Помоги проекту - поделись книгой:
В Антверпенском университете я специализировался в области количественной экономики – области, основанной на математических расчетах. Неудивительно, что этот предмет не был особенно популярен. Приверженцы математики предпочитали заниматься техническими или точными науками, но не экономикой. Поэтому встречалось довольно мало студентов – с одной стороны, не убоявшихся математики, с другой стороны, не желавших становиться инженерами, – которые занимались количественной экономикой. Я не преувеличиваю. Из тысячи студентов моего курса степень в области количественной экономики получили лишь шесть выпускников. Но зато это нас сплотило. Для сравнения представьте, насколько сильными могут быть связи между двумя сотнями психологов, собирающихся в одном зале.
Правда, нам не сильно повезло с руководителем, специалистом в области эконометрики – дисциплины, которая занимается исследованием количественных и статистических методов в применении к экономическим принципам. Эконометрические методы – чуть ли не самое важное направление, которым только могут заниматься специалисты в области количественной экономики. Мой наставник предпенсионного возраста, будучи отличным профессионалом, так и не научился общаться с аудиторией. Он стоял в аудитории, рассчитанной на пятьсот слушателей, и бубнил что-то маленькой кучке студентов (мы так и не нашли того идиота, который отвечал в университете за распределение аудиторий). Сначала мы, все шестеро, заняли первый ряд, напротив кафедры, но преподаватель ни разу даже не взглянул на нас. В какой-то момент мы решили распределиться по всей огромной аудитории – он не обратил на это никакого внимания и продолжал свои девяностоминутные бормотания.
Поэтому нет ничего странного, что мой энтузиазм по отношению к эконометрике был довольно низок, равно как и представление о ее практическом применении. Ситуация коренным образом изменилась в мой последний университетский год, когда у нас появилось несколько очень интересных преподавателей. Один из них отвечал за экономическую политику бельгийского правительства и смог объяснить нам, каким образом эконометрика может использоваться для прогнозирования спроса и предложения в экономике (что позволяло правительству заблаговременно совершать важные шаги). Другая преподавательница показала нам, каким образом эконометрика и другие количественные методы могут использоваться в маркетинге и продажах. И если бы не она (и не моя легкая влюбленность в нее), я вряд ли смог бы написать эту книгу!
Так как же работает эконометрическое моделирование? Этот метод позволяет рассчитать влияние на систему целого набора параметров (например, объемов общего потребления продукта или спроса на него). В области маркетинга специалисты по эконометрике пытались оценить спрос на тот или иной бренд.
Что может повлиять на величину спроса? Спрос на продукт зависит от цены, качества, дистрибуции, рекламы и множества других факторов. И все это может быть выражено в виде математической функции, например функции линейной регрессии. (Тут нам не обойтись без некоторых специфических подробностей, но не беспокойтесь, я постараюсь сделать это быстро и безболезненно – вы даже не заметите.) Основное уравнение линейной регрессии выглядит так:
Продажи = β1 × Предложение + β2 × Дистрибуция + β3 × Цена + β4 × Маркетинг + β5,
где β (бета) в каждом случае означает некий неизвестный фактор, определяющий, каким образом та или иная переменная будет влиять на спрос вашей продукции, то есть какое значение имеет дистрибуция. Если тот или иной параметр имеет большое влияние, то он имеет и большую бету. Если дистрибуция не имеет особого значения, то ее бета будет минимальной.
Вы знаете величину показателей, связанных с предложением, дистрибуцией, ценой и маркетинговыми усилиями. Как только вы определите величину беты, то сможете понять, в какой степени эти факторы влияют на объем продаж. Таким образом, основная задача состоит в нахождении значения беты. Каким образом эконометрическое моделирование может помочь нам в этом процессе?
Давайте рассмотрим практический пример, и вы сами увидите причину, по которой вам имеет смысл заниматься такой работой. Она позволяет вам создать диаграмму причинно-следственных связей (в том числе с включением фактора неизвестности) в виде самых простых графиков. А все, что способно упростить картину, – это благо.
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 %?
Для своих клиентов я часто использую гибридный метод при создании кривых отклика. Иногда я сталкиваюсь с их сопротивлением этому «ненаучному» методу. Клиентов беспокоит слишком большое количество предположений. Но они не во всем правы, поскольку в рамках гибридного процесса мы всегда используем все доступные данные или эконометрические модели. Однако при отсутствии идеальных данных нам не обойтись без предположений.
