Разработка подходов к оценке эффективности маркетинговых акций для участников программ лояльности в розничной торговле (на примере аптечной сети)
DOI:
https://doi.org/10.52575/2687-0932-2022-49-1-92-102Ключевые слова:
маркетинг, контрольная группа, валовая прибыль, бонусная программа, статистический критерийАннотация
Решение задач, связанных с оценкой эффективности маркетинговых акций, является обязательным условием при планировании маркетинговой стратегии розничной торговой организации и развитии программ лояльности. В статье представлен алгоритм общего подхода к анализу эффективности акций, в том числе принцип формирования контрольной и основной групп с оценкой тождественности средних значений основного целевого показателя в каждой группе с использованием статистических критериев. На примере крупной аптечной сети представлена оценка эффективности двух маркетинговых акций, направленных на участников существующей бонусной программы. Было показано, что прирост целевого показателя не являлся статистически достоверным, при этом для достижения положительного экономического эффекта необходим был прирост выручки на уровне 14 % для четырехнедельной акции, и 21 % для двухнедельной. Использование предложенного подхода при предварительном планировании маркетинговых акций позволит оценить возможность достижения точки безубыточности и принять решение о целесообразности проведения, корректировки длительности и целевой аудитории акции.
Скачивания
Библиографические ссылки
Агеева Н.С., Воловская Н.М. 2019. Маркетинговые инструменты формирования потребительской лояльности. Экономика и бизнес: теория и практика, 5: 14–18.
Величко Н.Ю. 2016. Инструменты оценки эффективности программ лояльности. Вестник университета Российской академии образования, 3:100–105.
Ветрова Ю.А., Купчинская Ю.А. 2018. Финансовые показатели, как возможность прогнозирования эффективности маркетинговых акций. Бизнес-образование в экономике знаний, 1: 11–14.
Жаров В. ТОП-200 аптечных сетей России по выручке за 2020 год. 2021.Vademecum, 2: 36–45.
Кряжев Д., Гриценко П., Микова Е. 2021. ТОП-200 аптечных сетей России по выручке в первой половине 2021 года. Vademecum, 4: 24–32.
Минько А.А. 2008. Статистика в бизнесе. М., ЭКСМО, 504 с.
Мхитарян С.В., Данченок Л.А. 2018. Оценка результативности маркетинговых акций на основе тренд-сезонной модели продаж. Информационные технологии в экономике и управлении. Материалы III Всероссийской научно-практической конференции, Махачкала. Изд-во ДагГТУ: 3–6.
Ayvaz D., Aydoğan R., Akçura M.T., Şensoy M. 2021. Campaign participation prediction with deep learning. Electronic Commerce Research and Applications, 48: 101058. https://doi.org/10.1016/j.elerap.2021.101058.
Epstein L.D., Flores A.A., Goodstein R.C., Milberg S.J. 2016. A new approach to measuring retail promotion effectiveness: A case of store traffic. Journal of Business Research, 69: 4394–4402. https://doi.org/10.1016/j.jbusres.2016.03.062.
F.E. Grubbs. 1969. Procedures for Detecting Outlying Observations in Samples. Technometrics, 11: 1–21. https://doi.org/10.1080/00401706.1969.10490657.
Henzel J., Sikora M. 2020. Gradient boosting application in forecasting of performance indicators values for measuring the efficiency of promotions in FMCG retail. 15th Conference on Computer Science and Information Systems (FedCSIS). IEEE: 59–68.
Li X., Dahana W., Ye Q., Peng L., Zhou J. 2021. How does shopping duration evolve and influence buying behavior? The role of marketing and shopping environment. Journal of Retailing and Consumer Services, 62: 102697. https://doi.org/10.1016/j.jretconser.2021.102607.
Li Z., Yada K., Zennyo Y. 2021. Duration of price promotion and product profit: An in-depth study based on point-of-sale data. Journal of Retailing and Consumer Services, 58: 102277. https://doi.org/10.1016/j.jretconser.2020.102277.
Khouja M., Subramaniam C., Vasudev V. 2020. A comparative analysis of marketing promotions and implications for data analytics. International Journal of Research in Marketing, 37: 151–174. https://doi.org/10.1016/j.ijresmar.2019.07.002.
Ma L., Sun B. 2020. Machine learning and AI in marketing – Connecting computing power to human insights. International Journal of Research in Marketing, 37: 482–504. https://doi.org/10.1016/j.ijresmar.2020.04.005.
Moodley R., Chiclana F., Caraffini F., Carter, J. 2020. A product-centric data mining algorithm for targeted promotions. Journal of Retailing and Consumer Services, 54: 101940
Ryals L., Wilson H. 2005. Experimental methods in market research: from information to insight. International Journal of Market Research, 47: 347–366. https://doi.org/10.1177/147078530504700402.
Vakulenko Y., Shams P., Hellström D., Hjort K. 2019. Service innovation in e-commerce last mile delivery: Mapping the e-customer journey. Journal of Business Research, 101: 461–468. https://doi.org/10.1016/j.jbusres.2019.01.016.
Wang X., Wong Y., Teo C., Yuen K., Feng X. 2020. The four facets of self-collection service for e-commerce delivery: Conceptualisation and latent class analysis of user segments. Electronic Commerce Research and Applications, 39: 100896. https://doi.org/10.1016/j.elerap.2019.100896.
Zhang D.J., Dai H., Dong L., Qi F., Zhang N., Liu X., Liu Z., Yan J. 2018. How do price promotions affect customer behavior on retailing platforms? Evidence from a large randomized experiment on Alibaba. Production and Operations Management, 27: 2343–2345. https://doi.org/10.1111/poms.12964.
Просмотров аннотации: 351
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
