Рекламна кампанія на ринку електромобілів: інструменти підвищення ефективності

  • Є.В. Андрусик Харківський національний економічний університет ім. Семена Кузнеця https://orcid.org/0009-0001-3654-5067
  • Л.С. Гур’янова Харківський національний університет імені В.Н. Каразіна https://orcid.org/0000-0002-2009-1451
Ключові слова: ринок електромобілів, Data Science, рекламна кампанія, машинне навчання, предиктивна аналітика, маркетингова атрибуція, маркетингова стратегія

Анотація

У статті досліджено сучасний стан та тенденції трансформації маркетингових стратегій на ринку електромобілів (EV), який характеризується безпрецедентною динамікою зростання (прогноз — 135 млн одиниць до 2030 року) та фундаментальними змінами у поведінці споживачів. Проаналізовано специфічні економічні характеристики ринку EV, зокрема стабільно високу вартість залучення клієнта (CAC) та тривалий цикл прийняття рішення про покупку (Sales Cycle), що в середньому триває 241 день. Доведено, що традиційні стратегії комунікації та інтуїтивне медіапланування стають неефективними в умовах насичення інформаційного простору. Обґрунтовано необхідність переходу від евристичних методів управління до формалізованих кількісних моделей на базі Data Science. У роботі детально класифіковано новітні інструментальні підходи для кожної стадії маркетингової воронки. Зокрема, розглянуто інтеграцію Теорії запланованої поведінки (TPB) та моделі VIP для виявлення критичних предиктора наміру покупки. Висвітлено переваги агентного моделювання (ABM) для аналізу соціальних взаємодій та геопросторового таргетингу. Окрему увагу приділено методам поведінкової кластеризації (Spectral Clustering, K-means) та використанню гібридних нейромереж (CNN+LSTM), таких як модель EVs-PredNet, що забезпечує точність прогнозування попиту на рівні 94,67%. Доведено, що для товарів категорії High-Involvement стандартні метрики, такі як CTR або оптимізація за CPA, призводять до стратегічних помилок та «спіралі смерті нижньої воронки». Автором запропоновано та обґрунтовано концепцію «Розумної інтеграції», яка передбачає використання методів Explainable AI (XAI) для подолання проблеми «чорної скриньки», впровадження метрик якості інтеграції каналів (INQ) та оцінку інкрементального приросту (Incrementality) замість спрощених моделей атрибуції. Сформульовано практичні рекомендації щодо використання платформ клієнтських даних (CDP) та технологій Walk-in Attribution для синхронізації цифрового сліду з фізичними візитами до дилерських центрів. Реалізація запропонованих підходів дозволяє сформувати адаптивну та економічно ефективну рекламну кампанію в умовах високої невизначеності ринку.

Завантаження

##plugins.generic.usageStats.noStats##

Біографії авторів

Є.В. Андрусик , Харківський національний економічний університет ім. Семена Кузнеця

аспірант кафедри економічної кібернетики та системного аналізу

Л.С. Гур’янова , Харківський національний університет імені В.Н. Каразіна

доктор економічних наук, професор, професор закладу вищої освіти кафедри економічної кібернетики та прикладної економіки

Посилання

Huang, S., et al. (2023). Data-driven reliability assessment of an electric vehicle penetrated grid utilizing the diffusion estimator and slice sampling. CSEE Journal of Power and Energy Systems, 9(5), 1845–1853. https://doi.org/10.17775/CSEEJPES.2020.01030

Amazon Advertising. (2025). 2025 Automotive report. Retrieved from https://advertising.amazon.com/en-gb/library/news/2025-automotive-report

Zheng, C., Sun, D., Khamarudin, M., Ahmad, A., Wei, H., & Xu, J. (2025). Integrating customer-based brand equity and the theory of planned behavior to predict electric vehicle adoption in China: The moderating role of perceived price. PLoS ONE, 20(7), e0329224. https://doi.org/10.1371/journal.pone.0329224

Herbert, R. J., Biedenbach, G., & Jansson, J. (2025). Eco-friendly brand experience and brand loyalty: Investigating the impact of normative considerations in the electric vehicle context. Journal of Marketing Management, 41(17–18), 1856–1878. https://doi.org/10.1080/0267257X.2025.2547681

