Syntha Lab EN

Множественная регрессия продаж: факторы спроса, вклад рекламы и промо, мультиколлинеарность, лаги и проверка модели

Как оценить вклад цены, промо, рекламы, погоды и трафика в продажи одной моделью, не приписывая эффект тому, что просто совпало по времени: построить регрессию в логарифмах, учесть отложенное действие рекламы, проверить коллинеарность и остатки и разложить продажи на вклады факторов (упрощённая модель маркетингового микса). Решение: куда вкладывать бюджет и какую эластичность заложить в план.

Математика и аналитика Бренд и ритейл Проверено: 2026-11-14

Открыть интерактивно →

Зачем этот документ

Документ читает руководитель маркетинга и коммерческий аналитик, когда нужно понять, что на самом деле двигает продажи: цена, промо, реклама, погода или трафик. Эффекты часто совпадают во времени, например промо идёт в сезон, поэтому простое сравнение приписывает результат не тому. Регрессия разделяет вклады, а проверка на мультиколлинеарность показывает, где факторы нельзя различить. Лаги учитывают, что реклама действует с задержкой. Без этого бюджет вкладывают в то, что просто совпало с ростом.

Коротко

Что это за документ и зачем он нужен?
Как оценить вклад цены, промо, рекламы, погоды и трафика в продажи одной моделью, не приписывая эффект тому, что просто совпало по времени: построить регрессию в логарифмах, учесть отложенное действие рекламы, проверить коллинеарность и остатки и разложить продажи на вклады факторов (упрощённая модель маркетингового микса). Решение: куда вкладывать бюджет и какую эластичность заложить в план.
Кто отвечает за документ и как часто его пересчитывать?
Аналитик продаж или маркетинга; модель пересчитывают раз в квартал и после крупных изменений цен, рекламы или каналов; результат читают коммерческий директор, маркетинг и финансы.
Какие ошибки встречаются чаще всего?
Строят регрессию продаж на цену без сезона и промо → эластичность смещена в разы → вводят факторы или используют лог-лог с контролем. Берут десятки факторов на год данных → модель запоминает шум → не больше одного фактора на 10–15 наблюдений и скрытое окно. Читают каждый коэффициент отдельно при VIF выше 10 → ложные выводы о том, что реклама «не работает» → объединяют факторы или проверяют экспериментом.

Для кого

Бренд
Бренд моделирует продажи D2C и sell-out партнёров от цены, рекламы, коллабораций и сезона; рекламный бюджет и ценовая политика проверяются на модели до запуска.
Ритейл
Ритейлер моделирует продажи магазина или категории от трафика, акций, погоды и рекламы; модель очищает эластичность и эффект промо от сезона и трафика.

Из чего состоит

Зачем нужна множественная регрессия

  • Продажи зависят от многих факторов одновременно, и парная регрессия «продажи на цену» приписывает цене всё, что совпало с ней по времени. В примере на 104 неделях наивная оценка эластичности −2,97, модель с промо и погодой −1,99, полная модель −1,74 при заложенной −1,7: каждый пропущенный фактор смещал оценку.
  • Модель в логарифмах: ln(продажи) линейно по ln(цены), ln(трафика), промо-признаку, температуре и эффекту рекламы. Коэффициент при ln(цены) это эластичность, при ln(трафика) эластичность по трафику, при признаке промо примерно процентный прирост (e^β − 1).
  • Регрессия показывает связь при заданных остальных факторах, а не причинность: причинный вывод даёт эксперимент (A/B, контрольные недели), поэтому модель калибруют по результатам тестов, а не заменяют ими.

Набор факторов и подготовка данных

  • Недельная сетка по магазину или категории не короче 2 лет (104 недели): меньше данных, чем в 10–15 наблюдений на фактор, нельзя. Продажи очищают от дней без остатка, факторы берут на ту же неделю: цена (средняя по чекам), доля скидки, признак промо, посетители, температура, расходы на рекламу.
  • Сезонность вводят факторами (температура, праздничные недели), а не вычитают заранее; тогда эластичность очищена от сезона. Трафик входит как фактор, если он не создаётся самой рекламой; иначе вклад рекламы занижается (трафик берёт эффект на себя).
  • Скрытое окно: последние 13 недель в подборе не участвуют. В примере полная модель ошибается на них на 5,9 % WAPE, короткая без трафика и рекламы на 8,2 %.
  • Бренд: для D2C недельная сетка по каналам даёт мало наблюдений на канал; факторы каналов объединяют в группы (перформанс, имидж) или переходят на дневные данные.
  • Ритейл: модель строят панелью магазинов с фиксированными эффектами магазина: это увеличивает число наблюдений и отделяет эффект акции от различий между точками.