В сущности, когда вы используете такие довольно грубые показатели, как отношение рекламного бюджета к объему продаж, то делаете куда более серьезные предположения относительно связи между затратами и тем, что вы получаете взамен. Например, вы сначала предполагаете, что реклама имеет один и тот же эффект в отношении различных продуктов; затем предполагаете, что содержание рекламного сообщения не имеет большого значения; после этого вы предполагаете, что реклама имеет линейный эффект, то есть если затраты 1 доллара на рекламу приводят к продажам на 2 доллара, то затраты 10 долларов приведут к продажам на 20 долларов, – и так далее. Теперь вы понимаете, почему я считаю, что методы приближенного подсчета – это не лучший путь, в отличие от гибридного подхода (даже при отсутствии достаточного объема данных).
Использование гибридного метода при построении кривых отдачи имеет три основных преимущества. Посмотрим на них.
1. У вас появляется возможность соединять фактические данные с суждениями и интуицией. Возьмем довольно известную и крайне необычную маркетинговую кампанию бренда Dove с участием реальных женщин. Факты могли бы подсказать нам, что рекламная кампания, показавшая хорошие результаты по итогам тестирования (как в случае с Dove), принесет компании 1,50 доллара продаж на каждый доллар затрат. Однако вы на собственном опыте знаете, что подобные рекламные объявления, входящие в резонанс с ожиданиями рынка (как показало качественное исследование этой рекламы), – в состоянии привести к еще более высоким результатам, поэтому можно адаптировать график расходов и отдачи и убедиться в том, что каждый доллар затрат принесет вам 1,70 доллара продаж.
2. После создания кривой отдачи (с использованием эконометрики, предположений или их комбинации) она может использоваться для оптимизации. Например, вы можете просто импортировать кривую в Excel-файл, а затем перебирать различные переменные, чтобы получить в итоге более точный прогноз.
3. Процесс создания кривой протекает открыто и завязан на сотрудничестве, поскольку принимающие решения руководители понимают, что лежит в черном ящике, и по этой причине склонны в большей степени доверять нашим рекомендациям. Они знают, откуда берутся данные, то есть на основании какой информации создаются кривые расходов и отдачи.
Использование такого гибридного подхода позволяет лишить процесс эконометрического моделирования покрова таинственности.
Создание бюджета в период экономического спада
Пока что все наши предположения основывались на том, что отделу маркетинга будут без особых проблем выделять бюджет на их работу. Но сколько компании могут позволить себе тратить на рекламную политику в тяжелые времена? Я отлично помню рецессию в сентябре 2008 года. Крупные клиенты – а в борьбе за них я тогда играл крайне незначительную роль – моментально исчезли из нашего поля зрения. Об этом я расскажу подробнее.
Летом 2008 года Ogilvy работала над презентацией для Wachovia, на тот момент четвертого по размеру банка в США. Для нас это был крупнейший тендер года. Мы пережили уже несколько раундов отбора. Банк сократил список финалистов до двух компаний, и уже с самой первой встречи нам было ясно, что его руководители очень нуждались в тщательно проведенном анализе (в конце концов, они были типичными банкирами).
Настало время презентации, которую мы проводили перед СЕО и председателем правления Wachovia Бобом Стилом. Обычно аналитики Ogilvy присутствуют лишь на первых встречах, в самом начале процесса, просто для того, чтобы клиент мог оценить нашу мощь и боевую готовность и, фигурально выражаясь, поставить нам «галочку». Дальнейшие встречи посвящались вопросам стратегии и созидательных концепций. Но поскольку наши банкиры проявляли крайнюю заинтересованность в цифрах, было решено включить аналитиков в общую команду.
Презентация прошла великолепно, вся встреча протекала в дружеской и даже веселой атмосфере. Банкиры задавали множество вопросов. Мы, довольные и преисполненные надежд, вернулись в свой манхэттенский офис. Через несколько дней нам подтвердили, что тендер нами выигран. А еще через день я прочитал в Интернете статью, что Citibank собирается поглотить Wachovia, пошедший ко дну в самом начале финансового кризиса. Мы получили многообещающий заказ, который испарился в считаные часы.
