ابهام زدایی تحلیل ابر دادهها در هوش تجاری از طریق لنزهای آمیخته بازاریابی
شائوکان فن ، ریموند لاو ، جی. لئون ژائو
دانشکدۀ تجاری، دانشگاه غرب تگزاس، کنیون، ایالات متحدۀ آمریکا
دپارتمان سیستمهای اطلاعاتی، دانشگاه هنگ کنگ، هنگ کنگ
چکیده
تحلیل ابر دادهها به عنوان فناوری مخرب استفاده شده است که هوش تجاری را تغییر شکل خواهد داد، هوش تجاری که دامنهای محسوب میشود که بر تحلیل داده برای دستیابی به بینشهای کسب و کار در تصمیمگیری بهتر مبتنی است. در این اثر، با توجه به مقالات گذشته، چشمانداز تحلیل ابر دادهها را از طریق لنزهای چارچوب آمیخته بازاریابی بررسی میکنیم. ما منابع داده، روشها و برنامههای مرتبط را با توجه به پنج دیدگاه مهم بازاریابی یعنی، مردم، محصولات، مکان، قیمت و تبلیغات شناسایی میکنیم که اساس هوش بازاریابی را تشکیل میدهد. سپس به طور کلی به بحث در مورد موضوعات پژوهشی چالشی و جهتهای آتی پژوهش در تحلیل ابر دادهها و بازاریابی مرتبط با هوش تجاری میپردازیم.
کلیدواژگان: تحلیل ابر دادهها، هوش تجاری، هوش بازاریابی، آمیخته بازاریابی، بررسی در مقایسه با دادههای رخدادنگاری
مقدمه
تحولات اخیر فناوری مانند رسانههای اجتماعی ما را قادر به تولید سریعتر دادهها نسبت به قبل نمود . در سالهای اخیر به دلیل توان بالقوۀ بسیار در تولید آثار کسب و کار، مفهوم ابر دادهها و کاربرد آن در هوش تجاری توجه زیادی را به خود معطوف نموده است . «ابر داده» به عنوان «مقداری از داده که فراتر از ظرفیت فناوری در ذخیره، مدیریت و پردازش موثر آن است» تعریف شده است» ابر دادهها را میتوان از سه بُعد مهم یعنی حجم، سرعت و تنوع مشخص نمود .
در هوش بازاریابی که بر جنبههای بازاریابی مرتبط با هوش تجاری تاکید میورزد، دادۀ مرتبط با بازارهای شرکت جمعآوری و در منظر بینشهایی که از تصمیمگیری حمایت میکنند پردازش میشوند . هوش بازاریابی از گذشته بر بررسیهای بازار در درک رفتار مشتری و بهبود طراحی محصول مبتنی بود. برای نمونه، شرکتها از بررسی رضایتمندی مشتری برای مطالعۀ نگرشهای مشتری استفاده میکنند. با استفاده از فناوریهای تحلیل ابر داده، عوامل اصلی برای تصمیمات بازاریابی راهبردی نظیر نظرات مشتری در قبال محصول، خدمات یا شرکت میتواند به صورت خودکار از طریق کاوش دادههای رسانههای اجتماعی پایش شود .
با وجود این، اگرچه دسترسی به ابر دادهها موجب ایجاد فرصتهای بیسابقه برای هوش بازاریابی میشود، اما این روند موجب بروز چالشهایی بر سر راه پژوهشگران و حرفهایها میشود. تحلیل ابر دادهها اصولاً با سه نوع چالش درگیر است: ذخیره، مدیریت و پردازش .امروزه شرکتها در امور معمول هوش بازاریابی مانند کاوش نظرات مشتری، روشهای بسیار متفاوتی (دادۀ رسانۀ اجتماعی، دادۀ تبادلی، دادۀ بررسی، دادۀ حسگر شبکه و غیره) را در جمعآوری داده از انواع منابع اطلاعاتی اتخاذ میکنند. براساس ویژگیهای دادههای جمعآوری شده، روشهای متفاوتی را میتوان برای کشف هوش بازاریابی اعمال نمود. مدلهای تحلیلی ایجاد شده براساس منبع دادۀ واحد میتواند صرفاً بینشهای محدودی ارائه نماید که به تصمیمات تجاری به طور بالقوه مغرضانه منتج شود. از سوی دیگر، یکپارچهسازی اطلاعات ناهمگن از منابع متفاوت موجب ایجاد دیدگاهی کلی از این دامنه شده و هوش بازاریابی بسیار دقیقتری ایجاد میکند. متاسفانه، یکپارچهسازی ابر داده از منابع مختلف برای ایجاد هوش بازاریابی کاری ساده نیست. این روند، کشف روشهای روش، برنامههای کاربردی و چارچوبهای مدیریت موثر ابر داده در بافت هوش بازاریابی را سرعت میبخشد.
