Biblioteka / mokslo darbai
Išsamus ekonometrinių tyrimų, metodologijų ir akademinių publikacijų rinkinys, skirtas suprasti šiuolaikinį marketingo komplekso modeliavimą ir investicijų atsekamumą.
1. Ekonometrinis marketingo efektyvumo modeliavimas: Bajeso hierarchinis požiūris
Kaip priimti teisingus sprendimus triukšmingoje aplinkoje? Šiame darbe nagrinėjamas sistemingas **marketingo efektyvumo modeliavimas** naudojant Bajeso hierarchinę išvadų teoriją. Tradiciniai modeliai dažnai kenčia nuo kintamųjų perkrovimo ir multikolinearumo problemų, todėl šiame straipsnyje analizuojama, kaip aprioriniai pasiskirstymo parametrai (priors) gali padėti stabilizuoti regresijos koeficientus ir užkirsti kelią modelio perviršiui (overfitting). Sužinokite, kaip apjungti praeities eksperimentų žinias su kasdieniais rinkos duomenimis.
Įsivaizduokite, kad bandote suderinti radijo imtuvą labai stiprios audros metu. Signalas trūkinėja, girdisi pašalinis triukšmas, o jūsų ranka nuolat slysta. Labai panašiai jaučiasi ir rinkodaros analitikai, bandantys išmatuoti atskirų medijos kanalų poveikį pardavimams naudojant įprastus tiesinės regresijos modelius (OLS). Kadangi visi skaitmeniniai ir tradiciniai kanalai dažnai veikia vienu metu ir yra stipriai koreliuoti (pavyzdžiui, didelės kampanijos metu vienu metu leidžiama televizija, lauko reklama ir skaitmeninė paieška), modelis pasimeta ir pradeda priskirti pernelyg didelę grąžą tam kanalui, kuris tiesiog garsiausiai „šaukia“. Ekonometrijoje šis reiškinys vadinamas multikolinearumu.
Kad išspręstume šį iššūkį, turime pasitelkti išskirtinį įrankį – Bajeso hierarchinę regresiją. Bajeso statistika skiriasi nuo tradicinės (dažnuminės) statistikos tuo, kad ji leidžia modeliui ne spėlioti iš naujo kiekvieną kartą, o nuosekliai mokytis ir naudoti praeities žinias. Šios išankstinės žinios mokslinėje literatūroje vadinamos aprioriniais pasiskirstymais (angl. priors). Naudojant šį metodą, modelis iš anksto supranta pagrįstas ribas: pavyzdžiui, kad televizijos reklamos efektyvumas negali būti neigiamas arba kad investicijų grąža iš Google paieškos negali viršyti fizinių gamybinių pajėgumų. Tokiu būdu apribojama klaidų dispersija, o patys koeficientai tampa neįtikėtinai stabilūs net esant labai dideliems rinkos svyravimams.
Hierarchinė modelio struktūra leidžia dalintis informacija tarp skirtingų produktų grupių arba geografinių regionų. Pavyzdžiui, jei jūsų prekės ženklas pradeda veiklą naujoje šalyje, kurioje duomenų istorija yra labai trumpa, Bajeso modelis gali laikinai „pasiskolinti“ elgsenos parametrus iš kaimyninės, ilgiau veikiančios rinkos, juos proporcingai sušvelnindamas (šis procesas vadinamas shrinkage). Tai leidžia vadovams priimti patikimus sprendimus neturint ilgametės istorijos.
Šis požiūris buvo išsamiai išnagrinėtas ir moksliškai pagrįstas kertiniame darbe, kurį atliko Google mokslininkų komanda, vadovaujama Yuxue Jin. Autoriai parodė, kaip derinant Adstock atminties ir Hill prisotinimo funkcijas Bajeso sistemoje pasiekiamas precedento neturintis modeliavimo stabilumas ir prognozavimo tikslumas. Tai suteikia finansų vadovams (CFO) ramų pagrindą planuoti būsimą EBITDA pelningumą, remiantis patikimais tikimybiniais scenarijais, o ne atsitiktiniais spėjimais.
Akademinė publikacija: Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects. Google Research Publication.
2. Inkrementinio poveikio nustatymas: kaip pamatuoti marketingo poveikį pardavimams nenaudojant sekiklių
Slapukų ir sekimo technologijų nykimo eroje tradicinė skaitmeninė priskyrimo (attribution) analizė tapo visiškai nepatikima. Šiame straipsnyje nagrinėjama, **kaip pamatuoti marketingo poveikį pardavimams** nenaudojant vartotojų sekimo duomenų. Analizuojamas atsitiktinių imčių geografinių eksperimentų (Geo-testing) dizainas bei struktūrinis ekonometrinis atskyrimas, leidžiantis izoliuoti inkrementinį (prieauginį) reklamos poveikį nuo organiškos paklausos. Sužinokite, kaip teisingai suprojektuoti eksperimentus, kurie suteiks aiškų atsakymą apie jūsų reklamos vertę.
