Сколько продаж действительно создаёт промо: как отделить прирост от каннибализации

У промо есть неприятная особенность: чем прицельнее команда смотрит на результат, тем успешнее кажется кампания. Продажи акционного товара выросли, остатки оборачиваются быстрее, покупатели активировали купоны. Но стоит расширить рамку до бренда, категории, магазина и нескольких следующих недель — часть прироста исчезает.

Это не ошибка отчётности. Покупатель выбирает не изолированный товар, а одну из альтернатив. Снижение цены меняет распределение спроса между ними. Поэтому одна позиция может расти за счёт соседней, большой магазин — перетягивать покупку из другого канала, а промонеделя — забирать объём у будущего периода.

Вывод меняет саму постановку задачи. Нельзя брать средний коэффициент каннибализации из одной сети или формата и переносить его на все точки. Промо должно измеряться как локальный причинный эффект в конкретной конкурентной среде.

Исследование и границы вывода

Что изучали. Динамику продаж категории кексов за три года и эффект ценовых снижений в магазинах разных форматов с помощью векторной авторегрессии.

Что получили. Модель показала существенную каннибализацию в крупных супермаркетах, умеренную в средних и отсутствие заметного эффекта в малых магазинах исследованной выборки.

Чего результат не доказывает. Наблюдательная модель и одна категория не устанавливают универсальный эффект размера магазина. Причинная интерпретация зависит от спецификации и учёта сопутствующих изменений.

Практическое применение CRM Lab

Далее — редакционное применение результатов к CRM-задачам. Рекомендации и учебные примеры требуют проверки на данных конкретного бизнеса; они не являются дополнительными результатами авторов исследования.

Наблюдаемый прирост и причинный эффект

Если товар обычно продаётся в количестве 100 единиц в неделю, а во время акции продано 180, наблюдаемый прирост равен 80. Но причинный эффект акции не обязательно равен 80. Без промо продажи могли вырасти до 120 из-за праздника, упасть до 70 из-за дефицита собственного товара или остаться на уровне 100.

Чтобы понять реальный вклад акции, нужно обоснованно оценить, сколько товар продал бы в тех же условиях, но без скидки. Такой сценарий в аналитике называют контрфактом.

Контрфакт — результат, который был бы получен в сопоставимых условиях без изучаемого воздействия. Он не наблюдается одновременно с фактическим результатом для того же объекта, поэтому его оценивают с помощью контрольной группы или модели.

Увидеть оба варианта одновременно невозможно: в конкретном магазине и в конкретную неделю акция либо была, либо нет. Поэтому аналитики используют контрольную группу или модель, которая восстанавливает сценарий «без промо». Разница между фактическими продажами и обоснованной оценкой сценария без акции — оценка инкрементального эффекта. Её надёжность зависит от дизайна сравнения и выполненных предпосылок.

Даже после его оценки остаётся вопрос уровня. Дополнительные 60 единиц продаж конкретного SKU могут сопровождаться падением продаж соседних товаров на 30 единиц. Тогда для бренда или категории прирост равен 30. Если маржа с новых продаж меньше потерянной маржи, прибыль от акции будет отрицательной.

SKU — отдельная товарная позиция с определённым сочетанием характеристик, например бренда, размера и упаковки. Для её учёта используется уникальный идентификатор.

Поэтому один и тот же эксперимент должен отвечать на несколько вопросов: выросли ли продажи продвигаемого товара, вырос ли бренд, выросла ли категория, увеличилась ли корзина и создала ли акция дополнительную прибыль.

Почему формат магазина меняет эффект

В большом супермаркете у покупателя широкий выбор похожих товаров. Он может сравнить несколько брендов, вкусов, упаковок и ценовых уровней. Когда один вариант получает скидку, переход на него происходит легко: альтернатива находится на той же полке, а решение принимается в момент покупки.

