Отрывок из книги: «От видения бренда к оценке бренда. Стратегический процесс роста и усиления брендов.» Глава 1

  17:59   28-05-2007
25.05.2007

Истоки моделированного пробного маркетинга

Столкнувшись с вопросами стоимости, времени, безопасности, связанными с тестированием на реальном рынке, а также с разработкой новых инструментов исследования (позволяющих исследователям собирать и работать с огромными массивами данных, не тратя бешеных денег), маркетологи начали изучать моделированный пробный маркетинг около 40 лет назад. Многие идеи маркетинговых исследований (такие как вопросы планирования и измерений результатов исследований) впоследствии объединились в изучении моделированного пробного рынка, или моделированном пробном маркетинге, разработанном в середине — конце 60­х годов прошлого века.

Вначале эти работы двигались в двух разных направлениях, но потом они объединились. Первым было математическое моделирование, вторым — лабораторный эксперимент. Первое началось с того, что исследователи решили использовать накопленные ранее данные о затратах на рекламу, продвижение, дистрибуцию, данные о рыночной доле и т. д. Это позволяло им создать серию уравнений, которые прогнозировали продажи нового продукта.

Второе направление началось с идеи, что если исследователи могут моделировать в лаборатории процесс, благодаря которому потребители узнают о новом продукте и покупают его, то возможно прогнозировать продажи на основе экспериментальных результатов.

К 1970 году исследования моделированного пробного рынка превратились в основной рыночный инструмент. В 80­е годы произошли серьезные усовершенствования в процедурах, применяемых на моделированном пробном рынке, и им было найдено множество применений. За это десятилетие STM серьезно изменился, в результате чего различные модели гораздо более сходны в наши дни, чем 10 лет назад, и лишь слегка напоминают первые версии.

Математическое моделирование эффективности нового продукта

Истоки математического моделирования эффективности нового продукта можно проследить до Batten, Barton, Durstine & Osborn Advertising Agency (теперь BBDO) в начале 60­х годов. К 1966 году доктор Дэвид Лернер (David Learner), который был тогда директором отдела исследований BBDO, и Джеймс ДеВой (James DeVoe), младший директор BBDO, и два профессора с мировыми именами из университета Карнеги­Меллон: Абрахам Чарнс (Abraham Charnes) и Уильям Купер (William Cooper) провели огромную работу над STM, кульминацией которой стала публикация доклада под названием «Схема принятия решений при помощи модели «да—нет» — модель для маркетинга новых продуктов» (DEMON: Decision Mapping via Optimal GO­NO Networks — A Model for Marketing New Products) [1]. Они описывают очень сложную математическую модель процесса маркетинга нового продукта, которую опробовало агентство BBDО на нескольких клиентах.

Модель DEMON изучала очень сложные взаимосвязи, включающие соотношения между средствами, затраченными на рекламу, и осведомленностью потребителей в продукте, между продвижением и пробными закупками нового продукта. При помощи модели DEMON исследователь мог прогнозировать осведомленность о бренде, пробные и повторные покупки и продажи с использованием самых передовых методов новой для того времени науки — менеджмента.

К сожалению, модель DEMON не могла оценить таких параметров, как сила влияния рекламы на привлечение внимания к продукту, переход осведомленности в пробную покупку, переход от пробной покупки к повторной, еще до начала тестирования на реальном рынке. Обычно модель DEMON использовалась при представлении продукта на пробном рынке для сбора данных об осведомленности, пробных и повторных покупках и т. п. Информация собиралась по телефону вскоре после представления нового продукта (обычно в течение 3 месяцев), а потом эти данные использовались для оценки параметров. Затем модель DEMON применялась для того, чтобы сообщить маркетологу, какова будет успешность продукта в первый, второй и третий годы после его представления.

Это означало, что впервые маркетолог мог использовать математическую модель для прогнозирования в национальном масштабе, основываясь на опыте пробного рынка, и теоретически мог применить модель DEMON для усовершенствования маркетингового плана до выхода на национальный рынок. В то время это была революционная разработка.

После 3 лет экспериментирования, когда эта новая технология становилась все более популярной, модель перестали применять. Она было просто слишком сложной и слишком научной. Надо было учитывать слишком много параметров, а компьютеры того времени были медленными, и менеджеры сочли, что она не так уж много им и дает. Дэвид Лернер, ее создатель, не смог изменить ситуацию. Он оставил агентство BBDO, чтобы стать президентом компании из отрасли высоких технологий в Питтсбурге.

Эдвард И. Броди (Edward I. Brody), когда­то бывший старшим вице­президентом BBDO в Нью­Йорке, указал, что другие рекламные агентства, такие как Leo Burnett, DDB Needham и NW Ayer, в дополнение к модели DEMON исследовали еще и другие модели прогнозирования развития нового продукта в 60­х годах [2]. Но BBDO было явным лидером в развитии таких научных моделей.

