Практический МАРКЕТИНГ: Эконметрический анализа для составления маркетинг Микса
Эконометрический анализ для повышения эффективности маркетинга
Маркетинг без аналитики, как здание без фундамента.
Ирина Дудкина, CEO IGPA Consult
Ирина Дудкина, CEO IGPA Consult
Подпишитесь на новости
Подпишитесь на новости
Моделирование комплекса маркетингового микса — это бизнес-инструмент, предназначенный для количественной оценки рентабельности инвестиций в маркетинг (ROI), определения оптимального распределения маркетинговых инвестиций и предиктивной аналитики и составление прогноза продаж. Понимание причинно-следственных связей, влияющих на уровень спроса, узнаваемости бренда и лояльности – ключевой аспект для составления модели на основании макроэкономического прогноза потребления. Маркетинговая стратегия основывается не только на необходимости удовлетворить базовую потребность со стороны покупателей, или как сейчас часто выражаются инфобизнесмены, «закрыть боли», но и на гораздо более комплексной оценке успеха того или иного бренда, доли рынка, которую он занимает, частоте и регулярности потребления, и показателе Brand Equity.
Таким образом, знания о комплексном подходе к развитию торговой марки, подводят нас тому, что линейное продвижение по упрощённой модели привлечения покупателей – на основании более выгодного предложения, с использованием моноканальной коммуникации – не даёт достаточной поддержки для роста бизнеса и трансформации торговой марки в бренд.
Для построения маркетинга как основы успешных продаж, маркетинговая стратегия должна учитывать поведенческие особенности потребителей и покупателей. То есть, исходить из пути принятия решения, и обеспечивать не менее семи точек взаимодействия – «касаний» - с торговой маркой с точки зрения преимуществ в том числе по сравнению с конкурентами.
Непосредственно покупка в офлайн или онлайн-магазине, оплата услуги — это конечная стадия пути принятия решения. Маркетинг 360 должен охватывать полный путь потребителя к покупке учитывая как цифровые, так и офлайновые взаимодействия, а также возможные медиаканалы. В расчёт должны приниматься как платные каналы массовой информации, так и «сарафанное радио» - так называемое earned media («заработанное медиа»), социальные медиа, и онлайн-каналы. Цикл принятия решения начинается с формирования запроса, продолжается исследованием информации и, наконец продолжается покупкой, после которой происходит повторная оценка собственного выбора.
При моделировании маркетингового микса, также необходимо учитывать неоднородность спроса. С появлением машинного обучения мы можем более точно обрабатывать данные о покупательском поведении, онлайн-активности и социальных сетях. По мере того как число параметров маркетинговой реакции растёт, традиционная аналитика фиксированными эффектами не даёт полной картины.
MMM объединяет детализированные данные о медиа и рекламе с данными о точках продаж, чтобы обеспечить единственный в своём роде доступ к надёжным данным о розничной торговле. Чтобы успешно донести потребителям призыв к действию (CTA), и учесть аспекты создания бренда (Brand Equity) в маркетинговой стратегии, крайне важно, чтобы она была настроены с учётом принципов краткосрочного и долгосрочного спроса. Владельцы бизнеса могут определять наиболее успешные рекламные акции и оптимизировать их влияние на продажи, моделируя предиктивную аналитику на основе данных о рекламных акциях, рекламных кампаниях и продажах.
ИСТОРИЯ ЭКОНОМЕТРИКИ В МАРКЕТИНГЕ
Современный маркетинг, который практикуют МСП, зачастую основывается на догадках и интуиции или данных краткосрочных тестов с попыткой анализировать эффективность каналов коммуникации через атрибутивную модель. В свою очередь, эконометрика имеет долгую историю, восходящую к началу 20 века, когда экономисты начали применять статистические методы к экономическим данным.
Так, в в начале прошлого века группа экономистов, которые интересовались использованием математических и статистических методов для изучения экономических явлений. В эту группу входили некоторые из самых выдающихся экономистов того времени, такие как Рагнар Фриш, Ян Тинберген и Трюгве Хаавельмо.
В 1930-х годах Фриш начал разрабатывать то, что он назвал «эконометрическими методами», которые включали использование статистических методов для оценки параметров экономических моделей. Он считал, что, используя эти методы, экономисты могут лучше понять, как работает экономика, и сделать более точные прогнозы будущих экономических тенденций.
