Исследование опубликовано в журнале Production and Operations Management.

Обычно бизнес видит только часть картины: знает, кто купил товар, но не понимает, сколько людей отказались от покупки. Традиционные методы прогнозирования опираются на общие предположения — например, оценивают общий рынок через долю компании. Это часто приводит к ошибкам: компании переоценивают или недооценивают спрос, теряют прибыль.

Авторы модели — профессор Синьчан Ван и аспирант Вэйкунь Сюй — предложили другой подход. Их метод анализирует не только продажи, но и потенциальных покупателей, которые так и не совершили покупку. Это помогает понять, сколько клиентов ушло из-за цены, сроков или других факторов.

Как это работает

• Используется алгоритм последовательной минимизации-максимизации (Sequential Minorization-Maximization).
• В отличие от старых методов, где результат мог быть разным, этот алгоритм дает один точный прогноз.
• Модель работает даже с неполными данными, поэтому подходит для разных отраслей.

Хотя тестировали ее на данных авиабилетов, применять можно везде:

• Отели смогут точнее прогнозировать брони, даже если клиенты просто смотрели номера, но не бронировали.
• Розничные сети оценят реальный спрос, учитывая ушедших к конкурентам.
• Маркетплейсы поймут, почему покупатели бросают корзины, и скорректируют стратегии.

Эта модель — мощный инструмент для отраслей, где нехватка данных всегда была проблемой, — говорит Ван.

Главное преимущество — конкретика вместо догадок. Сейчас компании часто действуют вслепую: видят продажи, но не понимают, сколько клиентов «слилось» на этапе выбора. Новая модель помогает:

• Снижать издержки — если знать реальный спрос, можно точнее планировать закупки и логистику.
• Оптимизировать цены — если видишь, сколько людей уходит из-за высокой стоимости, легче найти баланс между прибылью и конверсией.
• Улучшать маркетинг — понимая причины отказа, можно точечно дорабатывать рекламу, UX, сервис.

Особенно ценно для динамичных рынков (авиабилеты, отели, ритейл), где спрос зависит от сотни факторов.

Ранее ученые назвали высокую зарплату явным признаком компетентности.