Новосибирск, Новосибирская область, Россия
Институт экономики и организации промышленного производства СО РАН
Новосибирск, Новосибирская область, Россия
Институт экономики и организации промышленного производства СО РАН
Новосибирский государственный технический университет
Новосибирск, Новосибирская область, Россия
ВАК 5.2.3 Региональная и отраслевая экономика
В современном бизнес-окружении компании осуществляют значительные инвестиции в разнообразные маркетинговые каналы, начиная от традиционных (телевизионная реклама, наружная реклама, печатные СМИ и т.п.) и заканчивая современными цифровыми форматами (контекстная реклама, маркетинг с участием блогеров, социальные сети, e-mail кампании и т.д.). Такой широкий спектр каналов создает сложную систему маркетинговых коммуникаций, что в свою очередь обуславливает необходимость точной и систематической оценки вклада каждого отдельного канала, а также их взаимодействий в достижении бизнес-целей и максимизации эффективности маркетинговых инвестиций. В настоящей работе представлены теоретические основы концепции моделирования маркетингового микса (MMM), которая направлена на моделирование и анализ влияния отдельных компонентов маркетинговых стратегий на итоговые показатели бизнеса, такие как продажи, прибыль или рыночная доля. В ходе исследования особое внимание уделяется изучению эффектов взаимодействия между каналами маркетинга, а также их динамическим аспектам: эффектам синергии, насыщения, а также включению отложенных во времени воздействий маркетинговых активностей, что позволяет более точно оценивать временные цепочки и взаимосвязи между вложениями и результатами. Кроме того, в работе подробно рассматриваются байесовские методы. Эти методы позволяют эффективно интегрировать априорные знания и экспертные оценки в модели, что особенно важно в условиях ограниченности данных, высокой мультиколлинеарности между каналами или наличии неопределенностей. Байесовский подход способствует не только повышению точности оценок, но и обеспечивает проведение надежных интервальных оценок, а также легко моделирует сложные, иерархические и нелинейные взаимодействия компонентов маркетингового микса, делая анализ более гибким и адаптивным к разнообразным условиям.
моделирование маркетингового микса, байесовский подход, эффект синергии, эффект воронки, эффект насыщения, эффект отложенного воздействия, рекламные каналы, causal inference
1. Birim S., Kazancoglu I., Mangla S. K., Kahraman A., Kazancoglu Y. The derived demand for advertising expenses and implications on sustainability: a comparative study using deep learning and traditional machine learning methods // Annals of Operations Research. 2024. Vol. 339. P. 131-161. DOI: https://doi.org/10.1007/s10479-021-04429-x
2. Bishop C. Pattern Recognition and Machine Learning // Journal of Electronic Imaging. 2006. Vol. 16(4). P. 140-155. DOI: https://doi.org/10.1117/1.2819119
3. Borden N. H. The concept of the marketing mix // Journal of Advertising Research. 1964. Vol. 4(2). P. 7-12. DOI: https://doi.org/10.1080/00218499.1964.12519724
4. Briggs R., Krishnan R., Borin N. Integrated Multichannel Communication Strategies: Evaluating the Impact on Consumer Purchase Decisions // Journal of Advertising Research. 2005. Vol. 45(4). P. 375-387.
5. BNg & Wang, 2024 S. Modelling with Adstock // Journal of the Market Research Society. 1984. Vol. 26(4). P. 295-312.
6. Chan D., Perry M. Challenges and opportunities in media mix modeling // Google Inc. 2017, April 14.
7. Chornous G., Fareniuk Y. Marketing mix modeling for pharmaceutical companies on the basis of data science technologies // Access Journal. 2021. Vol. 2(3). P. 274-289. DOI: https://doi.org/10.46656/access.2021.2.3(6)
8. Funk M. J. Doubly Robust Estimation of Causal Effects // American Journal of Epidemiology. 2011. Vol. 173(7). P. 761-767. DOI: https://doi.org/10.1093/aje/kwq439
9. Jin Y., Wang Y., Sun Y., Chan D., Koehler J. Bayesian methods for media mix modeling with carryover and shape effects // Google Inc. 2017, April 14.