Примерно в то же время Тинберген разрабатывал аналогичные методы в Нидерландах. Он использовал статистические методы для оценки параметров модели голландской экономики, что позволило ему делать прогноз последствий различных политических вмешательств. Тем временем Хаавельмо разрабатывал другой подход к эконометрике, который он назвал «вероятностной эконометрикой». Этот подход заключался в разработке моделей экономического поведения на основе теории вероятностей и оценке параметров этих моделей с использованием статистических методов.
В 1950-х и 1960-х годах эконометрика приобрела популярность как инструмент маркетинговых исследований. Эконометрические модели были разработаны для анализа маркетинговых данных и выявления взаимосвязей между маркетинговыми переменными и поведением потребителей. Эти модели позволили маркетологам оценить эффективность различных маркетинговых стратегий и прогнозировать влияние изменений маркетинговых переменных на продажи.
В 1950-х и 1960-х годах эти модели были относительно простыми и основывались на таких базовых понятиях, как охват и частота. Но в 1970-х годах произошёл прорыв, когда статистик по имени Джон Литтл разработал первую настоящую модель комплекса маркетинга. В этой модели использовался регрессионный анализ, чтобы помочь компаниям понять влияние различных маркетинговых переменных, таких как расходы на рекламу и повышение цен, на продажи. Типы данных, такие как доля рынка и лояльность к бренду. К 1990-м годам моделирование маркетингового комплекса стало важным инструментом для многих крупных компаний, помогая оптимизировать маркетинговые расходы и измерять эффективность своих кампаний.
Но хотя моделирование маркетингового комплекса было мощным инструментом, оно имело свои ограничения. Например, часто было трудно включить в модель нерыночные факторы, такие как экономические условия или деятельность конкурентов. Кроме того, моделирование маркетингового комплекса в значительной степени опиралось на исторические данные, что могло вызвать проблемы, если рынок претерпел значительные изменения. В ответ на эти вызовы исследователи начали изучать новые подходы к маркетинговой аналитике, включая машинное обучение и искусственный интеллект. Эти новые методы обещали более точные прогнозы и большую гибкость, но они также требовали огромных объёмов данных и сложных алгоритмов. В наши дни комбинируя моделирование маркетингового комплекса с другими методами, основанными на данных, компании могут получить более полное представление о рынке и принимать более обоснованные решения о том, как распределять свои маркетинговые ресурсы.
Так, в в начале прошлого века группа экономистов, которые интересовались использованием математических и статистических методов для изучения экономических явлений. В эту группу входили некоторые из самых выдающихся экономистов того времени, такие как Рагнар Фриш, Ян Тинберген и Трюгве Хаавельмо.
В 1930-х годах Фриш начал разрабатывать то, что он назвал «эконометрическими методами», которые включали использование статистических методов для оценки параметров экономических моделей. Он считал, что, используя эти методы, экономисты могут лучше понять, как работает экономика, и сделать более точные прогнозы будущих экономических тенденций.
Примерно в то же время Тинберген разрабатывал аналогичные методы в Нидерландах. Он использовал статистические методы для оценки параметров модели голландской экономики, что позволило ему делать прогноз последствий различных политических вмешательств. Тем временем Хаавельмо разрабатывал другой подход к эконометрике, который он назвал «вероятностной эконометрикой». Этот подход заключался в разработке моделей экономического поведения на основе теории вероятностей и оценке параметров этих моделей с использованием статистических методов.
В 1950-х и 1960-х годах эконометрика приобрела популярность как инструмент маркетинговых исследований. Эконометрические модели были разработаны для анализа маркетинговых данных и выявления взаимосвязей между маркетинговыми переменными и поведением потребителей. Эти модели позволили маркетологам оценить эффективность различных маркетинговых стратегий и прогнозировать влияние изменений маркетинговых переменных на продажи.
В 1950-х и 1960-х годах эти модели были относительно простыми и основывались на таких базовых понятиях, как охват и частота. Но в 1970-х годах произошёл прорыв, когда статистик по имени Джон Литтл разработал первую настоящую модель комплекса маркетинга. В этой модели использовался регрессионный анализ, чтобы помочь компаниям понять влияние различных маркетинговых переменных, таких как расходы на рекламу и повышение цен, на продажи. Типы данных, такие как доля рынка и лояльность к бренду. К 1990-м годам моделирование маркетингового комплекса стало важным инструментом для многих крупных компаний, помогая оптимизировать маркетинговые расходы и измерять эффективность своих кампаний.
