Marketing-mix optimization, marketing-mix modeling, MMM, marketing spend optimization, linear regression, mixed models, econometrics, media budget optimization

Accenture – это одна из ведущих международных консалтинговых компаний, которая предоставляет широкий спектр услуг организациям из более 40 отраслей в 120 странах. Она объединяет бизнес и технологии для повышения эффективности работы своих клиентов. В одной из своих статей они рассказывают о развитии моделирования и оптимизации маркетингового микса в течение последних 40 лет, в том числе о новейших методах и использовании гранулярных данных в МММ.

Наша статья представляет краткое описание того, как оптимизация маркетинг-микса изменилась за это время, становясь более эффективной с каждым нововведением.

Качественное продвижение – залог успеха бизнеса, а оптимизация маркетинг-микса помогает наиболее эффективно использовать рекламные каналы и правильно распределить бюджет путем создания статистической модели и анализа ее результатов.

Мы рассмотрим три следующих этапа развития оптимизации маркетинг-микса:

  1. Линейная регрессия
  2. Смешанная модель
  3. Панельная регрессия


Разница между моделями показана на ​примере компании ToyCo с рекламным бюджетом в 100 миллионов долларов, которая хочет узнать, какая часть продаж является результатом маркетинговых действий и какие рекламные каналы оказывают наибольшее влияние на продажи.

Линейная регрессия

Marketing-mix optimization, marketing-mix modeling, MMM, marketing spend optimization, linear regression, econometrics, media budget optimization

Маркетологи использовали эти легко интерпретируемые модели в 1980-х и 1990-х годах. При использовании регрессионных моделей мы предполагаем, что существует линейная связь между зависимой переменной (продажи) и независимыми переменными (реклама и внешние факторы, которые также влияют на успех кампаний, такие как демографическая или макроэкономическая ситуация). Эти внешние факторы могут быть включены в модель таким образом, что мы отдельно увидим продажи, полученные благодаря рекламе. Моделирование маркетингового микса также показывает, как конкретные инструменты влияют на продажи. Расчеты показывают, как изменения в маркетинговой деятельности влияют на объем продаж. 

В случае ToyCo мы имеем следующие результаты: за каждый доллар, потраченный на почтовую рассылку, компания получает дополнительный доход в 2$, в то время как для ТВ рекламы дополнительный доход составляет 1,75$.

Анализ показал, что используемый маркетинговый микс можно улучшить, увеличив объем почтовой рассылки и сократив количество ТВ рекламы.

Регрессионные модели работают хорошо, только если имеется линейная взаимосвязь между продажами и маркетинговыми активностями, что не совсем верно. Accenture отмечает несколько нестабильных факторов в рекламе:

  • Снижение эффективности (Adstock): реклама постепенно теряет изначальное влияние на продажи.
  • Насыщение: количество денег, вложенных в определенную рекламу, обратно пропорционально дополнительному доходу, который она принесет (то есть каждый следующий потраченный доллар приносит меньше дохода, чем предыдущий).
  • Отложенный во времени эффект от рекламы: эффект от нее не всегда мгновенный, поэтому может пройти несколько недель, прежде чем покупатель купит ваш продукт после просмотра рекламы.


Если учесть вышеперечисленные факторы, вы компенсируете некоторые недостатки линейной модели, однако это не решает другие существенные проблемы. Например, если в стране много магазинов ToyCo, компания предпочла бы оптимизировать свою маркетинговую стратегию для каждого отдельного магазина, города или региона, что сегодня является распространенной практикой в США. К сожалению, это невозможно с использованием регрессионной модели, для которой все магазины и регионы идентичны. Чтобы решить эту проблему, нужен другой подход к моделированию, который анализирует каждый регион отдельно.

Смешанная модель

Marketing-mix optimization, marketing-mix modeling, MMM, marketing spend optimization, mixed models, econometrics, media budget optimization

Смешанные модели позволяют разработать маркетинговую стратегию на уровне региона; они опираются на те же линейные отношения, что и в предыдущем методе, но улучшают его, вводя случайный коэффициент. Случайный коэффициент – это прирост продаж в каждом регионе, обусловленный определенной маркетинговой активностью. Модели со случайными эффектами позволяют объяснить прирост продаж в каждом анализируемом регионе через отклики на определенные маркетинговые активности. В случае ToyCo рассматриваются регионы, но анализ может быть сужен вплоть до отдельного магазина.