ما دیدگاههای مختلف هوش بازاریابی را بررسی نموده و چارچوبی را برای مدیریت ابر داده در این بافت پیشنهاد میکنیم. ابتدا به شناسایی منابع دادهای معمول در چشماندازهای هوش بازاریابی میپردازیم. سپس، به اختصار به بیان روشهای مناسب در منابع دادهای متفاوت و چشماندازهای بازاریابی میپردازیم. در نهایت، نمونههایی از برنامههای کاربردی در چشماندازهای مختلف را ارائه میکنیم. چارچوب پیشنهادی دستورالعملهایی را برای شرکتها در انتخاب روشها و منابع دادهای متناسب در مدیریت هوش بازاریابی اصلی در برآوردن اهداف راهبردی آنها ارائه میکند.
چارچوب مدیریت ابر داده
چارچوب آمیختۀ بازاریابی، چارچوبی مشهور است که مولفههای اصلی تصمیمات بازاریابی را شناسایی مینماید و شیوه، پژوهش و افکار بازاریابی را در صدر قرار داده است ]6[. بوردن ]5[ به عنوان نخستین اصطلاحات «آمیختۀ بازاریابی» شناخته شده است و مجموعهای از 12 عامل را پیشنهاد نموده است. مککارتی ]29[، دوازده عنصر بوردن را به چهار عامل یا چهار P یعنی محصول (Product)، قیمت (Price)، تبلیغ (Promotion) و مکان (Place) گروهبندی مجدد نموده است. این الگوی 4P بیشترین ارتباط را با بازاریابی مشتری داشته است. با وجود این، از منظر تعریف محصول محوری بازاریابی مورد انتقاد قرار گرفته و پژوهشگران یک P پنجم یعنی مردم (People) را نیز پیشنهاد نمودند ]18[. ما الگوی 5P مربوط به چارچوب آمیختۀ بازاریابی را در این مقاله اتخاذ میکنیم زیرا این چشماندازها نقش مهمی را در توسعۀ راهبردهای بازاریابی موفق در عصر اطلاعات ایفا میکنند.
در این مقاله، چارچوب آمیختۀ بازاریابی را برای مدیریت ابردادههای هوش بازاریابی پیشنهاد میکنیم. این مدل، پژوهش در زمینۀ هوش بازاریابی را به پنج چشمانداز مبتنی بر چارچوب آمیختۀ بازاریابی دستهبندی میکند. علاوه بر این، به شناسایی دادههای معمول، روشها و برنامههای کاربردی در هر چشمانداز پرداخته و ویژگیهای ابردادههای حاکم را با توجه به هر چشمانداز مشخص میکند. این چارچوب دستورالعملهایی را برای تصمیمگیریهای بازاریابی مبتنی بر تحلیل ابر داده ارائه میکند. شکل 1، بررسی اجمالی چارچوب مدیریت ابر دادۀ پیشنهادی را در هوش بازاریابی نشان میدهد. ابتدا، دادههای حاصل از منابع مختلف بازیابی شده و برای تولید هوش بازاریابی اصلی مورد استفاده قرار میگیرند. دوم، انواع روشهای تحلیلی اعمال شده برای تبدیل ابر دادۀ خام به معلومات بازاریابی عملی (هوش) اعمال شده است. در نهایت، هر دو داده و روشها برای پشتیبانی از برنامههای کاربردی بازاریابی با توجه به هر چشمانداز مدل آمیختۀ بازاریابی تلفیق میشود.
