Zysk czy strata? Ocena efektywności promocji przy pomocy data science

Precyzyjne modele promocji pozwalają na dokładne oszacowanie poszczególnych efektów, wierną symulację alternatywnych scenariuszy i optymalizację nie tylko pojedynczych kampanii promocyjnych, ale całego ich kalendarza - pisze Daniel Szulc, Head of Data Science Logic.

Nawet 80% kampanii promocyjnych nie przynosi zauważalnego wzrostu sprzedaży, bądź koszt przyznanych rabatów jest wyższy niż marża wygenerowana na dodatkowym obrocie – dowodzi badanie Boston Consulting Group1. Z tych pierwszych promocji można zrezygnować bez obaw o spadek sprzedaży. Z tych drugich trzeba koniecznie zrezygnować, gdyż ich efekt finansowy jest ujemny. Tymczasem strategia wielu retailerów opiera się właśnie na promocjach. Odnosi się to do większości branż. A co więcej, dotyczy zarówno kanałów stacjonarnych, jak i handlu online. Presja konkurencji, walka o udziały w rynku, przyzwyczajenia konsumentów powodują, że roczna liczba ofert często idzie w setki, a nawet tysiące. Przestrzeń do optymalizacji jest więc ogromna. Jak jednak odróżnić promocje zyskowne od generujących straty? Jak zmierzyć rzeczywisty efekt promocji? Czy da się przewidzieć jej wynik zanim w ogóle wystartuje? W jaki sposób lepiej planować promocje?

Pomiar efektu promocji

Kluczem do sukcesu jest pomiar efektów. Bez wiedzy na temat faktycznych wyników promocji menedżerowie są skazani na strategie typu kopiowanie „sprawdzonego” w poprzednich latach kalendarza, reagowanie na działania konkurencji lub po prostu własną intuicję. W teorii zadanie może wydawać się proste. Wystarczy porównać sprzedaż w okresie promocji z… No właśnie… z czym? Do głowy przychodzą różne możliwości: może sprzedaż sprzed i po okresie promocji? Może sprzedaż w analogicznym okresie poprzednich lat? Może wyłączyć niektóre punkty sprzedaży z promocji i wykorzystać je jako grupę porównawczą? Jednak popyt na produkty ma często charakter sezonowy i zmienia się niezależnie od promocji. Poprzedni rok mógł być inny ze względu sytuację makroekonomiczną lub wejście nowego konkurenta na rynek. Dobranie reprezentatywnej grupy porównawczej może być trudne, a dla handlu online wręcz niemożliwe. Dodatkowo promocje nakładają się na siebie. Część z nich jest intensywnie reklamowana w mediach, inne tylko przy półce sklepowej. Rzeczywisty świat biznesu jest złożony i nazbyt uproszczone metody analizy mogą doprowadzić do nieprawidłowych wniosków.

Z pomocą przychodzą zaawansowane metody data science. Dzięki nim możliwe jest opracowanie modelu, które weźmie pod uwagę wiele czynników wpływających na efekt promocji. Od objętego nią asortymentu, przez wysokość obniżki, dodatkowe warunki i mechaniki, inne równolegle realizowane kampanie, po pogodę, aktywność reklamową i działania konkurencji. Konieczne jest do tego gromadzenie dokładnych danych o historycznych promocjach i ich cechach charakterystycznych. Odpowiednio przygotowany model pozwala na wyizolowanie wpływu poszczególnych czynników na sprzedaż. Umożliwia to zrozumienie ich oddziaływania, zarówno dla kampanii historycznych, jak i przewidywanie efektu promocji dopiero planowanych.

Wykres poniżej pokazuje możliwą do uzyskania dokładność predykcji modelu. Linia niebieska oznacza rzeczywistą sprzedaż, natomiast linia czerwona sprzedaż prognozowaną przez model. Jak widać obie linie są bardzo blisko siebie. W praktyce nie da się uniknąć pewnych odchyleń, widocznych zwłaszcza w dniach o skrajnie wysokiej lub niskiej sprzedaży, jednak model bardzo dobrze identyfikuje trendy i kierunki zmian.

 

 

Testowanie promocji przed jej rozpoczęciem

Przygotowany model o odpowiedniej zdolności predykcyjnej pozwala na prognozowanie sprzedaży w zależności od terminu, czasu trwania, zakresu i charakteru promocji. Umożliwia to symulowanie różnych scenariuszy działania i znalezienie odpowiedzi na pytania takie jak:

- czy promocja wygeneruje dodatkową sprzedaż?

- jaki jest najlepszy okres na przeprowadzenie promocji?

- jaki jest optymalny czas trwania promocji?

- jakie wsparcie komunikacyjne warto zapewnić promocji?

- czy biorąc pod uwagę wszystkie efekty promocji opłaca się ją przeprowadzać?

