Efecto expansivo y respuesta incremental para innovaciones de producto

Gabriel Contreras – Publicado el 20 de diciembre de 2018

En consumo masivo en particular, aunque nos atrevemos a pensar que en el mercadeo en general, algunas de las preguntas que toman tiempo responder son: ¿Cual es el efecto incremental de las acciones de innovación?, ¿Cómo saber si estamos capturando nuevo mercado o pulverizando la torta?.

Lo anterior suele ocurrir, particularmente porque las categorías en consumo masivo continuamente lanzan productos que tienden a ser sustitutos de su mismo portafolio. En este sentido, una sólida relación con el canal es vital.

En este post queremos compartir los fundamentos estratégicos, lógicos y estadísticos que usamos en SINNETIC para medir la respuesta incremental de lanzamientos, lo que permite inferir el efecto expansivo de los mismos.

Entenderemos el efecto expansivo como la respuesta a dos preguntas: 1. ¿Cuánto (volumen) venderá la marca adicional a lo que ya vende hoy con otros miembros de su portafolio? 2. ¿Cuánto perderá la marca si no presenta al mercado una propuesta novedosa?, en cualquier caso se trata de la ganancia volumétrica de una marca al lanzar un producto. Este tipo de preguntas (entre otras) son las que intentamos resolver con nuestra metodología Shopper Behavior Suite

Suponiendo que una potente empresa productora de lácteos, lanza al mercado una nueva versión de queso; pese a que cuenta con un abanico de opciones para el tendero y por ende para el consumidor, esta innovación promete un sabor delicado, una presentación versátil y algunos beneficios más.

Para hacer una estimación volumétrica del éxito del lanzamiento, sin depender de reportes de consumidores finales (encuestas), tendremos que tomar la base de tenderos y hacer un muestreo aleatorio estratificado de los mismos. Los estratos dependen de las posiciones en el mapa de estos tenderos (para controlar el efecto geográfico de la posición del tendero sobre la potencial demanda).

Luego de la selección aleatoria de esta muestra representativa, se hace una selección aleatoria de los tenderos para distribuirlos en tres grupos: 1- Grupo 1: Control (No exhibirán el producto), 2- Grupo 2: Intervención (Exhibirán el producto a full price sin indicar que se trata de una novedad), 3 – Grupo 3: Intervención control (Exhibirán el producto, a full price indicando que se trata de una novedad).

Este diseño experimental se describe gráficamente en la Lámina a continuación, de hecho esta gráfica muestra la fundamentación lógica y estratégica de nuestro planteamiento en SINNETIC:

respuesta-incremental-banner-grafico1

Es poca la información disponible sobre metodologías de respuesta incremental aunque tres artículos son clásicos en el tema: Radcliffe y Surry (1999), Lo (2002), y Hansotia y Rukstales (2002).

Radcliffe y Surry ilustran un concepto bien definido de respuesta incremental con distintos grupos de clientes. Hansotia utiliza un algoritmo de árbol de decisión que tiene una tasa de respuesta incremental durante la fase de crecimiento. Lo, utiliza una única ecuación de regresión tanto para el grupo de tratamiento como para el grupo control y una muestra reservada del grupo de tratamiento, estos investigadores ponen los fundamentos de nuestra propuesta

A continuación describiremos algunos estadísticos de respuesta incremental útiles para analizar este problema de negocio, adicional a esto, mostraremos el modelo de dos fases de Heckman el cual inspira la lógica analítica de nuestra metodología Shopper Behavior Suite la cual operamos sobre tecnología SAS® Enterprise Miner.

SELECCIÓN DE VARIABLES = La selección de variables predictoras, es un proceso esencial en el modelamiento predictivo dado que así se reduce la dimensionalidad del modelo, se evita el sobreajuste y se mejora la estabilidad y precisión de las predicciones. La variable objetivo en nuestra metodología es el efecto incremental el cual se calcula con la diferencia entre los resultados de los grupos tratados (2 y 3) y el grupo control (1). Este doble cálculo pone en peligro el rendimiento predictivo del modelo, especialmente cuando la respuesta es baja como suele ocurrir en muchos casos. Por esto, variables predictoras como la experiencia del tendero, el inventario del mismo, la presencia de competidores en punto de venta, la promoción del portafolio estándar etc., son predictores probables que deben ser seleccionados con detenimiento.

