Трое исследователей из Trinity College Dublin выложили препринт о том, как оценить эффект рекламы, если бюджет изменили, а тест заранее не поставили. Георгиос Филиппу и Бой Май Куак — из школы компьютерных наук и статистики, Ашиш Кумар Джха — из бизнес-школы. Их метод соединяет поиск сдвига в активности канала с прогнозом продаж без этого сдвига.

1️⃣ Bayesian change-point detection смотрит на недельный ряд активности канала. Для каждой недели он считает вероятность, сколько времени прошло с последней смены режима. Если вероятность сдвига за последние четыре недели выше 60%, алгоритм фиксирует его и уточняет дату по дневным данным. Продажи на этом шаге не смотрит.

2️⃣ Структурная модель временного ряда с фильтром Калмана учится на продажах до сдвига. Она учитывает календарь, другие каналы и независимый показатель спроса. Свободный тренд модели ограничен, чтобы он не объяснил вообще всё вместо этих данных.

3️⃣ Модель строит 2000 возможных траекторий продаж без изменения бюджета. Фактические продажи минус эти прогнозы дают оценку lift и её интервал. Lift делят на изменение расходов — получают оценку отдачи.

В расчёт идут только достаточно крупные и изолированные сдвиги, когда модель хорошо описывает прошлое, а ROAS выглядит правдоподобно. Но контрольные данные решают всё: в симуляциях статьи из трёх оценок, прошедших фильтры, только у одной 90% интервал включил истинный эффект.

📍 https://arxiv.org/abs/2609.18257
===
💬Это пост из ленты, которую читает Саша - автор канала Мальцев: Карьера. Маркетинг. AI. @maltsevprosto

Другие каналы по темам:
🤖 AI @maltsevdaily
🧑‍🎓 Карьеры @maltsevdailyc
🦹 Маркетинга @maltsevdailym