После этого начался коллапс всей мировой экономики, и мы оказались в глубокой рецессии. В течение этого периода все как один принялись спрашивать нас, сколько денег в таких условиях нужно тратить на маркетинг. (Если быть совсем честным, то вопрос звучал иначе: «На сколько я могу урезать свой маркетинговый бюджет?»)
В попытках найти ответ я принялся изучать исследования, проведенные в периоды прошлых рецессий. Поглотив массу информации, я нашел в ней крайне мало свежих мыслей. А большинство статей либо были перепечатками старых материалов, либо предлагали уже знакомые всем подходы к анализу новых данных в новых условиях.
Самый распространенный подход состоял в сравнении финансовых результатов компаний, сокративших свои рекламные бюджеты во время рецессии, с компаниями, сохранившими или даже нарастившими их. Эта методология была впервые предложена в 1920-х годах Роландом Вейлом и опубликована в апреле 1927 года в Harvard Business Review. Вейл сравнил компании, сохранившие свои бюджеты во время рецессии 1923 года, с компаниями, сократившими расходы. Он обнаружил, что основной прирост продаж наблюдался у компаний с максимальными рекламными затратами. Исследование по методу Вейла повторялось во времена почти всех последующих экономических спадов, и результаты всегда были одинаковыми: компании с сокращенными бюджетами показывали более низкие результаты как в период рецессии, так и в период экономического восстановления.
Изучая все эти работы, я довольно сильно нервничал из-за содержавшихся в них выводов и рекомендаций, на которые полагается большинство людей, считавших, будто у них есть полное научное обоснование увеличивать размеры инвестиций во время рецессии. Они считают, что за счет таких действий смогут пересилить более слабых конкурентов и забрать у них долю рынка, что приведет их к возникновению устойчивого преимущества во время периода восстановления и после него. С их точки зрения, здесь есть четкая причинно-следственная связь, однако этот вывод не подкрепляется ни одним исследованием. Действительно ли компании, тратящие больше денег во время рецессии, показывают более хорошие результаты именно из-за этих затрат? Или компании, бывшие эффективными до, во время и после рецессии, просто занимали более выгодное положение, чтобы сохранять и даже наращивать расходы во время экономического спада? Этими вопросами задаются многие исследователи, но пока ни один из них не смог дать внятного ответа.
Я полагаю, что для определения размера длительных инвестиций в маркетинговую политику во время экономического спада требуется скрупулезный анализ, особенно если мы хотим, чтобы к нашим аргументам прислушивались столь скептически настроенные финансовые директора и СЕО. В этом мы будем опираться на три важнейших положения.
1. Расширять применение метода эконометрического моделирования.
2. Использовать целостный подход к общему плану сбыта, принимая во внимание как расходы на средства рекламы, так и характер потребления рекламной продукции в период рецессии.
3. Определять долговременные эффекты маркетинговой деятельности и величину ее вклада в повышение акционерной стоимости.
Рассмотрим каждый из пунктов в отдельности.
– Расширять применение метода эконометрического моделирования. Самым часто цитируемым источником, где для оценки устойчивости инвестиций в период рецессии использовалось эконометрическое моделирование, стала статья Cutting Ad Spend in Recession Delays Recovery («Сокращение расходов на рекламу в период рецессии замедляет восстановление»), написанная Полом Дайсоном в 2008 году и опубликованная World Advertizing Research Center. В статье описывается эконометрическое моделирование для доказательства мысли, вынесенной Дайсоном в заголовок. В частности, автор показывает: «Чтобы в течение года после окончания рецессии вернуться к прежнему уровню продаж, вам потребуется примерно на 60 % больше денег, чем вы сэкономили за счет сокращения рекламного бюджета». Объясню своими словами: если я во время рецессии уменьшу свой рекламный бюджет на 1 доллар, мне придется потратить еще 1,60 доллара на то, чтобы по ее окончании вернуться к прежнему уровню.
– Использовать целостный подход к общему плану сбыта. В процессе принятия решения, на сколько сокращать (и сокращать ли вообще) маркетинговый бюджет во время рецессии, вы должны принимать во внимание как расходы на средства рекламы, так и специфику потребления той или иной рекламной продукции. Во время рецессии падают расценки на размещение рекламы, так как радио– и телевизионные каналы, газеты, журналы и интернет-порталы предлагают значительные скидки для удержания клиентов.