داده
پژوهشگران از روشهای متعددی نظیر نظرسنجیها، مصاحبهها، گروههای تمرکز، مشاهدات و آرشیوها برای جمعآوری داده استفاده میکنند . خاطرنشان میشود که روشهای جمعآوری داده با روشهای پژوهشی تفاوت دارند. برای نمونه، اگرچه آزمایشها، روش پژوهشی است که به طور گسترده در بازاریابی مورد استفاده قرار میگیرد، اما پژوهشگران بر نظرسنجیها، مشاهدات یا مصاحبهها به منظور جمعآوری دادههای تجربی تکیه میکنند . نظرسنجیها و دادههای رخدادنگاری دو روش معمول در کسب دادههای هوش تجاری محسوب میشوند . نظرسنجی در قالب «جمعآوری اطلاعات به شکل سازمانیافته و روشمند در مورد ویژگیهای مطلوب از برخی یا تمام واحدهای جمعیت با استفاده از مفاهیم مناسب، روشها و شیوهها تعریف شده و چنین اطلاعاتی را به شکل خلاصهای مفید گردآوری میشود» شرکتها از نظرسنجیها برای جمعآوری داده به منظور مختلف نظیر درک اولویتها و رفتارهای مشتریان استفاده میکنند. برای نمونه، شرکت اَپل، نظرسنجیها را برای مشتریانی که به تازگی یک آیفون خریده بودند فرستاد تا بازخوردهای آنها را در مورد خرید و تجربه استفاده از آن محصول دریابند.
دادههای رخدادنگاری ایجاد شده از طریق اطلاعات، سیستمهایی است که گزارشهای انتقالی و رفتار کاربر را ضبط میکنند. برای نمونه، والمارت شروع به کاوش در تحلیل دادههای رسانۀ اجتماعی نمود تا نظرات مشتری را در مورد شرکت یا محصول خاص به دست آورد دادههای رخدادنگاری و نظرسنجی میتوانند برحسب اندازه، کیفیت، تناوب، اهداف، ماهیتها و روشهای پردازش متفاوت باشند . این دو روش جمعآوری داده یکدیگر را در بافتهای تجاری مختلف تکمیل میکنند. هنگامی که بخواهیم دادههای یک پدیدهای که به طور مستقیم مشاهده نشده را جمعآوری کنیم، نظرسنجیها میتوانند مفید باشند. دادههای رخدادنگاری هنگامی اولویت دارند که نتایج بلادرنگ درمورد رفتار کاربر مورد نیاز باشد. این دو روش میتوانند با هم ترکیب شوند آن هم زمانی که بخواهیم رابطۀ بین مقصود کاربرد و رفتار آن را مطالعه کنیم. این روش مزایا و معایبی دارد و مضاف بر این معتقدیم که مدیریت ابرداده باید دو روش را مدنظر داشته باشد.
روشها
هوش بازرگانی به توسعۀ بینشهای حاصل از دادههای مربوط به تصمیمگیری بازاریابی بستگی دارد. روشهای دادهکاوی میتوانند در انجام چنین هدفی از طریق استخراج یا شناسایی الگوها یا پیشبینی رفتار مشتری نسبت به پایگاههای دادههای بزرگ کمک کند. براساس مقالات مربوط به دادهکاوی، روشهای معمول دادهکاوی مشتمل بر کاوش ارتباط، دستهبندی، خوشهبندی و بازگشت (رگرسیون) باشد . ما به انتخاب روشهای دادهکاوی مناسب براساس ویژگیهای داده و مسائل کسب و کار نیاز دارد .
برنامههای کاربردی
بخشبندی مشتری و پروفایل مشتری
به منظور بازاریابی کارآمد، لازم است تا گروه خاصی از مشتریانی را شناسایی کنیم که اولویتهای مشابه را به اشتراک گذاشته و به سیگنالهای ویژۀ بازاریابی پاسخ میدهند. برنامههای کاربردی بخشبندی مشتری میتوانند به شناسایی جوامع (بخشهای) مختلف مشتریان کمک کنند و علایق مشابهی را به اشتراک بگذارند. کیم و همکاران گروههای مشتری خوشهای را با توجه به ویژگیهای چرخۀ عمر پیشنهاد نموده است. به طور معمول، خوشهبندی متعدد و روشهای دستهبندی برای بخشبندی مشتری و پروفایل کاربر استفاده شده است. با وجود این، بخشبندی مشتری به طور فزایندهای تحت محیط ابرداده به چالش درآمده است. برای نمونه، به منظور ایجاد تفاوت بین گروههای مشتریان برای برنامههای کاربردی ارتباطی، لازم است تا به تحلیل دادههای تماس آنها جدا از جمعیتشناسی بپردازیم . حجم دادههای تماسی زیاد است (برای نمونه، زمان ارتباط بین هر جفت از مشتریان در هر روز) و تنوع دادهها باید مدنظر قرار گیرد (برای نمونه، دادههای دموگرافی کمی و گزارشهای تماس کیفی). در واقع، در مورد بازاریابی تفصیلیتر (برای نمونه، بازاریابی یک به یک)، ما در مورد شناسایی گروههای مشتریان مشابه صحبت نمیکنیم بلکه «پروفایل» هریک از مشتریان مجزا به گونهای که متناسبترین خدمات / محصولات برای شایستهترین افراد بازاریابی شود موجب ایجاد روندی از دادههای مصرف خدمات مشتری به دست آمده در زمان واقعی میشود .