К 1970 году два молодых ученых из агентства BBDO, доктор Ларри Лайт (Larry Light) (ныне исполнительный вице­президент и директор отдела маркетинга McDonalds) и Льюис Прингл (Lewis Pringle) (ныне профессор кафедры маркетинга в University of Miamy of Ohio) продолжили работу Лернера в BBDO. Они взяли лучшее из модели Demon и создали новую, более простую вероятностную модель процесса представления нового продукта под названием NEWS — аббревиатура от New Product Early Warning System (Система раннего оповещения о новом продукте) [3]. Однако NEWS, как и его предшественник, был тоже ограничен в возможности создания достоверных прогнозов до проведения пробных испытаний нового продукта.

Сначала компании пользовались NEWS только с ранними данными с пробного рынка (обычно полученными после первых 2–3 месяцев) для получения прогноза и определенной информации на оставшийся период пребывания на пробном рынке. К концу 70­х годов, однако, NEWS была приспособлена для обработки данных тестирования концепции и продукта, так что проведения пробного маркетинга на реальном рынке для составления прогнозов уже не требовалось.

Лабораторное тестирование эффективности нового продукта

Лернер и его коллеги в то время почти ничего не знали о том, что Янкелович, Скелли и Уайт (Yankelovich, Skelly & White (YSW)) на расстоянии менее 10 кварталов по Мэдисон­авеню занимались созданием лабораторного пробного рынка (Laboratory Test Market — LTM), который они представили в 1968 году — еще один пример независимых, почти одновременных изобретений с использованием средств компаний Pillsbury и Procter & Gamble. Лабораторный пробный рынок анализировал потребительские пробные покупки в лабораторной обстановке, осведомляя потенциальных покупателей о новом продукте посредством рекламы и дистрибуции, а потом потребителям предоставлялась возможность протестировать продукт в домашних условиях для оценки вероятности повторной покупки.

Исследователи брали группу потребителей из 500 человек и показывали им рекламу нового продукта, а также рекламу конкурентного продукта. Потом этих людей приводили в небольшие магазины, открытые специально для различных исследований по всей стране. Часто такой магазин представлял собой большое пространство, занятое полками со всеми брендами категории продуктов, находящихся в стадии изучения. Потребители могли купить все, что хотели (со скидкой), но понятно, что главными были новые продукты. Люди покупали продукт, приносили его домой и пользовались им. Позже (время варьировалось в зависимости от типа продукта и закупочного цикла) исследователи обзванивали потребителей, сделавших покупки, и расспрашивали об их реакции и о том, хотели бы они купить продукт еще раз. Ответы на эти вопросы показывали, что потребитель, скорее всего, купит продукт еще раз, если найдет его в магазине.

Основываясь на ответах на эти и другие вопросы, а также пользуясь нормативами, исследователи лабораторного пробного рынка делали прогноз пробной закупки (или, точнее говоря, прогноз перехода осведомленности в пробную закупку при данном показателе дистрибуции), прогноз перехода от пробной покупки к повторной и коэффициент использования. Если потребители намеревались покупать новый продукт с той же частотой, что и прочие продукты из категории, исследователи определяли для такого продукта коэффициент использования, равный 1. С другой стороны, если продукт собирались покупать те, кто будет постоянно им пользоваться, или если продукт собирались покупать чаще, чем другие бренды той же категории, то их коэффициент использования становился больше 1, мог быть 1,1; 1,2; 1,3 и т. п.

Исследователи применяли затем фактор, который они называли «воздей­ствием». Они использовали эту переменную для вычисления эффектов от средств, затраченных на рекламу, раздачу бесплатных образцов, купонов и влияние на маркетинг производителей. Мелкий, малоизвестный, слабый производитель имеет меньшее воздействие, чем крупная, хорошо известная и влиятельная корпорация. Комитет по определению воздействия опирался в своих оценках на исторический опыт, и эти оценки — а они были просто оценками — измерялись в баллах по шкале от 0 до 100.

Для создания окончательного прогноза группа исследователей брала данные пробных закупок, умножала эти цифры на ожидаемую клиентскую дистрибуцию к концу года, затем умножала эти цифры на ожидаемое воздействие, затем на повторные закупки, затем на коэффициент использования. Окончательный результат при этом исследователи называли «текущей долей рынка», выраженной в единицах.

Возьмем простой пример. Скажем, 40 % потенциальных клиентов купили новый продукт в лабораторном магазине. Исследователи понимают, что покупательское поведение людей в этом магазине в основном не соответ­ствует поведению в естественных условиях, поэтому показатели корректируются, чтобы приблизиться к тем, которые, по мнению фирмы, более реалистичны. Предполагается, что только 3/4 покупателей лабораторного магазина сделали бы те же покупки в реальном магазине. Поэтому исследователи умножают 40 % на 0,75 и получают 30 %.