Существуют доказательства, что во время рецессии меняется характер потребления рекламной продукции. Люди чаще остаются дома и поглощают намного больше информационного материала, что может привести к повышению эффективности расходов на размещение рекламы в средствах массовой информации в сложные времена. Очевидно, что подход, использующий моделирование и принимающий во внимание особенности бренда, товарной категории и рекламного окружения, кажется более уместным и логичным, чем любые универсальные методы.
– Определять долговременные эффекты маркетинговой деятельности и величину ее вклада в повышение акционерной стоимости. Сокращения бюджета во времена рецессии часто представляют собой результат слишком прямолинейного ви́дения ситуации. В краткосрочной перспективе реклама редко окупается (не говоря уже о прибыли). Тем не менее практически все исследования постоянно доказывают нам, что реклама как таковая повышает акционерную стоимость (догадываюсь, что это прозвучит как реклама моей отрасли, но я зарабатываю на жизнь анализом данных, а данные показывают, что это действительно так). Есть и другие исследования, доказывающие, что справедливо и обратное: сокращение рекламных бюджетов имеет еще больший (негативный) эффект в долгосрочной перспективе. Для того чтобы доказать абсолютную справедливость этого утверждения, придется проделать большую работу, однако понимание долговременного эффекта от затрат на маркетинг крайне важно – ведь оно способно оказать влияние на акционерную стоимость в течение длительного времени.
Распределение бюджета
Понимание того, сколько нужно тратить в «худые и тучные» годы, – всего лишь первый шаг. Как только вы узнаете ответ на этот вопрос, вам придется подумать о том, как распределить средства наилучшим образом. Поэтому давайте обсудим, как нужно выравнивать бюджет для различных маркетинговых целей, распределять его между рынками и средствами информации. Мне доводилось видеть компании, которым удавалось увеличить капиталовложения в маркетинговую политику до 30 % за счет принятия правильных решений в соответствии с подходом, о котором мы поговорим чуть ниже.
Вы уже узнали ответ на вопрос о размере бюджета. Теперь, при обсуждении вопроса о распределении бюджета, вы должны быть уверены в одном: деньги расходуются на то, что даст наибольшую отдачу.
Многие компании используют подход «маркетинговой воронки», приводящей клиентов к решению о покупке за счет:
• осведомленности – то есть дайте клиентам знать о своем существовании;
• привлечения внимания – то есть сделайте так, чтобы клиенты думали о вас;
• покупки – то есть сделайте так, чтобы клиенты купили то, что вы продаете;
• лояльности – то есть сделайте так, чтобы клиенты возвращались и покупали снова.
Каждый уровень воронки имеет свои задачи, связанные с формированием спроса и требующие своей доли в бюджете. Инструмент, разработанный Дэвидом Коппоком и названный «воронка распределения расходов» (Funnel Allocator), помогает вам решить, сколько денег потратить на каждую задачу.
Воронка распределения расходов включает три стадии.
1. Создание модели дохода.
2. Создание кривой расходов и отдачи.
3. Оптимизация.
При создании модели дохода вы определяете, каким образом в вашей воронке создаются продажи. Предположим, что вы продаете новый вид подгузников Huggies и в стране имеется 4 миллиона домохозяйств, готовых их покупать. Около 80 % (3,2 миллиона домохозяйств) из них знакомы с вашим брендом. Из них 30 %, или 960 тысяч, домохозяйств размышляют, какие подгузники лучше приобрести, а благодаря хорошей репутации Huggies половина группы выберет именно этот бренд. Иными словами, у вас есть 480 тысяч клиентов. В среднем – пока ребенок не приучится к горшку – обычное домохозяйство купит 28,5 упаковки по 64 подгузника в каждой. Это означает, что вы продадите ему 1824 подгузника в расчете на каждого ребенка. Если средняя цена одного подгузника составляет 20 центов, то речь идет о 175 миллионах долларов дополнительного дохода.
Наша воронка будет выглядеть так, как показано ниже.
Вы можете произвести ряд манипуляций с этой моделью и увидеть, что при увеличении степени осведомленности на первом уровне всего лишь на 1 % доходы вырастут на 2 190 000 долларов (при условии, что все показатели других уровней воронки останутся на прежнем уровне).