Лаги рекламы и мультиколлинеарность

  • Реклама действует не только в неделю показа: эффект накапливается как A_t + λ·A_(t−1) + λ²·A_(t−2) + … (adstock). Параметр λ подбирают сеткой по минимуму суммы квадратов остатков; в примере лучший λ = 0,5, а коэффициент при рекламе 1,27·10⁻³ при стандартной ошибке 0,35·10⁻³.
  • Мультиколлинеарность: промо, скидка и реклама двигаются вместе (в примере корреляция промо и рекламных расходов 0,95, промо и ln цены −0,96). Фактор инфляции дисперсии VIF = 1/(1 − R²_j) у промо 14,8, у цены 13; значения выше 10 это сигнал, что коэффициенты неустойчивы.
  • Следствие: коэффициент при промо 0,119 при стандартной ошибке 0,062 и t = 1,9, доверительный интервал включает ноль. Предсказания модели при этом остаются хорошими; слабо определён вклад каждого фактора отдельно. Лечение: объединить факторы, развести их по времени экспериментом или использовать более информативные приоры.

Проверка модели и вклад факторов

  • R² = 0,962, скорректированный R² = 0,96: добавление фактора поднимает R² всегда, а скорректированный штрафует за лишние. Остатки проверяют на отсутствие автокорреляции (статистика Дарбина-Уотсона 1,99, значения около 2 это норма), на постоянство разброса и на отсутствие структуры в графике остатков против прогноза.
  • Вклад факторов (упрощённая MMM): средние продажи 1 053 шт. в неделю раскладываются на базу без цены, промо и рекламы 795 шт. и вклады цены, промо и рекламы. Оценки вклада приблизительные: чем сильнее коллинеарность, тем менее определено деление между промо и рекламой.
  • Выводы по бюджету делают по предельной отдаче: эффект рекламы насыщается, поэтому прирост продаж на следующий рубль ниже среднего; регрессия на историческом диапазоне не знает, что будет за его пределами.

Бренд и ритейл: что моделируют и как читают

  • Бренд: зависимая переменная это sell-out D2C или партнёров, а не отгрузки; отгрузки искажены закладкой и сезоном заказов и дают ложные коэффициенты.
  • Ритейл: зависимая переменная это продажи магазина или категории на неделю; трафик входит как фактор, и эластичность очищается от посещаемости.
  • Бренд: рекламные расходы по каналам (перформанс, блогеры, наружка) входят отдельными факторами с разными λ; цена учитывает ценовую политику в нескольких каналах.
  • Ритейл: промо входит признаком типа акции и глубины, погода температурой и осадками; эффект «ямы после акции» моделируют лагом промо на следующие недели.
  • Бренд: результат идёт в бюджет маркетинга и в прогноз спроса на сезон: цены и бюджет сценариев подставляют в модель до утверждения.
  • Ритейл: результат идёт в календарь промо и в планирование закупки: сколько товара закладывать под акцию и какую глубину скидки выбирать.

Откуда берутся данные

Источник данныхПоля
Недельные продажи и ценыПродажи в штуках и рублях, средняя цена по чекам, доля скидки, признак и тип акции; по магазину или категории; не менее 104 недель.
Трафик и погодаПосетители по счётчикам или чекам, температура и осадки по региону, праздничные недели.
МаркетингРасходы на рекламу по неделям и каналам, период показа, охват; для лагов нужна точная неделя расхода.