Vienas labiausiai paplitusių mitų šiuolaikinėje rinkodaroje – įsivaizdavimas, kad jei vartotojas spustelėjo jūsų reklamą ir po to įsigijo prekę, būtent ta reklama ir sukūrė šį pardavimą. Skaitmeninės platformos, tokios kaip Google ar Meta, naudoja paskutinio paspaudimo (last-click) arba peržiūrų (attribution windows) modelius, kurie džiaugsmingai prisiima visus nuopelnus. Tačiau ar kada nors susimąstėte, kiek iš tų pirkėjų būtų įsigiję jūsų prekę bet kuriuo atveju, net jei reklama jiems nebūtų buvusi parodyta? Šis esminis skirtumas tarp bendrojo pardavimų srauto ir tikrojo reklamos sukelto augimo vadinamas inkrementalumu.
Privatumo sugriežtinimai, Apple iOS privatumo politika ir artėjantis trečiųjų šalių slapukų (cookies) atsisakymas galutinai sugriovė tradicines sekimo sistemas. Siekiant išsiaiškinti tiesą, rinkodaros mokslininkai grįžo prie klasikinio eksperimentinio metodo. Užuot sekę kiekvieną asmenį atskirai, mes padalijame visą šalies ar pasaulio geografinę teritoriją į panašius, statistiškai suderintus regionus. Vieni iš jų tampa „poveikio“ regionais (kur reklaminė kampanija vykdoma pilnu pajėgumu), o kiti – „kontroliniais“ regionais (kur tam tikro kanalo reklama yra visiškai išjungiama arba sumažinama iki minimumo).
Pasibaigus eksperimento laikotarpiui, ekonometriniai modeliai atlieka statistinį palyginimą. Kadangi kontroliniuose regionuose pirkėjai vis tiek apsipirkinėja, mes galime tiksliai išmatuoti natūralų, organinį pardavimų lygį. Skirtumas tarp poveikio grupės ir kontrolinės grupės pardavimų pokyčio parodo tikrąjį, inkrementinį marketingo poveikį. Tyrimai rodo, kad vidutiniškai net iki 30–50% skaitmeninių konversijų, kurias platformos priskiria sau, iš tikrųjų yra baziniai (organiniai) pardavimai. Vadinasi, įmonės dažnai permoka už tuos pirkėjus, kurie ir taip būtų atėję patys.
Kertiniame darbe apie geografinių eksperimentų dizainą, Jon Vaver ir Kenneth Koehler išsamiai aprašė atsitiktinių imčių planavimo metodikas, kurios leidžia išvengti regionų parinkimo šališkumo ir užtikrina aukštą statistinę galią (angl. statistical power). Šie eksperimentiniai duomenys vėliau gali būti tiesiogiai integruojami į ekonometrinius modelius (MMM) kaip Bajeso aprioriniai pasiskirstymai, užtikrinant neįtikėtiną modelio kalibravimo tikslumą.
Akademinė publikacija: Vaver, J., & Koehler, K. (2011). Design for Geo-experiments. Journal of Advertising Research, 51(2), 345-356.
3. Matematinis marketingo biudžeto optimizavimas: netiesinės S-kreivės ir EBITDA maksimizavimas
Kiekvienas papildomas reklamos euras atneša vis mažesnę grąžą. Straipsnyje analizuojamas **marketingo biudžeto optimizavimas** naudojant netiesines Hill funkcijas ir matematinius netiesinio programavimo metodus. Nagrinėjama, kaip atskiri medijos kanalai pasiekia savo prisotinimo (saturation) lubas ir kodėl aklas biudžeto didinimas populiariuose kanaluose gali drastiškai sumažinti bendrą EBITDA grąžą. Sužinokite, kaip surasti idealų balansą, kuriame ribinės reklamos pajamos tiksliai atitinka ribines išlaidas.
Rinkodaros pasaulyje galioja tas pats dėsnis kaip ir žemės ūkyje: jei į tą patį žemės sklypą bersite dvigubai daugiau trąšų, derlius tikrai nepadidės dvigubai. Tam tikru momentu augalai tiesiog nebepasisavins maistinių medžiagų, o perteklius bus išplautas. Reklamoje šis reiškinys vadinamas mažėjančios ribinės grąžos dėsniu. Kiekvienas kanalas, nesvarbu, ar tai būtų Google Ads paieška, televizija, ar socialinių tinklų video įrašai, turi savo individualią elgsenos kreivę – dažniausiai ji modeliuojama naudojant S formos (sigmoidinę) arba Hill funkciją.
