Примеры моделей
Эти эконометрические модели созданы нами для наших клиентов
и они работают по сей день
и они работают по сей день
Бренд №1:
Фармацевтика
Модель национальных продаж для одного из лидеров рынка в категории противопростудных средств
Фармацевтика
Модель национальных продаж для одного из лидеров рынка в категории противопростудных средств
Мы создали эконометрическую модель продаж противопростудного препарата. Модель успешно используется для прогнозирования эффективности маркетинговых мероприятий
Влияющие факторы: объем продаж категории, цена, дистрибуция, реклама (ТВ, радио, пресса, интернет, конкуренты), отгрузки
Влияющие факторы: объем продаж категории, цена, дистрибуция, реклама (ТВ, радио, пресса, интернет, конкуренты), отгрузки
Сравнение модели и фактических продаж
Среднемесячная ошибка: 8%
R2 (коэффициент корреляции): 0.99
Ошибка в целом за год:
2012 - 6,7%
2013 - 0,9%
2014 - 0,9%
2015 - 4,0%
R2 (коэффициент корреляции): 0.99
Ошибка в целом за год:
2012 - 6,7%
2013 - 0,9%
2014 - 0,9%
2015 - 4,0%
Декомпозиция на новых и лояльных покупателей
Наибольшая доля продаж приходится на новых покупателей.
При этом лояльность к препарату крайне низка.
При этом лояльность к препарату крайне низка.
Декомпозиция на влияющие факторы
Декомпозиция на влияющие факторы со всей очевидностью показывает высокое влияние рекламы на продажи, особенно телевизионной
Также в модели учтены вклад цены препарата и его дистрибуции, но их нельзя отобразить на графике, потому что они не суммируются к общему итогу, а влияют на каждый из факторов отдельно.
Также в модели учтены вклад цены препарата и его дистрибуции, но их нельзя отобразить на графике, потому что они не суммируются к общему итогу, а влияют на каждый из факторов отдельно.
Кривые отклика на рекламное воздействие
Кривые откликов определяют оптимальный объем размещения в каждом медиа, при котором достигается максимальный результат в продажах без переинвестирования
Бренд №2:
Сеть АЗС
Модель прогноза пролива топлива
в Москве и Санкт-Петербурге
Сеть АЗС
Модель прогноза пролива топлива
в Москве и Санкт-Петербурге
Мы создали эконометрическую модель пролива по всей сети АЗС для двух регионов. Для максимизации точности пришлось создать 4 модели (Москва, МО, С-Петербург, ЛО) и объединить их по регионам.
Влияющие факторы: температура воздуха, время года, цена за 1л топлива, реклама (ТВ, радио, пресса, наружная реклама, конкуренты), промо-кампании
Влияющие факторы: температура воздуха, время года, цена за 1л топлива, реклама (ТВ, радио, пресса, наружная реклама, конкуренты), промо-кампании
tT – средняя температура воздуха
Р – разница в цене бензина между средней по категории
N – мощность сети N=F(Q,L)
Q – кол-во АЗС
L – средний пролив по каждой АЗС за весь период
S-1 – пролив в предыдущий месяц
a, s, k, const – коэффициенты модели
AdStock – накопленный эффект от рекламы
Promo – наличие промо-акции, 1 (есть) или 0 (нет)
Р – разница в цене бензина между средней по категории
N – мощность сети N=F(Q,L)
Q – кол-во АЗС
L – средний пролив по каждой АЗС за весь период
S-1 – пролив в предыдущий месяц
a, s, k, const – коэффициенты модели
AdStock – накопленный эффект от рекламы
Promo – наличие промо-акции, 1 (есть) или 0 (нет)
Сравнение модели и фактических продаж
Москва и Московская область
Среднемесячная ошибка: 4%
R2 (коэффициент корреляции): 0.84
Ошибка в целом за год:
2014 - 1,3%
2015 - 1,5%
2016 - 3,1%
Среднемесячная ошибка: 4%
R2 (коэффициент корреляции): 0.84
Ошибка в целом за год:
2014 - 1,3%
2015 - 1,5%
2016 - 3,1%
Сравнение модели и фактических продаж
Санкт-Петербург и Ленинградская область
Среднемесячная ошибка: 4%
R2 (коэффициент корреляции): 0.95
Ошибка в целом за год:
2014 - 1,3%
2015 - 1,5%
2016 - 3,1%
Среднемесячная ошибка: 4%
R2 (коэффициент корреляции): 0.95
Ошибка в целом за год:
2014 - 1,3%
2015 - 1,5%
2016 - 3,1%
Интерфейс в Microsoft Excel для работы с моделью:
Бренд №3:
Интернет-магазин товаров для ремонта
Модель продаж
Интернет-магазин товаров для ремонта
Модель продаж
Мы моделировали все продажи, включая те, что были получены за счет онлайн-активности, но без учета онлайн-продвижения. Эта неточность в исходных данных и предопределила большую погрешность модели.
Sales – продажи
TV, OOH, Radio – рекламная активность
Sales-1 – продажи в предыдущий месяц
a, k, const – коэффициенты модели
TV, OOH, Radio – рекламная активность
Sales-1 – продажи в предыдущий месяц
a, k, const – коэффициенты модели
Сравнение модели и фактических продаж
Среднемесячная ошибка: 9%
R2 (коэффициент корреляции): 0.89
Ошибка в целом за год:
2015 - 4,3%
2016 - 5,4%
R2 (коэффициент корреляции): 0.89
Ошибка в целом за год:
2015 - 4,3%
2016 - 5,4%
Декомпозиция на базовых (включая пришедших на 100% из интернета), рекламных и лояльных покупателей
Наибольшая доля продаж приходится на новых покупателей.
В то время как лояльность сравнительно невелика.
В то время как лояльность сравнительно невелика.
Повысьте свой ROI до +30%
и прекратите тестировать маркетинговые планы вслепую
Свяжитесь с нами
Нажимая кнопку «Отправить», я даю свое согласие на обработку моих персональных данных, в соответствии с Федеральным законом от 27.07.2006 года № 152-ФЗ «О персональных данных», на условиях и для целей, определенных в Согласии на обработку персональных данных
2020-2022 © Method Media. Все права защищены.
Политика конфиденциальности
Рейтинги: АКАР l AdIndex l Recma