На эти 30 % влияет дистрибуция продукта (при 100 %­ной дистрибуции каждый из 30 % может найти и купить продукт; при худшей дистрибуции не каждый, кто бы купил продукт, сможет приобрести его). Предположим для простоты, что производитель прогнозирует дистрибуцию продукта в 67 % к концу года. Умножаем 30 % на 0,67 и получаем 20 %.

Теперь исследователи умножают 20 % на фактор воздействия. Предположим, что воздействие рекламы среднее, то есть равно 50 %. Умножаем 20 % на 0,5 и получаем цифру пробных закупок, равную 10 %.

Затем исследователи снижают число пробных закупок до числа повторных закупок. Давайте предположим, что половина из тех, кто сделал первичную покупку, купит продукт еще раз. Умножаем 10 % на 0,5 и получаем количество повторных закупок, равное 5 %. И, наконец, предположим, что люди, покупавшие продукт, были умеренными пользователями — 80 % от среднего, то есть собирались использовать продукт для удовлетворения 80 % их обычных надобностей. В результате исследователи умножают 5 % на 0,8 и получают текущую рыночную долю в размере 4 %.

Система, будучи примитивной с многих точек зрения, что в наши дни часто называют «методом обратной стороны конверта», работала (и по­прежнему работает) на удивление хорошо. За первые 10 лет лабораторный пробный рынок доказал свою точность до 10–15 % в 90 % случаев прогноза продаж нового продукта в первый год.

Школа моделированного пробного маркетинга Pillsbury

Работа, которая, в конечном счете, привела к нынешней модели Bases (основы) системы моделированного пробного маркетинга, началась в Pillsbury Company в начале 60­х годов. Джеральд Дж. Эскин (Gerald J. Eskin), ставший одним из основателей компании Information Resources Inc. (IRI), но работавший тогда в Pillsbury, сказал, что его преподаватель по маркетингу Дадли Рач (Dudley Ruch) — на наш взгляд, один из самых блестящих новаторов в области маркетинговых исследований, — попросил его поработать над следующей проблемой.

Допустим, у компании есть данные с пробного рынка за период от 3 до 6 месяцев. Допустим, в эти данные входит некоторая информация о схемах покупок — кто покупает новый продукт и сколько раз. Исходя из этой информации, утверждает Рач, можно прогнозировать продажи продукта в первый год и тенденции на будущее [4].

Эскин говорит, что он начал с моделирования пробных и повторных покупок. Он вернулся к работе Джозефа Вудлока (Joseph Woodlock), проведенной в MRCA в 50­х годах совместно с Луисом Фортом (Louis Fourt). «Я взял модель Форта—Вудлока и расширил ее, — сказал Эскин, — я изучал каждый уровень в отдельности. Первый повтор. Второй повтор. Третий повтор и т. д. А также я посмотрел на повторы с другой точки зрения: время, которое нужно потребителю, чтобы совершить повторную покупку. Это мы называем “достоверной кривой повтора”» [5].

Такие кривые описывают и вероятность того, что человек сделает повторную покупку продукта, и распределение времени до следующей покупки.

Исследователи Pillsbury назвали окончательную модель PanPro, сокращенно от Panel Projection (панельная проекция).

С одной стороны, как сообщил Эскин, PanPro была своего рода моделью расчета продаж. Она описывала процесс первой покупки продукта, выжидания, решения купить продукт вторично, затем, возможно, опять выжидание, и если люди принимают решение сделать повторную покупку, то совершения третьей покупки и т. д. Заметьте, что PanPro не была моделью, предсказывающей результаты на основе данных пробного рынка. Она не была имитационной моделью рынка.

Когда Джеральд Эскин закончил проект PanPro в Pillsbury, Джон Малек (John Malec) пришел в компанию Pillsbury и спросил Эскина, не заинтересует ли его разработка модели, которая работала бы на этапе, предшествующем пробному рынку — модели, имитирующей рынок. В то время Малек работал в компании NPD Group в городе Порт­Вашингтон, штат Нью­Йорк. Эскин сказал, что уже разработал такую модель, но создавал он ее не с нуля. Он собирал данные, полученные после тестирования концепции и продукта, и ввел их в свою модель PanPro, получив таким образом модель ESP (Estimating Sales Potential — ожидаемый потенциал продаж) [6]. Компания NPD Group проводила маркетинг модели ESP с 1975 года. Были созданы версии, предназначенные специально для расширения линий продуктов и для перемещения продуктов в 1980 и 1983 годах соответственно. Эта модель известна сегодня под названием Simulator ESP.

Эскин говорит, что вскоре после разработки ESP Лин Е. С. Линн (Lin Y. S. Lynn), которая тоже работала в Pillsbury, была воодушевлена тем же Дадли Рачем (и опосредованно моделью LTM, поскольку Рач и Pillsbury были основными клиентами фирмы Янкеловича), и ее интерес к исследованиям в области моделированного пробного маркетинга вырос. «Линн ознакомилась с моей ранней работой в Pillsbury и изучила модель PanPro, а также работу NPD на эту тему», — сказал Эскин [7]. После ухода из компании Pillsbury в компанию Burke Marketing Research в Ковингтоне, штат Кентукки, Линн разработала модель, близкую к модели ESP. Она стала базовой моделью, которую Берк представил в 1978 году, ставшей самой широко используемой в мире.

Интересно отметить, что модель Bases имела такой успех, несмотря на ее упрощенность и принципы, основанные скорее на отношении к продукту, чем на поведении потребителя. В LTM, как мы сказали, потребителям показывали рекламу нового продукта и его конкурентов в лабораторных условиях; затем их приводили в магазин, где они тратили собственные деньги на покупку продукта, а после испытания дома их спрашивали, хотят ли они купить этот продукт повторно. Подход Bases состоял просто в представлении нового продукта потребителю в форме концепции, а потом задавался вопрос о вероятности покупки. Их ответы оценивались по 5­балльной шкале вероятности, начиная с «Точно куплю» и заканчивая «Точно не куплю». Каждая позиция на шкале умножалась на «изменение вероятности» — 90, 75, 50, 10 и 0 % — для определения стадии перехода от осведомленности к пробной покупке.

Далее модель Bases давала потребителям ту же шкалу и спрашивала их, насколько вероятно, что они купят продукт повторно. Затем второй набор ответов умножался на ряд чисел для оценки рыночной доли к концу первого года после запуска продукта: предоставленные покупателями показатели осведомленности к концу года умножались на ожидаемое количество пробных покупок, затем на дистрибуцию, затем на показатель Nielsen — ожидаемая дистрибуция всего объема товара (ACV), затем на предполагаемое количество повторных покупок, затем на рейтинг покупок. Более 25 лет использования этой очень простой, но необычайно успешной модели показали удовлетворительный уровень достоверности, что сделало ее лидером на рынке с точки зрения оценки новых продуктов и доходов.

Лабораторные системы STM академического происхождения

Компания Management Decision System, Inc. (MDS) представила модель Assessor (Оценщик) в 1973 году, базовую разработку, созданную профессорами Элвином Дж. Силком (Alvin J. Silk) и Гленом Л. Урбаном (Glen L. Urban) из Школы Слоуна в Массачусетском технологическом институте. (Силк стал впоследствии профессором кафедры в Гарвардской бизнес­школе, в то время как Урбан стал деканом в Школе Слоуна.) В отличие от всех предыдущих лабораторных методов, Assessor получил санкцию от ученых на публикацию, когда две успешные работы, основанные на этой модели, были напечатаны в Journal of Marketing Research и представлены на ряде академических и профессиональных конференций.

Модель Assessor изучала осведомленность (распространенная сегодня, но революционная в то время концепция; вспомните фактор воздействия в LTM) так же, как это делали исследователи BBDO в своих моделях DEMON и NEWS. Показатели осведомленности основывались на предположениях (в числовом выражении), выработанных клиентом совместно с рекламным агентством. Исследователи Assessor измеряли пробные покупки в лабораторных условиях — очень похоже на LTM, но вместо измерения пробных покупок по покупательскому поведению — подход Янкеловича — они давали потенциальным покупателям ваучеры, которые те могли использовать для покупки любого продукта в моделированном магазине. Поведение при вынужденной пробной покупке связывалось с моделью предпочтения, основанного на цене, и прогноз Assessor был аналогичен покупательскому поведению в лабораторных условиях и 5­балльной шкале вероятности модели Bases.

Как и ее предшественник, LTM, модель Assessor требовала контакта с покупателями пробного продукта через несколько недель после покупки для сбора информации об их отношении к новому продукту и намерениях повторить покупку. Кроме того, Assessor использовала ту же модель с постоянной суммой для оценки пробных покупок и той доли текущих продаж, которую может достичь данный бренд. Они говорили потенциальным покупателям: «Если бы вы могли разделить 10 фишек между ведущими брендами в категории, то сколько фишек вы бы отдали другим брендам?» Другими словами, они использовали два разных подхода к оценке пробной и повторной покупки: один подход был поведенческим, а другой — отношенческим.