Как собрать по шагам

  1. Шаг 1. Сформулируйте вопрос (эластичность, вклад рекламы, эффект промо) и выберите зависимую переменную: продажи на неделю в штуках.
  2. Бренд: Шаг 2. Соберите sell-out по каналам и расходы по каналам рекламы; отгрузки партнёрам в модель продаж не берите.
  3. Ритейл: Шаг 3. Соберите продажи магазина, трафик, акции и погоду на ту же неделю; уберите недели закрытия и ремонта.
  4. Шаг 4. Прологарифмируйте продажи, цену и трафик; проверьте, что число недель минимум в 10–15 раз больше числа факторов.
  5. Шаг 5. Подберите параметр λ для рекламы сеткой (0–0,9) по сумме квадратов остатков; для каждого канала свой λ.
  6. Шаг 6. Оцените модель, выпишите коэффициенты, стандартные ошибки, t и 95 % интервалы; проверьте знаки: цена с минусом, трафик с плюсом.
  7. Шаг 7. Посчитайте VIF и корреляции факторов; при VIF выше 10 объедините факторы или не интерпретируйте их по отдельности.
  8. Шаг 8. Проверьте остатки (автокорреляция, разброс, структура) и ошибку на скрытом окне; модель, не обыгравшая сезонный наивный, не используют.
  9. Бренд: Шаг 9. Разложите продажи на вклады и сравните отдачу каналов на предельном рубле; решение о бюджете принимайте с проверочным тестом (регион без рекламы).
  10. Ритейл: Шаг 10. Подставьте глубину скидки и трафик акции в модель, получите прогноз продаж и сравните с затратами на акцию; сверьте с контрольными магазинами.

Формулы

ПоказательФормулыПояснение
Оценка МНКβ̂ = (XᵀX)⁻¹·Xᵀ·y, ŷ = X·β̂, e = y − ŷX включает столбец единиц; при почти линейной зависимости столбцов XᵀX плохо обратима.
Ошибки и интервалыs² = Σe²/(n − k); SE(β̂_j) = √( s²·[(XᵀX)⁻¹]_jj ); β̂_j ± t_(0,975; n−k)·SEk число коэффициентов вместе с константой; выборочная оценка, делитель n − k.
Скорректированный R²R²_adj = 1 − (1 − R²)·(n − 1)/(n − k)Сравнивает модели с разным числом факторов.
Фактор инфляции дисперсииVIF_j = 1 / (1 − R²_j), R²_j из регрессии фактора j на остальныеВыше 10 тревога; дисперсия коэффициента растёт в VIF раз.
Adstock рекламыAd_t = A_t + λ·Ad_(t−1), период полураспада = ln 0,5 / ln λλ из диапазона 0–1; близкий к 1 означает долгое действие рекламы.
Дарбин-УотсонDW = Σ_(t≥2)(e_t − e_(t−1))² / Σ e_t²Около 2 нет автокорреляции остатков; ниже 1,5 или выше 2,5 нужна проверка и поправка стандартных ошибок.
Вклад фактораC_j = mean( ŷ(все факторы) ) − mean( ŷ(фактор j на базовом уровне) )Базовый уровень: цена 1, промо 0, реклама 0; вклады считают последовательно, порядок влияет на деление.

Формулы в записи

Модель в логарифмах
ln y_t = β₀ + β₁·ln Traffic_t + β₂·ln P_t + β₃·Promo_t + β₄·Temp_t + β₅·Ad_t + ε_t
β₂ эластичность по цене; β₃ примерно процентный эффект промо.
МНК
β̂ = (XᵀX)⁻¹ Xᵀ y
Минимизирует сумму квадратов остатков.
Стандартная ошибка
SE(β̂_j) = √( s²·[(XᵀX)⁻¹]_{jj} ), s² = Σe² / (n − k)
Делитель n − k.
VIF
VIF_j = 1 / (1 − R²_j)
Выше 10 тревога коллинеарности.
Adstock
Ad_t = A_t + λ·Ad_{t−1}
Накопленный эффект рекламы с затуханием λ.

Пример с числами

Коэффициенты полной модели: оценка, стандартная ошибка, t, 95 % интервал и заложенное значение

ФакторОценкаСтанд. ошибкаtНиз 95 %Верх 95 %Заложено
Константа4,640,4510,43,765,534,51
ln трафика0,860,175,10,521,190,9
ln цены−1,740,31−5,7−2,36−1,13−1,7
Промо0,120,061,9−00,240,08
Температура, °C−0,010−4,2−0,02−0,01−0,01
Реклама (эффект с лагом)003,6000

104 недель сформированы кодом (фиксированное зерно): обучение 91, скрытое окно 13. R² = 0,962, λ рекламы 0,5. Все заложенные значения попали в 95 % интервалы; у промо интервал включает ноль из-за коллинеарности с ценой и рекламой. Константа сдвинута на ln 1000 из-за масштаба продаж. Данные учебные.