هستیشناسی محصول و مدیریت شهرت محصول
موریناگا و همکاران ، برای کاهش ضعفهای بازیابی محدود به شهرت محصول از طریق دادههای نظرسنجی، چارچوب خودکاری را برای پایش شهرت انواع محصولات از طریق کاوش محتویات وب ایجاد کرد. فناوریهای کاوش خوشهبندی و ارتباط، متداولترین روشهای به کار رفته برای پشتیبانی از برنامههای کاربردی مدیریت شهرت محسوب میشوند. دی و همکاران به تازگی روش مدیریت شهرتی را پیشنهاد نمودهاند که نه تنها دادههای شهرت مبتنی بر متن را از وب کاوش میکند بلکه وجهههای گرافیکی محصول را مورد نظر قرار میدهد که به وب ارسال شده است. با این وجود، در زمان نگارش این مقاله، بیست میلیون تصویر در اینستاگرام آپلود شده است . با توجه به اندازۀ فوقالعادۀ تصاویر آرشیو شدۀ آنلاین، تحلیل حجم خالص تصاویر به ازای مدیریت شهرت محصول بسیار چالشی خواهد بود و نیازی به ذکر انواع چارچوبهای دادۀ منبع نیست (برای نمونه، متن در مقایسه با تصاویر). برای انجام تحلیل خودکار مولفههای متنی ارسال شده به وب به ازای مدیریت شهرت محصول، توسعۀ بازنمایی غنی مبتنی بر کامپیوتر اطلاعات محصول به منظور تحلیل شهرت محصول مربوطه ضروری است. به تازگی، روش کاوش هستیشناسی محصول خودکار که از طریق الگوسازی عنوان پوشیده تایید شده است برای ایجاد هستیشناسیهای محصول براساس تشریح متنی محصول استخراج شده از رسانههای اجتماعی آنلاین کشف شده است . هستیشناسیهای محصول ایجاد شده به صورت خودکار به عنوان مبنایی برای برنامههای کاربردی پشتیبانی محصول و دیگر کاربردهای هوش بازاریابی میتواند مورد استفاده قرار گیرد. با وجود این، با توجه به دشواریهای محاسباتی ایجاد شده در استخراج هستیشناسی محصول خودکار از رسانۀ اجتماعی آنلاین، روشهای محاسباتی جدیدی باید برای انطباق با حجم، سرعت و تنوع موضوعات مربوط به دادههای رسانۀ اجتماعی وسیع تدوین شود.
تحلیل بازاریابی تبلیغاتی و سیستمهای پیشنهادی
در محیط کسب و کار به شدت رقابتی، سالانه میلیاردها دلار صرف تبلیغات میشود . بنابراین، تحلیل بازاریابی تبلیغاتی توجه بسیاری را از سوی حرفهای و پژوهشگران به خود جلب کرده است. راهبردهای تبلیغاتی کارآمد یکی از عوامل اصلی موفقیت شرکتها در راستای افزایش فروش و درآمد سالانه محسوب میشود ]4[. دادههای تبلیغاتی به طور معمول مشتمل بر اطلاعاتی در مورد انواع تبلیغات (کاهش قیمت یا کوپنها)، زمان تبلیغات و گزارشهای خرید در طول دورۀ تبلیغاتی است. پژوهشهای اولیه مرتبط با تحلیل بازاریابی تبلیغاتی بیشتر بر تحلیل چگونگی پاسخ انواع مختلف مشتریان به راهبردهای تبلیغاتی متفاوت یا چگونگی تاثیرگذاری مقلولههای مختلف محصول بر کارآیی راهبردهای تبلیغاتی است . اکثر فعالیتهای فعلی از روشهای رگرسیونی (بازگشت) برای بررسی تبلیغات در چارچوبهای متفاوت استفاده میکند .