Ši S formos kreivė parodo tris skirtingas fazes. Pirmoji fazė yra pradinio delsos efekto (angl. lag phase): kai investicijos labai mažos, vartotojai vos pastebi reklamą, todėl atsakas minimalus. Antroji fazė yra greitojo augimo fazė (angl. acceleration phase): reklama pasiekia kritinę masę, o vartotojai pradeda aktyviai reaguoti – čia ROAS pasiekia savo viršūnę. Trečioji fazė – prisotinimo lubos (angl. saturation phase): auditorija yra visiškai išvarginta, visi potencialūs pirkėjai jau padarė sprendimus, o papildomos išlaidos tik didina dažnį, bet ne konversijas. Čia ribinis ROAS pradeda kristi žemiau 1,0x, o tai reiškia, kad kiekvienas papildomas euras tiesiog degina jūsų EBITDA pelną.
Matematinis marketingo biudžeto optimizavimas siekia išspręsti šią netiesinę užduotį. Užuot skirstę biudžetus pagal praėjusių metų patirtį ar intuiciją, mes suformuojame tikslinę funkciją (EBITDA maksimizavimą) su biudžeto apribojimais. Naudodami išvestinių skaičiavimą (angl. convex optimization solvers), mes ieškome taško, kuriame ribinės reklamos pajamos (angl. marginal revenue) visuose kanaluose yra lygios ribinėms išlaidoms (angl. marginal cost). Tai reiškia, kad perkeliami pinigai iš visiškai prisotintų kanalų į tuos, kurie vis dar veikia augančio elastingumo fazėje.
Klasikiniame Julian Simon ir Johan Arndt tyrime buvo surinkta ir susisteminta dešimtmečių reklamos efektyvumo tyrimų medžiaga. Autoriai moksliškai įrodė, kad rinkos atsako kreivės beveik visada yra netiesinės ir turi aiškų mažėjančios grąžos pobūdį. Suprasdami šį principą ir taikydami netiesinį modeliavimą, finansų vadovai gali ramiai stebėti, kaip perskirstytos lėšos atneša iki 20–30% papildomo pelno visiškai nedidinant bendro rinkodaros biudžeto.
Akademinė publikacija: Simon, J. L., & Arndt, J. (1980). The shape of the advertising response function. Journal of Advertising Research, 20(4), 11-28.
4. Reklamos kanalų efektyvumo analizė: Adstock atminties slopinimo koeficientų skaičiavimas
Reklamos poveikis neišnyksta tą pačią akimirką, kai išjungiate kampaniją. Šiame straipsnyje pristatoma išsami **reklamos kanalų efektyvumo analizė** ir jos pagrindinis elementas – Adstock teorija. Nagrinėjama, kaip vartotojų atmintyje išliekantis reklamos poveikis slopsta laikui bėgant (decay) ir kaip skirtingi kanalai (nuo televizijos iki skaitmeninių socialinių tinklų) turi kardinaliai skirtingus atminties išlikimo pusperiodžius. Sužinokite, kaip matematiškai išreikšti atidėtąjį vartotojų atsaką ir optimizuoti kampanijų periodiškumą.
Jei šiandien pamatysite įspūdingą televizijos reklamą, mažai tikėtina, kad iškart šoksite iš lovos ir bėgsite į parduotuvę pirkti reklamuojamo produkto. Tikėtina, kad informacija nusės jūsų pasąmonėje. Praėjus trims dienoms, savaitei ar net kelioms savaitėms, stovėdami prie parduotuvės lentynos, staiga prisiminsite prekės ženklą ir pasirinksite būtent jį. Šis atidėtasis, kaupiamasis reklamos poveikis ekonometrijoje vadinamas Adstock efektu. Jei rinkodaros analizėje vertinsite tik tos pačios dienos ar savaitės išlaidas ir pardavimus, jūsų modelis padarys klaidingą išvadą, kad reklama neveikia, nes nematys tiesioginio trumpalaikio ryšio.