Эта стратегия может быть хорошей или плохой – все зависит от того, сколько вам нужно заплатить за повышение осведомленности с 80 до 81 %. Возможно, имеет смысл лучше сконцентрироваться на этапах покупки или лояльности. И – что чрезвычайно важно – принятие решения о том, чтобы сфокусировать усилия на этих этапах, зависит от необходимой величины расходов. На втором этапе мы создаем кривую расходов и отдачи и, как обычно, при этом используем гибридный подход для каждого уровня воронки. Эти кривые расходов и отдачи могут подсказать вам, насколько сильно может вырасти уровень осведомленности в случае дополнительных инвестиций. Результат второго этапа работы инструмента представлен ниже.
Как можно заметить, вы в состоянии получить величину расходов для каждой кривой и каждого уровня воронки.
Финальный этап – обычная оптимизация. Как только вы создадите кривые расходов и отдачи, любой сравнительно прямолинейный компьютерный алгоритм может использовать их для поиска точки оптимума для каждой кривой, то есть места, в котором вы можете максимизировать свои маркетинговые инвестиции.
Впервые я внедрил этот метод, работая на одну мощную технологическую компанию. Ее сотрудники попросили меня помочь им определить, сколько денег необходимо тратить на создание масштабной программы формирования осведомленности об их компании и сколько денег они должны потратить на превращение этого фактора в реальные продажи. В сущности, они просили нас подумать о воронке из двух уровней: «Осведомленность» и «Привлечение внимания» вверху и «Создание спроса» внизу.
У нас не было ни готовых эконометрических моделей, ни времени для их создания, поэтому мы выстроили кривую с использованием гибридного метода, описанного выше. В итоге мы создали четыре различных сценария с различными предположениями, что влияло на разную форму кривых расходов и отдачи. Затем мы провели оптимизацию по каждому сценарию, чтобы увидеть, как изменилась предложенная схема распределения бюджета в результате изменения основных предположений. На приведенном ниже рисунке показан конечный результат.
Результаты были совершенно ясны. Изначально 70 % бюджета тратилось на деятельность в области «осведомленность и рассмотрение», а все остальное – на создание спроса. Все наши сценарии предполагали, что распределение расходов производится в пропорции 45–55 % или 55–45 %.
Клиент остался очень доволен нашим исследованием, причем по целому ряду причин. Прежде всего, в нем отсутствовало какое-либо шаманство. Все было прозрачным. Кроме того, наш подход позволял ему получить план конкретных действий: сократить расходы на формирование осведомленности и использовать свободные деньги на увеличение спроса и стимулирование роста продаж. Однако больше всего клиенту понравился сам механизм работы нашей аналитической модели, который поможет ему делать правильные и систематические предположения, что будет работать, а что нет.
Этот успех по-настоящему меня порадовал. Однако когда к нам обратился с подобным предложением еще один клиент, то беседы с его представительницей, которой было не слишком комфортно иметь дело с математическими выкладками, практически вогнали меня в депрессию. Вот каким образом это происходило. Я описал процесс оптимизации представительнице потенциального клиента, и она попросила меня уточнить, каким образом я обычно создаю кривые расходов и отдачи. Вот наш разговор:
– Мы используем все доступные данные и заполняем пробелы здравыми суждениями. В этом и заключается красота подхода. Он по-настоящему гибок и соединяет фактические данные и здравый смысл.
– У нас нет достаточного объема данных.
– Нет проблем, – продолжил я и рассказал историю о другом клиенте, у которого тоже не было достаточных данных, но это не помешало нам решить проблему.
– То есть вы просто манипулируете с формой этих кривых?
– Если нам недостает данных, мы делаем разумные предположения, которые позволили бы нам их выстроить.
Она немедленно отвергла мой подход и сказала, что ни в коем случае не хотела бы использовать столь ненаучный метод для принятия значительных финансовых решений.
Я спросил ее, что бы сделала она сама при нехватке данных.
Она ответила, что воспользовалась бы одним из традиционных методов приближенного подсчета.
Я был крайне разочарован, потому что знал, что могу помочь ей, но не могу убедить ее в ценности нашего аналитического подхода. Эта компания так и продолжила вкладывать миллионы долларов в маркетинг на основании неверных предпосылок. В частности, она использовала в качестве точки отсчета маркетинговый бюджет предыдущего года и корректировала его на сумму прироста общих корпоративных расходов на следующий год. Это очень распространенный метод, но, как мы уже видели, он далек от оптимального.
