтобы первыми узнавать о главных новостях в рекламе и маркетинге.

последние публикации

Комментарии

Александр (Гость) | 19.10.2015, 13:50
А мы уже давно ушли от линейной регрессии. 1. Регрессия (сумма факторов) как инструмент не отражает реальной жизни. 2. И уж, тем более, линейная зависимость, что, само по себе, странно для оценки эффекта от рекламы.
Просто Ваня (Гость) | 19.10.2015, 19:45
Вам же все четко написали в статье: "Более сложные функциональные зависимости создают проблему ложных моделей, которые с математической точки зрения будут более совершенными, но по здравому смыслу не будут соответствовать действительности, в частности точности определения влияющих факторов". Все правильно написано. Если не согласны, читайте Литтла.
Александр (Гость) | 20.10.2015, 17:42
То есть, Вы считаете, что, если дистрибуция или продажи всей категории - один из влияющих факторов, то его можно добавлять как слагаемое? Серьезно??? В том и дело, что регрессия противоречит здравому смыслу. P.S. Я много кого перечитал, но каждый раз убеждался, что регрессия в виде суммы - весьма бредовый и далекий от жизни подход.
Просто Ваня (Гость) | 21.10.2015, 13:13
Мне кажется, вы не понимаете статистической составляющей линейной регрессии и метода наименьших квадратов. Если представить модель, в которой будет только один фактор(не считая константы) - продажи всей категории, то R-квадрат покажет, насколько изменение ваших продаж хорошо описывается изменением продаж категории. Причем регрессия не описывает причинно-следственные связи (если нет лагов) и рост продаж категории вполне может быть следствием роста продаж бренда. Вот вам простой пример: у вас продажи всегда на уровне 100 шт., но в те периоды, когда вы тратите 100 рублей на рекламу, они растут до 120 шт., а а потом снова падают до уровня 100 шт. Скажите мне, где нарушен здравый смысл, если я скажу, что с высокой степенью значимости рост продаж на 20 шт. связан с затратами на рекламу в 100 рублей? Потому что это именно то, что говорит линейная регрессия. Вы, конечно, можете сказать, что продажи выросли не на 20 шт., а на 20%, использовать мультипликативную модель, описывать синергетические эффекты, но на практике такие модели в 80% всех случаев хуже аддитивных и дают некорректный прогноз в случаях, когда ваши факторы выходят за тот исторический диапазон значений, по которым вы фиттировали модель. Или у вас там есть какой-то свой уникальный авторский подход к анализу влияния рекламы на продажи? Не поделитесь?
Александр (Гость) | 22.10.2015, 19:08
Вы все верно описываете, если идти по учебникам. Но представьте, что дистрибуция или продажи категории - важный параметр, и он у Вас пошел как слагаемое. Допустим, дистрибуция снизилась с 60% до 10% по какой-то причине. Что покажет такая модель при прочих? Падение продаж не будет в 6 раз по ней. Остальные слагаемые не изменятся. Но это не так. Как показывает практика, при падении дистрибуции в 5 раз, продажи падают в 4,5-5 раз. Соответственно, нельзя просто суммировать дистрибуцию как фактор. Аналогичная ситуация и с продажами всей категории. Вы также правы, что мы придумали авторский подход к составлению моделей. Поделиться, к сожалению, не можем, ибо при этом мы потеряем свое преимущество на рынке. Скажу лишь, что среднемесячные ошибки прогноза у нас в районе 5% (даже выходя за рамки исторических значений), а в целом за год не более 2%. Рано или поздно эта метода где-то утечет, этого не избежать. Тогда она и станет известна общественности. Насчет МНК. Ну... это лишь метод оптимизации. Мне больше по душе алгоритм Левенберга-Марквадта, например.
Просто Ваня (Гость) | 23.10.2015, 19:30
Если все верно, то вот вам еще немного учебного материала для внеклассного чтения. Модель хороша тем, что она анализирует только ту информацию, которая ей доступна. Если дистрибуция всегда менялась +/-2%, а потом резко упала в 5 раз (и как следствие, в 5 раз упали продажи), то модель не обязана давать вам корректный ответ, т.к. нарушается условие стационарности временных рядов. Линейная регрессия работает для стационарных временных рядов. Вы говорите, что "Как показывает практика, при падении дистрибуции в 5 раз, продажи падают в 4,5-5 раз". Но если дистрибуция никогда не падала настолько, мы про это не узнаем. А если падала, то сможем описать с помощью линейного регрессии. Если связь дистрибуции и продаж не линейна, то можно изучить закономерность и ввести нелинейную функцию по аналогии с кривыми отклика. Кстати, в примере "Планирование маркетингового микса" снижение дистрибуции в 5 раз приведет к снижению продаж в 4.25, что близко к вашим представлениям. Преимущества вашего подхода я оценить не могу, слишком мало