Forming a model of response to multichannel communications in a pharmacy
Abstract
Background. Systematic collection and analysis of consumer data is an integral part of targeted marketing, contributes to increasing the competitiveness of pharmacy organizations in the market, and is relevant.
Purpose. Development of algorithms for creating a response model for multichannel communications in a pharmacy organization.
Materials and methods. The study materials included consumer transaction histories from CRM systems when purchasing goods from 1,121 retail pharmacy organizations located in 8 federal districts of the Russian Federation, which belong to the pharmacy chains Ozerki, Doctor Stoletov, Samson-Pharma, Superapteka, and Mosapteka in 2018-2023. The analysis of communications from consumers who are not inclined to stop shopping was conducted based on transaction histories and data from loyalty programs that offer discounts and bonuses. The volume of consumer transactions is at least 5, and the average interval between purchases is no more than 150 days. Research methods include statistical observation, calculation of average values, segmentation, artificial intelligence (ML) algorithms, forecasting, and probabilistic distribution.
Results. The maximum response rates for SMS messages (0.15), email messages (0.07), and push notifications (0.01) have been predicted. For SMS and email messages, the highest average conversion rates for CR and LTV were observed on Sunday, while for push notifications, they were observed on Sunday and Friday, respectively. The average maximum number of communications with consumers was identified for SMS messages on Saturday, and for email messages and push notifications on Wednesday.
The optimal days of the week have been identified: Sunday for converting responses into purchases in multichannel communications, and Saturday for achieving maximum financial results, with the exception of push notifications (Friday). The most effective communication channel was SMS messages, which had the best ratio between conversion rate and LTV. Previously, modeling the probability of consumer response by communication channel, taking into account the day of the week, significantly improved CR, LTV, and weekend visits. SMS messages, which had a maximum response probability coefficient of 0.15, remained the most effective communication channel. Optimizing communication channels with consumers by day of the week, with a focus on synchronizing periods of maximum activity with periods of greatest effectiveness, can lead to significant improvements in key performance indicators and more efficient use of the pharmacy organization's marketing budget.
Downloads
References
Абрамов, В. И., & Чуркин, Д. А. (2022). Предиктивная аналитика взаимоотношений с клиентами как метод адаптации компании к изменениям и повышения ценности предложения. Экономика, предпринимательство и право, 12(6), 1709–1722. https://doi.org/10.18334/epp.12.6.114842. EDN: https://elibrary.ru/GPPFPW
Умаров, С. З., Голубенко, Р. А., Хорунжая, А. А., & др. (2025). Возможности аналитической платформы в области моделирования количественных параметров функционирования розничной аптеки. Современные проблемы здравоохранения и медицинской статистики,(2), 143–159. https://doi.org/10.24412/2312-2935-2025-2-143-159. EDN: https://elibrary.ru/KYUGWK
Гончар, А. А. (2023). Использование предиктивной аналитики для повышения эффективности бизнеса. Актуальные исследования,(50(180), Ч. IV), 22–46. EDN: https://elibrary.ru/KNTPIY
Кимадзе, М. И., & Кондратов, С. Ю. (2020). Проблемы формирования клиентоориентированной стратегии в онлайн фармацевтической организации. Азимут научных исследований: экономика и управление, 9(1), 173–177. https://doi.org/10.26140/anie-2020-0901-0042. EDN: https://elibrary.ru/UPOVKV
Ковалева, Т. Г., & Саркисян, К. А. (2022). Анализ финансово экономической деятельности аптечной организации «Еаптека». Тенденции развития науки и образования,(88(4)), 114–116. https://doi.org/10.18411/trnio-08-2022-170. EDN: https://elibrary.ru/STYEPA