В небольшом магазине ассортимент уже. Акционный товар может не иметь близкого аналога или привлекать дополнительный трафик. Поэтому рост чаще дополняет, а не перераспределяет существующий объём. Кроме того, цель визита отличается: в гипермаркете человек делает плановую закупку и оптимизирует корзину, в магазине у дома — решает срочную задачу и меньше сравнивает.

Именно поэтому универсальная модель в случае промо опасна. На эффект влияют:

• ширина и глубина ассортимента
• сходство товаров и расположение на полке
• миссия визита и размер корзины
• доля лояльных покупателей
• чувствительность локальной аудитории к цене
• наличие собственного и конкурирующего промо
• товарные запасы и качество выкладки
• канал: офлайн, доставка, маркетплейс или приложение

Даже два магазина одного формата могут различаться из-за района, трафика и конкурентного окружения. Поэтому размер точки — признак, который нужно включать в анализ.

Что даёт динамическая модель

Авторы использовали векторную авторегрессию. За сложным названием стоит довольно понятная идея: продажи нескольких товаров рассматриваются вместе, потому что они влияют друг на друга не только сегодня, но и в следующие недели. Модель учитывает прошлую динамику каждого товара и помогает увидеть, как скидка на одну позицию меняет продажи соседних товаров во времени.

Векторная авторегрессия — это статистический метод, который анализирует группу показателей (например, продажи, цену и рекламные расходы) и показывает, как изменение одного из них отражается на других с течением времени

Цена одного товара сегодня может повлиять на продажи другого в тот же день и на всю категорию через неделю. Если анализировать каждую позицию отдельно, эти связи теряются. Динамическая модель позволяет увидеть, как быстро возникает эффект, на какие товары распространяется и когда затухает.

Такой подход полезен, когда рандомизированный тест провести нельзя, но у компании есть длинная история продаж по товарам и магазинам. Однако даже сложная модель не может автоматически отделить скидку от всех остальных изменений. Если в ту же неделю товар поставили на лучшую полку, запустили телевизионную рекламу и решили проблемы с наличием, рост нельзя целиком приписывать цене. Эти события нужно включить в анализ, иначе скидка получит заслугу за чужой эффект.

Иерархия правильного промоанализа

1 уровень — отдельная товарная позиция, или SKU. Здесь измеряют базовую цену, глубину скидки, продажи, остатки и маржу. Это операционная картина.

2 уровень — группа близких заменителей: другие вкусы, размеры и товары бренда. Он показывает внутреннюю каннибализацию.

3 уровень — категория. Он отвечает, пришёл ли спрос от конкурентов, выросло ли потребление и не компенсировалось ли увеличение одного бренда снижением другого.

4 уровень — корзина. Иногда убыточный товар привлекает покупателей, которые приобретают высокомаржинальные дополнения. Иногда скидка просто уменьшает общую сумму, потому что человек заменяет более дорогую позицию.

5 уровень — клиент и время. Здесь аналитики смотрят, кто именно изменил поведение. Пришли ли новые покупатели? Вернулись ли спящие? Стали ли люди покупать чаще или просто запаслись товаром и надолго исчезли? Сохранился ли результат в повторных покупках и LTV? Без этого уровня краткосрочный всплеск легко принять за рост клиентской базы.

6 уровень — магазин или канал. Он показывает, где эффект воспроизводится и почему среднее значение по сети скрывает противоположные результаты.

Как поставить эксперимент

Наиболее убедительный метод — случайно выбрать сопоставимые магазины или клиентов и разделить их на тест и контроль. В тесте проводится промо, в контроле сохраняются обычные условия. Если есть несколько глубин скидки, лучше выделить отдельную группу для каждой.

Рандомизацию следует проводить на уровне, где исключается перетекание. Если покупатель легко посещает соседний магазин, разделение точек в одном районе может загрязнить контроль. Если предложение персональное и доступно только по аккаунту, рандомизация клиентов обычно точнее.