Столь неудачный опыт работы с клиентом, не способным увидеть ценность аналитики, в итоге сослужил мне добрую службу. Я обнаружил, что такие люди, как мой первый клиент (которому понравился наш подход), встречаются крайне редко. Большинство компаний не может осознать ценности кривых, создаваемых при отсутствии или нехватке данных. Это кажется им нелогичным. Мне удалось понять причину такой точки зрения. Все дело было в том, что я использовал для расчета суммы затрат научные инструменты – кривые и алгоритмы оптимизации. У клиентов складывалось впечатление, что этот метод предполагает обработку множества данных. Разумеется, когда у вас есть данные, вы их используете. Когда же данных недостает, вы делаете разумные предположения, основанные на имеющейся информации. В сущности, вам приходится заниматься манипуляциями, и некоторых клиентов такое положение вещей, мягко говоря, тревожит.
Поэтому теперь я говорю об этом подходе как об инструменте для принятия решений, требующих ответов на целый ряд вопросов. Ответы даются на основании доступных данных и вашего делового опыта. Что это за вопросы? Те же самые, что вы задаете в процессе создания кривых расходов и отдачи:
• чему равен текущий уровень расходов;
• каким будет уровень осведомленности, если мы вообще не будем тратить на него деньги;
• что произойдет с показателем осведомленности в случае неограниченного бюджета;
• что, с нашей точки зрения, может произойти, если мы изменим величину имеющихся расходов (увеличим или снизим) на X %.
Ответы на эти вопросы предполагают несколько сценариев распределения инвестиций.
Когда я начал позиционировать свой инструмент таким образом, то сопротивление со стороны клиентов резко снизилось. Если они все равно испытывали дискомфорт от того, что им приходится выдвигать предположения при отсутствии данных, я напоминал им: они делают ровно такие же предположения при любом другом подходе – и об этом должен помнить каждый клиент. Например, если вы рассчитываете рекламный бюджет как долю от объема продаж, то предполагаете, что все компании делают то же самое и мыслят так же, как и вы. А это очень опасное предположение.
Инструмент воронки распределения расходов оказался крайне успешным. Думаю, помогли мои объяснения. Но основная причина его успеха заключается в том, что он работает. Создание кривых расходов и отдачи и применение различных сценариев оптимизации, по сути, могут использоваться каждый раз, когда вам нужно принять решение по тем или иным капиталовложениям.
Теперь давайте обсудим, каким образом вы можете распределить свой бюджет по странам и каналам.
Распределение по странам
Как мы уже видели, вполне возможно принимать грамотные решения в области инвестиций в маркетинговые мероприятия с очень ограниченными данными или даже при их отсутствии. Все, что вам нужно, – это время и возможность поработать над созданием кривых расходов и отдачи. Однако порой у вас нет даже такой возможности. Меня часто просят помочь в решении инвестиционных задач за несколько дней, а то и часов (и при минимальном сотрудничестве со стороны клиента). Но даже в таких обстоятельствах вы можете использовать простой математический аппарат для принятия грамотных решений.
Я работаю с большим количеством крупных международных компаний, которым в какой-то момент в процессе планирования годового бюджета необходимо решить, сколько денег они должны потратить на маркетинговую политику в каждой стране (если у вашей компании нет общемировой деятельности, то замените слово страна на слово отдел или подразделение). Вы можете представить, к каким политическим и организационным дебатам с руководителями подразделений в разных странах обычно приводит то или иное решение. И в этой связи особую важность приобретает наличие у компании прозрачного механизма распределения бюджетов по странам.
Вы можете довольно быстро использовать в практической деятельности следующий простой подход. Его уже применяют и извлекают из него немалую пользу несколько международных компаний из списка Fortune 100.
– Шаг 1. Спроектируйте общий рост дохода в следующем году (или в следующие пять лет, если вы используете долговременное планирование).
– Шаг 2. Распределите маркетинговый бюджет на основании доли каждой страны в будущем росте дохода.
– Шаг 3. Поместите каждую страну в матрицу два на два, основываясь на их текущей доле в доходе – то есть доле каждой страны в глобальных продажах – и предположениях о будущем росте их доходов.
Поделиться книгой: