Аудит эффективности маркетинга: инструменты, доступные фармкомпаниям

В эпоху экономической неопределенности и сокращения бюджетов усиливается давление на маркетинговые отделы с требованием продемонстрировать окупаемость инвестиций. 

75% директоров по маркетингу сталкиваются с сокращением маркетинговых расходов и одновременным требованием повышения отдачи от маркетинговых инвестиций.

Чтобы разрешить этот парадокс и «восстановить справедливость», требуется разумный, основанный на данных, подход к маркетинговым инвестициям.

Это особенно актуально для строго регулируемой фармацевтической отрасли, где традиционные подходы к маркетингу не всегда работают: путь пациента фрагментарен, эффект промоактивностей проявляется с задержкой, а использование персональных идентификаторов для трекинга пользователей ограничены законодательно.

И когда маркетологу необходимо обосновывать ценность своих инициатив, машинное обучение и искусственный интеллект становятся незаменимыми помощниками.

С чем работать маркетологам?

В 2019 году, на волне популярности больших данных и развития алгоритмов машинного обучения, компаниям был предложен стандарт оценки эффективности маркетинга, очень скоро ставший «золотым». Он включает в себя набор из трех инструментов, где модели маркетингового микса (Marketing Mix Model, МММ) и атрибуции работают совместно и калибруются по результатам полевых экспериментов.

Однако в эпоху, когда браузеры начинают блокировать сторонние cookies, и доступ к персональным данным для маркетинговых активностей жестко ограничен, модели атрибуции становятся все менее применимы.  

Полевые эксперименты выступают самым достоверным инструментом для измерения инкрементальности, но они дают очень локализованные результаты. Гео и пользовательские A/B-тесты позволяют аккуратно оценить прирост показателей тестовой группы относительно контрольной.

Однако результаты экспериментов нельзя масштабировать на всю страну или весь маркетинговый микс. 

Таким образом, из трех инструментов оценки эффективности остается только моделирование маркетингового микса. В настоящее время оно вновь привлекло внимание фармкомпаний как инструмент для ответа на ключевые вопросы: 

• Каково влияние промоактивностей на объемы продаж? 
• Какие маркетинговые каналы наиболее эффективны?
• Как оптимизировать распределение ресурсов для максимизации ROI?

Комбинация эконометрики и машинного обучения с его подходом «тестирование – провал – дообучение», лежащие в основе МММ, позволила с высокой точностью оценивать ROI маркетинговых каналов, учитывать их насыщение, моделировать отложенный эффект, встраивать сезонность и эпидемиологические факторы. 

Барьеры и правила моделирования маркетингового микса в фармацевтике

Внедрение MMM в фарммаркетинге сопряжено со специфическими барьерами и рекомендациями, которые важно держать в голове.

1.Необходимость масштабируемой базы данных
Омниканальные стратегии строятся таким образом, чтобы оптимизировать взаимодействие с целевой аудиторией, используя в коммуникации брендов вебинары, email-рассылки, офлайн-мероприятия, образовательные проекты и т. п. 

Но при моделировании эффективности кампаний может возникать проблема разрозненности источников информации. Например, достаточно часто данные по участию в вебинарах и email-рассылкам хранятся в отдельных системах и обрабатываются вручную, что приводит к ошибкам и сложностям интеграции в модели. Создание унифицированной базы данных — это не просто техническое условие для MMM, но фундамент для масштабирования и будущего развития маркетинговой аналитики.

2. Гипотезо-ориентированный подход
Распространенное заблуждение состоит в том, что возможно с абсолютной точностью построить модель чуть ли не всего фармацевтического рынка. Если же все-таки принять факт, что маркетинг находится в условиях ограниченности данных, намного логичнее придерживаться гипотезо-ориентированного подхода. 

Например, детальные данные о затратах на каждую промоактивность могут быть недоступны. Тогда расходы придется приблизительно рассчитывать, используя допущения о зарплатах и распределении медицинских представителей по всей протяженности кампании. Аналогично, ожидание, что MMM будет максимально точно моделировать действия конкурентов при отсутствии открытых данных, слабо реалистично. Более эффективный подход — моделировать конкурентную динамику и формировать у бизнес-команд реалистичные ожидания от модели. 

3. Согласование с бизнесом / коммерческим отделом
Техническое решение бесполезно без его принятия бизнесом. Из-за распространенного представления о специфике клиентского пути результаты модели могут порождать скептицизм у коммерческих команд, особенно если они не принимали участие в подготовке модели. 

Этот скептицизм также подогревается быстрыми и неудачными пилотами. Часто, вместо долгой и кропотливой работы над валидацией данных и гипотез, партнеры на скорую руку собирают простую эконометрическую модель, не закладывая должного времени на ее обучение и тестирование на всем объеме данных. Результатом является низкая достоверность результатов и, что естественно, неуверенность бизнеса в них. 

Также, важно с самого начала развеять мифы о невероятной сложности MMM; упрощать его математические аспекты, способствуя тесному сотрудничеству между бизнес-подразделениями и маркетингом — чтобы получить результат, который будет вызывать доверие.

Продвигайте внедрение моделей маркетингового микса, требуйте от коллег обратной связи, обеспечивайте общее понимание гипотез, объясняйте сильные стороны и ограничения инструмента!

Несмотря на все барьеры, моделирование маркетингового микса в фармацевтическом маркетинге реально. Внедрение машинного обучения повышает качество этих моделей, а опыт зарубежных фармацевтических компаний доказывает, что оценивать эффективно не только можно, но и нужно.