Но хотя моделирование маркетингового комплекса было мощным инструментом, оно имело свои ограничения. Например, часто было трудно включить в модель нерыночные факторы, такие как экономические условия или деятельность конкурентов. Кроме того, моделирование маркетингового комплекса в значительной степени опиралось на исторические данные, что могло вызвать проблемы, если рынок претерпел значительные изменения. В ответ на эти вызовы исследователи начали изучать новые подходы к маркетинговой аналитике, включая машинное обучение и искусственный интеллект. Эти новые методы обещали более точные прогнозы и большую гибкость, но они также требовали огромных объёмов данных и сложных алгоритмов. В наши дни комбинируя моделирование маркетингового комплекса с другими методами, основанными на данных, компании могут получить более полное представление о рынке и принимать более обоснованные решения о том, как распределять свои маркетинговые ресурсы.
ЭКОСИСТЕМА МАРКЕТИНГОВОЙ АНАЛИТИКИ
Одним из первых достижений эконометрики была разработка модели линейной регрессии. Эта модель основана на предположении, что существует линейная зависимость между независимыми переменными, такими как цена и продвижение, и зависимой переменной, такой как продажи. Модель линейной регрессии позволила маркетологам количественно оценить влияние изменений маркетинговых переменных на продажи, что сделало её мощным инструментом для оптимизации маркетинговых кампаний. Ещё одним важным достижением в эконометрике стало применение анализа временных рядов к маркетинговым данным. Анализ временных рядов — это статистический метод, используемый для анализа данных, собранных с течением времени. Применяя анализ временных рядов к маркетинговым данным, маркетологи могут выявлять закономерности в поведении потребителей и прогнозировать будущие тенденции. Обе эти разработки по-прежнему являются ключевыми понятиями в моделировании комплекса маркетинга.
Эконометрика, применяемая в маркетинге, включает использование статистических методов для анализа маркетинговых данных, чтобы понять связь между маркетинговыми факторами, такими как реакция на предложение и микс каналов коммуникации, узнаваемость торговой марки и макроэкономические тренды.
Как правило, для проведения эффективного эконометрического анализа требуется высокая детализация данных и достаточная глубина. В частности, при отсутствии ярко выраженной сезонности спроса компания может оперировать глубиной данных от 6 месяцев с ежедневной или, по крайней мере, понедельной детализацией. В случае подверженности спроса ярко выраженной сезонности требуется увеличение глубины данных до 12, 24 или 36 месяцев, при этом важно сохранить как минимум понедельную детализацию, помесячная детализация может не дать достаточного уровня чувствительности моделируемым данным.
Пример:
В сегменте противопростудных препаратов присутствует сезонность спроса с сентября по конец марта – середину апреля. При этом внутри сезона могут наблюдаться яркие всплески повышенного спроса, обусловленные всплесками повышенной заболеваемости. Согласно историческим данным, каждый из таких всплесков длится от 2 до 6 недель, и помесячная детализация не даст достаточных данных для определения эффективности маркетинговой поддержки, так как будет сложно разделить органический рост спроса и добавленный – который произошёл благодаря маркетинговой поддержке, смоделировать вероятную каннибализацию конкурентами в случае отсутствия маркетинговой поддержки и влияние изменения концепции сообщений, если оно имело место.
Эконометрика, применяемая в маркетинге, включает использование статистических методов для анализа маркетинговых данных, чтобы понять связь между маркетинговыми факторами, такими как реакция на предложение и микс каналов коммуникации, узнаваемость торговой марки и макроэкономические тренды.
Как правило, для проведения эффективного эконометрического анализа требуется высокая детализация данных и достаточная глубина. В частности, при отсутствии ярко выраженной сезонности спроса компания может оперировать глубиной данных от 6 месяцев с ежедневной или, по крайней мере, понедельной детализацией. В случае подверженности спроса ярко выраженной сезонности требуется увеличение глубины данных до 12, 24 или 36 месяцев, при этом важно сохранить как минимум понедельную детализацию, помесячная детализация может не дать достаточного уровня чувствительности моделируемым данным.
Пример:
В сегменте противопростудных препаратов присутствует сезонность спроса с сентября по конец марта – середину апреля. При этом внутри сезона могут наблюдаться яркие всплески повышенного спроса, обусловленные всплесками повышенной заболеваемости. Согласно историческим данным, каждый из таких всплесков длится от 2 до 6 недель, и помесячная детализация не даст достаточных данных для определения эффективности маркетинговой поддержки, так как будет сложно разделить органический рост спроса и добавленный – который произошёл благодаря маркетинговой поддержке, смоделировать вероятную каннибализацию конкурентами в случае отсутствия маркетинговой поддержки и влияние изменения концепции сообщений, если оно имело место.