В результате модель Assessor получала оценку перехода от осведомленности к пробным покупкам, точно так же, как Янкелович оценивал переход от воздействия к пробной покупке. Модель Assessor умножала эту величину на дистрибуцию к концу года, затем на предварительную оценку повторных покупок, а затем на рейтинг использования. Это позволяло определить предварительную оценку доли рынка к концу года.

Любое сравнение с ведущими лабораториями, занимающимися моделированными пробными рынками, дает самые высокие оценки оригиналу — LTM, в отличие от моделей Assessor, ESP или Bases — потому что LTM основывался на реальном покупательском поведении в противоположность методам гашения купонов или своего рода подкупу покупателя для получения его реакции (или и тому и другому), а также потому, что консультанты имели большой опыт в оценке воздействия, чем исследователи моделей Assessor и Bases, которые работали с данными об осведомленности, предоставляемыми клиентами и их рекламными агент­ствами.

Фактически клиенты и их рекламные агентства почти всегда сильно преувеличивали показатели осведомленности. Если принять, что во всех этих моделях существует линейная зависимость между начальной и конечной ситуацией, то преувеличение показателей осведомленности приведет к преувеличению всех остальных показателей, и больше всего будет преувеличена оценка доли рынка к концу года. Маркетологи отдавали предпочтение как сложности детального моделирования Assessor, так и простоте и относительно низкой стоимости Bases, что частично объясняет большой успех этих методов.

В 1979 году Малек и Эскин открыли компанию IRI (Information Resources Inc.) и закупили все необходимое оборудование в середине 80­х годов. «Как вы, вероятно, и ожидали, — говорит Эскин, — мы не могли противостоять соблазну и не попробовать усовершенствовать нашу предыдущую работу. Но, как вы опять­таки можете догадаться, модель Assessor тоже имеет некоторые характеристики, заимствованные от более ранних моделей, основанных на PanPro» [8]. Структура предпочтений модели Assessor близка к FASTRAC компании. IRI — система получения данных путем сканирования внутри магазина; и модель получила известность в 1985 году под названием Assessor­FT.

M/A/R/C Group в Ирвинге (штат Техас) купила права на модель Assessor в июле 1989 года. Еще до этого M/A/R/C Group пользовалась ENTRO, соб­ственной и весьма успешной системой моделированного пробного маркетинга. M/A/R/C Group открыла новую дочернюю компанию — MACRO Strategies Inc. — для маркетингового консалтинга и моделирования, включая исследования моделированного пробного рынка. В ноябре 1999 года Omnicom купила M/A/R/C Group, которая стала частью компании Omnicoms Diversified Agency Services. M/A/R/C по­прежнему предлагает систему Assessor.

Побочный результат Assessor — франко-американский STM

В начале 70­х годов прошлого века Жак Бланшар (Jacques Blanchard), француз по происхождению, был отправлен одной крупной европейской фирмой менеджмент­консалтинга в Школу менеджмента Слоуна при Массачусетском технологическом институте. Эта фирма хотела, чтобы он развил моделированный маркетинг в Европе, и он стал аспирантом Глена Урбана. Бланшар работал с Урбаном над SPRINTER (ранней моделью, близкой по дизайну к модели DEMON, которая делала прогнозы на основе предыдущих рыночных тестов) и над моделью Perceptor, представленной в Европе в 1972 году.

Модель Perceptor — ключ к пониманию потребительских предпочтений в отношении разных продуктов как функции от их конкурентного позиционирования и покупательского восприятия. Она устанавливает связь между предпочтениями и покупательским поведением. Бланшар говорит, что фактически некоторые открытия, сделанные в рамках модели Assessor, пришли из более ранних работ на модели Perceptor. «В Perceptor уже был механизм пробных и повторных покупок, что было новостью для модели Assessor. Мы уже накопили опыт в оценке концепций и восприятия до вывода продукта на рынок, и провели множество экспериментов с использованием моделирования рыночного отклика на основе рыночного тестирования новых продуктов как в США, так и в Европе» [9].

Затем была разработана модель Assessor, и Бланшар со своими коллегами протестировали ее микроструктуру в Европе до того, как она была выпущена там в 1975 году, а вскоре после этого и в Японии. В то время они использовали технологию Perceptor для оценки приложения концепции и составления прогнозов. Бланшар подтвердил и одобрил некоторые детали в моделировании пробной и повторной покупки в Assessor, которые были использованы при создании Perceptor. В 1979 году его фирма Novaction со штаб­квартирой в Париже представила Perceptor — Концепцию систем тестирования, основанную на модели Assessor, а в 1983 году представила несколько новых модулей для работы с расширением линий, перезапусками, ценовой гибкостью и хорошей базой данных.