Xu, W., Harris, I., Li, J., Wells, P., & Foxall, G. (2025). Influence of consumer attitudes and social interactions in electric vehicle purchasing: Integrating agent-based modelling and machine learning. IMA Journal of Management Mathematics, dpaf019. https://doi.org/10.1093/imaman/dpaf019

Kusuma, D. T., Ahmad, N., & Ahmad, S. S. S. (2025). An improved subtractive clustering framework for load profile analysis: Integrating time-frequency feature selection and cluster optimization. IEEE Access, 13, 173384–173397. https://doi.org/10.1109/ACCESS.2025.3614130

Wang, G. (2025). Customer segmentation in the digital marketing using a Q-learning based differential evolution algorithm integrated with K-means clustering. PLoS ONE, 20(2), e0318519. https://doi.org/10.1371/journal.pone.0318519

Simsek, A. I., Koç, E., Desticioglu Tasdemir, B., Aksöz, A., Turkoglu, M., & Sengur, A. (2024). Deep learning forecasting model for market demand of electric vehicles. Applied Sciences, 14(23), 10974. https://doi.org/10.3390/app142310974

Banka, S., Kumar, C. S., Salkuti, S. R., Akhila, B., Sree, S. H., & Vinoothna, K. (2025). Exploring electric vehicle price prediction and characteristics. 2025 7th International Conference on Inventive Material Science and Applications (ICIMA), 1385–1391. https://doi.org/10.1109/ICIMA64861.2025.11073857

Uy, J. R. R., Ong, A. K. S., & German, J. D. (2024). Marketing strategy and preference analysis of electric cars in a developing country: A perspective from the Philippines. World Electric Vehicle Journal, 15(3), 111. https://doi.org/10.3390/wevj15030111

Viant. (2025, March 25). Why CTR is misleading in digital advertising. Retrieved from https://www.viantinc.com/insights/blog/why-ctr-is-misleading-in-digital-advertising/

DemandLocal. (2025, August 14). AI revolutionizing attribution in automotive marketing. Retrieved from https://www.demandlocal.com/blog/ai-revolutionizing-attribution-automotive-marketing/

Cohen, C. (2025, March 20). The dangers of multi-touch attribution. Measured. Retrieved from https://www.measured.com/blog/the-dangers-of-multi-touch-attribution/

Okazaki, K., & Inoue, K. (2022). Explainable model fusion for customer journey mapping. Frontiers in Artificial Intelligence, 5, 824197. https://doi.org/10.3389/frai.2022.824197

Yeğin, T., & Ikram, M. (2022). Developing a sustainable omnichannel strategic framework toward circular revolution: An integrated approach. Sustainability, 14(18), 11578. https://doi.org/10.3390/su141811578

Frick, T. W., Belo, R., & Telang, R. (2022). Incentive misalignments in programmatic advertising: Evidence from a randomized field experiment. Management Science, 69(3), 1665–1686. https://doi.org/10.1287/mnsc.2022.4438

Decrinis, L., Freibichler, W., Kaiser, M., Sunstein, C. R., & Reisch, L. A. (2023). Sustainable behaviour at work: How message framing encourages employees to choose electric vehicles. Business Strategy and the Environment, 32(8), 5650–5668. https://doi.org/10.1002/bse.3441

Li, B., Guo, W., & Li, X. (2025). What influences the consumption intention of new energy vehicles: The role of non-monetary policies and hedonic attributes. Marketing Intelligence & Planning. Advance online publication. https://doi.org/10.1108/MIP-01-2024-0058

Toyib, J. S., & Paramita, W. (2025). Can AI influencers enhance the competence stereotype of electric cars? Insights from the stereotype content model. Young Consumers. Advance online publication. https://doi.org/10.1108/YC-08-2024-2176

Xu, Y., Shan, X., Guo, M., Gao, W., & Lin, Y. S. (2024). Design and application of experience management tools from the perspective of customer perceived value: A study on the electric vehicle market. World Electric Vehicle Journal, 15(8), 378. https://doi.org/10.3390/wevj15080378

Опубліковано
2026-05-25
Цитовано
Як цитувати
Андрусик , Є., & Гур’янова , Л. (2026). Рекламна кампанія на ринку електромобілів: інструменти підвищення ефективності . Вісник Харківського національного університету імені В. Н. Каразіна серія «Економічна», (110), 79-88. https://doi.org/10.26565/2311-2379-2026-110-07