Динамика запросов Google Flu Trends отражающая всплески повышения внимания к теме сезонных ОРВИ и Гриппа
КАТЕГОРИИ ДАННЫХ МММ И KPI
Ключевая метрика — это результат для бизнеса. То есть продажи в денежном и штучном выражении. Как в суммарном выражении, так и по SKU (наименованиям единиц товара) или категориям и направлениям товаров или услуг.
Медиа-переменные — это все основные маркетинговые каналы с суммой расходов значимой для статистического учёта. Это могут быть онлайн-каналы, такие как платный поиск, таргетинг, email маркетинг; диджитал – медиа, такие как размещения в онлайн-прессе, собственные социальные медиа, коллаборации с блогерами; традиционные медиа, такие как телевидение, пресса, и/или оффлайн-медиа, такие как Out Of Home, ситиформаты или коллаборации с HoReCa и другие.
Единица моделирования может быть как ROI, так переменные показатели, например, такие как Reach (охват) и Frequency (частота) показов.
Также в модель необходимо включить переменные внутренние факторы, такие как рекламные акции, волатильность цен, запуск продукта, и внешние - макроэкономические факторы, погодные и сезонные изменения, активность конкурентов, важные праздники и события, такие как пандемия.
Медиа-переменные — это все основные маркетинговые каналы с суммой расходов значимой для статистического учёта. Это могут быть онлайн-каналы, такие как платный поиск, таргетинг, email маркетинг; диджитал – медиа, такие как размещения в онлайн-прессе, собственные социальные медиа, коллаборации с блогерами; традиционные медиа, такие как телевидение, пресса, и/или оффлайн-медиа, такие как Out Of Home, ситиформаты или коллаборации с HoReCa и другие.
Единица моделирования может быть как ROI, так переменные показатели, например, такие как Reach (охват) и Frequency (частота) показов.
Также в модель необходимо включить переменные внутренние факторы, такие как рекламные акции, волатильность цен, запуск продукта, и внешние - макроэкономические факторы, погодные и сезонные изменения, активность конкурентов, важные праздники и события, такие как пандемия.
ПРИНЦИПЫ МОДЕЛИРОВАНИЯ
Убывающая отдача
Убывающая отдача говорит о том, что у каждого канала есть точка насыщения - по мере нарастания инвестиций в каждый канал, эффективность на единицу затрат будет снижаться по мере насыщения. Важен баланс – излишне малые инвестиции могут не принести достаточной отдачи, излишне крупные инвестиции могут преодолеть точку насыщения, и все последующие затраты, превышающие эту точку – будут неэффективными. Для определения точки насыщения необходимо построение кривой отклика на основе моделирования отклика конкретного канала.
Убывающая отдача говорит о том, что у каждого канала есть точка насыщения - по мере нарастания инвестиций в каждый канал, эффективность на единицу затрат будет снижаться по мере насыщения. Важен баланс – излишне малые инвестиции могут не принести достаточной отдачи, излишне крупные инвестиции могут преодолеть точку насыщения, и все последующие затраты, превышающие эту точку – будут неэффективными. Для определения точки насыщения необходимо построение кривой отклика на основе моделирования отклика конкретного канала.
На кривой отклика мы видим, что отдача от инвестиций начинает снижаться. Это может быть чуть более выраженный или чуть менее выраженный эффект, но очевидно, что дополнительные инвестиции в данный канал не более приносят ожидаемого влияния на продажи, и, как следствие, выручку.
Плечо принятия решения
Плечо принятия решения или отложенный эффект рекламы - это период, который проходит с момента когда потребитель увидел рекламное сообщение до момента фактического действия — покупки. У разных каналов коммуникации отложенный эффект свой.
Допустим, при просмотре любимой телепередачи, потребитель увидел рекламу шампуня, он не смог купить его сразу, так как никто и никогда не бежит в магазин за шампунем, едва увидев рекламный ролик. Даже если принимать в расчёт онлайн-торговлю, часто шампунь слишком маленькая покупка, чтобы сразу оформлять доставку.
