Высокоточный прогноз продаж

В первую очередь для того, чтобы заранее понимать эффективность планируемых мероприятий. Вам больше не придётся принимать решения о выборе стратегии, основываясь только на здравом смысле, опыте и интуиции.

Инструмент, которым вы сможете пользоваться самостоятельно: вносить разные маркетинговые сценарии и смотреть, какой результат в виде продаж они дадут. Отдаём в виде формулы, Excel-файла с интерфейсом, dll/ocx-библиотеки — или пишем отдельный программный продукт под вас.

Любые, которыми вы располагаете. Для FMCG и фармы это традиционно продажи бренда и категории, дистрибуция, цена, медиаактивность бренда и конкурентов, промо-акции. Хорошо, если есть Ad Recall и известно, менялось ли сообщение в предыдущие годы. Помесячно за три года, лучше за пять: чем больше данных и длиннее период, тем точнее модель.

Точно моделируется только то, что было. Если была реклама на ТВ и радио, модель предскажет эффект от ТВ и радио, но не от прессы, интернета или наружки. Второе ограничение — объём данных: на выборке из десяти измерений качественную модель не построить.

Достоверно — нет, но можно сделать предположения. Например, посмотреть вклад этого канала у конкурентов и перенести на вас с корректировками. Или, если была только радио-реклама, взять зависимость от радио и предположить, что от ТВ она будет сильнее за счёт изображения. Это допущения с точностью ниже, чем у остальной модели.

Два пути. Первый: берём ближайший по позиционированию и цене бренд-конкурент, строим модель по нему и корректируем на основании здравого смысла. Второй: идём путём «знание — покупка — повторная покупка», опираясь на среднекатегорийные данные.

Не всегда — чаще всего мешает отсутствие качественных исторических данных. Перед каждым проектом мы оцениваем их количество и качество и скажем, если данных недостаточно.

Фармацевтика, ритейл, АЗС, образование, FMCG, медицинское оборудование, автомобили.

Тип выбираем по задаче. Чаще всего это мультипликативная модель. Бывает обычная регрессия — например, для магазина стройматериалов. При большом объёме данных и предсказуемых вводных можно использовать регрессионные деревья. Нейронные сети применяем в крайнем случае: сложно объяснить логику их работы и трудно определить оптимальные уровни инвестиций. Мультипликативные регрессии проще интерпретировать, и на их основе легче давать рекомендации по оптимизации.

В ней все параметры заданы суммой, что не соответствует смыслу. Сейчас дистрибуция 50%: вырастет до 80% — продажи при прочих равных должны прибавить 50–60%, упадёт до нуля — продаж не будет. В аддитивной модели дистрибуция лишь слагаемое: станет нулевой — сумма остальных параметров нуля не даст, а рост вдвое не даст и близко к логичным 90–100%.

Анализируем поведение покупателя: совершает ли повторные покупки, как часто, что влияет на нового и на вернувшегося. После этого строим формулу, которая описывает это максимально близко.

Собираем данные о продажах и рекламной активности, сводим в таблицу и вносим в статистическое ПО. Подбираем формулы и оптимизируем коэффициенты, идя от простых к сложным и добавляя переменные. Останавливаемся, когда новые переменные перестают улучшать точность.

Практика показывает: если данных достаточно и модель построена, она даёт высокую точность — у нас много примеров и проверок.

Для любых: Россия в целом, отдельные регионы, города-миллионники вроде Москвы и Санкт-Петербурга, зарубежные рынки — например, США. При широкой географии и отсутствии нужды в прогнозе по каждому региону лучше одна модель на национальном уровне: точность выше за счёт нивелирования погрешностей сбора данных.

Модель точно работает, пока новые данные остаются в том же диапазоне, что и при моделировании. Размещали на ТВ 200–600 TRP в месяц и продолжаете в этом коридоре — отклик прогнозируется очень точно. При выходе за диапазон, скажем до 1200 TRP, погрешность вырастет, и мы учтём это в коэффициентах. На основе модели разрабатываем стратегию и тактику кампании и даём финансовые гарантии исполнения заложенных KPI.

Да, желательно ежеквартально — достаточно провести оптимизацию, и мы делаем это за символическую плату. Если случилось что-то экстраординарное, например вышел новый игрок с большими бюджетами, через несколько месяцев стоит промоделировать всё заново.

По-разному. На формулу и оптимизацию коэффициентов для противопростудного препарата ушло два часа после сбора и агрегации данных. С моделью для АЗС понадобилось две недели. Зная категорию, мы дадим актуальный тайминг.

Цена зависит от задачи, количества исходных данных и нужных прогнозных показателей — сделаем расчёт под ваш случай. Если мы оказываем услуги стратегического и тактического медиапланирования и размещения, моделирование бесплатно. У нас большой опыт в коммуникационном и стратегическом планировании рекламы и маркетинга, размещении рекламы, оптимизации бюджета и аналитике.