Matematiškai Adstock modeliuojamas kaip nykstanti geometrinė progresija. Kiekvienos savaitės reklamos poveikis susideda iš tos savaitės realių išlaidų ir tam tikros dalies (koeficiento lambda, esančio tarp 0 ir 1) iš praėjusios savaitės poveikio. Pavyzdžiui, jei televizijos reklamos Adstock slopinimo koeficientas yra 0,7, tai reiškia, kad po savaitės vartotojų atmintyje lieka 70% pirminio poveikio, po dviejų savaičių – 49%, po trijų – 34,3% ir t. t. Skirtingi kanalai pasižymi labai nevienoda vartotojų atminties inercija. Televizija arba didelės lauko reklamos (OOH) kampanijos turi ilgą pusperiodį (gali veikti iki 6–8 savaičių), tuo tarpu skaitmeniniai kanalai (pvz., Instagram ar Facebook istorijos) išblėsta per 24–48 valandas.
Teisingas reklamos kanalų efektyvumo analizės Adstock modeliavimas apsaugo nuo dviejų didelių klaidų. Pirma, išvengiama reklamos nuovargio (angl. wear-out effect), kai vartotojai pradeda ignoruoti per dažnai rodomą žinutę. Antra, tai leidžia taikyti pulsuojančios alokacijos (angl. flighting) strategiją: užuot reklamuojantis nuolat mažomis dozėmis, naudingiau paleisti stiprią kampaniją, o tada leisti veikti Adstock inercijai jos slopinimo fazėje, taip sutaupant iki 15% metinio medijos biudžeto.
Šios teorijos pradininkas Simon Broadbent savo revoliuciniame tyrime apie televizijos reklamos poveikį įrodė, kad Adstock kalibravimas yra būtinas norint teisingai suprasti ilgalaikį reklamos indėlį. Be šio matematinio įrankio bet koks modeliavimas bus šališkas ir nepagrįstai diskredituos tradicinius prekės ženklo kūrimo kanalus greitų, bet trumpalaikių skaitmeninių paspaudimų naudai.
Akademinė publikacija: Broadbent, S. (1979). One Way TV Advertisements Work. Journal of the Market Research Society, 21(3), 139-166.
5. Finansinis marketingo ROI modeliavimas: EBITDA prieaugio atskyrimas nuo organiškų bazinių pardavimų
Kaip atskirti tikruosius rinkodaros nuopelnus nuo natūralios įmonės traukos jėgos? Šiame straipsnyje analizuojamas pažangus **marketingo ROI modeliavimas**, kurio pagrindinis tikslas – matematiškai išskirti bazinį (organinį) pardavimų lygį. Nagrinėjama, kaip prekės ženklo žinomumas, fizinė lokacija, sezoniškumas ir bendras rinkos augimas sukuria pardavimus visiškai nenaudojant aktyvios reklamos, ir kodėl neatsižvelgus į šį bazinį srautą, investicijų grąžos (ROI) rodikliai tampa dirbtinai išpūsti, o tai veda prie rimtų finansinių nuostolių.
Įsivaizduokite didelį keleivinį laivą, plaukiantį pasroviui upėje. Net jei visiškai išjungsite laivo variklius, srovė vis tiek neš laivą į priekį tam tikru greičiu. Šis greitis – tai jūsų verslo natūrali trauka, arba organinė bazė. Jei dabar įjungsite variklius, laivas pradės judėti greičiau. Rinkodaros reklama veikia būtent kaip laivo varikliai: ji suteikia papildomą pagreitį. Didžiausia finansų direktorių (CFO) ir analitikų klaida yra ta, kad jie visą laivo judėjimo greitį priskiria tik varikliams (reklamai), visiškai pamiršdami upės srovę (organinius bazinius pardavimus).
Moksliškai pagrįstas marketingo ROI modeliavimas prasideda ne nuo reklamos kanalų skaičiavimo, o nuo bazės (angl. baseline) nustatymo. Baziniai pardavimai – tai pardavimų apimtis, kurią įmonė sugeneruotų, jei metinis rinkodaros biudžetas būtų lygus nuliui. Šį rodiklį lemia ilgalaikis prekės ženklo kapitalas, lojalių klientų ratas, geras prekybos taškų prieinamumas, sezoniškumo ciklai (pvz., ledų pardavimai vasarą) ir bendros makroekonominės tendencijos. Tikroji marketingo vertė yra tik tas prieaugis (angl. lift), kurį pavyksta sugeneruoti virš šio bazinio lygio.