Кондрашов, А. А., Курашов, М. М., & Лоскутова, Е. Е. (2025). Исследование потенциала использования регрессионного анализа больших данных для оценки факторов, влияющих на стоимость фармацевтической помощи детям. Современные проблемы здравоохранения и медицинской статистики,(1), 65–80. https://doi.org/10.24412/2312-2935-2025-1-65-80. EDN: https://elibrary.ru/UPMUQH
Кротов, А. Д., & Яхонтова, И. М. (2023). Прогнозирование спроса на товары и услуги с использованием алгоритмов машинного обучения. Проблемы развития науки и образования в эпоху модернизации, 110–112. EDN: https://elibrary.ru/ADQGWN
Мамиев, О. А., Финогенов, Н. А., & Сологуб, Г. Б. (2020). Использование методов машинного обучения для решения задач прогнозирования суммы и вероятности покупки на основе данных электронной коммерции. Моделирование и анализ данных: научный журнал, 10(4), 31–40. https://doi.org/10.17759/mda.2020100403. EDN: https://elibrary.ru/JGVTGL
Невекин, Д. А., & Прокопенко, Н. Ю. (2020). Разработка системы поддержки принятия решений на базе аналитической платформы Loginom для эффективного управления маркетинговыми кампаниями. Вестник Сыктывкарского университета. Серия 1: Математика. Механика. Информатика, 2(35), 37–48. EDN: https://elibrary.ru/HEYQKO
Носырева, А. А., & Абрамов, В. И. (2021). Предиктивная аналитика — основа для цифровой трансформации компаний. Актуальные проблемы экономики, учета, аудита и анализа в современных условиях, 179–182. EDN: https://elibrary.ru/YXVZUX
Пантелеев, А. С., Мироненкова, Ж. В., Умаров, С. З., & др. (2025). Разработка алгоритмов для построения модели потребительского поведения на фармацевтическом рынке. Медико фармацевтический журнал Пульс, 27(4), 134–140. https://doi.org/10.26787/nydha-2686-6838-2025-27-4-134-140. EDN: https://elibrary.ru/PUYNRU
Умаров, С. З., Мироненкова, Ж. В., & Хорунжая, А. А. (2023). Разработка динамических показателей фармацевтической деятельности на базе отечественной аналитической платформы. Естественные и технические науки,(1(176)), 151–162. EDN: https://elibrary.ru/PHDTFB
Фозилова, М. М., Мухамедиева, Д. Т., & Хикматов, У. Н. (2021). Разработка модели анализа и прогнозирования потребностей рынка в лекарственных средствах. Scientific progress, 2(5), 382–388.
Сикулер, Д. В. (2021). Ресурсы, предоставляющие данные для машинного обучения и проверки технологий искусственного интеллекта. Информационные и математические технологии в науке и управлении,(2(22)), 39–52. https://doi.org/10.38028/ESI.2021.22.2.004. EDN: https://elibrary.ru/RCBUHR
Виничук, О. Ю., & Никулина, Т. А. (2023). Современные методы продвижения фармацевтических компаний на региональных фармацевтических рынках в условиях цифровизации бизнеса. Вестник евразийской науки, 15(3). https://esj.today/PDF/77ECVN323.pdf. EDN: https://elibrary.ru/HCIRNK
Умаров, С. З., & Наркевич, К. И. (2018). Анализ интенсивности посетительского трафика в фармацевтическом ретейле с использованием элементов обработки больших данных (Big Date). Ремедиум,(1 2), 60–63. https://doi.org/10.21518/1561-5936-2018-1-2-60-63. EDN: https://elibrary.ru/YTCEVO
Хусаинова, Г. И., & Мироненкова, Ж. В. (2009). Анализ современных информационных услуг, оказываемых фармацевтическим организациям Республики Татарстан. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология, 2(3), 77. EDN: https://elibrary.ru/NYDKKT
Афанасьева, Т. Г., Кушнир, А. Ю., Морковин, В. А., & др. (2025). Цифровой маркетинг как элемент продвижения аптечных организаций. Современные проблемы здравоохранения и медицинской статистики,(1), 1–13. https://doi.org/10.24412/2312-2935-2025-1-1-13. EDN: https://elibrary.ru/VUREAE
Цыбовский, В. Л., & Горелова, Т. П. (2018). Проблемы формирования и функционирования ретейл бизнеса в условиях цифровой экономики. Вестник Академии,(1), 10–17. EDN: https://elibrary.ru/XMJSIX
Черняков, А. Н. (2023). Обзор информационных платформ — источников наборов данных для построения моделей машинного обучения в розничной торговле. Инновации и инвестиции,(3), 218–223. EDN: https://elibrary.ru/BPGNFY
Li, J., Pan, S., Huang, L., & Zhu, X. (2019). A machine learning based method for customer behavior prediction. Teh Vjesn, 26(6), 1670–1676. https://doi.org/10.17559/TV-20190603165825
Mironenkova, Zh. V., Umarov, S. Z., Knysh, O. I., et al. (2023). Analysis of features of medication supply structure in the Russian Federation at the regional level. Siberian Journal of Life Sciences and Agriculture, 15(5), 473–487. https://doi.org/10.12731/2658-6649-2023-15-5-952. EDN: https://elibrary.ru/EKDFPQ