Рисунки

Факт и модель по неделям
Линейный график: Факт: 1 025 → 2 106; Модель: 1 132 → 2 29605001 0001 5002 0002 50011223344556677889100скрытое окноФакт, 1: 1 025Факт, 104: 2 106Модель, 1: 1 132Модель, 104: 2 296шт. в неделю
  • Факт
  • Модель
Данные таблицей
ПоказательФактМодель
11 0251 132
21 2411 147
31 1031 070
41 1981 082
51 1661 124
61 0091 127
71 1301 077
81 1251 058
92 2922 112
101 1731 023
111 023965
121 046954
13689859
14933901
15730828
161 4221 425
171 6621 696
18812829
19763751
20825801
21744745
221 0821 203
231 2071 377
241 1281 170
25744731
26704659
271 2021 202
28635626
29631652
301 3441 404
31797697
32616681
33653688
34715658
35700699
36722708
37751693
381 2521 246
39864872
401 7521 676
41972912
42975971
431 9341 680
44990999
45943975
461 0491 094
47984978
481 0071 017
492 1152 188
501 2491 227
511 8341 811
521 0381 164
531 1241 163
542 0262 067
551 0091 113
561 2861 203
572 0741 980
581 1221 137
591 0721 095
601 7481 829
611 6851 764
621 7311 825
631 0471 031
641 019995
65933894
66867881
67869884
68886860
69698789
70805818
71728751
72690699
73654687
74664725
75631642
76690695
77685665
78563601
791 1241 051
80677639
811 1461 187
82719670
83773711
84668681
851 3681 211
86698708
87720741
881 5201 390
891 4571 559
90776778
911 4181 373
92869890
931 4761 509
941 6131 592
951 0021 015
961 0411 026
97914995
98907981
99993981
1002 0361 904
1011 7442 074
1021 2831 244
1031 1981 145
1042 1062 296

Факт и модель по неделям. Модель повторяет недельный рисунок продаж; на скрытом окне (последние 13 недель) ошибка 5,9 % WAPE против 8,2 % у короткой модели. По оси: номер недели.

Оценка эластичности по цене в разных моделях
Столбчатая диаграмма: Только цена −2,97, Цена, промо, погода −1,99, Полная модель −1,74, Заложено −1,7−3−2−10Только ценаТолько ценаКоэффициент при ln цены: −2,97−2,97Цена, промо, погодаЦена, промо, погодаКоэффициент при ln цены: −1,99−1,99Полная модельПолная модельКоэффициент при ln цены: −1,74−1,74ЗаложеноЗаложеноКоэффициент при ln цены: −1,7−1,7эластичность
Данные таблицей
ПоказательКоэффициент при ln цены
Только цена−2,97
Цена, промо, погода−1,99
Полная модель−1,74
Заложено−1,7

Оценка эластичности по цене в разных моделях. Пропуск факторов смещает оценку: наивная −2,97, с промо и погодой −1,99, полная −1,74 при заложенной −1,7.

Фактор инфляции дисперсии по регрессорам
Столбчатая диаграмма: ln трафика 10,8, ln цены 13, Промо 14,8, Температура, °C 10,3, Реклама (эффект с лагом) 3051015ln трафикаln трафикаVIF: 10,810,8Порог тревоги: 1010ln ценыln ценыVIF: 1313Порог тревоги: 1010ПромоПромоVIF: 14,814,8Порог тревоги: 1010Температура, °CТемпература, °CVIF: 10,310,3Порог тревоги: 1010Реклама (эффект с лагом)Реклама (эффект слагом)VIF: 33Порог тревоги: 1010раз
  • VIF
  • Порог тревоги
Данные таблицей
ПоказательVIFПорог тревоги
ln трафика10,810
ln цены1310
Промо14,810
Температура, °C10,310
Реклама (эффект с лагом)310

Фактор инфляции дисперсии по регрессорам. У промо 14,8 и цены 13: они двигаются вместе, поэтому коэффициенты определены слабо; реклама с накоплением 3. Порог 10 условный.

