bigpo.ru
добавить свой файл
1
Доклад Игоря Манделя посвящен проблемам математического моделирования в маркетинге, в частности, в планировании рекламы. Он состоял из двух частей: вначале докладчик познакомил слушателей с актуальными проблемами маркетинга, которые могут быть решены с помощью математических методов, а затем перешел к описанию текущего положения дел, сложившегося в данной области. Акцент был сделан на проблемах анализа данных, в частности на выделении закономерностей в данных о целевой аудитории и на недостатках регрессионного анализа при планировании маркетинговых кампаний.

В первой части доклада профессор Мандель в общих чертах знакомит аудиторию с основными проблемами современного маркетинга, делая акцент на рекламной деятельности. Говоря о планировании рекламной кампании, докладчик выделил восемь ключевых вопросов:


  1. Какой продукт рекламировать?

  2. Какое свойство продукта рекламировать?

  3. Как и где рекламировать?

  4. Какие медианосители выбрать?

  5. Для кого рекламировать?

  6. Как должны быть связаны бренд, медиа и информация о населении?

  7. Как много нужно рекламировать?

  8. Как измерять эффективность?


Ответ на первый вопрос подразумевает выбор одной из опций: рекламировать один бренд или все бренды компании в целом. В первом случае рекламодатель может столкнуться с брендовым каннибализмом, а во втором внимание потребителей может сконцентрироваться лишь на самых дешевых брендах, к тому же, покупатели могут не знать фирму-производителя, ориентируясь лишь по брендам.

Определившись, что именно будет продвигаться, производитель переходит к разработке рекламной концепции. Описать все свойства рекламируемого продукта в рамках кампании невозможно, да и нецелесообразно. Можно акцентировать внимание на цене, качестве, престижности или на имидже бренда. При этом следует принимать во внимание то, как в дальнейшем измерять результаты кампании: например, отследить изменения в восприятии имиджа продукта или бренда крайне сложно.

Далее следует ответить на вопрос «как и где рекламировать», который включает в себя организационные аспекты: будет ли продвижение товара проводиться посредством СМИ, непосредственно в торговых точках или методом прямых продаж. В каждом случае перед рекламодателем встает целый ряд дополнительных вопросов: как выбрать конкретные СМИ, как разрешить конфликт интересов между производителем и торговой сетью, как собрать точную информацию о потенциальных покупателях и так далее. Проблема выбора медианосителей настолько сложна, что заслуживает отдельного внимания: нужно выбрать тип СМИ и конкретные издания, определиться с частотой показов и длительностью аудио- и видеороликов, при этом взаимодействие со СМИ, например, в США происходит через посредничество рекламных агентств, и здесь тоже возможен конфликт интересов. Проблема медиапланирования, как правило, представляет собой сложную оптимизационную задачу.

Еще одна важная задача, с которой рекламодатель имеет дело – это таргетинг. Можно рекламировать для всего населения в целом, не выделяя сегментов – но в этом случае сложно представить в рекламе специфическую информацию о продукте, к тому же, стоимость привлечения покупателя может оказаться слишком высокой. Сегментирование покупателей, в свою очередь, представляет очень сложную и интересную задачу анализа данных, по которой существует масса научной литературы.

Для того чтобы связать между собой бренд, СМИ и целевую аудиторию, необходима обширная информация. Для эффективной рекламной кампании необходимо установить, какими характеристиками обладают потребители, потенциально заинтересованные в покупке данного бренда, и как установить контакт с этой аудиторией. Рекламодатель может покупать данные у специализированных агентств и комбинировать результаты различных опросов населения. Задача установления взаимосвязей между разрозненными показателями решается методами анализа данных. В результате ее решения рекламодатель должен выяснить, кто его целевая аудитория и какие телепрограммы она смотрит, какие журналы читает и в какие магазины ходит. Ей докладчик уделил большое внимание во второй части презентации.

Медиапланирование предполагает не только выбор СМИ, но и составление графика рекламной кампании. Сколько нужно билбордов, в каких выпусках журнала размещать рекламу, сколько секунд будет длиться рекламный ролик и как часто он будет демонстрироваться, нужно ли устраивать спорадические рекламные кампании или рекламировать постоянно? В конечном итоге, решение о количестве рекламы тесно связано с постановкой целей кампании: сколько людей должны увидеть рекламу и каково должно быть распределение показов. Одна из сложных задач, рассматриваемых в рамках этого вопроса – оценка влияния длительности и частоты контакта с рекламой на покупательское поведение. Обычно предполагается наличие положительной взаимосвязи между количеством просмотренной рекламы и вероятностью покупки. Однако даже это простейшее предположение не всегда подтверждается исследованиями.