Фирма Novaction представила модель Designor в 1986 году. Она делала упор на усовершенствовании маркетинговых планов вместо простого прогнозирования объемов. Она представляла собой комбинацию моделей Perceptor, Assessor и нескольких новых инструментов моделирования, включая подсистему прогнозирования осведомленности, разработанную для прогнозирования уникальным способом, неприменимым в США по причине отсутствия необходимого оборудования.

Сегодня Designor прогнозирует пробную покупку с использованием комбинации купонного метода и сложной научной модели предпочтений, которой славилась Assessor, в комплексе с подходами, оценивающими повторную покупку, рейтинг использования и прогнозирование осведомленности, что является отличительной особенностью этой модели. Эти инструменты сочетались с третьим способом прогнозирования — аналоговой моделью. Она прогнозирует эффективность нового продукта, основываясь на комплекс­ном показателе IDQV (воздействие, различия, качество и ценность) нового продукта в сравнении с IDQV других продуктов со сходными рыночными структурами, эффективность продаж которых известна.

Интересно, что работа над моделями Designor, Assessor, Bases и LTM совпала по времени с работой BBDO над моделями прогнозирования и маркетинга нового продукта, начиная с модели DEMON и заканчивая NEWS. Математические модели нуждались в данных с реального рынка для достоверного прогнозирования, в то время как лабораторные модели использовали сложные научные компоненты маркетинга, компенсирующие нехватку данных для более точного прогнозирования.

Математическое моделирование и лабораторное тестирование

В 1977 году Флоренс Скелли (Florence Skelly), одна из руководителей группы Янкеловича и пионер в сфере маркетинговых исследований, встретилась с Кевином Кленси, который интересовался математическими моделями. Она также знала, что он работал над моделью NEWS в компании BBDO Advertising. Поскольку не исключалась возможность, что Assessor оказывает отрицательное влияние на бизнес LTM, Скелли попросила Кленси скомбинировать технологию LTM и нормативные данные за 10 лет в математическую модель процесса внедрения нового продукта для уточнения прогнозов и усовершенствования системы LTM. Кленси считал, что у него это получится. Он и профессор Джозеф Блекбурн провели весь последующий год, работая над моделью, которую они по окончании работ назвали LITMUS.

Для тестирования модели LITMUS Скелли и Роберт Голдберг (Robert Goldberg), гуру в сфере разработки нового продукта, работавший над LTM с самого начала, дали Кленси и Блекбурну маркетинговые планы 20 новых продуктов, реальные результаты которых уже были известны. Они попросили Кленси и Блекбурна получить прогноз при помощи модели LITMUS, чтобы они могли потом сравнить его с реальной ситуацией.

На встрече по обсуждению результатов у каждой группы было по 20 конвертов. Конверты Кленси содержали прогнозы для продуктов, сделанные на основании маркетинговых планов, лабораторного отклика и вычислений LITMUS; конверты опытных сотрудников LTM содержали реальные результаты. Последние ожидали увидеть серьезное различие между прогнозами и действительными результатами, поскольку они не верили, что математическая модель может сравниться с разумом и опытом группы людей, составлявших прогнозы продуктов целое десятилетие.

На самом деле прогноз модели LITMUS был практически идентичен дей­ствительным результатам в 17 из 20 случаев. Результаты были так близки, что Кленси и Блекбурн решили опубликовать их [10], а группа Янкеловича начала маркетинг программы LITMUS в 1981 году.

Один из трех случаев, когда результат LITMUS сильно отличался от реального, был связан с продажей новых арахисовых хлопьев (арахисовый эквивалент шоколадных хлопьев). LITMUS оценил факторы, влияющие на пробную покупку методом Nielsen ACV [11], и дал прогноз, который вдвое превысил реальные показатели продаж этого продукта.

Анализируя различия между моделью и реальным опытом, Кленси и Блекбурн обнаружили: модель не принимает в расчет тот факт, что многие домохозяйки, путешествуя с тележкой по супермаркету, берут с полки упаковку шоколадных хлопьев только для того, чтобы угомонить беспокойного ребенка. Они увидели новые хлопья рядом со старыми и взяли их для разнообразия или — в некоторых случаях — по ошибке. В результате эффект распределения был совершенно другим (гораздо большим) для этого продукта, чем для большинства остальных. Продажи на реальном рынке были ужасными.

LITMUS являлась собственником, что было уникально для того времени. Ее подмодель для прогнозирования осведомленности, например, содержала 13 разных факторов, определяющих осведомленность о новом продукте, включая влияние рекламы и валовых показателей рейтинга за период времени, влияние СМИ и коэффициенты забываемости. Это отличало LITMUS от оригинальной модели LTM, которая вообще не имела формальной функции осведомленности, и от модели Assessor и других моделей МПР, представленных позже, которые требовали, чтобы рекламные агентства и клиенты оценивали осведомленность.