Ekonometriniai modeliai naudoja laiko eilučių skaidymą ir būsenų erdvės (angl. state-space) filtrus, kad atskirtų šiuos du srautus. Jei bazė nėra teisingai izoliuota, bet koks ROI skaičiavimas tampa klaidingas. Pavyzdžiui, jei el. parduotuvė parduoda prekių už 1 mln. eurų, o Google Ads prisiima nuopelnus už 800 tūkst. eurų, vadovybė gali nuspręsti, kad investicija yra nepaprastai pelninga. Tačiau ekonometrinė analizė gali parodyti, kad net išjungus Google Ads, vartotojai vis tiek būtų atėję per tiesioginius apsilankymus ar organinę paiešką, o tikrasis inkrementinis prieaugis buvo tik 150 tūkst. eurų. Tokiu atveju reali investicijų grąža yra neigiama, o bendrovė patiria EBITDA nuostolius.
Marnik Dekimpe ir Dominique Hanssens savo autoritetingame moksliniame darbe išsamiai aprašė laiko eilučių analizės metodus, skirtus atskirti trumpalaikį medijos poveikį nuo ilgalaikių bazinių struktūrinių pokyčių. Jų tyrimas parodė, kad tikroji ilgalaikė rinkodaros vertė slypi ne momentiniame pardavimų padidėjime, o gebėjime palaipsniui kelti pačią organinę bazę per prekės ženklo stiprinimą.
Akademinė publikacija: Dekimpe, M. G., & Hanssens, D. M. (1995). Empirical Generalizations about the Long-run Effects of Marketing. Marketing Science, 14(3_supplement), G109-G121.
6. Elastingumo kreivės: pardavimų priklausomybė nuo reklamos biudžeto kintamumo
Kaip stipriai jūsų vartotojai sureaguos, jei staiga padidinsite arba sumažinsite biudžetą? Ekonometrinis tyrimas nagrinėja, kokia yra **pardavimų priklausomybė nuo reklamos biudžeto** elastingumo koeficientų (beta) skirtingose rinkos fazėse. Analizuojamas logaritminis modeliavimas, leidžiantis išreikšti elastingumą procentais, ir aiškinama, kaip išoriniai kintamieji, tokie kaip konkurentų spaudimas ar kainų nuolaidos, daro vartotojus labiau arba mažiau jautrius jūsų reklamos žinutei.
Rinkodaros efektyvumas nėra akmenyje iškaltas skaičius. Jis nuolat kinta priklausomai nuo rinkos aplinkos. Vieną mėnesį investuotas euras gali atnešti keturis eurus pajamų, o kitą mėnesį, konkurentams paleidus agresyvią išpardavimų kampaniją, tas pats euras vos sugeneruos pusantro. Šį jautrumą biudžeto pokyčiams ekonometrai matuoja naudodami elastingumo koeficientus. Rinkodaros elastingumas (beta) parodo, keliais procentais pasikeis pardavimai, jei jūsų reklamos biudžetas pasikeis vienu procentu.
Ekonometrinėje praktikoje, norint išmatuoti elastingumą, dažnai taikomi dvigubai logaritminiai modeliai (angl. log-log models). Tai leidžia tiesiškai interpretuoti netiesinį ryšį: pavyzdžiui, jei modelio beta koeficientas yra 0,15, tai reiškia, kad padidinus biudžetą 10%, pardavimai išaugs maždaug 1,5%. Tačiau realiame gyvenime elastingumas nėra pastovus. Jis stipriai priklauso nuo išorinių veiksnių: konkurentų triukšmo lygio (Share of Voice), prekės kainos jautrumo, vartotojų optimizmo indeksų ir sezoniškumo.
Šiuolaikiniai ekonometriniai modeliai naudoja laiko kintamųjų parametrų (angl. time-varying parameters) metodiką, kad stebėtų elastingumo dinamiką realiuoju laiku. Jei pastebima, kad jūsų elastingumas pradėjo staigiai kristi (pavyzdžiui, dėl rinkos persisotinimo ar stiprios konkurentų akcijos), tai yra aiškus signalas finansų vadovybei laikinai pristabdyti biudžeto didinimą, kad būtų išvengta staigaus klientų pritraukimo kaštų (CAC) padidėjimo.
Gerard Tellis savo garsiojoje meta-analizėje susistemino šimtus elastingumo tyrimų iš skirtingų pramonės šakų ir įrodė, kad vidutinis reklamos elastingumas yra gana žemas – apie 0,1. Tai reiškia, kad vien tik aklas reklamos išlaidų pumpavimas be prekės ženklo strategijos ir kainodaros derinimo duoda labai ribotą rezultatą. Šis akademinis darbas primena, kad pardavimų priklausomybė nuo reklamos biudžeto privalo būti modeliuojama kompleksiškai, atsižvelgiant į visą marketingo mišinį (4P).
Akademinė publikacija: Tellis, G. J. (1988). The Advertising Elasticity of Sales: A Meta-Analysis of Econometric Results. Journal of Marketing Research, 25(4), 331-341.
