Не упрощайте всё до нулевого уровня приближения
Представим, что компания хочет открыть новый магазин, фитнес-клуб или клинику.
Часто прогноз спроса строят так:
1. Рисуют вокруг точки круг радиусом три километра.
2. Считают население внутри.
3. Умножают его на "коэффициент проникновения".
4. Получают прогноз с двумя знаками после запятой.
Проблема в том, что круг предполагает:
• все люди внутри него одинаково вероятно выберут ваш объект;
• все люди за его пределами к вам не придут.
В реальности клиент может жить в 500 метрах от клуба, но ездить в другой за два километра, потому что там дешевле, есть бассейн и лучше оборудование.
Другой клиент может проехать мимо двух конкурентов, потому что ваш клуб ему нравится больше.
Люди выбирают не ближайшую точку. Они одновременно сравнивают расстояние, цену, качество, бренд, ассортимент и режим работы.
Математически описывать такое поведение начали довольно давно.
В 1940-х годах Джон Стюарт и Джордж Ципф перенесли логику ньютоновской гравитации на взаимодействие между территориями.
Так появилась гравитационная модель:
• чем больше «масса» места - население, экономическая активность или привлекательность, - тем сильнее оно притягивает людей;
• чем больше расстояние, тем слабее притяжение.
Но гравитационная модель описывала общий поток между двумя точками и плохо отвечала на вопрос, какой из нескольких магазинов выберет конкретный человек.
В 1963 году Дэвид Хафф предложил вероятностную модель выбора.
Для каждого клиента оценивается привлекательность всех доступных объектов. Чем объект ближе и лучше, тем выше вероятность выбора. При этом вероятность зависит не только от самого объекта, но и от всех его конкурентов.
То есть спрос принадлежит не конкретному магазину или клубу.
Он распределяется между всеми доступными альтернативами.
В 1974 году Дэниел Макфадден предложил способ математически описывать выбор людей между несколькими вариантами - так называемую мультиномиальную логит-модель.
Проще говоря, он показал, как можно посчитать вероятность того, что человек выберет один вариант из нескольких. За эту работу и исследования поведения потребителей он позже получил Нобелевскую премию по экономике.
А в 1983 году Стюарт Фотерингем добавил поправку на кластеризацию конкурентов: одинаковые магазины работают по-разному, если один находится в окружении десяти конкурентов, а другой - единственный в районе.
Практически такая модель работает следующим образом.
Для каждого небольшого района рассчитывается привлекательность всех доступных объектов с учётом:
• расстояния;
• цены;
• качества;
• размера;
• ассортимента;
• бренда;
• уровня доходов населения;
• количества и типа конкурентов.
Затем спрос района распределяется между объектами пропорционально их привлекательности.
Ключевой момент - общий спрос сохраняется.
Открыли новый магазин - он забрал покупателей у конкурентов и, возможно, у ваших же точек.
Закрыли конкурента - его спрос перераспределился между оставшимися.
Снизили цену - часть клиентов перешла к вам.
Добавили бассейн - привлекательность клуба выросла, но не для всех сегментов одинаково.
Это позволяет считать:
• сколько клиентов реально привлечёт новая точка;
• у каких конкурентов она их заберёт;
• сколько продаж каннибализирует у собственных объектов;
• где есть неудовлетворённый спрос;
• где рост ограничен маркетингом, а где - физической вместимостью;
• как изменение цены повлияет на конкретный объект с учётом его района и конкурентов.
Особенно важна каннибализация.
Можно открыть новый магазин, показать его выручку и объявить запуск успешным. А потом выяснить, что значительная часть покупателей просто перешла из соседнего магазина той же сети.
Новый объект вырос.
Сеть - почти не выросла.
Круги на карте используют потому, что они простые и понятные.
Но решения о том, где открывать магазины, что закрывать, сколько инвестировать и какую цену устанавливать, слишком дорогие, чтобы принимать их на основании круга и среднего коэффициента проникновения.
Тем более что моделям Хаффа уже больше 60 лет.
Просто теперь их можно посчитать не на нескольких сотнях анкет, а на миллионах транзакций - и за несколько минут на обычном ноутбуке.
