Ключевые цифры

Предположим, мы хотим разобраться, как влияют маркетинговые усилия на продажи одновременно двух брендов – при прочих равных условиях (уровень предложения, дистрибуции и цены). В данном случае мы пытаемся вычислить, какой эффект будет иметь та или иная величина маркетинговых расходов на продажи с течением времени. Приведенный ниже график показывает, каким образом могли бы выглядеть эти данные для обоих брендов. На вертикальной оси отмечены продажи брендов. На горизонтальной оси приведены маркетинговые затраты. Каждая точка представляет собой «наблюдение», то есть в нашем случае период с определенной величиной расходов и связанным с ней уровнем продаж.

Мы видим две различные картины. Для бренда А почти не заметна связь между маркетинговыми усилиями и продажами. Каждый уровень маркетинговых расходов приводил к совершенно разным значениям показателя продаж. С точки зрения математики мы возвращаемся обратно к формуле (Продажи = β4 × маркетинг) и считаем бету незначительной в статистическом смысле слова. Фактически здесь не наблюдается никакой существенной корреляции. Совсем иначе обстоят дела с брендом B, где связь заметна сразу.

Эконометрическое моделирование помогло нам найти взаимосвязь маркетинговой политики и продаж. Иными словами, мы смогли нарисовать кривую, оптимальную с точки зрения всей совокупности точек. Визуально заметно, что к верхней линии ближе куда больше точек, чем к нижней.

Пока все идет неплохо. Однако мы не хотим всякий раз рисовать эти линии от руки, а кроме того, не каждая ситуация в реальной жизни будет столь же простой. Нам необходимо научить компьютер рисовать эти линии и находить тенденции даже там, где мы сами их не видим.

Вот каким образом мы добились этого. Мы попросили компьютер рассчитать дистанцию между каждой точкой и линией. Затем мы попросили его сложить величины всех этих дистанций. Показатель суммы дистанций отражает степень соответствия. Чем выше сумма, тем хуже соответствие. Именно таким образом компьютер может рассчитать, какая линия лучше всего соответствует всем точкам, образующим облако.

Теперь, после того как нам стал ясен алгоритм, компьютер может нарисовать сотни линий и выбрать одну с наименьшей суммой, то есть с наибольшим соответствием. То же самое можно сделать в отношении показателей продаж и цен, продаж и дистрибуций. В сущности, мы не только можем, но и должны использовать систему для создания кривых расходов и отдачи для каждой переменной, способной повлиять на объем продаж.

Как только нам стали понятны все кривые, которые мы хотим создать, мы можем попросить компьютер найти оптимальную точку на каждой кривой, позволяющей увидеть, сколько мы должны потратить, чтобы обеспечить максимально возможный возврат на наши инвестиции в маркетинг, – и ни долларом больше.

Как вы можете заметить, эконометрическое моделирование – довольно сложная процедура, которую обычно проводят дорогостоящие специалисты. Многие компании попросту не могут себе позволить их услуги. Но даже компаниям, использующим эконометрику, часто приходится прикладывать немалые усилия, чтобы включить результаты исследований в процессы принятия решений. В итоге им приходится обращаться к слишком простым способам: разработке маркетингового бюджета в зависимости от объема продаж или использованию данных предыдущего года с поправкой на инфляцию. Почему? Дело в том, что компании не понимают те подспудные предположения, на которых основаны эконометрические заключения. Поэтому они предпочитают простые методы (о которых я рассказывал выше) – интуитивно понятные и более доступные, хотя и не основанные на реальных данных.

Дабы помочь компаниям, не имеющим возможности позволить себе эконометрическое моделирование или не способным понять его преимущества, давайте обсудим некоторые альтернативы.

Искусство гибридного метода

В свое время в тайны гибридного метода меня посвятил мой коллега Дэвид Коппок, получивший степень доктора экономики в Йельском университете. Он занимался созданием сложных эконометрических моделей еще в то время, когда я собирал Lego в детском саду.

Согласно подходу Дэвида, эконометрика используется там, где имеются доступные данные, а когда нет данных, пустоты заполняются нашими предположениями. Как только у вас появится набор данных и расчетов, гибридный подход Дэвида потребует от вас ответа на четыре вопроса.

• Минимум. Если взять кривую осведомленности, о которой мы говорили выше, то каково будет значение параметра осведомленности, если мы вообще не будем тратить на него денег (крайняя левая часть кривой)?

• Максимум. Какого значения параметра осведомленности мы могли бы достичь в случае неограниченного бюджета (крайняя правая часть кривой)?

• Настоящий момент. Чему равны уровни осведомленности и затрат на данный момент?

• Приращение. Как, с нашей точки зрения, изменится параметр осведомленности, если мы будем увеличивать или уменьшать свои инвестиции на X %?