در محیط ابردادهها، اکثر دادههای رخدادنگاری برای تحلیل تبلیغات موجود است. پژوهش اخیر WOM برگرفته از تبلیغات و بررسیهای مشتری را مورد مطالعه قرار داده است . مولفین رابطۀ جایگزینی بین حجم WOM و کوپنها یافتهاند اما رابطۀ تکمیلی بین حجم WOM و تبلیغات کلیدواژگانی وجود دارد. تحلیل بازاریابی تبلیغاتی میتواند مشتمل بر عوامل دیگر چشماندازها نظیر قیمت و مکان باشد. برای نمونه، با استفاده از فناوریهای موبایل و خدمات موقعیت محور، شرکتها میتوانند از اطلاعات مربوط به موقعیت مشتری برای بهبود راهبرد تبلیغات و انتخاب مشتریان هدف استفاده کنند.
برای بهبود آگاهی محصول و ارتقاء محصولات از نظر مشتریان بالقوه، سیستمهای پیشنهادی به طور گسترده در بافتهای تجارت الکترونیک مورد استفاده قرار گرفته است . روشهای فیلترینگ مشارکتی مبتنی بر امتیاز یا روشهای کاوش ارتباط محتوا محور به طور معمول برای بهبود سیستمهای پیشنهادی به کار میروند. با وجود این، روشهای فعلی نمیتواند ابر دادهها را افزایش مقیاس دهد. برای نمونه، با فرض امتیازهای N کاربر، دشواری محاسباتی کلی روش فیلترینگ مشارکتی به صورت N2 است . بنابراین، افزایش مقیاس سیستمهای پیشنهادی فعلی برای انطباق با ابر دادهها (برای نمونه، N = دهها میلیون) و ارائه پیشنهادات مناسب برای مشتریان بالقوه در زمان واقعی همانگونه که در محیطهای تجارت الکترونیک انتظار میرفت، امری چالشی محسوب میشود. این روند دلیل این مسئله محسوب میشود که چرا «سرعت» یکی از موضوعات چالشی در چشمانداز «تبلیغات» در بافت هوش بازاریابی محسوب میشود.
راهبرد قیمتگذاری و تحلیل رقیب
پژوهشهای بسیاری در مورد اینکه مدیران باید کدام راهبرد قیمتگذاری را تحت موقعیتهای مختلف دنبال کنند. به طور معمول، پژوهشهای تجربی در مورد راهبردهای قیمتگذاری از دادههای نظرسنجی و روشهای رگرسیون استفاده میکند. برای نمونه، پژوهشگران از نظرسنجی ایمیلی به صورت ملی برای بررسی دترمینانهای راهبردهای قیمتگذاری استفاده کردهاند . آنها دریافتند که راهبردهای قیمتگذاری در موقعیتهای مختلف بازاریابی اولویت دارند. رشد تجارت الکترونیکی اطلاعات موجود در وبسایتها را قیمتگذاری کرده و پژوهشگران شروع به استفاده از دادههای رخدادنگاری برای بررسی راهبرد قیمتگذاری در وبسایتهای تجارت الکترونیک نمودند. برای نمونه، پژوهش اخیر از روشی برای برآورد سطوح نیازهای رتبۀ فروش استفاده کرده و کشش تقاضا ، هزینههای متغیر و بهینگی انتخابهای قیمتگذاری را به طور مستقیم از دادههای تجارت الکترونیک عمومی موجود استخراج نمودهاند. براساس دادههای برگرفته از منابع دادهای رخدادنگاری متفاوت، آنها میتاونند بهینگی تفاوت قیمت را مطالعه کنند. از آنجا که روشهای رگرسیونی به صورت گستردهای برای برنامههای کاربردی پیشبینی قیمت استفاده شدهاند، روشهای کاوش ارتباط برای برنامههای تحلیل رقیب اعمال شده است. برنامۀ کاربردی تحلیل رقیب صرفاً به شناسایی رقبای بالقوۀ شرکت نمیپردازد؛ بلکه به صورت کارآمد محصولات رقابتی بالقوه و بافتهای محصول را کشف میکند . این نوع برنامۀ کاربردی سودمندی تسهیل جنبۀ «قیمتی» مدل آمیختگی بازاریابی را اثبات کرده است. با وجود این، حجم خالص اطلاعات قیمتدهی محصول بر روی وب نیز چالشهای جدیدی را برای افزایش مقیاس برنامههای کاربردی فعلی با ابردادهها مطرح نموده است.