вводных. Что такое ошибки прогноза не выходя за рамки исторического прогноза я не понимаю. Мы оцениваем качество модели только по тому, насколько точный прогноз она дала в будущее на 10% от доступного нам исторического периода. Точность самих данных бывает разная и тут, как говорится, shit in - shit out. Среднемесячная ошибка в районе 5% в прогнозе встречается, хотя на месячных данных мы обычно придерживаемся порога +/-7.5%. С другой стороны, были у нас кейсы, когда на данных по дням ошибка прогноза данного на два месяца вперед не превышала 3%, а на недельных данных в целом за год выходили на погрешность 0.3%. И это все методами описанными в статье. MAPE вообще не самый лучший показатель(хотя и лучше, чем R-квадрат), MASE гораздо более адекватный способ оценки качества прогноза и модели в целом. Мы свою методологию не скрываем, ей уже около 50 лет и готовы по запросу предоставить исходники. Я лично много раз слышал, а иногда, к сожалению, и видел, как появлялись юные(и не очень) дарования с "уникальной" методой, которая на проверку оказывалась далекой от здравого смысла кустарщиной с полным отсутствием научного подхода. Дьявол обычно кроется в деталях, в том как исследователь подходит к выбору факторов и насколько он опытен в описании кривых отклика, т.к. тут универсального решения нет. И да, будьте осторожны с итерационными алгоритма типа градиентного спуска, они всегда приводят вас к локальному минимуму и сильно зависят от начальных условий. Без процедуры МНК вы не получите t-статистики и оценок значимости факторов. А модели, которые не могут предъявить оценку статистической значимости факторов, я вообще всерьез не воспринимаю и считаю обманом трудящихся.
Т (Гость) | 19.10.2015, 15:50
Коллеги, с учетом того, что авто-сегмент до 30% (а мелкие бренды и больше) тратит на Digita-медиа, вы никак их не учитываете? Путь потребителя в принятии решения завязан только на дистрибуции и ТВ-рекламе?
Прохожий (Гость) | 19.10.2015, 19:34
Коллеги, вот вы пишите про линейную регрессию. Кривульки-то на рис.2 у вас явно - не по линейной зависимости)
Просто Ваня (Гость) | 19.10.2015, 19:56
По вводной части этой статьи можно обучать юных моделистов правила хорошего тона. В любом нормальном месте эконометрические модели строят ровно по тем же самым лекалам. Просто замените название Brand Science На любое другое. Только автор лукавит, что оценка методами линейной регрессии проводится после нелинейного преобразования инвестиций с использованием кривых отклика и адстоков. Статья годная, но для неспециалиста, конечно, тяжелая в восприятии. Проще надо быть, друзья) Ну и ваши кейсы - это что-то! В первом же кейсе явно мультиколлинеарность между ценой и дистрибуцией. В кейсе "планирование медиамикса" - тихий ужас! Я бы на месте клиента вас с таким кривыми отклика и точками оптимальных инвестиций на порог не пустил. Остальные два кейса с неожиданными выводами "Промо и новинки в 4–5 раз эффективнее имидж-кампаний в краткосрочном периоде" и "эффективность промо в 3,3 раза выше обычной поддержки" можно даже не комментировать.
Посторонний (Гость) | 22.10.2015, 09:47
Простите, а под "мультиколлинеарностью между ценой и дистрибуцией" вы что имеете в виду? Каким образом они могут быть зависимыми друг от друга? То, что у них модули эластичности близки, еще ничего не значит.
Просто Ваня (Гость) | 22.10.2015, 18:24
Если цена и дистрибуция - оба слабо меняющиеся факторы с сильной трендовой составляющей, то легко. Это зависит от разброса значений у цены и дистрибуции относительно среднего значения в одели. Не удивился бы, если базовая линия в минус ушла. Впрочем, в данном случае мультиколлинеарности может и не быть, но вот что два фактора разбегаются в разные стороны - это точно. Согласно модели, если дистрибуция уменьшится в два раза, а цена будет прежней, то продажи уйдут в минус. И это наводит на мысль, что эластичности этих факторов рассчитаны некорректно.

Возможность комментирования статьи доступна только в первую неделю после публикации.

doc id = 8945

Каталог рекламных компаний России

Talant Base. Поиск по всем специалистам, работавшим над рекламными кампаниями с 2009-2015г


Adindex Print Edition - справочный журнал, посвященный рекламе и маркетинговому продвижению.
В издании систематизированы информационные, аналитические и статистические данные по ряду важнейших направлений отрасли.
Периодичность: ежеквартально.
При поддержке Agency Assessments International.
Цель проекта — создать новый инструмент на рынке коммуникационных услуг, презентующий объективную информацию о структуре рекламной индустрии и ее основных игроках.
все разделы

Нестандартная Реклама

AdIndex Market

Новости партнеров

Кейсы