Kale, R., Bidwai, K., Maske, M., et al. (2022). Prediction of customer purchase intention using social media data. International Journal of Advanced Research in Science, Communication and Technology, 10–13. https://doi.org/10.48175/IJARSCT-4003
Zakharova, O., Lobuteva, A., Gribova, Ya., et al. (2024). The primary hyperparathyroidism and its complications: Substantiation of funding volume for hospital pharmacotherapy. Electronic Journal of General Medicine, 21(6), em616. https://doi.org/10.29333/ejgm/15713. EDN: https://elibrary.ru/AZAIWC
References
Abramov, V. I., & Churkin, D. A. (2022). Predictive analytics of customer relationship management as a method for company adaptation to changes and increasing the value of the offer. Economics, Entrepreneurship and Law, 12(6), 1709–1722. https://doi.org/10.18334/epp.12.6.114842. EDN: https://elibrary.ru/GPPFPW
Umarov, S. Z., Golubenko, R. A., Khorunzhaya, A. A., et al. (2025). Capabilities of the analytical platform in modeling quantitative parameters of retail pharmacy operations. Current Problems of Healthcare and Medical Statistics,(2), 143–159. https://doi.org/10.24412/2312-2935-2025-2-143-159. EDN: https://elibrary.ru/KYUGWK
Gonchar, A. A. (2023). Using predictive analytics to improve business efficiency. Current Research,(50(180), Pt. IV), 22–46. EDN: https://elibrary.ru/KNTPIY
Kimadze, M. I., & Kondratov, S. Yu. (2020). Issues in forming a customer oriented strategy in an online pharmaceutical organization. Azimuth of Scientific Research: Economics and Management, 9(1), 173–177. https://doi.org/10.26140/anie-2020-0901-0042. EDN: https://elibrary.ru/UPOVKV
Kovaleva, T. G., & Sarkisyan, K. A. (2022). Analysis of the financial and economic performance of the pharmacy organization “Eapteka”. Trends in the Development of Science and Education,(88(4)), 114–116. https://doi.org/10.18411/trnio-08-2022-170. EDN: https://elibrary.ru/STYEPA
Kondrashov, A. A., Kurashov, M. M., & Loskutova, E. E. (2025). Studying the potential of using regression analysis of big data to assess factors affecting the cost of pharmaceutical care for children. Current Problems of Healthcare and Medical Statistics,(1), 65–80. https://doi.org/10.24412/2312-2935-2025-1-65-80. EDN: https://elibrary.ru/UPMUQH
Krotov, A. D., & Yakhontova, I. M. (2023). Forecasting demand for goods and services using machine learning algorithms. Problems of Science and Education Development in the Era of Modernization, 110–112. EDN: https://elibrary.ru/ADQGWN
Mamiev, O. A., Finogenov, N. A., & Sologub, G. B. (2020). Using machine learning methods to solve problems of predicting the amount and probability of purchase based on e commerce data. Modeling and Data Analysis: Scientific Journal, 10(4), 31–40. https://doi.org/10.17759/mda.2020100403. EDN: https://elibrary.ru/JGVTGL
Nevekin, D. A., & Prokopenko, N. Yu. (2020). Development of a decision support system based on the Loginom analytical platform for effective marketing campaign management. Bulletin of Syktyvkar University. Series 1: Mathematics. Mechanics. Informatics, 2(35), 37–48. EDN: https://elibrary.ru/HEYQKO
Nosyreva, A. A., & Abramov, V. I. (2021). Predictive analytics as the basis for digital transformation of companies. Current Issues of Economics, Accounting, Audit and Analysis in Modern Conditions, 179–182. EDN: https://elibrary.ru/YXVZUX
Panteleev, A. S., Mironenkova, Zh. V., Umarov, S. Z., et al. (2025). Development of algorithms for building a consumer behavior model in the pharmaceutical market. Medical and Pharmaceutical Journal Pulse, 27(4), 134–140. https://doi.org/10.26787/nydha-2686-6838-2025-27-4-134-140. EDN: https://elibrary.ru/PUYNRU
Umarov, S. Z., Mironenkova, Zh. V., & Khorunzhaya, A. A. (2023). Development of dynamic indicators of pharmaceutical activities based on a domestic analytical platform. Natural and Technical Sciences,(1(176)), 151–162. EDN: https://elibrary.ru/PHDTFB
Fozilova, M. M., Mukhamedieva, D. T., & Khikmatov, U. N. (2021). Development of a model for analyzing and forecasting market needs for medicines. Scientific Progress, 2(5), 382–388.