Wykres poniżej przedstawia porównanie sprzedaży przy scenariuszu zakładającym przeprowadzenie promocji (niebieska linia) w porównaniu ze scenariuszem bazowym, w którym zrezygnowano by z promocji w rozważanym okresie (czerwona linia). Widać wyraźnie, że przez większą część trwania promocji niebieska linia jest powyżej czerwonej. Szczególnie duże wzrosty zauważalne są pod koniec okresu promocji, a także na jego początku. Czas promocji był w tym wypadku wyraźnie komunikowany konsumentom stąd kumulacja sprzedaży. W scenariuszu bez promocji sprzedaż rozłożona byłaby bardziej równomiernie z widocznym jedynie okresowym cyklem tygodniowym. Przeciętny poziom sprzedaży, jak wynika z wykresu, byłby niższy. Wydaje się więc, że promocja ma korzystny wpływ na sprzedaż i powinna być opłacalna. Czy jednak na pewno?

 

 

Kompleksowy model promocji

Oceniając efekty promocji należy spojrzeć nie tylko na wzrost sprzedaży, ale także na inne zjawiska powiązane z promocją, które nie wystąpiłyby, gdyby promocji nie było. Chodzi przede wszystkim o przesunięcie sprzedaży w czasie (w przykładzie widoczne w okresie tuż przed i tuż po promocji), a także o wpływ promocji danego asortymentu na inne kategorie produktowe. W przypadku kategorii komplementarnych oczekujemy dodatniego oddziaływania na sprzedaż. Jednak w przypadku innych kategorii (na przykład nieobjęte promocją produkty substytucyjne) efekt może być negatywny. To właśnie od wzajemnych relacji pomiędzy tymi różnymi efektami zależy całkowita zyskowność promocji. Konieczne jest więc ich precyzyjne oszacowanie. Umożliwia to zbudowany i przetestowany przy pomocy metod data science model.

Wykres poniżej wizualizuje dekompozycję – rozbicie łącznego efektu promocji na poszczególne składniki. Sprzedaż bazowa to sprzedaż, która zostałaby zrealizowana, gdyby nie było promocji. Dodatkowa sprzedaż promo została przy pomocy modelu oszacowana na 5,3 mln. To o tyle więcej sprzedaliśmy produktów promowanych dzięki przeprowadzeniu promocji. Wzrost kategorii komplementarnych to dodatni wpływ promocji na kategorie współkupowane zazwyczaj z produktami promowanymi. Kanibalizacja to negatywne oddziaływanie promocji na sprzedaż innych kategorii produktowych – w tym przykładzie wynosi 9,7 mln, tym samym niwelując cały pozytywny efekt działań promocyjnych. Dodatkowo efekty związane z przesunięciem sprzedaży w czasie – przed kampanią (efekt oczekiwania) i po kampanii (efekt kupowania na zapas po niższych cenach) pogarszają wynik akcji o kolejne 1,3 mln. Po uwzględnieniu wszystkich wspomnianych efektów promocji łączna sprzedaż wyniosła 6,8 mln a więc o 1,8 mln mniej w porównaniu do scenariusza, w którym promocji by nie przeprowadzono. A zatem rzeczywisty inkrementalny wpływ promocji na sprzedaż jest ujemny, czyli promocja nie była opłacalna.

 

Reasumując, uproszczone podejście do analizy promocji i ograniczanie się do efektu zwiększonej sprzedaży produktów promowanych w okresie jej trwania może prowadzić do nieprawidłowych wniosków i nieoptymalnych decyzji. Jedynie kompleksowa analiza przeprowadzona w oparciu o szeroki zakres danych i przy wykorzystaniu zaawansowanych metod data science może odpowiedzieć na kluczowe z punktu widzenia planowania promocji pytania. Precyzyjne modele promocji pozwalają na dokładne oszacowanie poszczególnych efektów, wierną symulację alternatywnych scenariuszy i optymalizację nie tylko pojedynczych kampanii promocyjnych, ale całego ich kalendarza.

Tekst: Daniel Szulc, Head of Data Science Logic

1  Nick Goad Jeff RobinsonJavier Anta CallerstenAndreas Malby, and Jacob Opstrup, RETAIL,PRICING AND REVENUE MANAGEMENT, ORGANIZATION DESIGN: How Retailers Can Improve Promotion Effectiveness A Four-Part Approach to Generating Growth,
https://www.bcg.com/publications/2015/retail-pricing-how-retailers-can-improve-promotion-effectiveness

Komentarze

Prosimy o wypowiadanie się w komentarzach w sposób uprzejmy, z poszanowaniem innych uczestników dyskusji i ich odrębnych stanowisk. Komentując akceptujesz regulamin publikowania komentarzy.