Разложение средних продаж на вклады факторов
Мост: База без цены, промо и рекламы 795, Цена (скидки) +102, Промо вне цены +39, Реклама +118, Средние продажи за неделю 1 05302004006008001 0001 200База без цены, промо и рекламыБаза без цены, промои рекламыБаза без цены, промо и рекламы: 795795Цена (скидки)Цена (скидки)Цена (скидки): +102+102Промо вне ценыПромо вне ценыПромо вне цены: +39+39РекламаРекламаРеклама: +118+118Средние продажи за неделюСредние продажи занеделюСредние продажи за неделю: 1 0531 053шт. в неделю
  • рост
  • снижение
  • итог
Данные таблицей
ШагИзменениеУровень
База без цены, промо и рекламы—795
Цена (скидки)+102897
Промо вне цены+39936
Реклама+1181 054
Средние продажи за неделю—1 053

Разложение средних продаж на вклады факторов. База без цены, промо и рекламы 795 шт. в неделю; цена, промо и реклама добавляют 259 шт. вместе. Деление между промо и рекламой приблизительное из-за коллинеарности.

Остатки против прогноза
Диаграмма рассеяния: 91 точки; линия регрессии: y = 0 + 0·x−0,3−0,2−0,1−00,10,266,577,587,03; −0,0997,05; 0,0796,98; 0,036,99; 0,1027,03; 0,0367,03; −0,1116,98; 0,0496,97; 0,0617,66; 0,0826,93; 0,1376,87; 0,0596,86; 0,0926,76; −0,226,8; 0,0356,72; −0,1267,26; −0,0027,44; −0,026,72; −0,026,62; 0,0166,69; 0,0296,61; −0,0017,09; −0,1057,23; −0,1327,07; −0,0376,59; 0,0196,49; 0,0677,09; 06,44; 0,0146,48; −0,0327,25; −0,0446,55; 0,1346,52; −0,16,53; −0,0536,49; 0,0826,55; 0,0026,56; 0,0196,54; 0,087,13; 0,0046,77; −0,0097,42; 0,0446,82; 0,0646,88; 0,0057,43; 0,146,91; −0,016,88; −0,0337; −0,0426,89; 0,0066,93; −0,017,69; −0,0347,11; 0,0187,5; 0,0137,06; −0,1157,06; −0,0347,63; −0,027,02; −0,0987,09; 0,0677,59; 0,0467,04; −0,0137; −0,0217,51; −0,0457,48; −0,0467,51; −0,0536,94; 0,0166,9; 0,0246,8; 0,0436,78; −0,0156,79; −0,0176,76; 0,0296,67; −0,1236,71; −0,0166,62; −0,0326,55; −0,0146,53; −0,0496,59; −0,0886,46; −0,0176,54; −0,0076,5; 0,036,4; −0,0656,96; 0,0666,46; 0,0587,08; −0,0356,51; 0,076,57; 0,0836,52; −0,027,1; 0,1216,56; −0,0146,61; −0,0297,24; 0,0897,35; −0,0686,66; −0,0027,22; 0,033Прогноз ln продаж↑ Остаток
  • точки
  • линия регрессии: y = 0 + 0·x
Данные таблицей
Прогноз ln продажОстаток
7,03−0,1
7,050,08
6,980,03
6,990,1
7,030,04
7,03−0,11
6,980,05
6,970,06
7,660,08
6,930,14
6,870,06
6,860,09
6,76−0,22
6,80,04
6,72−0,13
7,26−0
7,44−0,02
6,72−0,02
6,620,02
6,690,03
6,61−0
7,09−0,11
7,23−0,13
7,07−0,04
6,590,02
6,490,07
7,090
6,440,01
6,48−0,03
7,25−0,04
6,550,13
6,52−0,1
6,53−0,05
6,490,08
6,550
6,560,02
6,540,08
7,130
6,77−0,01
7,420,04
6,820,06
6,880,01
7,430,14
6,91−0,01
6,88−0,03
7−0,04
6,890,01
6,93−0,01
7,69−0,03
7,110,02
7,50,01
7,06−0,12
7,06−0,03
7,63−0,02
7,02−0,1
7,090,07
7,590,05
7,04−0,01
7−0,02
7,51−0,05
7,48−0,05
7,51−0,05
6,940,02
6,90,02
6,80,04
6,78−0,02
6,79−0,02
6,760,03
6,67−0,12
6,71−0,02
6,62−0,03
6,55−0,01
6,53−0,05
6,59−0,09
6,46−0,02
6,54−0,01
6,50,03
6,4−0,07
6,960,07
6,460,06
7,08−0,04
6,510,07
6,570,08
6,52−0,02
7,10,12
6,56−0,01
6,61−0,03
7,240,09
7,35−0,07
6,66−0
7,220,03

