Скрытая причина «не бьётся» промо: у панелей чаще проблема не в данных, а в допущениях

Скрытая причина «не бьётся» промо: у панелей чаще проблема не в данных, а в допущениях

У меня в retail-панелях есть повторяющийся сценарий: бренд честно запускает промо, получает рост доли в категории, но в отчёте «эффект промо не подтверждается» — обычно это спор между маркетингом и аналитикой. И почти всегда спор упирается не в качество выборки, а в то, как мы задали допущение о том, что считать «эффектом».

В 2026-м это особенно заметно: последняя атрибуция (last-click) умерла, e-com-чека на ровном месте становится меньше на 5–8% из‑за экономии, а в AI-overviews пользователи получают ответ без перехода к бренду. В таких условиях промо перестаёт быть просто “стимулом на покупку” и становится элементом поведения в цикле выбора: скидка влияет на то, *когда* человек решит купить, *какой* канал выбрать и *какие* альтернативы отложит.

Как это проявляется в consumer panel:

1) Мы измеряем «прирост продаж у покупателей» — и видим рост.
2) Но для контрольной группы покупатели отличаются по составу корзины и частоте покупок.
3) Мы сравниваем «до/после» без корректного учёта, что люди приходят в панель с разным уровнем промо-готовности.

На практике это выглядит так: панель показывает рост у группы, которая априори больше реагирует на скидки. Формально промо сработало, но аналитическая модель ожидает, что контрольная группа будет «похожей» в промо-реактивности. А она не похожа, потому что реактивность — не демография и не регион. Это сочетание привычек покупки (частота визитов в ритейл), «закрываемости» потребности (есть ли запас) и структуры альтернатив (чем бренд конкурирует на полке в момент выбора).

Моё наблюдение из работы: когда мы в панелях вводим сегментацию по промо-устойчивости (по истории покупок в предыдущие волны) и перестаём считать, что контроль “почти такой же”, расхождения между «промо дало эффект» и «промо не дало эффект» уходят. Обычно не потому, что мы нашли магическую модель, а потому что перестали сравнивать несравнимое.

Что я предлагаю бренд-менеджеру делать иначе — без усложнений:

— Формулировать вопрос не как «какой был lift продаж», а как «что именно изменилось в выборе и очередности покупок».
— Включать в измерение не только факт покупки, но и ближайшую замену: купили бы A или заменили на B, и с каким лагом.
— Для оценки эффекта в панелях использовать инкрементальность, а не “до/после”: сопоставлять с тем, как в аналогичных периодах ведут себя люди с похожей промо-историей.

Если одним предложением: в retail-панелях мы часто неверно оцениваем промо не из‑за данных, а из‑за того, что подменяем «эффект бренда» «эффектом склонности к промо». Когда это разделяешь, результаты становятся управляемыми — и тогда уже можно обсуждать калибровку промо-механики (глубина, длительность, формат, правила доступности), а не устраивать разбор причин, почему цифры «не сходятся».

Обычно после такой настройки мы начинаем разговаривать языком, который понимает и финконтроль, и category team: эффект на уровне выбора, а не только на уровне транзакций.

— @PanelDataRoom

Параллельный взгляд на тему — @AIinMarketingRu