10. Kireyev P., Pauwels K., Gupta S. Do Display Ads Influence Search? Attribution and Dynamics in Online Advertising // International Journal of Research in Marketing. 2016. Vol. 33(3). P. 475-490. DOI: https://doi.org/10.1016/j.ijresmar.2015.09.007
11. Koyck L. M. Distributed Lags and Investment Analysis. Amsterdam: North-Holland, 1954. 111 p.
12. Kruschke J. K. Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press, 2015. 749 p. DOI: https://doi.org/10.1016/B978-0-12-405888-0.00008-8
13. Lambrecht A., Tucker C. When Does Retargeting Work? // Journal of Marketing Research. 2013. Vol. 50(5). P. 561-576. DOI: https://doi.org/10.1177/002224371305000508
14. Lewis R. A., Rao J. M. The unfavorable economics of measuring the returns to advertising // Quarterly Journal of Economics. 2015. Vol. 130(4). P. 1941-1973. DOI: https://doi.org/10.1093/qje/qjv023
15. Li H., Kannan P. K. Attributing Conversions in a Multichannel Online Marketing Environment // Marketing Science. 2014. Vol. 33(1). P. 40-56. DOI: https://doi.org/10.1509/jmr.13.0050
16. McCarthy J. E. Basic Marketing: A Managerial Approach. Homewood, IL: Richard D. Irwin, 1960. 770 p.
17. McElreath R. Statistical Rethinking: A Bayesian Course with Examples in R and Stan. CRC Press, 2020. 483 p. DOI: https://doi.org/10.1201/9780429029608
18. Morais J., Thomas-Agnan C., Simioni M. Impact of advertising on brand’s market shares in the automobile market: a multi-channel attraction model with competition and carryover effect // TSE Working Paper. 2018. No. 18(878).
19. Naik P. A., Raman K. Understanding the Impact of Synergy in Multimedia Communications // Journal of Marketing Research. 2003. Vol. 40(4). P. 375-388. DOI: https://doi.org/10.1509/jmkr.40.4.375.19385; EDN: https://elibrary.ru/FHWBND
20. Ng E., Wang Z., Dai A. Bayesian Time Varying Coefficient Model with Applications to Marketing Mix Modeling // arXiv preprint arXiv:2106.03322v4. 2024.
21. Pandey S., Gupta S., Chhajed S. Marketing Mix Modeling (MMM) – Concepts and Model Interpretation // International Journal of Engineering Research & Technology (IJERT). 2021. Vol. 10(6). P. 784-793.
22. Pearl J. An Introduction to Causal Inference // The International Journal of Biostatistics. 2010. Vol. 6(2). P. 1-62. DOI: https://doi.org/10.2202/1557-4679.1203
23. Rimša R. Marketing Mix Modelling using Bayesian statistics (Master’s thesis). Vilnius University, Vilnius. 2024, 38 p.
24. Rossi P. E. Bayesian Statistics and Marketing. Wiley, 2014. 384 p.
25. Sun Y., Wang Y., Jin Y., Chan D., Koehler J. Geo-level Bayesian hierarchical media mix modeling // Google Inc. 2017, April 14.
26. Tellis J. Modeling marketing mix // The handbook of marketing research: uses, misuses, and future advances. 2006. P. 506-522. DOI: https://doi.org/10.4135/9781412973380.n24
27. Wang Y., Jin Y., Sun Y., Chan D., Koehler J. A hierarchical Bayesian approach to improve media mix models using category data // Google Inc. 2017, April 14.
28. Weibull W. A Statistical Distribution Function of Wide Applicability // Journal of Applied Mechanics. 1951. Vol. 18(3). P. 293-297. DOI: https://doi.org/10.1115/1.4010337
29. Wigren R., Cornell F. Marketing Mix Modelling: A comparative study of statistical models (Master’s thesis). Linköping University, Department of Computer and Information Science, 2019. 122 p.
30. Zhang S. S., Vaver J. Introduction to the Aggregate Marketing System Simulator // Google Inc. 2017, April 14.