До запуска нужно зафиксировать:

• основную метрику и бизнес-уровень результата
• список потенциально каннибализируемых товаров
• длительность промо и постпериода
• правила исключения магазинов с дефицитом или сбоями

Если акция сама вызвала дефицит, это часть её операционного результата. Такие магазины нельзя автоматически исключать из основного анализа. Результат при отсутствии ограничений наличия можно оценить дополнительно, явно описав допущения.

минимальный экономически значимый эффект

способ расчёта маржи и всех затрат

сегменты, по которым ожидается различие

Предварительная фиксация защищает от соблазна выбрать после акции ту метрику, которая выглядит лучше.

Если нет рандомизированной контрольной группы

Исторические данные всё равно можно использовать, но выводы будут менее точными. Для каждого магазина строится ожидаемый ряд с учётом тренда, сезонности, праздников, цены конкурентов, наличия и прошлых промо. Затем фактический результат сравнивается с прогнозом.

Здесь можно применять модели разности разностей, сопоставление магазинов, байесовские временные ряды и синтетический контроль. В сложных категориях применяют системы одновременного спроса или векторные модели. Выбор метода зависит от данных, но принцип один: контрфакт должен формироваться без использования результата промо.

Разность разностей и синтетический контроль также требуют подходящих сравнительных данных. Временной прогноз без группы сравнения сильнее зависит от устойчивости прошлых закономерностей. Ни один из этих методов не заменяет проверку своих предпосылок.

Нельзя выбирать «похожую прошлую неделю» только потому, что в сравнении с ней акция показывает большой прирост. Нельзя также считать контрольным любой магазин без акции: он может отличаться по трафику, ассортименту и клиентам.

От среднего к локальным решениям

Представим, что в среднем по сети акция дала +4% прибыли. Эта цифра кажется основанием повторить промо везде. Но среднее значение может скрывать совершенно разные результаты: в крупных магазинах прибыль упала на 2% из-за сильной каннибализации, в средних выросла на 3%, а в малых — на 12%. Если снова запустить одинаковую механику во всей сети, хорошие точки принесут прибыль, а плохие съедят значительную её часть.

Поэтому следующий этап — модель неоднородности. Она должна оценивать эффект по формату, региону, типу миссии, глубине ассортимента, исходной доле товара и сегменту клиента. Результат используется для принятия решения: где промо запускать снова, где уменьшить скидку, где заменить её бонусом, а где не проводить вовсе.

Для CRM это означает переход от «всем участникам программы лояльности скидка 15%» к политике следующего лучшего воздействия. Одному клиенту выгодно напомнить о товаре без дополнительного стимула, другому — предложить тестер, третьему — дать бонус на категорию, четвёртому — ничего не отправлять.

Какие метрики нужны отделу продаж?

Набор базовых метрик должен включать инкрементальную выручку, маржинальный доход и дополнительные расходы на медиа и операции. Стоимость скидки учитывают один раз: через фактическую цену продажи либо отдельной строкой, если исходная база рассчитана до скидок. Для понимания механики показывают долю переключения с собственных SKU, приток от конкурентов, изменение категории, эффект запаса и сопутствующую маржу корзины.

На уровне клиентской базы полезны: доля новых и реактивированных покупателей, стоимость их привлечения, конверсия в повторную покупку после промо и изменение обычного интервала между покупками. Если акция приводит «охотников за скидками», которые не возвращаются без следующего предложения, высокий недельный объём продаж не связан с ростом базы.

Все показатели стоит проверять на статистическую достоверность. Прирост +2% может быть шумом, а широкий доверительный интервал — сигналом, что тесту не хватило мощности.

Минимальный стандарт качества данных

Даже хороший эксперимент не спасёт неточные исходные данные. Для каждого SKU и магазина необходимы единый календарь промо, фактическая цена чека, остатки, признаки отсутствия на полке, возвраты и изменения ассортимента. Плановая цена или отметка «участвовал в акции» не заменяют транзакционную информацию: промо могло начаться позже, закончиться раньше или не работать из-за дефицита.

