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:

где (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 = 4 x 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.