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.
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 данных | Поля |
|---|---|
| Недельные продажи и цены | Продажи в штуках и рублях, средняя цена по чекам, доля скидки, признак и тип акции; по магазину или категории; не менее 104 недель. |
| Трафик и погода | Посетители по счётчикам или чекам, температура и осадки по региону, праздничные недели. |
| Маркетинг | Расходы на рекламу по неделям и каналам, период показа, охват; для лагов нужна точная неделя расхода. |
Как собрать по шагам
- Шаг 1. Сформулируйте вопрос (эластичность, вклад рекламы, эффект промо) и выберите зависимую переменную: продажи на неделю в штуках.
- Бренд: Шаг 2. Соберите sell-out по каналам и расходы по каналам рекламы; отгрузки партнёрам в модель продаж не берите.
- Ритейл: Шаг 3. Соберите продажи магазина, трафик, акции и погоду на ту же неделю; уберите недели закрытия и ремонта.
- Шаг 4. Прологарифмируйте продажи, цену и трафик; проверьте, что число недель минимум в 10–15 раз больше числа факторов.
- Шаг 5. Подберите параметр λ для рекламы сеткой (0–0,9) по сумме квадратов остатков; для каждого канала свой λ.
- Шаг 6. Оцените модель, выпишите коэффициенты, стандартные ошибки, t и 95 % интервалы; проверьте знаки: цена с минусом, трафик с плюсом.
- Шаг 7. Посчитайте VIF и корреляции факторов; при VIF выше 10 объедините факторы или не интерпретируйте их по отдельности.
- Шаг 8. Проверьте остатки (автокорреляция, разброс, структура) и ошибку на скрытом окне; модель, не обыгравшая сезонный наивный, не используют.
- Бренд: Шаг 9. Разложите продажи на вклады и сравните отдачу каналов на предельном рубле; решение о бюджете принимайте с проверочным тестом (регион без рекламы).
- 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
| Показатель | Формулы | Пояснение |
|---|---|---|
| Оценка МНК | β̂ = (XᵀX)⁻¹·Xᵀ·y, ŷ = X·β̂, e = y − ŷ | X включает столбец единиц; при почти линейной зависимости столбцов XᵀX плохо обратима. |
| Ошибки и интервалы | s² = Σe²/(n − k); SE(β̂_j) = √( s²·[(XᵀX)⁻¹]_jj ); β̂_j ± t_(0,975; n−k)·SE | k число коэффициентов вместе с константой; выборочная оценка, делитель n − k. |
| Скорректированный R² | R²_adj = 1 − (1 − R²)·(n − 1)/(n − k) | Сравнивает модели с разным числом факторов. |
| Фактор инфляции дисперсии | VIF_j = 1 / (1 − R²_j), R²_j из регрессии фактора j на остальные | Выше 10 тревога; дисперсия коэффициента растёт в VIF раз. |
| Adstock рекламы | Ad_t = A_t + λ·Ad_(t−1), период полураспада = ln 0,5 / ln λ | λ из диапазона 0–1; близкий к 1 означает долгое действие рекламы. |
| Дарбин-Уотсон | DW = Σ_(t≥2)(e_t − e_(t−1))² / Σ e_t² | Около 2 нет автокорреляции остатков; ниже 1,5 или выше 2,5 нужна проверка и поправка стандартных ошибок. |
| Вклад фактора | C_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
| Фактор | Оценка | Станд. ошибка | t | Низ 95 % | Верх 95 % | Заложено |