7. Optimali alokacija: kaip paskirstyti marketingo biudžetą kanalams siekiant maksimalios grąžos
Kaip paskirstyti ribotus finansinius išteklius tarp dešimčių konkuruojančių kanalų? Šiame straipsnyje analizuojama, **kaip paskirstyti marketingo biudžetą kanalams**, remiantis ribinio naudingumo teorija ir optimizavimo algoritmais. Sužinokite, kodėl tradicinis metodas „paskirstyti proporcingai praėjusių metų rezultatams“ yra ekonomiškai nuostolingas ir kaip ekonometrinis modeliavimas leidžia sukurti lanksčius scenarijų simuliatorius, nukreipiančius kapitalą ten, kur jo marginali grąža yra pati didžiausia.
Vienas sunkiausių uždavinių, su kuriuo kiekvieną ketvirtį susiduria įmonės rinkodaros vadovas (CMO), yra biudžeto dėlionė. Turint ribotą pinigų sumą, reikia nuspręsti: kiek skirti skaitmeninei paieškai, kiek – socialiniams tinklams, kiek – lauko ekranams ir ar verta investuoti į televiziją? Tradiciškai šis klausimas sprendžiamas derybomis arba paprasčiausiai pridedant 5% prie praėjusių metų biudžeto. Tačiau toks požiūris visiškai neatsižvelgia į tai, kad rinkos sąlygos pasikeitė, o kai kurie kanalai jau seniai pasiekė savo prisotinimo fazę.
Ekonometrija siūlo griežtą, matematinį atsakymą į šį klausimą. Sukūrę patikimą rinkos atsako modelį (MMM), mes gauname kiekvieno kanalo S formos kreivės parametrus. Turėdami šias kreives, pritaikome netiesinio programavimo optimizavimo algoritmus (angl. constrained optimization). Šių algoritmų tikslas – paskirstyti bendrą biudžetą taip, kad bendra pajamų arba pelno funkcija būtų maksimali.
Esminis principas čia – ribinės grąžos (angl. marginal ROAS) suvienodinimas. Jei vienas papildomas euras Google Ads kanale atneša 1,5 euro pajamų, o Social Media kanale – 2,2 euro, tai reiškia, kad jūsų alokacija nėra optimali. Jūs turėtumėte perkelti pinigus iš Google Ads į Social Media. Šis perkėlimas turi vykti tol, kol abiejų kanalų ribinė grąža susilygins. Tik pasiekus šį tašką, bendras jūsų rinkodaros pelningumas pasieks teorinį maksimumą.
Prasad Mantrala, Prabhakant Sinha ir Andris Zoltners savo akademiniame darbe detaliai aprašė biudžeto alokavimo modelius ir įrodė, kad net nedideli, bet matematiškai pagrįsti alokacijos pokyčiai gali padidinti bendrą pardavimų apimtį 10–20% nekeičiant bendro biudžeto dydžio. Šie modeliai leidžia finansų vadovams atsisakyti spėlionių ir pakeisti jas tikslia, scenarijais paremta strategija.
Akademinė publikacija: Mantrala, M. K., Sinha, P., & Zoltners, A. A. (1992). Structuring a Multi-Brand Sales Force. Marketing Science, 11(2), 101-118.
8. Šiuolaikinis media mix modeliavimas: skaitmeninių ir neprisijungusių kanalų sinergijos išskyrimas
Rinkodaros kanalai niekada neveikia izoliuotai. Šiame straipsnyje analizuojamas **media mix modeliavimas** ir jame esantis kryžminis kanalų poveikis (sinergija). Nagrinėjama, kaip televizijos ar lauko reklamos prekės ženklo kampanijos „apšildo“ auditoriją, todėl vėlesnės skaitmeninės paieškos ar socialinių tinklų reklamos pasižymi žymiai didesniu konversijos rodikliu (halo efektas). Sužinokite, kaip matematiškai įvertinti šias sinergijas ir išvengti klaidingo offline biudžetų karpymo.
Šiuolaikinėje skaitmeninėje erdvėje dažnai susiduriama su situacija, kai el. prekybos analitikai teigia: „Mūsų televizijos reklama visiškai neveikia, nes nematome jokių tiesioginių pirkimų su televizijos nuolaidų kodais, tuo tarpu Google paieškos reklama sugeneruoja didžiąją dalį konversijų.“ Tačiau toks vertinimas yra labai paviršutiniškas. Jei visiškai išjungtumėte televiziją, netrukus pamatytumėte, kad jūsų Google paieškos reklamos efektyvumas (CTR ir konversijų skaičius) pradeda sparčiai kristi, o paspaudimo kaina (CPC) auga. Kodėl? Nes televizijos reklama sukūrė pirminį žinomumą ir pasitikėjimą, kuris privertė vartotojus ieškoti jūsų prekės ženklo Google paieškoje.