Остатки против прогноза. Остатки в примере без явной структуры: облако вокруг нуля, статистика Дарбина-Уотсона 1,99.

Выбор параметра лага рекламы
Линейный график: R² модели: 0,958 → 0,9570,9560,9570,9580,9590,960,9610,96200.10.20.30.40.50.60.70.80.9R² модели, 0: 0,958R² модели, 0.1: 0,959R² модели, 0.2: 0,96R² модели, 0.3: 0,961R² модели, 0.4: 0,962R² модели, 0.5: 0,962R² модели, 0.6: 0,962R² модели, 0.7: 0,961R² модели, 0.8: 0,959R² модели, 0.9: 0,957R²
Данные таблицей
ПоказательR² модели
00,958
0.10,959
0.20,96
0.30,961
0.40,962
0.50,962
0.60,962
0.70,961
0.80,959
0.90,957

Выбор параметра лага рекламы. R² модели по значениям λ: максимум при λ = 0,5; при λ = 0 (реклама действует только в неделю показа) и при λ = 0,9 модель хуже. По оси: параметр затухания λ.

Особенности по категориям

Одежда
Погода и сезон определяют основную часть вариации; температуру берут с лагом на неделю (покупка перед сезоном), эластичность по цене различается для базы и моды: модель по группам, а не по всей категории.
Обувь
Погодные переключения резкие (первые холода, дожди): нужны признаки осадков и порога температуры; размеры в модель не входят, модель строят по моделям обуви.
Аксессуары
Подарочные недели и промо дают скачки: признаки праздников обязательны; много нулевых недель по редким позициям, поэтому модель строят по группе, а не по SKU.
Детское
Школьный сезон и возрастные группы: признаки «до 1 сентября» и «после школы» значимы; цена менее эластична для школьных позиций и более для моды.
Мужское
Погода и промо дают меньший вклад, а база выше: эластичность ниже, коэффициенты стабильнее; хватает короткой модели из цены, промо и трафика.
Женское
Цветовые и модные волны, быстрый оборот ассортимента: у цены и промо большая эластичность, коэффициенты меняются от сезона к сезону; модель пересчитывают каждый сезон.

Типичные ошибки

  • Строят регрессию продаж на цену без сезона и промо → эластичность смещена в разы → вводят факторы или используют лог-лог с контролем.
  • Берут десятки факторов на год данных → модель запоминает шум → не больше одного фактора на 10–15 наблюдений и скрытое окно.
  • Читают каждый коэффициент отдельно при VIF выше 10 → ложные выводы о том, что реклама «не работает» → объединяют факторы или проверяют экспериментом.
  • Игнорируют лаг рекламы → эффект приписывается следующей неделе или промо → добавляют adstock и подбирают λ.
  • Принимают регрессию за причинность и увеличивают бюджет без теста → отдача падает при выходе за исторический диапазон → проверочный эксперимент перед расширением.

Особенности России

  • Ритейл: данные по трафику и чекам привязаны к покупателям только в обезличенном виде; для модели недельных продаж идентификаторы людей не нужны, а программа лояльности и карты требуют согласия и правового основания. Норма: закон 152-ФЗ от 27.07.2006: Закон от 27.07.2006 № 152-ФЗ «О персональных данных» (проверка нормы не завершена).
  • Бренд: результаты модели не используют для согласования цен с конкурентами; обмен ценовой информацией ограничивают требованиями защиты конкуренции.

Открыть интерактивно →