Все это подводит нас к вопросу о проблеме измерения результатов рекламной кампании. Чаще всего рекламодателя интересует возврат на инвестиции (ROI). Однако как определить, какая доля продаж является заслугой рекламы? Для поиска ответа на этот вопрос предложено множество математических моделей, главным образом регрессии. Однако докладчик скептически относится к их применению. Аргументы в поддержку своей позиции он приводит во второй части доклада.

Говоря о существующих на практике подходах к решению этих вопросов, докладчик демонстрирует графики динамики GDP США и расходов на рекламу. Визуально явно прослеживается сильная положительная связь между расходами на рекламу в текущем году и объемом GDP в предыдущем. Это подтверждает предположение о том, что в подавляющем большинстве своем компании определяют размер рекламного бюджета просто как фиксированную долю от объема продаж в предыдущий период.

Вторая часть доклада посвящена главным образом статистическим проблемам в американском маркетинге. Докладчик – признанный на мировом уровне специалист в области анализа данных – рассказывает о задачах, решаемых маркетинговой фирмой TELMAR, которые находятся в его компетенции. С точки зрения бизнеса эти задачи формулируются так:

  1. привлечение новых клиентов;

  2. удержание существующих клиентов;

  3. анализ возврата на инвестиции в маркетинг (RMOI).

Профессор Мандель говорит о том, что современный рынок поделен между брендами, и продвижение товара представляет собой по сути попытки «отбить» клиентов у конкурента. Ссылаясь на Филиппа Котлера, докладчик говорит о том, что привлечение нового клиента обходится компании в пять раз дороже, чем удержание старого. Именно поэтому так важно эффективно планировать расходы на привлечение покупателей, в частности, рекламные издержки. Для этого необходимо собирать и использовать маркетинговую информацию. Для выполнения этой задачи компания TELMAR выпускает программные продукты.

Докладчик демонстрирует несколько скриншотов, чтобы показать, как работает система. Среди собранных данных по заданным критериям обнаруживаются закономерности. В качестве примера был показан анализ потребления водки «Смирнов» и «Столичная»: обнаружилось, что среди потребителей «Столичной» доля людей с высоким доходом больше, чем среди потребителей водки «Смирнов». Проблема в том, что эта доля установлена из конкретного опроса для относительно небольшой выборки. Рекламодателя же, как правило, интересуют потребители, проживающие в конкретном регионе, в то время как в опросе принимали участие разрозненные потребители со всей страны. Поэтому нельзя сказать, что доля потребителей водки «Смирнов» среди белых людей старше 40 лет, обладающих доходом выше среднего, в этом регионе будет такая же, как среди участников опроса. И чем больше характеристик аудитории, тем сложнее оценить реальную долю. Поэтому такие закономерности затем проецируются на население региона с помощью сложной системы весов. (зачем? Что получается после этой проекции?). Подробнее об этих и других статистических деталях докладчик рассказывает в статье «Demography, Geography and Marketing: Telmar-Centab - The Largest US Census Based Study» (2011)

Возвращаясь к проблемам маркетинга, докладчик говорит о сложности интерпретации закономерностей. В примере с водкой, стоит ли адресовать рекламу «Столичной» аудитории с высоким доходом, поскольку они к ней более благосклонны, или наоборот, следует адресовать рекламу покупателям с низким доходом, вторгаясь таким образом на новый рынок? Программа дать ответ на этот вопрос не может.

Далее докладчик переходит к проблеме моделирования маркетингового микса – то есть, набора инструментов, используемых в маркетинге, и их влияния на результаты деятельности компании. Вначале профессор Мандель вкратце рассказал об эволюции концепции модели маркетингового микса (MMM): от классической теории 4P – product, price, place, promotion (E. J. McCarthy, 1960) – до новых концепций 2000-х годов. Он приводит выдержки из своей статьи «Statistical modeling in a wider frame: A marketing primer Model Assisted Statistics and Applications 4» (2009), в которой он раскрывает основные проблемы использования концепции МММ: несоответствие ожиданий бизнеса реальным результатам применения традиционных MMM (что такое МММ?).