|---|---|---|---|---|---|---|
| Константа | 4,64 | 0,45 | 10,4 | 3,76 | 5,53 | 4,51 |
| ln трафика | 0,86 | 0,17 | 5,1 | 0,52 | 1,19 | 0,9 |
| ln цены | −1,74 | 0,31 | −5,7 | −2,36 | −1,13 | −1,7 |
| Промо | 0,12 | 0,06 | 1,9 | −0 | 0,24 | 0,08 |
| Температура, °C | −0,01 | 0 | −4,2 | −0,02 | −0,01 | −0,01 |
| Реклама (эффект с лагом) | 0 | 0 | 3,6 | 0 | 0 | 0 |
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
- Модель
Данные таблицей
| Показатель | Факт | Модель |
|---|---|---|
| 1 | 1 025 | 1 132 |
| 2 | 1 241 | 1 147 |
| 3 | 1 103 | 1 070 |
| 4 | 1 198 | 1 082 |
| 5 | 1 166 | 1 124 |
| 6 | 1 009 | 1 127 |
| 7 | 1 130 | 1 077 |
| 8 | 1 125 | 1 058 |
| 9 | 2 292 | 2 112 |
| 10 | 1 173 | 1 023 |
| 11 | 1 023 | 965 |
| 12 | 1 046 | 954 |
| 13 | 689 | 859 |
| 14 | 933 | 901 |
| 15 | 730 | 828 |
| 16 | 1 422 | 1 425 |
| 17 | 1 662 | 1 696 |
| 18 | 812 | 829 |
| 19 | 763 | 751 |
| 20 | 825 | 801 |
| 21 | 744 | 745 |
| 22 | 1 082 | 1 203 |
| 23 | 1 207 | 1 377 |
| 24 | 1 128 | 1 170 |
| 25 | 744 | 731 |
| 26 | 704 | 659 |
| 27 | 1 202 | 1 202 |
| 28 | 635 | 626 |
| 29 | 631 | 652 |
| 30 | 1 344 | 1 404 |
| 31 | 797 | 697 |
| 32 | 616 | 681 |
| 33 | 653 | 688 |
| 34 | 715 | 658 |
| 35 | 700 | 699 |
| 36 | 722 | 708 |
| 37 | 751 | 693 |
| 38 | 1 252 | 1 246 |
| 39 | 864 | 872 |
| 40 | 1 752 | 1 676 |
| 41 | 972 | 912 |
| 42 | 975 | 971 |
| 43 | 1 934 | 1 680 |
| 44 | 990 | 999 |
| 45 | 943 | 975 |
| 46 | 1 049 | 1 094 |
| 47 | 984 | 978 |
| 48 | 1 007 | 1 017 |
| 49 | 2 115 | 2 188 |
| 50 | 1 249 | 1 227 |
| 51 | 1 834 | 1 811 |
| 52 | 1 038 | 1 164 |
| 53 | 1 124 | 1 163 |
| 54 | 2 026 | 2 067 |
| 55 | 1 009 | 1 113 |
| 56 | 1 286 | 1 203 |
| 57 | 2 074 | 1 980 |
| 58 | 1 122 | 1 137 |
| 59 | 1 072 | 1 095 |
| 60 | 1 748 | 1 829 |
| 61 | 1 685 | 1 764 |
| 62 | 1 731 | 1 825 |
| 63 | 1 047 | 1 031 |
| 64 | 1 019 | 995 |
| 65 | 933 | 894 |
| 66 | 867 | 881 |
| 67 | 869 | 884 |
| 68 | 886 | 860 |
| 69 | 698 | 789 |
| 70 | 805 | 818 |
| 71 | 728 | 751 |
| 72 | 690 | 699 |
| 73 | 654 | 687 |
| 74 | 664 | 725 |
| 75 | 631 | 642 |
| 76 | 690 | 695 |
| 77 | 685 | 665 |
| 78 | 563 | 601 |
| 79 | 1 124 | 1 051 |
| 80 | 677 | 639 |
| 81 | 1 146 | 1 187 |
| 82 | 719 | 670 |
| 83 | 773 | 711 |
| 84 | 668 | 681 |
| 85 | 1 368 | 1 211 |
| 86 | 698 | 708 |
| 87 | 720 | 741 |
| 88 | 1 520 | 1 390 |
| 89 | 1 457 | 1 559 |
| 90 | 776 | 778 |
| 91 | 1 418 | 1 373 |
| 92 | 869 | 890 |
| 93 | 1 476 | 1 509 |
| 94 | 1 613 | 1 592 |
| 95 | 1 002 | 1 015 |
| 96 | 1 041 | 1 026 |
| 97 | 914 | 995 |
| 98 | 907 | 981 |
| 99 | 993 | 981 |
| 100 | 2 036 | 1 904 |
| 101 | 1 744 | 2 074 |
| 102 | 1 283 | 1 244 |
| 103 | 1 198 | 1 145 |
| 104 | 2 106 | 2 296 |
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.
Данные таблицей
| Показатель | Коэффициент 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.