Однако, придя в магазин в следующий раз, например, через несколько дней, потребитель может вспомнить увиденный рекламный ролик и купить тот самый шампунь. Плечо принятия решения в FMCG секторе, как правило, не очень длинное. В то же время, если бы речь шла о противопростудных препаратах или покупке более затратной, плечо принятия решения, скорее всего, составило бы от нескольких недель до нескольких месяцев.
Расширив этот опыт на множество потребителей, мы получаем усреднённую функцию затухания для плеча принятия решения, также известную как adstock (рекламный сток).
Как говорилось выше, для каждого канала переменная adstock будет своя. Однако, при расчёте этой переменной важно учитывать взаимовлияние каналов друг на друга, и рассчитывать их как дополнительные точки касания, для усиления эффекта маркетинговой коммуникации.
Эффект взаимовлияния
Каналов друг на друга. В маркетинге 3+2 больше пяти, по сумме эффекта воздействия. Несколько объединённых маркетинговых мероприятий создают больший эффект, чем сумма каждого из них, работающего по отдельности, и это эффект взаимовлияния. Было бы большим заблуждением рассчитывать конверсию каждого отдельного канала коммуникации при наличии маркетинга 360.
Как говорилось выше, моноканальная поддержка в мире переполненным информационным шумом быстро теряет свой потенциал, часто даже не приводя к существенному воздействию на потребителя. Путь принятия решения зачастую может быть длиной более двух лет, особенно в части продажи экспертных и/или дорогостоящих товаров и услуг.
Например, если речь идёт о дорогостоящей медицинской услуге, такой как восстановительное зубочелюстное лечение или лазерная коррекция зрения, путь принятия решения может длиться до десяти лет. От момента формирования запроса до конечной покупки. В течение всего этого времени потребитель будет «на связи» с потенциальным поставщиком услуги. Он будет откликаться на рекламу, изучать материалы, связанные с медицинской стороной вопроса, искать рекомендации и отзывы, то есть взаимодействовать с брендом посредством разных каналов коммуникации, которые на протяжении всего пути, усиливают влияние друг друга.
Как правило, последняя точка контакта перед обращением чаще всего – сайт компании, что в отсутствие аналитики и МММ может привести к преждевременным выводам об эффективности онлайн-каналов коммуникации.
Плечо принятия решения
Плечо принятия решения или отложенный эффект рекламы - это период, который проходит с момента когда потребитель увидел рекламное сообщение до момента фактического действия — покупки. У разных каналов коммуникации отложенный эффект свой.
Допустим, при просмотре любимой телепередачи, потребитель увидел рекламу шампуня, он не смог купить его сразу, так как никто и никогда не бежит в магазин за шампунем, едва увидев рекламный ролик. Даже если принимать в расчёт онлайн-торговлю, часто шампунь слишком маленькая покупка, чтобы сразу оформлять доставку.
Однако, придя в магазин в следующий раз, например, через несколько дней, потребитель может вспомнить увиденный рекламный ролик и купить тот самый шампунь. Плечо принятия решения в FMCG секторе, как правило, не очень длинное. В то же время, если бы речь шла о противопростудных препаратах или покупке более затратной, плечо принятия решения, скорее всего, составило бы от нескольких недель до нескольких месяцев.
Расширив этот опыт на множество потребителей, мы получаем усреднённую функцию затухания для плеча принятия решения, также известную как adstock (рекламный сток).
Как говорилось выше, для каждого канала переменная adstock будет своя. Однако, при расчёте этой переменной важно учитывать взаимовлияние каналов друг на друга, и рассчитывать их как дополнительные точки касания, для усиления эффекта маркетинговой коммуникации.
Эффект взаимовлияния
Каналов друг на друга. В маркетинге 3+2 больше пяти, по сумме эффекта воздействия. Несколько объединённых маркетинговых мероприятий создают больший эффект, чем сумма каждого из них, работающего по отдельности, и это эффект взаимовлияния. Было бы большим заблуждением рассчитывать конверсию каждого отдельного канала коммуникации при наличии маркетинга 360.
Как говорилось выше, моноканальная поддержка в мире переполненным информационным шумом быстро теряет свой потенциал, часто даже не приводя к существенному воздействию на потребителя. Путь принятия решения зачастую может быть длиной более двух лет, особенно в части продажи экспертных и/или дорогостоящих товаров и услуг.
