Маркетологу недостатньо інформації, щоб обґрунтувати бюджет

Одне із завдань маркетолога — порахувати, скільки грошей потрібно вкладати в кожен канал просування: інтернет-рекламу, радіо, телебачення та ін.

Бюджет слід затверджувати у керівника. Останній хоче отримати аргументовані цифри, а маркетологу часто не вистачає інформації, чому інша сума не принесе потрібних результатів і яких загалом очікувати результатів при більшому або меншому обсязі вкладень. Адже на розподіл бюджету впливають і особливості кожного каналу, і зовнішні чинники, наприклад свята, заходи чи сезон року.

Щоб обґрунтувати бюджет, потрібний інструмент, який зможе врахувати всі фактори розрахувати їх вплив і показати, як найбільш вигідно розподілити бюджет.

Розглянемо з прикладу телеком-оператора, як з допомогою маркетинг-мікс моделінгу побудувати декомпозицію витрат і дізнатися, куди краще інвестувати залежно від завдань.

Калькулятор оптимального бюджету з прикладу телеком-оператора

Маркетологам телеком-оператора поставили завдання отримати максимальну кількість відвідувань в офлайн-магазинах. Бюджет фіксований, але його потрібно було правильно розподілити за медіаканалами.

Оператор мав дані за три роки:

1. Суми на рекламні кампанії тижнів.
2. Зведення медіаканалів: радіо, інтернет, зовнішня реклама по всій країні.
3. Число клієнтів, які приходили до магазину оператора щотижня.

Нам необхідно було визначити бюджети на медіаканали та фактори, що впливають на канали просування..

Завдання 1: визначити бюджети на медіаканали

Завдання складалося з трьох частин:

1. Знайти залежність між відвідуваннями магазинів та витратами по кожному каналу просування. Наприклад, люди починали масово відвідувати магазини через тиждень-два після запуску реклами на телебаченні та продовжували навіть після її завершення..
2. Оптимально розподілити фіксований бюджет за медіаканалами. Наприклад, бюджет 100$ потрібно розподілити на діджитал-канали, друковану рекламу, радіо та телебачення.

Визначити, який канал найкраще підходить для залучення людей залежно від завдання. Наприклад, якщо потрібно досягти тривалого припливу людей або швидко залучити максимальну кількість відвідувачів.

Завдання 2: визначити фактори медіаканалів

Ми припустили, що кожен медіаканал має три ключові фактори, які впливають на відвідування магазину:

1. Безпосередній вплив медіаканалу: запустили рекламу – отримали приплив відвідувачів.
2. Затримка впливу медіаканалу: запустили рекламу, а приток відвідувачів отримали через деякий час.
3. Згасання впливу медіаканалу: рекламний період закінчився, і кількість відвідувачів поступово знижується.

Додатково працює постійний фактор: люди ходять у магазини і без реклами. На це впливає насамперед впізнаваність бренду, а також сезонність, свята, модні тренди.

Як вважали: Data Science та математика

Data Science пропонує багато математичних моделей, наприклад нейронні мережі, бустингові алгоритми або алгоритми, засновані на деревах та ін.

Для завдань телеком-оператора вибрали модель, результати якої легко інтерпретувати, а сама модель легко вбудується в потрібні інструменти і працюватиме, коли даних мало.

Першим викликом були самі дані: їх було не дуже багато, деякі з них являли собою розфарбовані графіки акцій в Excel. Для моделі всі дані структурували і сприяли єдиному виду. Також додали екзогенні змінні, наприклад, рівень споживчого щастя та ін.

Другим викликом стала модель. Вона має враховувати величезну кількість невідомих змінних за умови обмеженої кількості даних.

Щоб переконатися, що параметри правильні, ми радилися з експертами.

Результати проекту: вартість залучення одного клієнта знизилася втричі

Оператор порівняв ефективність попереднього розподілу бюджету та нової методології та з’ясував, що вартість залучення клієнта знизилася втричі.

Щоб маркетологам було простіше розподіляти бюджет, ми створили «калькулятор»: фахівці задають суму та отримують оптимальне розбиття. Наприклад, якщо бюджет невеликий, краще вкладатися в інтернет-рекламу. А за великих сум — закуповувати рекламу на телебаченні, бо люди йтимуть до магазинів завдяки ефекту згасання.

Тепер маркетологи можуть вважати ROAS (return on ad spend) — рентабельність витрат на рекламу. Вони розуміють, який прибуток приносить кожен вкладений долар.

Новий розподіл бюджету

В результаті моделювання отримали такі дані:

1. Для кожного з каналів визначили цифрове значення впливу медіаканалу, а також значення постійного фактора.
2. За допомогою побудованих моделей визначили коефіцієнти затримки та згасання, оцінили вплив кожного з медіаканалів.
3. Збудували моделі, які показують, що за однієї комбінації реклами приходить 50 осіб, а за іншої — вже 150.

На основі цих даних визначили, як працює кожний медіаканал.

Інтернет-реклама ефективна, працює без затримок та без згасання

Реклама на телебаченні ефективна з великим періодом згасання, але й із початковою затримкою впливу.

Реклама на радіо, у пресі чи зовнішня реклама мають мінімальну ефективність, працюють з невеликими затримкою та згасанням.

За підсумками проекту змогли оцінити, яку частку клієнтів отримали завдяки рекламі в інтернеті, а яку – на TV. Визначили, скільки людей прийшло навіть без реклами, лише завдяки впізнаваності бренду та загальному попиту на ринку. Виявили сезонні чинники, наприклад, свята та відпустки. Завдяки інформації про рекламу конкурентів змогли оцінити, яку частину клієнтів конкуренти забрали у нашого замовника.

Завдяки маркетинг-мікс моделюванню маркетолог дізнається, скільки і у що потрібно інвестувати

Маркетинг-мікс моделінг допомагає відповісти на кілька головних питань маркетолога:

• Який канал принесе більше клієнтів?
• Як розподілити маркетинговий бюджет залежно від завдання?
• Скільки потрібно інвестувати, щоб отримати максимальний прибуток?

Маркетинг-мікс моделінг побудує декомпозицію витрат на основі даних бюджетів на просування за минулі періоди. Це допоможе зрозуміти, який вплив мають різні фактори на ваших клієнтів: вкладення в інтернет, TV, активність конкурентів, сезонність та інше. А калькулятор бюджету розраховуватиме оптимальне розподілення інвестицій по медіаканалам.

Що відбувається зараз: більшість фотографій від мерчандайзерів залишаються необробленими

Власники магазинів та постачальники товарів домовляються, як і де буде розміщуватися товар в торговому залі. Товар часто викладають мерчандайзери від компаній-виробників або дистриб’юторів. Після того, як фахівці закінчили розставляти товар, вони фотографують торгові полиці та відправляють менеджерам. Їм доводиться вручну розбирати та оцінювати сотні знімків.

І тут виникає проблема: мерчандайзери надсилають змащені фото, знімки своїх ніг, невірно заповнені анкети. Це відбувається тому, що магазинів багато, потрібно встигнути все об’їхати. До того ж мерчандайзеру складно зробити хорошу фотографію через вузькі проходи, довгі полиці або поток покупців.

Менеджери та маркетологи в свою чергу не встигають оцінити всі фотографії та звіти: адже їх надсилають сотнями. Інформацію частково обробляють в кінці дня або навіть місяця або тільки в разі конфліктів. Тисячі фотографій безсистемно скупчуються на корпоративному сервері.

Приклад невдалої фотографії

Як працюють зараз

Було
		Мерчандайзери, супервайзери та інші користувачі фотографують розташування SKU на полицях.
		Фотографії безсистемно скупчуються на корпоративному сервері.
		Маркетологи вручну розбирають знімки, припускаються помилок розпізнавання та залишають частину фотографій невикористаними.

В результаті, фахівці фізично не можуть переглянути всі знімки та складають звіти на основі неповної інформації та своєї суб’єктивної оцінки. Це спотворює інформацію, на базі якої керівники приймають рішення, наприклад, чи працює викладка, як задумували.

Що можна зробити: орендувати комп’ютерний зір та автоматизувати процес

Найпростіше — це збільшити штат супервайзерів, найняти їм помічників, які будуть п’ять днів на тиждень переглядати фотографії, відсіювати неякісні або неправильні знімки та оцінювати тільки потрібні зображення.

Великий мінус цього рішення — плинність кадрів та постійна трата часу на навчання нових співробітників. Адже, як правило, на такі роботи влаштовуються студенти в якості підробітків.

Інший варіант — автоматизувати процес за допомогою ІТ-рішень. Існує багато додатків для автоматизації роботи мерчандайзерів, наприклад, VisitBasis, iMarkt Mobile, WellDone, Goods Checker та інші.

Всі звикли, що впровадження програмного забезпечення для комерційного використання — це довго та дорого. Адже потрібно купувати або замовляти розробку власного програмного забезпечення. Але ІТ-компанія з Білорусі пішла іншим шляхом та пропонує ритейлу орендувати рішення.

Як звичайні користувачі, ми орендуємо квартири або машини та платимо тільки за період користування. Точно також компанія може орендувати і ІТ-рішення, а витрати на ПЗ — визначити в операційні витрати (OPEX).

Джерело: Yandex Collection

Розглянемо автоматизацію обробки фотографій мерчандайзерів на прикладі продукту Goods Checker. Це хмарне рішення по підписці, яке за допомогою комп’ютерного зору аналізує фотографії та показує, чи правильно виставлений товар на полицях магазину. Перевірка відбувається за наперед визначеними правилами та завданням, наприклад, відповідає планограмма реалограммі або яку частку полиці займають ваші товари?

Планограмма	Реалограмма Оцінка Goods Checker

Автоматизація обробки інформації допоможе поліпшити мерчандайзинг. Ви зможете виконати відразу три завдання практично в реальному часі:

1. Отримувати повну та точну інформацію по роботі мерчандайзерів
2. Отримувати інформацію, щоб аналізувати представленість товарів як власних, так та конкурентів
3. Контролювати наявність товару на складах магазинів.

Оренда ІТ-рішення — платите тільки тоді, коли користуєтеся

Покупці платять більше на 13% в тих магазинах, де мерчандайзинг організований правильно. Автоматизація процесу мерчандайзингу допомагає зберегти та збільшити рівень продажів, не відставати від конкурентів, а також корисно використовувати робочий час співробітників. А підхід SaaS (Software-as-a-Service) – оренда програмного забезпечення — знижує вкладення впровадження ПЗ та позбавляє від ризиків покупки невідповідного рішення. Адже в будь-який момент можна скасувати оренду та перестати користуватися сервісом.

Що таке маркетинг-мікс моделювання?

Маркетинг-мікс моделювання (медіамікс моделювання, моделювання комплексу маркетингу, або МММ) – це математичні моделі, які допомагають виміряти вплив минулих та спрогнозувати вплив майбутніх маркетингових активностей на продажі та прибуток.

Маркетинг-мікс моделювання використовує узагальнені дані, наприклад, з продажу або бюджетам на маркетинг за кілька років, щоб оцінити ефективність традиційних та цифрових каналів просування. Крім того, за допомогою маркетинг-мікс моделювання маркетологи можуть враховувати також зовнішні фактори впливу: сезонність, тренди, дії конкурентів, тощо.

Маркетинг-мікс моделювання стало популярним ще в 1960-70-х роках, коли ринок був досить простим: існувало кілька каналів просування, була відсутня накопичена інформація, технології тільки починають розвиватися. Наприклад, коли компанія Kraft запустила желатинові десерти Jell-O, то для просування її співробітники вибирали лише між трьома або чотирма телевізійними каналами та рекламою в журналах. Зараз же для реклами товарів компанії розглядають десятки каналів на ТБ, радіостанції, друковану та зовнішню рекламу, інтернет-рекламу, блоги, піар, спонсорство та ін.

За що критикують маркетинг-мікс моделінг?

Сьогодні ринок став високо конкурентним, інформації дуже багато та клієнти вже майже не реагують на рекламу «для всіх». Щоб достукатися до клієнта, потрібна детальна та різнобічна аналітика. З цієї причини багато хто вважає, що МММ не справляється зі своїм завданням.

Три основні претензії до МММ:

1. Маркетинг-мікс моделінг враховує тільки короткостроковий ефект реклами.
2. Маркетинг-мікс моделінг не оцінює сенсу рекламного повідомлення або її креативи.
3. Маркетинг-мікс моделінг часто не може виміряти ефект одночасного запуску декількох медіа каналів.

Чому маркетинг-мікс моделювання все ще працює?

Незважаючи на критику МММ працює. На ринку існує кілька рішень маркетинг-мікс моделювання, наприклад, від компаній Nielsen або Coffee-analytics.

Щоб маркетинг-мікс моделювання правильно відповідало на поставлені питання, необхідні дві речі:

1. Історичні данні. Чим більше інформації буде для аналізу, тим точніший результат МММ зможе побудувати, де врахує зовнішні чинники, а також довгостроковий ефект від активностей. Наприклад, якщо у моделі МММ не було даних про зовнішню рекламу, вона не зможе спрогнозувати приплив клієнтів при збільшенні витрат на зовнішню рекламу.
2. Правильно підібрані моделі. Data Science пропонує багато математичних моделей, наприклад, нейронні мережі, бустінгові алгоритми або алгоритми, засновані на деревах тощо. Наприклад, щоб оптимально розподілити бюджет по медіа каналах, визначити їх чинники та ефект накладення, підійде модель, яка швидко вбудовується в інструменти, працює, коли даних не дуже багато, та результати легко зрозуміти.

baseline_t — оцінка базового значення КРІ за умови незначних коливань активності ЗМІ;

Media_i,t — медіа активність (аудиторія, бюджет);

β_i.γ_i — параметри функції відгуку;

есоn_j,t — економічні фактори;

α^j — параметри економічних чинників;

ε_t — вільний коефіцієнт моделі;

AdStock (x_t. λ_i,) — функція adstock, яка моделює авторегресійні процеси (процеси, які включають ефект «розпаду»), де λ_i  —параметр розпаду

 Модель, що враховує різні медіаканали та додаткові чинники

Креативна складова реклами оцінюється іншими способами, наприклад, A/B тестуванням.

Олександра Гончарова поділилася кількома проектами по МММ, які вона разом зі своєю командою виконали за останні кілька років.

Приклад маркетинг-мікс моделювання для маркетингової компанії: «гало-ефект» та калькулятор оптимального розподілу бюджетів

Компанія хотіла зрозуміти, чи правильно витрачається бюджет на рекламу ліківта сформувати ефективну рекламну стратегію.

Data Science – команда Олександри разом з фахівцями замовника проаналізували витрати на рекламу в різних каналах: ЗМІ, ТБ та радіо, зовнішня реклама та кампанії в інтернеті. У них були дані за п’ять років. Це допомогло в прогнозної моделі врахувати вплив економічних факторів та сезонність.

Модель показала, що зовнішня реклама не приносить потрібний результат та до неї потрібно ставитися уважніше.

Цікавий факт: реклама одних ліків не збільшує продажі інших ліків цього виробника. Відсутність такого ефекту, його ще називають «гало-ефект», можна пояснити в даній ситуації – ми частіше запам’ятовуємо назву ліків, а не виробника.

Маркетологи також отримали інфопанель, яка допомагає порівнювати продажі та реклами в різних каналах, а також калькулятор для оптимального розподілу бюджетів на потрібний період. Це допомогло визначити суми, вище яких вкладати в рекламу безглуздо: нові клієнти не принесуть прибуток.

Маркетинг-мікс моделювання для компанії «Лідське пиво»: обсяг дистрибуції та оптимальні знижки

«Лідське пиво» хотіло проаналізувати якість роботи машинного навчання в завданні «прогнозування продажів». Для цього були обрані дані, що містять інформацію про постійні та промо знижки без урахування маркетингових активностей. З усієї наданої інформації були відібрані дані по групі товарів для оцінки ефекту канібалізації. IBA Group реалізувала пілотний проект, використавши маркетинг-мікс моделювання та технології Data Science. Проект реалізували в кілька етапів.

1. Підготовка даних. Клієнт надав дані із зазначенням глибини постійної та промо знижки, структуровані по партнерам та SKU, постійним та промопродажам. Надані дані привели до формату, придатного для обробки. Зібрали та проаналізували додаткові чинники.
2. Побудова економетричної моделі. Зробили декомпозицію показників, визначивши сезонність та вплив додаткових чинників, оцінили ефекти відкладень та загасання для знижок, а також ефект канібалізації в рамках групи товарів.
3. Побудова прогнозної моделі, яка оцінює обсяг дистрибуції, на наданому обсязі даних.

В результаті описали чинники, що впливають на обсяг дистрибуції, в тому числі і продажу аналогічного товару в іншому обсязі і тарі; побудували модель, яка показує, який вплив надає кожен з цих факторів; оцінили прогнозні значення обсягу дистрибуції на квартал для окремих товарів та категорії в цілому. Відхилення від факту прогнозних показників моделі за обсягом дистрибуції на рівні категорії не перевищила +/-3%. А по окремих товарах отримане значення було в два рази більше того, яке очікував побачити клієнт.

Приклад маркетинг-мікс моделювання для телеком-оператора: оптимальний розподіл бюджету та фактори медіаканалів

Маркетологам телеком-оператора необхідно було залучити максимальну кількість людей в точки продажів. Бюджет на просування визначено заздалегідь, та його потрібно правильно розподілити по каналах. У компанії є дані за останні три роки: рекламний бюджет по тижнях, зведення по каналах та кількість клієнтів, які прийшли.

Для вирішення завдання розробили модель, яка враховує фундаментальне значення KPI, медіа активності та економічні чинники, якщо є. Визначили коефіцієнт впливу кожного медіаканалу, значення постійного фактору, коефіцієнти затримки та загасання, оцінили вплив медіаканалів.

В результаті нова методологія привернула в три рази більше клієнтів.

Вона допомогла визначити, фактори кожного медіаканалу та його ефективність. Наприклад, інтернет-реклама ефективна, працює без затримок та без загасання. У той же час реклама на TV ефективна з великим періодом згасання та з початкової затримкою впливу.

Розробили калькулятор оптимального бюджету. Необхідно тільки задати потрібну суму, а калькулятор запропонує, скільки потрібно інвестувати в інтернет-рекламу або рекламу на телебаченні. Також тепер можна оцінити ROAS (return on ad spend) – який дохід приносить кожен вкладений долар.

Залиште свої коментарі чи запитання

Дата: 17 июня 2020

Время: 11:00 (UTC +03:00)

Ссылку на вебинар отправим на эл. почту, которую укажете при регистрации.

Что будем делать?

Проведем расследования трех кейсов мошенничества, покажем возможности продукта и ответим на ваши вопросы.

Что получите от вебинара?

Увидите, как можно ускорить проведение расследований и инцидентов, находить неочевидные связи между объектами, скрытую аффилированность лиц.

Кому будет интересен?

Сотрудникам комплаенс-контроля, камерального контроля, специалистам по закупкам, аналитикам, работающим в сфере противодействия экономическим и финансовым преступлениям.

Що IBA Group вже робила для клієнтів з Грузії

IBA Group допрацювала та впровадила в промислову експлуатацію ERP-систему SAP S/4HANA для Грузинської залізниці. Керівники тепер володіють повною та достовірною інформацією про фінансовий стан підприємства, мають оперативну аналітичну звітність за ключовими показниками. На підприємстві впроваджено паралельний облік за місцевими стандартами та МСФЗ.

IBA Group надала підтримку в зміні процесів обліку відповідно до нових вимог державного регулятора в електромережнії компанії «Теласі». Завдання вимагало реінжинірингу всіх процесів обліку. Команда IBA Group спроектувала зміну плану рахунків та бізнес-процесів таким чином, щоб замовник зміг продовжити роботу в тій же балансовій одиниці, уникнувши додаткових ризиків та витрат, накопичуючи дані для аналізу.

IBA Group автоматизувала управління складським комплексом для грузинської автомобільної компанії «Тегета Моторс». Команда розробила рішення, яке автоматизує управління складським комплексом замовника. Система оптимізує ведення основних даних (структуру складу, одиниці обробки, схеми розміщення товарів), приймання та відвантаження товару, списання браку, інвентаризацію та крос-докінг.

Про що домовилися

IBA Group та Агентство інновацій та технологій Грузії під час зустрічі уклали меморандум про взаєморозуміння та співпрацю в сфері інформаційних технологій та інновацій. Меморандум націлений на створення практичної основи для розвитку більш тісних відносин між сторонами в області інформаційних технологій, обміну досвідом щодо підтримки стартапів та підприємців за допомогою ділових форумів, дистанційних хакатонів, тренінгів, спільних програм та проектів.

Про візит делегації Грузії

Візит грузинської делегації на чолі з Міністром економіки та сталого розвитку Грузії Натією Турнавою відбувся в рамках 6-го засідання Міжурядової комісії з економічного співробітництва, яке проходило 18-19 лютого 2020 року.

У складі делегації Грузії прибули понад 20 осіб: міністр економіки та сталого розвитку Натія Турнава, заступник міністра Геннадій Арвеладзе, заступник міністра закордонних справ Олександр Хвтісіашвілі, президент торгово-промислової палати Георгій Пертаіа, заступник голови Агентства інновацій та технологій Маріам Лашхі, представники центральних органів виконавчої влади Грузії.