Publiсis Groupe Russia: эконометрические инструменты для выгодных инвестиций в промо фармы
В периоды кризиса эффективность любых маркетинговых усилий обладает еще большим значением для любого бизнеса, а цена ошибки увеличивается. На помощь стандартной аналитике приходят Data Sciences: они могут посчитать и предсказать те вещи, которые раньше решались стандартными прогнозами и управленческой интуицией. Андрей Каверин, Senior Data Scientist Publicis Groupe Russia , рассказал про подходы и продукты в эконометрике, релевантные для фармкатегории, где много особенностей в связи с регулированием и дополнительными каналами. Эконометрические модели позволяют бизнесу понять эффективность рекламной активности на определенном отрезке времени и оптимизировать маркетинговые решения, чтобы максимально повысить ROI. Чаще всего эконометрику используют в FMCG – относительно прямолинейная модель продвижения позволяет без лишних сложностей получить высокую точность построения и значимые выводы. Но при адаптации подходов к другим категориям очень часто приходится масштабно дорабатывать методологию, чтобы соответствовать специфике. За последний год Publicis Data Sciences реализовали ряд проектов для фарминдустрии и разобрались, как эконометрика может работать на благо производителей лекарств. На первый взгляд, фарма и FMCG похожи с точки зрения эконометрики: ключевые каналы продвижения, схема продаж через ритейл (часто сетевой). Это создает впечатление, что в фарминдустрии все будет так же, как в FMCG (в отличие от, например, банков или телекома). Но при ближайшем рассмотрении различия настолько велики, что ни один стандартный подход не работает. В итоге Publicis Groupe Russia вывели два оптимальных решения для фарма-клиентов. Первое решение: классическая MMM с учетом важных для фармы данныхMarketing Mix Modelling (МММ) — стандартный продукт Data Sciences. Это модель, в которой мы видим влияние различных факторов (выбранных медиа, сезонности, курса доллара, распространения коронавируса и т.д.) на наши KPI (увеличение знания, продаж и т.д.). На ее основе мы понимаем отдачу от каждого канала коммуникации и сколько клиент получит продаж, если вложит, например, 100 млн руб. только в digital. Конечным звеном этого продукта будет сплит бюджета с рекомендациями, как лучше распределить имеющиеся средства на продвижение товара. Для фарма-клиентов мы специально включаем в модель два дополнительных фактора – коммуникация с врачами (визиты фарм-представителей, обучающие игры, презентации и т.д.), а также учет госрегуляции цен на лекарства. Данный классический вид моделирования в Publicis Groupe Russia получил развитие в других двух моделях, более сложных и интересных: 1. Structural Equation Modelling — если в стандартной MMM мы видим влияние каждого канала на продажи, то тут так же — влияние самих каналов друг на друга. Например, как реклама на ТВ влияет на генерацию трафика в digital, а уже затем влияет на объем продаж. Это позволит «очистить» оценки эффективности каналов продвижения от влияния друг на друга и получить честную оценку их ROI. По сравнению с FMCG-моделями, во входных данных учитывается активность медицинских представителей, разделяется коммуникация, направленная на врачей и на пациентов, а также регуляционная специфика продвижения лекарственных препаратов. 2. ОСА (Omni-Channel Attribution) — в отличие от классической MMM, в ней используются более гранулярные данные. Например, сезон разбит с точностью до дней, а каналы поделены не на условный digital и ТВ, а на «ВКонтакте», Facebook, СТС и т.д. Также данная модель строится на нескольких целевых переменных – например, в одной модели можно учитывать продажи средства от насморка и лекарства от кашля и проанализировать, как реклама одного препарата влияет на продажи другого. И самое крутое — в отличие от МММ, эта модель постоянно обновляется. Она создана в формате дэшборда, и новые данные подтягиваются в режиме реального времени. Второе решение: прогноз спроса на препараты с ярко выраженной сезонностьюЭто отдельное решение для лекарств, применяемых при простудных заболеваниях и гриппе, желудочно-кишечных заболеваниях и аллергии. В качестве источника данных для таких моделей может выступать как государственная статистика, так и ряд других, более нетривиальных ресурсов – поисковые запросы, обсуждения в социальных сетях или просто погодные условия. На их основе строится кривая, по которой мы видим, как растет заболеваемость. А на основе нее уже можно сделать вывод, когда стоит запускать просто поддерживающую коммуникацию, а когда – увеличить расходы. Методы моделирования могут быть крайне разнообразными: от простейших ARIMA-моделей до векторных авторегрессий и нейронных сетей. Например, ARIMA-модель мы делали для клиента-производителя препарата в области лечения диареи. На графике оранжевым цветом показан исторический уровень заболеваемости и актуальный прогноз — салатовым. Клиент имплементировал эту модель в свой бизнес и начал оптимизировать под этот график свои рекламные кампании. Еще больших результатов можно достигнуть при совмещении прогнозов заболеваемости и Marketing Mix Modelling в единый инструмент. Например, дэшборд для препарата против диареи (данный график – пример, не включающий реальные данные). Сине-зеленым цветом отмечена ARIMA-кривая по прогнозу заболеваемости диареей, фиолетовым — средний уровень продаж, красная линия — актуальные данные продаж, белый пунктир — уровень продаж, который спрогнозировала модель благодаря данным. Важная часть таких проектов – автоматизация и визуализация, так как особую ценность представляют не годичные прогнозы, а возможность краткосрочного изменения маркетинговых активностей в зависимости от динамики заболеваемости. Да, с определенными каналами коммуникации есть сложности – объемы рекламы на ТВ не увеличить или уменьшить за две недели до старта флайта, но в digital есть возможность модифицировать масштабы рекламной активности в кратчайшие сроки. Это позволяет значительно экономить деньги клиентов и растить ROAS. Особо приятными следует назвать те случаи, когда модели помогали оптимизировать не только медийное размещение, но и другие бизнес-процессы клиентов. Вовремя замеченный «слабый сезон» позволяет компаниям снизить объем поставок в точки продаж, сохраняя тем самым значительные денежные объемы, которые в противном случае превратились бы в товарные остатки, без дела лежащие на складах аптек. Необходимость автоматизации в режиме реального времени и в краткосрочных прогнозах особенно актуальна в период кризиса и пандемии. Именно здесь проявляется сила обновляемых моделей: несмотря на невозможность спрогнозировать форс-мажорную ситуацию заранее, остается способность к быстрой адаптации прогнозов в новой реальности. Оценка бизнеса, основанная на математическом моделировании, позволяет бренду предпринимать своевременные шаги для своего развития, при этом избегая излишних затрат ресурсов. И сейчас это становится особенно актуальным для фармкатегории, где с каждым днем растет количество исследований о рынке и потребителях.