Например, если речь идёт о дорогостоящей медицинской услуге, такой как восстановительное зубочелюстное лечение или лазерная коррекция зрения, путь принятия решения может длиться до десяти лет. От момента формирования запроса до конечной покупки. В течение всего этого времени потребитель будет «на связи» с потенциальным поставщиком услуги. Он будет откликаться на рекламу, изучать материалы, связанные с медицинской стороной вопроса, искать рекомендации и отзывы, то есть взаимодействовать с брендом посредством разных каналов коммуникации, которые на протяжении всего пути, усиливают влияние друг друга.
Как правило, последняя точка контакта перед обращением чаще всего – сайт компании, что в отсутствие аналитики и МММ может привести к преждевременным выводам об эффективности онлайн-каналов коммуникации.
ПРОЦЕСС МОДЕЛИРОВАНИЯ С ЭЛЕМЕНТАМИ
МАШИННОГО ОБУЧЕНИЯ
МАШИННОГО ОБУЧЕНИЯ
Для исключения ошибок первого и второго рода, моделирование с элементами машинного обучения должно опираться на данные предыдущего опыта полученного эмпирическим путём или результаты исследований и аналитики, полученных при помощи ручных методов анализа.
К ошибкам первого рода может относиться неверный вывод об эффективности влияния офлайн каналов коммуникации на онлайн-бренды, в то время как основная задача офлайн коммуникации – повышение узнаваемости.
К ошибкам второго рода могут относиться выводы об эффективности контекстной рекламы в отсутствие онлайн-каналов взаимодействия с потребителем. Например, розничный магазин, не имеющий собственного сайта или приложения, продолжает размещать платные объявления в интернете, но совершение покупки возможно только офлайн. В данном случае, несмотря на задействованные поисковые алгоритмы, эффективность онлайн-канала может быть неверно рассчитана из-за неверных выводов о влиянии интернет-рекламы на продажи.
К ошибкам первого рода может относиться неверный вывод об эффективности влияния офлайн каналов коммуникации на онлайн-бренды, в то время как основная задача офлайн коммуникации – повышение узнаваемости.
К ошибкам второго рода могут относиться выводы об эффективности контекстной рекламы в отсутствие онлайн-каналов взаимодействия с потребителем. Например, розничный магазин, не имеющий собственного сайта или приложения, продолжает размещать платные объявления в интернете, но совершение покупки возможно только офлайн. В данном случае, несмотря на задействованные поисковые алгоритмы, эффективность онлайн-канала может быть неверно рассчитана из-за неверных выводов о влиянии интернет-рекламы на продажи.
МЕТОДИКИ МОДЕЛИРОВАНИЯ
Общепринято, что Байесовская модель (Bayesian framework) является наиболее подходящим выбором для включения внешней информации в моделирование и построения чувствительной к внешним переменным модели. Байесовская структура позволяет использовать информативные априорные данные с желаемым уровнем вариации, так что апостериорные оценки оцениваются с помощью комбинации неизменных знаний и наблюдаемых данных. К примеру, несмотря на то, что офлайн медиа не должно быть слишком изменчивым в течение короткого периода времени, динамика рынка или геополитические факторы могут меняться стремительно. Также для новых компаний будет более значимым фактор влияния конкурентной среды. В таких случаях требуются изменяющиеся во времени коэффициенты, чтобы модель была более динамичной.
ВЫВОД
Очевидно, что построение моделей маркетингового микса малодоступный для МСП инструмент. Однако, сложно переоценить его значимость, в условиях повышения требований к контролю эффективности маркетинговых расходов. Создание инструмента автоматизированного моделирования маркетингового микса позволит значительно повысить контроль маркетинговых расходов для МСП, даже в отсутствии опыта, моделирования у менеджера по маркетингу или собственника.
Несмотря на потребность в обучении в использовании и применении программы автоматизированной аналитики, временной ресурс, затраченный на это обучение, будет значительно меньше, чем полный курс по маркетинговому моделированию, который также потребует значительного практического опыта и соответствующих знаний и навыков.
Несмотря на потребность в обучении в использовании и применении программы автоматизированной аналитики, временной ресурс, затраченный на это обучение, будет значительно меньше, чем полный курс по маркетинговому моделированию, который также потребует значительного практического опыта и соответствующих знаний и навыков.
Маркетинг Микс Моделирование позволяет определить правильное соотношение инвестиций в различные медиа и выстроить устойчивую модель маркетинговой поддержки бренда.
Ирина Дудкина
Culliton, J. (1948). (Culliton, J. 1948)
Borden, N. (1964). (The concept of marketing mix)
Booms, B.; Bitner, M. (1981). Marketing strategies and organization structures for service firms.