Šis reiškinys ekonometrijoje vadinamas kanalų sinergija arba halo efektu. Tai reiškia, kad dviejų kanalų bendras poveikis, kai jie veikia kartu, yra didesnis nei atskirų poveikių suma (1+1=3). Norint teisingai įvertinti rinkodaros efektyvumą, šiuolaikinis media mix modeliavimas privalo peržengti tiesinių regresijų ribas ir integruoti multiplikacinius sąveikos kintamuosius (angl. interaction terms).
Modeliuojant sinergiją, ekonometrinėje lygtyje atsiranda papildomi nariai, kurie dauginasi iš atskirų kanalų Adstock išlaidų. Tai leidžia kiekybiškai įvertinti, kaip vienas kanalas pagerina kito kanalo elastingumą. Pavyzdžiui, tyrimai rodo, kad aktyvi televizijos arba lauko reklamos kampanija gali padidinti skaitmeninių socialinių tinklų reklamos konversijos rodiklius iki 30%. Neįvertinus šio ryšio, skaitmeniniai kanalai yra smarkiai pervertinami, o tradiciniai prekės ženklo kūrimo biudžetai nepagrįstai apkarpomi, o tai ilgalaikėje perspektyvoje lemia bendrą organinės bazės sunykimą ir EBITDA praradimą.
Prasad Naik ir Kalyan Raman savo autoritetingame tyrime apie marketingo sinergijos matavimą sukūrė dinaminį modelį, kuris įrodė, kad neatsižvelgiant į kryžminį kanalų poveikį, bendrovės priima klaidingus strateginius sprendimus ir neoptimaliai paskirsto išteklius. Šis darbas padeda suprasti, kad sėkminga rinkodara reikalauja darnaus visų kanalų orkestravimo, o ne jų supriešinimo.
Akademinė publikacija: Naik, P. A., & Raman, K. (2003). Understanding Marketing Synergy: A Dynamic Approach. Journal of Marketing Research, 40(4), 375-388.
9. Rinkodaros komplekso analizė: marketing mix modeling lietuviškai ir taikymas Baltijos šalyse
Kaip pritaikyti globalias teorijas mažoms ir labai dinamiškoms rinkoms? Šiame straipsnyje pristatomas **marketing mix modeling lietuviškai** ir jo taikymo praktiniai ypatumai Baltijos šalyse. Nagrinėjama, kaip nedidelė duomenų imtis ir didelis vartotojų jautrumas kainų nuolaidoms reikalauja specifinio ekonometrinių modelių kalibravimo, bei kaip vietinių kintamųjų (pvz., konkurentų kainų akcijos, specifinis sezoniškumas ir infliacijos indeksai) integravimas užtikrina patikimus rezultatus.
Dauguma pasaulinių vadovėlių apie ekonometrinį modeliavimą yra parašyti remiantis milžiniškų JAV ar Vakarų Europos rinkų pavyzdžiais, kur įmonės disponuoja dešimtmečių duomenų istorija ir stabilia vartotojų elgsena. Tačiau pritaikyti šiuos modelius Baltijos šalyse (pavyzdžiui, Lietuvoje) be papildomo kalibravimo yra labai pavojinga. Mūsų rinka pasižymi trimis išskirtiniais ypatumais: maža bendra duomenų imtimi, itin dideliu vartotojų jautrumu kainų akcijoms (nuolaidų kultūra) ir dideliu rinkos fragmentiškumu.
Vykdant rinkodaros komplekso analizę lokaliu lygmeniu, ekonometriniai modeliai privalo būti pritaikyti darbui su trumpesnėmis laiko eilutėmis. Čia į pagalbą vėl ateina Bajeso ekonometrija ir vadinamasis apriorinių pasiskirstymų susitraukimo (angl. Bayesian shrinkage) metodas. Užuot reikalavę dešimties metų istorijos, mes naudojame Bajeso apribojimus (priors), pagrįstus vietinių ekspertų žiniomis arba nedideliais vietiniais eksperimentais, kad modelis veiktų stabiliai net ir turėdamas tik 104 savaičių (dviejų metų) duomenų taškus.