Клиентские идентификаторы должны быть стабильными между каналами. Иначе покупка в приложении и визит в магазин могут быть считаны системой как действия разных людей, а перенос спроса между каналами будет ошибочно принят за приток новых клиентов. Также важно хранить версию сегмента на момент назначения воздействия: пересчитанный после акции сегмент создаёт утечку будущей информации.

Перед анализом команда проверяет достаточность размеров целевой и контрольной группы, наличие параллельных кампаний и соответствие фактических охватов плановым. Эти проверки не являются технической формальностью. Они определяют, можно ли вообще интерпретировать разницу как результат промо.

Сквозной расчёт промо на условных данных

Все суммы и объёмы ниже условные. Рассматриваем маржинальный доход бренда до дополнительных расходов на акцию. Продвигаемый SKU стоит 100 рублей без скидки и 85 рублей по акции; переменные затраты — 60 рублей на единицу. Потерянные продажи соседних товаров уже приведены к сопоставимому объёму и дают 40 рублей маржинального дохода на единицу. Постпериод достаточно длинный, чтобы увидеть перенос спроса.

Объём продвигаемого SKU вырос на 500 единиц. После учёта внутренних потерь и переноса спроса дополнительный объём бренда равен 290 единицам: 500 − 110 − 100. При этом экономический результат отрицательный: −13 900 рублей. Скидка уменьшила доход и с тех 1 000 единиц, которые ожидались без акции.

Цена 85 рублей уже включает скидку, поэтому отдельного повторного вычитания скидки в таблице нет. Приток от конкурентов и рост потребления, входящие в 500 дополнительных единиц SKU, также повторно не прибавляются. Потери других товаров и будущих периодов в примере заданы отдельно и не пересекаются. Это упрощённая модель: фактический расчёт строят по каждому SKU и периоду с их собственными затратами.

При расчёте экономики каждую затрату учитывают один раз. Если выручка уже отражает скидки и возвраты, повторно их не вычитают. Если маржинальный доход уже включает логистику, обслуживание или коммуникации, эти расходы не списывают ещё раз.

Карточка проверки на данных бизнеса

Ниже предложен дизайн проверки CRM Lab. Указанные сроки — стартовые ориентиры; их уточняют по циклу покупки и расчёту размера выборки до запуска.

Кого распределяем. Магазины, распределённые внутри форматов с учётом исходного объёма; соседние взаимозаменяемые точки объединяют при необходимости.

Какие группы сравниваем. Без промо, скидка 10%, скидка 15%; достаточность числа магазинов рассчитывают заранее.

Основная метрика. Маржинальный доход категории за промо и постпериод на магазин; при разном масштабе — согласованная нормировка.

Горизонт. Например, 2 недели промо и 8 недель после него; окно зависит от цикла категории.

Ограничения. Учитывать кластерную рандомизацию, параллельные акции и дефицит. Вызванный промо дефицит не исключать автоматически; сегментные различия подтверждать статистически.

До запуска зафиксируйте минимальный эффект, ради которого имеет смысл менять политику, и достаточный размер выборки. В отчёте показывайте размер эффекта и доверительный интервал, а не только статус статистической значимости.

Вывод

Промо не создаёт одинаковый эффект во всех точках. Исследование показало существенную каннибализацию в крупных супермаркетах, умеренную — в средних и отсутствие заметного переноса в малых магазинах. Различия могут объясняться структурой выбора и покупательскими миссиями; эти механизмы следует проверять отдельно.

Для CRM Lab главный практический вывод таков: оценивать нужно не продажи по скидке, а причинный прирост на нужном бизнес-уровне. Контрольная группа, постпериод и экономика клиента превращают промо в управляемый инструмент роста. А различия между магазинами и сегментами подсказывают, кому и где предложение действительно стоит показывать.

Источник

Rod McColl; Renaud Macgilchrist; Shuddhasattwa Rafiq. Estimating cannibalizing effects of sales promotions: The impact of price cuts and store type. Journal of Retailing and Consumer Services. 2020. Vol. 53. 101982. DOI: 10.1016/j.jretconser.2019.101982.