Para seleccionar las mejores variables que predicen la respuesta incremental, usamos NIV (Net Information Value) una medida propuesta por Larsen (2010) y catalogada como intuitiva y relativamente fácil de interpretar. Esta métrica se interpreta en conjunto con el factor IV de fuerza de efecto, el cual si llega a estar por debajo de 0,02 indicaría que la variable no tiene potencial predictivo sobre la demanda incremental. Para comparar el efecto de las variables seleccionadas sobre el grupo control y los tratamientos, se usa una métrica llamada NWOE (Net Weight of Evidence) la cual compara las probabilidades de respuesta entre el grupo control y los grupos tratados para evidenciar si las variables predicen el comportamiento de la respuesta incremental de manera diferenciada.

ENTRENAMIENTO Y SCORING = Cuando se cuenta con poderosas variables predictivas, se construye una ecuación dual para predecir por un lado la cantidad de unidades vendidas y por otro la cantidad de dinero recaudado por la marca. Estas ecuaciones nos permitirán construir reglas de SCORING para aplicar a los tenderos que no entraron en el experimento y así poder generar un pronóstico de demanda del nuevo producto.

CASO PRÁCTICO = A continuación, continuando con el caso del queso, visualizamos algunos resultados luego de seleccionar aleatoriamente 300 tenderos. Cien de ellos fueron asignados aleatoriamente para el grupo control, otros cien se asignaron al grupo experimental 1 (Exhibición del producto sin presión de comunicación), y los cien restantes se asignaron al grupo experimental 2 (Exhibición del producto con presión de comunicación). Todos los tenderos se seleccionaron aleatoriamente de la base total de tenderos y se estratificó el muestreo según la zona de la ciudad principal de consumo. Todos los tenderos muestran un nivel similar de venta del portafolio de nuestro cliente. El periodo de medición fue de un mes completo para tener en todos los casos efecto de cuatro fines de semana y dos quincenas homogeneizando así efectos externos que puedan manchar los resultados.

Luego de un mes de observación, los resultados fueron estos:

respuesta_incremental_definicion_target

En efecto los grupos donde se exhibió la innovación tuvieron mas ventas promedio de la marca a la semana, pese a esto el hecho de comunicar (publicitar) generaba rezagos en el inventario del portafolio estándar indicando que la publicidad facilitaba la canibalización. Esta gráfica nos permite visualizar como construimos tendero a tendero la variable TARGET que emerge de dividir el ROI de la innovación sobre el CO (Costo de oportunidad) de la misma.

Definido el target, es necesario seleccionar aquellas variables que nos ayudan a predecir la demanda incremental. Esta selección debemos hacerla dentro de un conjunto de variables levantadas tendero a tendero. Usando el NIV, NWOE y Factor IV se seleccionaron cinco variables clave como se muestra a continuación.

respuesta_incremental_selector_predictores

Para este caso puntual, la relación del tendero con competidores cercanos tiene un efecto inaudito sobre la demanda incremental de nuevas innovaciones nuestras, tanto el share de mercado del competidor como el inventario activo y pasivo tienen un efecto potente en la adopción de nuevos productos de queso sin afectar la demanda de productos ya distribuidos. Con este conocimiento, el paso siguiente consiste en crear una ecuación par predecir la demanda incremental (target). Una Regresión de Poisson usando una función logarítmica de enlace fue eficiente para este caso, la ecuación entrenada se visualiza a continuación:

respuesta_incremental_formula_prediccion

En el estudio, se observó que la demanda incremental del innovador queso es de 21,5% sobre el volumen del portafolio que la marca ya tiene distribuido (en otras palabras: la marca venderá 21,5% más unidades de las que actualmente vende con el portafolio tradicional). Aplicando la fórmula de predicción sobre los tenderos que no participaron en el estudio (unos 736 más) se estima que el nuevo producto venderá 1.343.444 unidades mensuales más de lo que vende el portafolio actualmente distribuido. Un análisis costo beneficio entra en escena para visualizar si esta demanda incremental justifica los costos de producción, distribución y comunicación generando margen para el negocio.

Síguenos en nuestro grupo en LinkedIn y en nuestra página web, queremos compartir algunas ideas de analítica aplicada a problemas de negocio reales.

Referencias que nos inspiran:

Lo, V. (2002). “The True Lift Model: A Novel Data Mining Approach to Response Modeling in Database Marketing.” ACM SIGKDD Explorations Newsletter 4:78–86.

Radcliffe, N. and Surry, P. (1999). “Differential Response Analysis: Modeling True Response by Isolating the Effect of a Single Action.” Proceedings of Credit Scoring and Credit Control VI. Edinburgh: Credit Research Centre, University of Edinburgh Management School.

Larsen, K. (2010). “Net Lift Models: Optimizing the Impact of Your Marketing Efforts.” SAS Course Notes. Cary, NC: SAS Institute Inc