г. Санкт-Петербург и Ленинградская область, Россия
В статье дано определение и этапы цифрового маркетинга, выделены современные метрики при выборе инструментов анализа данных. Мобильный интернет на сегодня занимает 80% от совокупного интернет-трафика в Российской Федерации. Подчёркнуты составляющие эффективного медиапланирования: максимизация ROI, точное попадание в целевую аудиторию, повышение узнаваемости бренда, оптимизация затрат. Рассматриваются три различных подхода увеличения продаж через мобильный интернет новых торговых марок (брендов). Данные взяты из статистических таблиц нескольких источников. Затрагиваются проблемы вычисления доли рынка торгового предприятия, рекламного голоса среди голосов других брендов и расчёта рекламного бюджета при известных рекламных бюджетах других компаний. В работе доказывается справедливость формулы, выражающую равновесие на рынке с несколькими игроками. Традиционные рекламные каналы вытесняют социальные сети и мессенджеры, цифровое телевидение и нейросети. Время забывания бренда значительно сократилось. Традиционное тактовое рекламное воздействие на целевую аудиторию теряет свою эффективность. Рассмотренная математическая модель перераспределения рекламного отклика показывает обратную зависимость доли рекламного голоса в зависимости от номера продвигаемого товара в линейке предприятия. Другие метрики данных через географические информационные системы (радиус охвата) и комментарии и отзывы покупателей на маркетплейсах, цифровых кинотеатрах позволяют увеличивать прибыль с продаж помимо основной рекламной стратегии предприятия. Использование технологий big gata трансформирует методику эффективной рекламы. Здесь применяются эконометрические законы, дающие предприятию «целевую воронку» для продвижения товаров. Для поддержания широко известного бренда требуются также немалые бюджеты. В этом случае маркетинговые службы предприятий исследуют сегментацию рынка и оценивают рекламные бюджеты конкурентов. На этом построен следующий подход максимизации эффективности рекламной кампании, следующей за выходом конкурирующих компаний на одном и том же рынке. В результате исследования можно сделать следующие выводы. Доля регионального или глобального рынка продвигаемого продукта пропорциональна рекламному бюджету относительно суммарного бюджета всего рынка. Объём финансирования продвижения новой марки при известных целях: доли рекламного голоса и рекламных бюджетов конкурентов является аналитической зависимостью Пекхема. Индивидуальная доля рекламного голоса (из 100% голосов за новые марки) аналитически зависит от исторической доли компании на рынке и номера новой марки (бренда) за отчётный период (1, 2, 3 и т.д. года). Индивидуальная доля рекламного голоса является безразмерной случайной величиной, зависящей от относительной частоты бренда за предыдущий период, жёстко связан со статистикой продаж. Использование интегрального исчисления в прогнозировании рекламы предоставляет маркетологам мощный инструмент для анализа данных и принятия обоснованных решений. Среди таких моделей можно выделить модель Басса и модель Adstock model. Вероятностные метрики являются важными инструментами для оценки эффективности рекламных кампаний и принятия стратегических решений. Они позволяют учитывать неопределённости и случайности, характерные для поведения потребителей. В дополнение скажу, что теория игр является мощным инструментом для анализа и разработки рекламных стратегий. Она позволяет компаниям учитывать поведение конкурентов, реагировать на изменения рыночной среды и принимать обоснованные решения. Использование теории игр помогает минимизировать риски и максимизировать выгоды от рекламных кампаний, обеспечивая устойчивое развитие бизнеса.
цифровой маркетинг; медиапланирование; реклама в интернете; оптимизация рекламы; метрика данных; математическое моделирование
1. Aksha, R. (2016). Sozdanie effektivnoj reklamy [Creating effective advertising]. (in Russian).
2. Anderson, R. (2018). The impact of digital advertising on consumer behavior. Journal of Marketing Research, 45(2), 105–119.
3. Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.
4. Beklemishev, D. V. (2003). Teoriya igr [Game theory]. Vestnik Moskovskogo universiteta. Seriya 1: Matematika. Mekhanika [Bulletin of the Moscow University. Series 1: Mathematics. Mechanics], (3), 67–72. (in Russian).
5. Benning, V. E., & Korolev, V. Y. (2000). Vvedenie v matematicheskuyu teoriyu riska [Introduction to the mathematical theory of risk]. (in Russian).
6. Berezin, I. (2007). Marketingovyj analiz [Marketing analysis]. (in Russian).
7. Best, R. (2008). Marketing ot potrebitelya [Marketing from the consumer].
8. Buzin, V. N., & Buzina, T. S. (2006). Mediaplanirovanie dlya praktikov [Media planning for practitioners]. Vershina. (in Russian).
9. Dadabaeva, R. A., & Jamoliddinov, F. S. (2024). Digital marketing as an element of sustainable development: Trends, challenges and opportunities. Digital Models and Solutions, 3(1), 65–79.
10. Eisenhardt, K. M. (1989). Building theories from case study research. Academy of Management Review, 14(4), 532–550.
11. Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
12. Kazachkov, P. A. (2005). Otsenka effektivnosti reklamnykh kampanij [On evaluating the effectiveness of advertising campaigns]. Ekonomika i matematicheskie metody [Economics and Mathematical Methods], 41(2), 74–83. (in Russian). EDN: https://elibrary.ru/HRXCKF
13. Kramer, G. (1948). Matematicheskie metody statistiki [Mathematical methods of statistics]. (in Russian).
14. McCarthy, J., & Hayes, P. J. (1969). Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, 4, 463–502.
15. Petrosyan, L. A., Zenkevich, N. A., & Shevkoplyas, E. V. (1998). Teoriya igr [Game theory]. Saint Petersburg State University of Economics, St. Petersburg State University Press. (in Russian).
16. Samarskiy, A. A., & Mikhailov, Yu. P. (2001). Matematicheskoe modelirovanie: Idei. Metody. Primery [Mathematical modelling: Ideas. Methods. Examples]. (in Russian).
17. Shmatov, G. A. (2016). Optimizatsiya razmeshcheniya reklamy s ispolzovaniem tselevoj funktsii riska [Optimization of advertising placement using the target risk function]. In Ustojchivoe razvitie Rossii: vyzovy, riski, strategii. Materialy XIX Mezhdunarodnoj nauchno-prakticheskoj konferentsii: k 25-letiyu Gumanitarnogo universiteta [Sustainable Development of Russia: Challenges, Risks, Strategies. Proceedings of the XIX International Scientific and Practical Conference: On the 25th Anniversary of the University of Humanities] (pp. 397–400). (in Russian).
18. Shmatov, G. A. (2021). Osnovy ekonomiko-matematicheskoj teorii mediaplanirovaniya [Fundamentals of the economic and mathematical theory of media planning] (E. V. Popov, Ed.). 2nd ed. (in Russian).
19. Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.
20. Vasin, A. A., & Morozov, V. V. (2005). Teoriya igr i ekonomicheskoe povedenie [Game theory and economic behavior]. MAKS Press. (in Russian).
21. Zeithaml, V. A., Berry, L. L., & Parasuraman, A. (1996). The behavioral consequences of service quality. Journal of Marketing, 60(2), 31–46.