Be to, Lietuvos vartotojų jautrumas kainoms reikalauja, kad modelis tiesiogiai įvertintų konkurentų nuolaidų spaudimą. Jei modeliuosite tik savo išlaidas medijai, bet neįtrauksite kintamojo, rodančio, kada jūsų tiesioginis konkurentas vykdė didžiulį išpardavimą, gauti efektyvumo rezultatai bus iškreipti. Todėl modernus modeliavimas vietinėje rinkoje integruoja specifinius makroekonominius ir konkurencinius rodiklius, tokius kaip vartotojų kainų indeksas (VKI), vietinės šventės ir konkurentų Share of Voice.
Arnold Zellner savo klasikiniame moksliniame darbe apie Bajeso ekonometrinius metodus ir mažų imčių įverčius pademonstravo, kad taikant Bajeso metodikas galima pasiekti stulbinamai aukštą prognozių tikslumą net ir esant labai ribotam duomenų kiekiui. Tai atveria duris Lietuvos ir kitų Baltijos šalių vidutinėms bei didelėms įmonėms sėkmingai taikyti pažangų modeliavimą savo kasdienėje strategijoje ir konkuruoti su globaliais žaidėjais.
Akademinė publikacija: Zellner, A. (1986). Bayesian Estimation and Prediction using Asymmetric Loss Functions. Journal of the American Statistical Association, 81(394), 446-451.
10. Didžiųjų duomenų integracija: pažangus MMM modeliavimas e-komercijoje
Kaip sujungti kasdienius didelio greičio duomenų srautus su gilia, struktūrine ekonometrine analize? Šiame straipsnyje nagrinėjamas modernus **MMM modeliavimas** sparčiai augančiose e-komercijos bendrovėse. Analizuojamas Bajeso dinaminių tiesinių modelių (DLM) taikymas, leidžiantis atnaujinti modelio koeficientus kas savaitę ar kas mėnesį, ir aiškinama, kaip suderinti trumpalaikį skaitmeninių platformų reagavimą su ilgalaikiu prekės ženklo bazinio pelno augimu.
Elektroninė prekyba (e-komercija) yra viena labiausiai duomenimis prisotintų sričių. Kiekvieną sekundę fiksuojami konversijų paspaudimai, krepšelių atsisakymai, kainų korekcijos ir konkurentų pasiūlymai. Šioje dinamiškoje aplinkoje tradicinis ekonometrinis modelis, kuris yra atnaujinamas kartą per metus ir naudoja tik ketvirtinius duomenis, yra pasmerktas žlugti. E-komercijos įmonėms reikia sprendimų, kurie leistų operatyviai reaguoti į besikeičiančias skaitmeninių platformų (pvz., Google PMax ar Facebook katalogų reklamos) kainas ir efektyvumą.
Norint pasiekti šį tikslą, modernus MMM modeliavimas naudoja Bajeso dinaminius tiesinius modelius (angl. Bayesian Dynamic Linear Models - DLM). Šie modeliai pasižymi tuo, kad regresijos koeficientai nėra laikomi pastoviais per visą laiko istoriją. Vietoj to, jie modeliuojami kaip atsitiktiniai klaidžiojimai (angl. random walks) arba būsenų lygtys, kurios prisitaiko prie naujų duomenų kiekvieną savaitę. Tai reiškia, kad modelis iškart pastebi, jei prieš dvi savaites įvykęs algoritminis Google Ads atnaujinimas pakeitė jūsų reklamos elastingumą, ir atitinkamai patikslina būsimos alokacijos prognozes.
Be to, didžiųjų duomenų (angl. Big Data) integracija leidžia sujungti skirtingo dažnumo duomenis. Pavyzdžiui, kasdienius skaitmeninių kanalų duomenis galima suderinti su savaitiniais offline žiniasklaidos biudžetais ir mėnesinėmis vartotojų apklausomis. Toks daugiapakopis modeliavimas užtikrina, kad įmonė nepraranda nei taktinio operatyvumo skaitmeninėje erdvėje, nei ilgalaikės strateginės perspektyvos, susijusios su organinės bazės ir EBITDA apsauga.
Mike West ir Jeff Harrison savo fundamentaliame akademiniame vadovėlyje apie Bajeso dinaminius tiesinius modelius ir laiko eilučių prognozavimą įrodė, kad būsenų erdvės modeliai su dinamiškai prisitaikančiais parametrais yra pranašesni už bet kokius statinius regresijos metodus. Taikydamos šias pažangias metodikas e-komercijos bendrovės gali sukurti realaus laiko biudžeto valdymo skydelius (dashboards), kurie automatiškai optimizuoja medijos išlaidas kas savaitę, išlaikydami maksimalią investicijų grąžą ir konkurencinį pranašumą rinkoje.
Akademinė publikacija: West, M., & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer-Verlag.