Помимо подмодели осведомленности, LITMUS использовала и другие технологические инновации. Среди них была та, которую модель не учитывала (как все модели того времени): линейная зависимость между дистрибуцией и продажами — инновация, на которую их подвиг случай с арахисовыми хлопьями. Исследования показали, что чем больше потребители вовлечены в категорию, тем более вероятно, что они будут искать именно его в разных магазинах. Можно представить себе ситуацию, когда потребители настолько увлечены продуктом, что ходят из одного магазина в другой в поисках нового продукта этой категории.

По этой причине в таких категориях и для таких потребителей 10 %‑ный уровень дистрибуции может иметь такое же значение, как 80 или 90 %‑ный уровень дистрибуции для продуктов с низкой вовлеченностью. LITMUS учитывал это, оценивая каждый уровень вовлеченности потребителя и корректируя дистрибуцию для оценки реальной эффективности дистрибуции.

Среди различий между LITMUS и другими моделями того времени мы хотим отметить еще одно. Впервые в модели пробного рынка LITMUS стал учитывать покупательный цикл продукта, проводя различия между продуктами, которые потребители покупают 1–2 раза в год, и теми, которые покупают еженедельно. Поскольку LITMUS мог обеспечивать еженедельные и ежемесячные прогнозы продаж и накапливать эту информацию, модели требовалась информация о том, в каком месяце компания проводила рекламную кампанию и какая дистрибуция была в каждом месяце. Другие модели, игнорируя эти факторы, не могли определить разницу между периодами, когда у корпорации были очень большие затраты на рекламу и никакой дистрибуции, и периодами, когда у фирмы была высокая дистрибуция и никакой рекламы.

Усовершенствования в модели Discovery

В 1992 году Кленси и Шульман ушли из фирмы Янкеловича и 18 месяцев спустя открыли новую организацию под названием Copernicus Marketing Consulting. Почти сразу же Кленси и его протеже, доктор Стив Типпс, начали работать над новой моделью пробного маркетинга, которая, как и LITMUS, вобрала бы в себя все лучшее из других маркетинговых моделей и лабораторных опытов. Результат этой работы появился в 1995 году и был назван Discovery (Открытие).

Модель Discovery усовершенствовала и расширила возможности LITMUS. Например, Discovery могла учитывать новые пути создания осведомленности, такие как Интернет, PR­кампании, наружная реклама и «сарафанное радио».

Еще ни одна модель пробного маркетинга до Discovery не учитывала провалы в потребительской памяти, даже после того, как была сделана покупка нового продукта. Маркетологи полагают, что осведомленность непоколебима после того, как потребитель сделал пробную покупку. Другими словами, как только кто­то попробовал продукт, он навеки осведомлен о нем и ему уже никогда не понадобятся напоминания в СМИ. Однако люди забывают и ко времени следующей покупки могут быть уже не осведомлены. Мы установили, что регулярные рекламные сообщения в СМИ, особенно для продуктов, которые покупают часто, очень важны.

Discovery была также первой моделью, рассматривающей взаимодей­ствие между четырьмя основными факторами осведомленности: рекламой, продвижением, пробными образцами и дистрибуцией. В предшествующих моделях эффекты этих факторов рассматривались по отдельности. Модель Discovery учитывает возможность статистического взаимовлияния, име­ющего место там, где одна переменная может усиливать или ослаблять эффект других.

Отслеживая показатели текущих покупок, Discovery также способна определить, как GRP воздействует на лояльных потребителей, особенно в категориях продуктов, где покупатели стремятся приобретать разные бренды. Это особенно важно, когда компания хочет оценить различные планы работы со СМИ. Она хочет знать, какие СМИ обеспечат лучшие продажи в первый год.

Предыдущие модели пробного маркетинга всегда были ориентированы на мощные рекламные кампании, предшествовавшие всему остальному, потому что агентства полагали, что если они создадут массовую осведомленность при представлении продукта и смогут привлечь как можно больше людей к пробной покупке, эти люди будут осведомлены об этом бренде на весь год. Использование модели показало, что на самом деле маркетологам надо проводить рекламные кампании постоянно для сохранения бренда в памяти потребителя в течение года.

В то же время, когда человек попробовал новый продукт, он более внимательно прислушивается к тому, что о нем говорят в СМИ. Текущие пользователи определенного бренда могут быть в 1,5–3 раза более восприимчивыми к рекламе бренда. Тот же GRP рекламы окажет в 1,5–3 раза больший эффект на текущего пользователя бренда, чем на не­пользователя.

Очень важное различие между Discovery и более ранними моделями состоит в том, что она может прогнозировать результаты кампании для продукта с измененным позиционированием, уровень осведомленности о бренде которого установлен. В этой ситуации основным показателем является не осведомленность о бренде, а осведомленность о кампании (также известная как проникновение).