- VIF
- Порог тревоги
Данные таблицей
| Показатель | VIF | Порог тревоги |
|---|---|---|
| ln трафика | 10,8 | 10 |
| ln цены | 13 | 10 |
| Промо | 14,8 | 10 |
| Температура, °C | 10,3 | 10 |
| Реклама (эффект с лагом) | 3 | 10 |
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.
- рост
- снижение
- итог
Данные таблицей
| Шаг | Изменение | Уровень |
|---|---|---|
| База без цены, промо и рекламы | — | 795 |
| Цена (скидки) | +102 | 897 |
| Промо вне цены | +39 | 936 |
| Реклама | +118 | 1 054 |
| 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.
- точки
- линия регрессии: y = 0 + 0·x
Данные таблицей
| Прогноз ln продаж | Остаток | |
|---|---|---|
| 7,03 | −0,1 | |
| 7,05 | 0,08 | |
| 6,98 | 0,03 | |
| 6,99 | 0,1 | |
| 7,03 | 0,04 | |
| 7,03 | −0,11 | |
| 6,98 | 0,05 | |
| 6,97 | 0,06 | |
| 7,66 | 0,08 | |
| 6,93 | 0,14 | |
| 6,87 | 0,06 | |
| 6,86 | 0,09 | |
| 6,76 | −0,22 | |
| 6,8 | 0,04 | |
| 6,72 | −0,13 | |
| 7,26 | −0 | |
| 7,44 | −0,02 | |
| 6,72 | −0,02 | |
| 6,62 | 0,02 | |
| 6,69 | 0,03 | |
| 6,61 | −0 | |
| 7,09 | −0,11 | |
| 7,23 | −0,13 | |
| 7,07 | −0,04 | |
| 6,59 | 0,02 | |
| 6,49 | 0,07 | |
| 7,09 | 0 | |
| 6,44 | 0,01 | |
| 6,48 | −0,03 | |
| 7,25 | −0,04 | |
| 6,55 | 0,13 | |
| 6,52 | −0,1 | |
| 6,53 | −0,05 | |
| 6,49 | 0,08 | |
| 6,55 | 0 | |
| 6,56 | 0,02 | |
| 6,54 | 0,08 | |
| 7,13 | 0 | |
| 6,77 | −0,01 | |
| 7,42 | 0,04 | |
| 6,82 | 0,06 | |
| 6,88 | 0,01 | |
| 7,43 | 0,14 | |
| 6,91 | −0,01 | |
| 6,88 | −0,03 | |
| 7 | −0,04 | |
| 6,89 | 0,01 | |
| 6,93 | −0,01 | |
| 7,69 | −0,03 | |
| 7,11 | 0,02 | |
| 7,5 | 0,01 | |
| 7,06 | −0,12 | |
| 7,06 | −0,03 | |
| 7,63 | −0,02 | |
| 7,02 | −0,1 | |
| 7,09 | 0,07 | |
| 7,59 | 0,05 | |
| 7,04 | −0,01 | |
| 7 | −0,02 | |
| 7,51 | −0,05 | |
| 7,48 | −0,05 | |
| 7,51 | −0,05 | |
| 6,94 | 0,02 | |
| 6,9 | 0,02 | |
| 6,8 | 0,04 | |
| 6,78 | −0,02 | |
| 6,79 | −0,02 | |
| 6,76 | 0,03 | |
| 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 | |
| 6,5 | 0,03 | |
| 6,4 | −0,07 | |
| 6,96 | 0,07 | |
| 6,46 | 0,06 | |
| 7,08 | −0,04 | |
| 6,51 | 0,07 | |
| 6,57 | 0,08 | |
| 6,52 | −0,02 | |
| 7,1 | 0,12 | |
| 6,56 | −0,01 | |
| 6,61 | −0,03 | |
| 7,24 | 0,09 | |
| 7,35 | −0,07 | |
| 6,66 | −0 | |
| 7,22 | 0,03 |
Остатки против прогноза. Остатки в примере без явной структуры: облако вокруг нуля, статистика Дарбина-Уотсона 1,99.
Данные таблицей
| Показатель | R² модели |
|---|---|
| 0 | 0,958 |
| 0.1 | 0,959 |
| 0.2 | 0,96 |
| 0.3 | 0,961 |
| 0.4 | 0,962 |
| 0.5 | 0,962 |
| 0.6 | 0,962 |
| 0.7 | 0,961 |
| 0.8 | 0,959 |
| 0.9 | 0,957 |
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.