تبلیغات مبتنی بر مکان و تحلیل پویای جامعه
مکان نیز بعد مهمی در تحلیل بازاریابی محسوب میشود. پژوهشهای مربوط به بازاریابی مبتنی بر مکان بر تاثیر مکانهای راهبردهای بازاریابی تمرکز دارد. برای نمونه، پژوهشگران از نظرسنجی برای جمعآوری دادههای مشتری و بررسی سطوح متفاوت بازاریابی مبتنی بر مکان در قالب حوزههای راهبردهای اصلی مورد استفاده از سوی کارخانههای شرابسازی در تلاشهای مربوط به برندسازی آنها استفاده کردهاند .
با استفادۀ گسترده از فناوری موبایل، خدمات مبتنی بر مکان (LBS) میتواند اطلاعات شخصی کاربران را در موقعیت خاص در زمان ویژه ارائه نماید. تبلیغات مبتنی بر مکان به عنوان راهبرد بازاریابی کارامد پیشنهاد شده است . مکان یکی از مهمترین راه حلها برای رفع نیازهای مشتریان محسوب میشود و منبع ارزشمندی برای شخصیسازی اطلاعات بازاریابی محسوب میشود. در تبلیغات مکان محور، مشتریان میتواند تبلیغات به موقع یا پیشنهادات محصول مبتی بر جایگاه فعلی یا موقعیت پیشبینی شدۀ آتی دریافت نمایند. تبلیغات مبتنی بر مکان ابزاری جدید برای شرکتها در جهت جذب مشتریان بیشتر و ارتقاء ارزش برند ارائه میکنند. یکی از چالشهای مربوط به تبلیغات مبتنی بر مکان همان چگونگی پیشبینی دقیق مکان مشتریان محسوب میشود. هم دادههای موقعتی و هم فضایی، هر دو باید در نظر گرفته شوند (الگوی حرکت موقعیت به سوی خدمات مبتنی بر مکان). ما به پردازش حجم انبوهی از دادههای موقعیت و فضایی در بازۀ زمانی کوتاه پیش از حرکت مشتریان به سوی موقعیتهای جدید نیاز داریم. بنابراین، موضوع «سرعت» ابر دادهها یکی از چالشآورترین جنبههای تبلیغات موقعیت محور محسوب میشود.
پژوهشگران به دادههای رخدادنگاری در شبکههای اجتماعی مبتنی بر مکان به منظور آشکارسازی پروفایلهای کاربران دستیافتهاند؛ این پروفایلهای کاربران که به صورت خودکار آشکار شده است دارای توان بالقوه برای استفادۀ بعدی در مکان مبتنی بر بازاریابی هدف است . روشهای رگرسیونی و طبقهبندی اغلب از برنامههای کاربردی بازاریابی مبتنی بر مکان استفاده میکنند. در پژوهشی دیگر، کاسترو و همکاران به ردیابیهای GPS افراد برای آشکارسازی دینامیکهای موقعیت محور جوامع مختلف نفوذ کردند. از طریق تحلیل دینامیکهای جوامع محلی، میتوان به پیشبینی اولویتهای محصول / خدمات در حال تغییر آنها پرداخت. در نتیجه، راهبردهای بازاریابی کارآمد را میتوان با توجه به دینامیکهای زمان و مکان گروه مشتریان گسترش داد.
با وجود این، این نوع برنامههای کاربردی به هر دو مقولۀ «سرعت» و «تنوع» ابر دادهها نیاز دارند. برای نمونه، هر دو دادۀ مرتبط میان کاربران در شبکههای اجتماعی موقعیت محور و سیگنالهای GPS باید تحلیل شوند تا دینامیکهای موقعیت محور جامعۀ محلی را کشف کنند. علاوه بر این، از آنجا که افراد میتوانند به صورت مداوم حول مکانهای متفاوت گردش داشته باشند، برنامههای کاربردی بازاریابی مبتنی بر مکان باید قادر به پاسخگویی سریع به منظور نگهداشت حساسیت مکانی با توجه به مشتریان در حال حرکت مداوم باشند.