Осведомленность о кампании важна при изменении сообщения, поскольку маркетологи надеются, что новое послание приведет к изменениям покупательских привычек. Недостаточно того, что потребители знают название нового бренда или однажды видели его рекламу и могут ее припомнить. Если мы упустили какой­то этап создания сообщения, оно не изменит покупательского поведения (если только какой­то товар не вызовет в памяти рекламу, когда покупатель находится в магазине).

Осведомленность становится еще важнее в случае кампаний, направленных прямо на потребителя, в отличие от кампаний с измененным посланием. Ведь потребитель должен усвоить сообщение о продукте, не забыть его до следующего посещения медика, а потом вспомнить, что надо спросить врача об этом новом лекарстве. (Обычно кабинет врача не ассоциируется с рекламой.)

Для уже принятых кампаний, кампаний с измененным посланием и кампаний, направленных прямо на потребителя, GRP рекламы должен быть намного выше, чем для нового продукта, потому что он должен обращаться к потенциальным покупателям таким образом, чтобы они смогли воспроизвести рекламу. Наше исследование установило, что меньше половины людей, утверждающих, что они видели рекламу, могут воспроизвести хоть какой­то фрагмент. Маркетологи и исследователи должны помнить об этом и не совершать ошибок. Они докладывают о высоком уровне осведомления, но уровень этот высок только потому, что люди говорят, будто видели рекламу, и помнят о ней.

Модель Discovery учитывает также не только ACV­дистрибуцию (процент магазинов, торгующих продуктом, в отношении к объему, который эти магазины представляют), но и представление на полках. Иногда это создает значительную разницу, особенно когда агрессивный конкурент доминирует на полках.

Методы и модели, обсуждаемые здесь, конечно, не являются единственными эффективными способами моделирования пробного рынка. В научной литературе обсуждаются две другие модели исследовательских программ пробного маркетинга: Elrick & Lavidges Comp [12] и BBDO Worldwides News/Planner [13]. В дополнение к моделированному пробному рынку в разных вариациях, обсуждаемых в научной литературе, есть и коммерческие варианты исследований STM. Но поскольку детальных описаний этих моделей не существует, сложно понять, как они работают.

Есть еще и услуги, которые некоторые относят к моделированному пробному маркетингу, но о них мы много рассказывать не будем. Например, одна компания заявляет, что ее услуга «помогает оценить расставить приоритеты в идеях развития бизнеса». Исследование основано на вопроснике, содержащем такие вопросы, как: «Как покупатели изначально воспримут цену вашего продукта или услуги в абсолютных единицах?», или «Как, на ваш взгляд, клиенты воспримут соотношение цена/качество, приобретя ваш продукт или услугу?», или «Насколько уникальной сочтет ваш продукт или услугу средний потребитель?» Учитывая, что эта услуга не воздействует на потребителя напрямую, а потому не имитирует пробный рынок, он не является исследованием моделированного пробного маркетинга в нашем понимании.

Мы провели обзор эволюции и объединения основных систем. Они усовершенствовались, расширили свои возможности и стали более похожими. Сегодня, например, все модели такого рода используют похожие подходы к проблеме оценки разных маркетинговых планов до того, как приступить к представлению продукта на пробном рынке, размываются различия и между коммерческими технологиями. Отсюда возникает вопрос: как конкурируют основные модели пробного маркетинга по методологии и результатам? На него мы ответим в следующей главе.


Microsoft озвучил сегодня намерение приобрести поисковую систему Yahoo за $44,6 млрд. За каждую акцию Yahoo! концерн предлагает $31, что на 62% превышает котировки акций компании по состоянию на 31 января. В Microsoft считают, что объединение двух компаний поможет сэкономить около миллиарда долларов. Предложение корпорация сделала после того, как в Yahoo! решили провести масштабное сокращение персонала. В то же время, как сообщает Lenta....

Кнопка поисковика Google «Мне повезет» («Im feeling lucky») была разработана для ускорения веб-поиска - она автоматически открывает первую страницу из списка сайтов, выданного по результатам запроса. Эта функция и другие похожие возможности поисковых систем помогают обойти антиспам-продукты. Это один из выводов, сделанный MessageLabs и опубликованный в январском докладе компании. Компания, специализирующаяся на ИТ-безопасности, установила, чт...

Популярный рекламный сервис от Google - Google Adwords вводит бета-версию очередного оптимизатора рекламных кампаний, сообщает Searchengines.ru.Новый Conversion Optimizer поможет рекламодателю подобрать самый лучший вариант проведения рекламной интернет-кампании, автоматически отслеживая новый критерий - плата за покупку.Оптимизатор требует ввода всего лишь одного параметра - максимальной ставки за каждую покупку, а затем автоматически высчит...