Sikuler, D. V. (2021). Resources providing data for machine learning and verification of artificial intelligence technologies. Information and Mathematical Technologies in Science and Management,(2(22)), 39–52. https://doi.org/10.38028/ESI.2021.22.2.004. EDN: https://elibrary.ru/RCBUHR
Vinichuk, O. Yu., & Nikulina, T. A. (2023). Modern methods for promoting pharmaceutical companies in regional pharmaceutical markets in the context of business digitalization. Bulletin of Eurasian Science, 15(3). https://esj.today/PDF/77ECVN323.pdf. EDN: https://elibrary.ru/HCIRNK
Umarov, S. Z., & Narkevich, K. I. (2018). Analysis of visitor traffic intensity in pharmaceutical retail using big data processing elements. Remedium,(1–2), 60–63. https://doi.org/10.21518/1561-5936-2018-1-2-60-63. EDN: https://elibrary.ru/YTCEVO
Khusainova, G. I., & Mironenkova, Zh. V. (2009). Analysis of modern information services provided to pharmaceutical organizations in the Republic of Tatarstan. Pharmacoeconomics. Modern Pharmacoeconomics and Pharmacoepidemiology, 2(3), 77. EDN: https://elibrary.ru/NYDKKT
Afanasyeva, T. G., Kushnir, A. Yu., Morkovin, V. A., et al. (2025). Digital marketing as an element of promoting pharmacy organizations. Current Problems of Healthcare and Medical Statistics, (1), 1–13. https://doi.org/10.24412/2312-2935-2025-1-1-13. EDN: https://elibrary.ru/VUREAE
Tsybovsky, V. L., & Gorelova, T. P. (2018). Problems of formation and functioning of retail business in the digital economy. Bulletin of the Academy,(1), 10–17. EDN: https://elibrary.ru/XMJSIX
Chernyakov, A. N. (2023). Review of information platforms as data sources for building machine learning models in retail trade. Innovations and Investments,(3), 218–223. EDN: https://elibrary.ru/BPGNFY
Li, J., Pan, S., Huang, L., & Zhu, X. (2019). A machine learning based method for customer behavior prediction. Teh Vjesn, 26(6), 1670–1676. https://doi.org/10.17559/TV-20190603165825
Mironenkova, Zh. V., Umarov, S. Z., Knysh, O. I., et al. (2023). Analysis of features of medication supply structure in the Russian Federation at the regional level. Siberian Journal of Life Sciences and Agriculture, 15(5), 473–487. https://doi.org/10.12731/2658-6649-2023-15-5-952. EDN: https://elibrary.ru/EKDFPQ
Kale, R., Bidwai, K., Maske, M., et al. (2022). Prediction of customer purchase intention using social media data. International Journal of Advanced Research in Science, Communication and Technology, 10–13. https://doi.org/10.48175/IJARSCT-4003
Zakharova, O., Lobuteva, A., Gribova, Ya., et al. (2024). The primary hyperparathyroidism and its complications: Substantiation of funding volume for hospital pharmacotherapy. Electronic Journal of General Medicine, 21(6), em616. https://doi.org/10.29333/ejgm/15713. EDN: https://elibrary.ru/AZAIWC
Copyright (c) 2026 Anton S. Panteleev, Zhanna V. Mironenkova, Laysan M. Gabdulkhakova
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
