Siberian Journal of Life Sciences and AgricultureSiberian Journal of Life Sciences and AgricultureSiberian Journal of Life Sciences and Agriculture2658-66492658-6657Science and Innovation Center Publishing House44298510.12731/2658-6649-2026-18-1-1428MYYUNRPublic Health and Preventive MedicineЗдравоохранение и профилактическая медицинаResearch ArticleForming a model of response to multichannel communications in a pharmacyФормирование модели отклика на мультиканальные коммуникации в аптечной организацииhttps://orcid.org/0009-0005-0232-6156NSU-7204-20258368-0310ПантелеевАнтон СергеевичPanteleevAnton S.
Россия

аспирант

Postgraduate Student of the Department of Medical and Pharmaceutical Commodity Science

anton.panteleev@spcpu.ruhttps://orcid.org/0000-0003-1029-093X16413774900HNP-3052-20232508-9006МироненковаЖанна ВикторовнаMironenkovaZhanna V.
Россия

доктор фармацевтических наук, профессор, профессор кафедры медицинского и фармацевтического товароведения

Doctor of Pharmaceutical Sciences, Professor, Professor of the Department of Medical and Pharmaceutical Commodity Science

shanna.mironenkova@pharminnotech.comhttps://orcid.org/0000-0002-1294-39767478-9822ГабдулхаковаЛяйсан МарсовнаGabdulkhakovaLaysan M.
Россия

кандидат фармацевтических наук, доцент кафедры фармации

PhD in Pharmacy, Associate Professor of the Department of Pharmacy

lmgabdulkhakova@bashgmu.ruСанкт-Петербургский государственный химико-фармацевтический университетSt. Petersburg State Chemical and Pharmaceutical UniversityБашкирский государственный медицинский университетBashkir State Medical Universityru28022026202618133435131072026Copyright ©; 2026, Panteleev A.S., Mironenkova Z.V., Gabdulkhakova L.M.Copyright ©; 2026, Пантелеев А.С., Мироненкова Ж.В., Габдулхакова Л.М.2026Panteleev A.S., Mironenkova Z.V., Gabdulkhakova L.M.Пантелеев А.С., Мироненкова Ж.В., Габдулхакова Л.М.https://creativecommons.org/licenses/by-nc-nd/4.0https://journals.rcsi.science/2658-6649/article/view/442985

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.

Обоснование. Систематический сбор и анализ данных о потребителях является неотъемлемой частью целевого маркетинга, способствует повышению конкурентоспособности аптечных организаций на рынке и является актуальным.

Цель исследования – разработка алгоритмов при формировании модели отклика на мультиканальные коммуникации в аптечной организации.

Материалы и методы. Материалами исследования являлись истории транзакций потребителей из CRM-систем при покупках товаров в 1121 розничной аптечной организации, расположенных в 8 федеральных округах Российской Федерации, относящихся к аптечным сетям «Озерки», «Доктор Столетов», «Самсон-Фарма», «Супераптека», «Мосаптека» в 2018-2023 гг. Анализ коммуникаций потребителей, несклонных к прекращению покупок, проводился с учетом историй транзакций и данных участия в программах лояльности, предполагающих применение скидок и бонусов. Объём транзакций потребителей - не менее 5, интервал между покупками - в среднем не более 150 дней. Методы исследований: статистическое наблюдение, расчет средних величин, сегментирование, алгоритмы искусственного интеллекта (ML), прогнозирование, вероятностное распределение.

Результаты. Спрогнозированы максимальные коэффициенты вероятности отклика на СМС-сообщения (0,15), сообщения по электронной почте (0,07) и push-уведомления (0,01). Для СМС-сообщений и сообщений по электронной почте наиболее высокие усредненные показатели конверсий отклика в покупку CR наблюдались в воскресенье, уровня расходов потребителей LTV - в субботу; для push-уведомлений - в воскресенье и пятницу соответственно. Усредненные показатели максимальных количеств коммуникаций с потребителями были выявлены для СМС-сообщений - в субботу, для сообщений по электронной почте и push-уведомлений - в среду.

Выявлены закономерности по оптимальным дням недели: для конверсии отклика в покупку в мультиканальных коммуникациях - воскресенье, для получения максимальных финансовых показателей - суббота, за исключением push-уведомлений (пятница). Наиболее результативным каналом для коммуникаций являлись СМС-сообщения, которые имели наилучшие соотношения между конверсией отклика в покупку и LTV. Ранее проведенное моделирование вероятности отклика потребителей по каналам коммуникаций с учетом дня недели позволило существенно улучшить показатели CR, LTV, количество посещений в выходные дни. СМС-сообщения, имевшие максимальный коэффициент вероятности отклика 0,15, остались наиболее результативным каналом для коммуникаций. Оптимизация каналов коммуникаций с потребителями по дням недели с акцентом на синхронизацию периодов максимальной активности с периодами наибольшей результативности может дать значительный рост ключевых показателей, более результативное использование маркетингового бюджета аптечной организации.

мультиканальные коммуникацииСМС-сообщенияэлектронная почтаpush-уведомленияконверсия отклика в покупку CRLTVаптечная организацияmultichannel communicationsSMS messagesemailpush notificationsconversion of response into a purchase CRLTVpharmacyAbramov, 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/GPPFPWАбрамов, 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/GPPFPWUmarov, 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/KYUGWKУмаров, 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/KYUGWKGonchar, A. A. (2023). Using predictive analytics to improve business efficiency. Current Research,(50(180), Pt. IV), 22–46. EDN: https://elibrary.ru/KNTPIYГончар, А. А. (2023). Использование предиктивной аналитики для повышения эффективности бизнеса. Актуальные исследования,(50(180), Ч. IV), 22–46. EDN: https://elibrary.ru/KNTPIYKimadze, 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/UPOVKVКимадзе, 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/UPOVKVKovaleva, 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/STYEPAКовалева, 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/STYEPAKondrashov, 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/UPMUQHКондрашов, 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/UPMUQHKrotov, 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/ADQGWNКротов, 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/ADQGWNMamiev, 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/JGVTGLМамиев, 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/JGVTGLNevekin, 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/HEYQKOНевекин, 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/HEYQKONosyreva, 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/YXVZUXНосырева, 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/YXVZUXPanteleev, 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/PUYNRUПантелеев, 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/PUYNRUUmarov, 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/PHDTFBУмаров, 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/PHDTFBFozilova, 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.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.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/RCBUHRСикулер, 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/RCBUHRVinichuk, 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/HCIRNKВиничук, 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/HCIRNKUmarov, 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/YTCEVOУмаров, 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/YTCEVOKhusainova, 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/NYDKKTХусаинова, 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/NYDKKTAfanasyeva, 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/VUREAEАфанасьева, 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/VUREAETsybovsky, 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/XMJSIXЦыбовский, 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/XMJSIXChernyakov, 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/BPGNFYЧерняков, 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/BPGNFYLi, 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-20190603165825Mironenkova, 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/EKDFPQKale, 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-4003Zakharova, 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