Представим, что компания хочет открыть новый магазин, фитнес-клуб или клинику.
Часто прогноз спроса строят так:
1. Рисуют вокруг точки круг радиусом три километра.
2. Считают население внутри.
3. Умножают его на "коэффициент проникновения".
4. Получают прогноз с двумя знаками после запятой.
Проблема в том, что круг предполагает:
• все люди внутри него одинаково вероятно выберут ваш объект;
• все люди за его пределами к вам не придут.
В реальности клиент может жить в 500 метрах от клуба, но ездить в другой за два километра, потому что там дешевле, есть бассейн и лучше оборудование.
Другой клиент может проехать мимо двух конкурентов, потому что ваш клуб ему нравится больше.
Люди выбирают не ближайшую точку. Они одновременно сравнивают расстояние, цену, качество, бренд, ассортимент и режим работы.
Математически описывать такое поведение начали довольно давно.
В 1940-х годах Джон Стюарт и Джордж Ципф перенесли логику ньютоновской гравитации на взаимодействие между территориями.
Так появилась гравитационная модель:
• чем больше «масса» места - население, экономическая активность или привлекательность, - тем сильнее оно притягивает людей;
• чем больше расстояние, тем слабее притяжение.
Но гравитационная модель описывала общий поток между двумя точками и плохо отвечала на вопрос, какой из нескольких магазинов выберет конкретный человек.
В 1963 году Дэвид Хафф предложил вероятностную модель выбора.
Для каждого клиента оценивается привлекательность всех доступных объектов. Чем объект ближе и лучше, тем выше вероятность выбора. При этом вероятность зависит не только от самого объекта, но и от всех его конкурентов.
То есть спрос принадлежит не конкретному магазину или клубу.
Он распределяется между всеми доступными альтернативами.
В 1974 году Дэниел Макфадден предложил способ математически описывать выбор людей между несколькими вариантами - так называемую мультиномиальную логит-модель.
Проще говоря, он показал, как можно посчитать вероятность того, что человек выберет один вариант из нескольких. За эту работу и исследования поведения потребителей он позже получил Нобелевскую премию по экономике.
А в 1983 году Стюарт Фотерингем добавил поправку на кластеризацию конкурентов: одинаковые магазины работают по-разному, если один находится в окружении десяти конкурентов, а другой - единственный в районе.
Практически такая модель работает следующим образом.
Для каждого небольшого района рассчитывается привлекательность всех доступных объектов с учётом:
• расстояния;
• цены;
• качества;
• размера;
• ассортимента;
• бренда;
• уровня доходов населения;
• количества и типа конкурентов.
Затем спрос района распределяется между объектами пропорционально их привлекательности.
Ключевой момент - общий спрос сохраняется.
Открыли новый магазин - он забрал покупателей у конкурентов и, возможно, у ваших же точек.
Закрыли конкурента - его спрос перераспределился между оставшимися.
Снизили цену - часть клиентов перешла к вам.
Добавили бассейн - привлекательность клуба выросла, но не для всех сегментов одинаково.
Это позволяет считать:
• сколько клиентов реально привлечёт новая точка;
• у каких конкурентов она их заберёт;
• сколько продаж каннибализирует у собственных объектов;
• где есть неудовлетворённый спрос;
• где рост ограничен маркетингом, а где - физической вместимостью;
• как изменение цены повлияет на конкретный объект с учётом его района и конкурентов.
Особенно важна каннибализация.
Можно открыть новый магазин, показать его выручку и объявить запуск успешным. А потом выяснить, что значительная часть покупателей просто перешла из соседнего магазина той же сети.
Новый объект вырос.
Сеть - почти не выросла.
Круги на карте используют потому, что они простые и понятные.
Но решения о том, где открывать магазины, что закрывать, сколько инвестировать и какую цену устанавливать, слишком дорогие, чтобы принимать их на основании круга и среднего коэффициента проникновения.
Тем более что моделям Хаффа уже больше 60 лет.
Просто теперь их можно посчитать не на нескольких сотнях анкет, а на миллионах транзакций - и за несколько минут на обычном ноутбуке.