Эволюция моделирования маркетинг-микса: от классической эконометрики к иерархическим marketing mix models

Моделирование маркетинг-микса позволяет оценить влияние на продажи или другие KPI каждого маркетингового инструмента, а также продуктовых, рыночных, внешних и других факторов.

На практике модель должна одновременно учитывать органический прирост продаж, активность конкурентов, внешние события, отложенный эффект рекламы и инкрементальный вклад каждого фактора. Но так было не всегда. Подходы к моделированию постепенно усложнялись — во многом потому, что более простые модели не могли корректно описать реальную механику маркетинга.

Андрей Никифоров, Marketing Mix Models product owner в CUBE, рассказывает, как изменились подходы к моделированию маркетинг-микса: от классической эконометрики к архитектуре вложенных моделей.

Простые линейные модели

Это классический подход в эконометрике. У каждого фактора есть всего один параметр — его конверсия в продажи. Главное преимущество такого подхода — простота. Модель относительно легко разработать, поэтому она подходит для грубой оценки влияния факторов.

Но эта простота одновременно является главным ограничением. Линейная модель предполагает, что при росте фактора его влияние на продажи растёт пропорционально. Например, если увеличить рекламный бюджет в 10 раз, прогнозируемое количество покупателей тоже может вырасти в 10 раз — даже если получившееся значение окажется больше населения региона.

Реальная логика маркетинга так не работает: у рекламных инструментов есть ограничения по ёмкости и аудитории, а эффект рекламы не всегда возникает и заканчивается одновременно с размещением.

Плюсы:

1. простота разработки модели;
2. подходит для грубой оценки.

Минусы:

1. учитывается мало факторов (обычно не более 20);
2. страдает точность прогнозирования;
3. нет интерпретации работы медиа.

Маркетинг-микс модели

В marketing mix models добавляются параметры, которые позволяют учитывать ёмкость факторов и отложенный рекламный эффект.

Первый параметр решает проблему с ограничением численности аудитории. Чем больше становится рекламный бюджет, тем ближе канал подходит к своей ёмкости и тем меньше дополнительный эффект от каждого следующего вложенного рубля.

Второй позволяет учитывать работу рекламы после окончания флайта — её запоминаемость и последующее влияние на покупателя.

Благодаря этому модель начинает учитывать реальную механику работы рекламы и позволяет более точно прогнозировать и планировать будущие кампании.

Плюсы:

1. учитывает реальную механику работы рекламы;
2. можно оценивать сценарии изменения бюджета.

Минусы:

1. точечные значения параметров (конкретное значение);
2. с ростом числа факторов снижается точность прогноза.

Байесовский подход в Marketing Mix Models

Каждый параметр модели учитывается как интервал значений, а не как одно среднее значение. Например, в предыдущем поколении модель могла определить, что 1 млн показов видеоролика конвертируется в 100 тыс. руб. выручки. Байесовская модель может оценивать эффект того же миллиона показов, например, в диапазоне 90–110 тыс. руб.

Так модель учитывает, что невозможно предугадать абсолютно все факторы, влияющие на продажи, и что любая оценка имеет определённую погрешность. Это решает проблему с переобучением и позволяет получать более устойчивые прогнозы даже при ограниченных данных.

Плюсы:

1. учитывает неопределённость и погрешность в оценках моделей;
2. более устойчивые прогнозы даже при ограниченных данных.

Минусы:

1. требует больше вычислительных ресурсов;
2. требует больше компетенция для обучения модели.

Иерархические модели

Следующий этап — переход от одной модели к целой системе связанных моделей. Вместо одной модели строятся несколько десятков моделей на продажи — чаще всего в разрезе регионов. Все они входят в единую иерархическую структуру, перепроверяют и уточняют друг друга.

Такой подход особенно важен для бизнеса, работающего на неоднородных рынках. Один и тот же маркетинговый инструмент может по-разному работать в разных регионах или для разных продуктов, и одна агрегированная модель способна скрывать эти различия.

Иерархическая архитектура позволяет учитывать эту неоднородность и одновременно сохранять общую картину бизнеса. Как результат — высокая точность прогноза и более высокая детализация, что особенно важно для составления планов продаж.

Плюсы:

1. учитывают отличия между регионами, продуктами;
2. лучше работают при большом количестве данных и разнородных рынках.

Минусы:

1. требуют значительно больше данных для построения;
2. ограниченное число агентств в России умеет их строить.

Команда CUBE x D Innovate Group строит архитектуру моделей исходя из бизнес-задач клиента. Наш подход к моделированию маркетинг-микса — разрабатывать инновационные продукты, значительно превосходящие базовые модели и подходы. Так появились цифровые двойники бизнеса, которые успешно используют наши клиенты для управления маркетингом, оптимизации ROI и LTV.

Подробнее про цифровых двойников бизнеса на сайте CUBE.