Профессор Мандель утверждает, что на практике для моделирования маркетингового микса используются в основном эконометрические модели, причем, как правило, в виде простейшей линейной регрессии. Они также широко применяются для установления роли различных факторов в регулярной рекламной деятельности, в том числе вклада рекламы в объем продаж фирмы. Это объясняется сравнительной простотой расчетов и интерпретации результатов. Однако профессор Мандель довольно резко высказывается о целесообразности использования регрессии вообще и в маркетинге в частности. Основной их недостаток, по его словам, заключается в том, что предписанные моделью взаимовлияния, как правило, не находят отражения на практике. То есть, если строить зависимость цены квартиры от ее площади, можно действительно предположить, что каждый дополнительный квадратный метр прибавляет фиксированную сумму к ее стоимости. Однако бессмысленно утверждать, что каждый вложенный в рекламу доллар непосредственно привлечет за собой одну дополнительную покупку товара. Корреляции между входящими в регрессию переменными делают интерпретацию результатов весьма затруднительной. В заключение докладчик демонстрирует результаты следующего эксперимента. Сгенерированы 10 независимых случайных величин, зависимая переменная построена как линейно зависимая от них с нормально распределенной ошибкой. При R^2=86% с увеличением количества включенных в регрессию переменных от 1 до 9 среднее отклонение оценки коэффициентов от их реального значения уменьшается, но при 10 переменных (полная модель) снова растет. При этом для одного из коэффициентов ошибка вообще не уменьшается. При R^2 = 56% отклонения почти всех коэффициентов вообще не сходятся к нулю. Это говорит о том, что интерпретация результатов регрессии затруднительна даже при выполнении всех необходимых предпосылок (мне непонятно. Видимо потому, что не знаю этого матаппарата).

В довершение профессор Мандель демонстрирует графики, на которых сопоставляются значения параметров рекламной кампании и выручка фирмы. На них видно, что отследить какие-то закономерности действительно очень сложно. Докладчик делает вывод, что модели регрессионного типа не подходят ни для моделирования элементов маркетингового микса, ни для установления роли различных факторов в регулярной рекламной деятельности.

Докладчик говорит о том, что на практике механизм принятия решения о покупке выглядит как дерево решений. В свою очередь, такое же дерево напоминает принятие решения производителем о выборе маркетингового микса. Эти два дерева «растут» навстречу друг другу, и если в конечных точках они встречаются (что значит встречаются?), происходит покупка. По мнению профессора Манделя, большой потенциал в качестве метода анализа этого процесса имеет имитационное моделирование.

В завершение докладчик приводит нерадостную картину неопределенностей в моделировании маркетинговой деятельности. Он разделяет их на статистические неопределенности и неопределенности бизнес-среды, причем большая часть неопределенностей возникают одновременно в обеих областях. Это неопределенности в целях маркетинговой деятельности, конфликты интересов ее участников, размытость их областей интересов. К чисто статистическим относятся вероятностные неопределенности, фундаментальные и технические. Все это делает математическое моделирование в маркетинге чрезвычайно сложным делом.

К сожалению, докладчик не успел затронуть некоторые из запланированных им тем: роль моделей распознавания образов в привлечении и удержании новых клиентов и удержания старых, модели анализа опросов и оптимизация в планировании размещения рекламы, и отслеживание текущих трендов посредством обработки неструктурированной текстовой информации. Не были приведены и примеры воспроизводства существующих маркетинговых механизмов с помощью имитационных моделей и моделей со многими агентами. Профессор Мандель также не успел привести примеры новых практик, зарождающихся в данной области.

На мой взгляд, этот доклад был очень полезен как тем, кто интересуется маркетинговой деятельностью, так и тем, кто занимается актуальными задачами анализа данных. Всего лишь за два семинара слушатели получили общее представление о текущем положении дел в математическом моделировании маркетинговой деятельности. За счет того, что доклад охватывал множество различных тем, он получился несколько разрозненным, к тому же, докладчик многое не успел рассказать. Из-за ограниченности по времени в докладе было довольно мало конкретики: из примеров прозвучали лишь результаты эксперимента на искусственно сгенерированных данных и поиск закономерностей в данных о потреблении водки. Не было приведено примеров результата применения математических моделей. Несмотря на все это, докладчику удалось сохранить целостность общей картины.

К сожалению, практически весь доклад был посвящен описанию существующих практик и их критике. В результате сложилось весьма пессимистичное впечатление относительно применения математических моделей в маркетинге и даже серьезные сомнения в целесообразности рекламной деятельности вообще. Однако докладчик утверждает, что это направление актуально и перспективно, хотя и не дает конкретных рецептов. На мой взгляд, в докладе очень не хватало позитивных примеров: какие задачи все-таки удается решить с помощью математического моделирования и какие новые направления зарождаются взамен существующих.