Если регрессионная модель для ToyCo показала, что почтовая рассылка приносит 2$ на каждый вложенный доллар, то в смешанной модели мы видим, что в Нью-Йорке каждый потраченный доллар приносит 2,5$, а в Чикаго – 1,5$.

Эти результаты позволяют нам оптимизировать маркетинговую стратегию, увеличив расходы на почтовую рассылку в Нью-Йорке и сократив их в Чикаго.

Этот метод позволяет создавать модели с большим количеством маркетинговых активностей и получить неплохой результат, однако правильный и точный анализ требует значительного объема данных. Другой недостаток заключается в том, что результаты основаны на данных за несколько лет и рассчитываются как среднее значение, в то время как для компаний более актуален недавний период времени.

Например, из-за кризиса в 2008 г. мировая экономика рухнула, что спровоцировало снижение маркетинговых инвестиций. В то же время происходил значительный рост онлайн рекламных платформ благодаря их более низкой стоимости и высокому уровню персонализации. Количество рекламных кампаний увеличилось, а интервалы между ними сократились. Маркетологам было необходимо адаптироваться к таким кардинальным переменам, быстрее реагировать на тренды, а также иметь возможность оценивать эффективность маркетинговых мероприятий в разные моменты времени. В результате классические регрессионные подходы уступили место новой методике, которая учитывает последние тенденции и рыночную активность.

Панельная регрессия

Marketing-mix optimization, marketing-mix modeling, MMM, marketing spend optimization, econometrics, media budget optimization, state space modeling

Вернемся к ToyCo. Предположим, что их продажи резко упали из-за макроэкономической ситуации, поэтому компания решает сократить маркетинговый бюджет со 100 до 75 миллионов долларов. Но они не хотят делать это случайным образом, поэтому нужно уменьшить количество рекламных кампаний на тот период времени, который меньше всего повлияет на общие продажи. Для этого нам нужен инструмент, который может учитывать как сезонные, так и географические факторы. Панельная регрессия как раз позволяет проводить такой анализ. Как и предыдущие модели, она отличает продажи, обусловленные маркетингом от базовых, но при этом дает более точные результаты благодаря следующим изменениям. Во-первых, она рассматривает базовый уровень продаж не как средний показатель за год, а учитывает их колебания в течение всего периода. Во-вторых, она оценивает эффективность маркетинговой активности в разные моменты времени, а не определяет средний коэффициент за год. Например, эта модель объясняет рост продаж в декабре перед праздниками и последующее их снижение сезонностью, а не использованием рекламы, в то время как предыдущие подходы к моделированию ошибочно приписывали бы эти изменения маркетинг-миксу.

Вот что получается, если сравнить все три модели.

Линейная регрессия показывает, что почтовая рассылка принесла 2$ на каждый вложенный доллар.

Смешанные модели показывают, что каждый доллар, потраченный на почтовую рассылку, принес 2,5$ в Нью-Йорке и 1,5$ в Чикаго.

Панельная регрессия показывает, что за каждый доллар, вложенный в почтовую рассылку, в последнюю неделю ноября компания получает 1,5$, а в первую неделю декабря – 3,5$.

Последняя модель также использует данные за текущий период для прогнозирования будущих продаж. Например, если ToyCo решит отслеживать продажи еженедельно, модель спрогнозирует будущие продажи, опираясь на данные за прошедшую неделю. Более того, в таком моделировании постоянно используются аналитические оценки текущей недели при планировании будущего маркетингового микса. Также важно разработать маркетинговую стратегию на уровне регионов, для этого нужно использовать отдельную модель для каждого из них. Это определенно потребует гораздо больше ресурсов, но позволит компании оптимально использовать все каналы рекламы.

Третья модель, тем не менее, не является последней стадией развития оптимизации маркетинг-микса, и ее можно еще больше усовершенствовать.

AdoptoMedia успешно применяет наиболее точные и эффективные эконометрические модели для оценки и оптимизации маркетингового микса. Благодаря CheckMedia Solution вы можете автоматически оценивать эффективность отдельных каналов рекламы и маркетинговых инструментов, выявить неэффективные способы продвижения и отказаться от них. Передовые технологии AI позволяют автоматически перестраивать модели ROMI при загрузке новых данных. Благодаря CheckMedia Solution можно оптимизировать рекламную кампанию по ходу ее реализации, чтобы подстроиться под меняющуюся динамику рынка и увеличить рентабельность маркетинговых инвестиций (ROMI) на 10-30%.