جهتهای پژوهشی آینده
ما استفاده از چارچوب آمیختگی بازاریابی را برای هدایت پژوهش در مدیریت ابر داده در راستای هوش بازاریابی پیشنهاد کردیم. ما به شناسایی منابع داده، روشها و برنامههای کاربردی در چشماندازهای بازاریابی متفاوت پرداختیم. در آینده به بحث در مورد موضوعات چالشی مرتبط با مدیریت ابر دادهها در بافت چشماندازهای بازاریابی متفاوت خواهیم پرداخت. براساس این چارچوب، به جهتهای پژوهشی آتی در مدیریت ابرداده میپردازیم.
1- چگونگی انتخاب منابع دادۀ متناسب برای اهداف خاص. مقدار دادۀ موجود در حال افزایش است. روشهای فعلی به ما امکان پردازش تمام دادههای موجود را به شیوهای به موقع نخواهد داد. بنابراین، انتخاب داده در واقع تصمیم مهمی برای مدیریت هوش بازاریابی محسوب میشود. چگونگی انتخاب داده که میتواند بیشترین ارزش را برای تصمیمگیری تجاری ارائه نماید مستلزم پژوهش آتی در همترازی بین اهداف هوش بازاریابی و داده محسوب میشود.
2- چگونگی انتخاب روشهای تحلیل دادهای مناسب. روشهای بسیاری وجود دارند که میتوانند برای پردازش داده مورد استفاده قرار گیرند. با توجه به مجموعۀ دادۀ خاص، بسیاری روشها میتوانند کاربردی باشند. رگرسیون و دستهبندی به طور معمول برای پیشبینی مورد استفاده قرار میگیرد در حالی که خوشهبندی و کاوش قانون تداعی برای تشریح مورد استفاده قرار میگیرد. علاوه بر این، ابر دادهها موضوعاتی نظیر تشریح نامتوازن داده و تعداد زیاد متغیرها را به همراه دارد و در عین حال نمیتواند به طور کارآمد از طریق روشهای فعلی کاوش داده مدیریت شود. ما به بهبود روشهای فعلی برای افزایش کارآمدی و دقت نیاز داریم.
3- نحوۀ ترکیب منابع مختلف داده برای بررسی مسائل بازاریابی پیچیده. اکثر پژوهشهای فعلی از دادههای حاصل از یکی از منابع دادهای واحد استفاده میکند. با وجود این، برخی مسائل کسب و کاری پیچیده مستلزم تلفیق داده از منابع مختلف است. برای نمونه، به منظور مطالعۀ تاثیر رفتار رسانۀ اجتماعی بر رفتار خرید، به ترکیب دادۀ رسانهای اجتماعی و گزارشهای تبادلی نیاز داریم.
4- هنگام استفاده از منابع دادهای متفاوت برای مطالعۀ مسائل مشابه بازار، چگونگی برخورد با ناهمگنی میان منابع داده حائز اهمیت است. برای نمونه، هم بررسیهای مشتری و هم دادههای مربوط به رسانههای اجتماعی میتاونند برای مطالعۀ نظرات مشتری در قبال شرکت یا محصول مورد استفاده قرار گیرد. با وجود این، روشهای جمعآوری داده و تحلیل میتوانند به دلیل ساختار متفاوت، کیفیت و دانهای بودن و عینیت متفاوت باشند. علاوه بر این، دادههای مربوط به نظرسنجی و دادههای مربوط به رخدادنگاری نیز میتوانند برای بررسی مسائل بازاریابی یکسان مورد استفاده قرار گیرند. چگونگی انجام نظرسنجیها در رسانههای اجتماعی و تایید نتایج آن با دادۀ رخدادنگاری در رسانه اجتماعی به مسئلهای مهم در پژوهش تجارت الکترونیک و برنامههای کاربردی تبدیل شده است.
5- چگونگی توازن سرمایهگذاریها در فناوریهای هوش بازاریابی. هوش بازاریابی ابر دادهها به منبع رقابتی برای رفتار مشتری و برنامهریزی محصول تبدیل شده است؛ بنابراین، تمام شرکتها باید در زیرساخت ابر دادهها مشتمل بر علم آماری داده و پلتفرمهای ابر دادهای سرمایه گذاری کنند.
6- دادۀ انواع چارچوبها و کیفیتها به رشد خود ادامه داده و باید دیجیتالی شوند. اگرچه دادۀ با مقیاس پتا (برای نمونه، پتابایتهای گزارشهای مشتری) میتواند به عنوان ابرداده لحاظ شود، حجم یکسانی از داده در عرض چند سال را ابرداده تصور کرد. شایان ذکر است که به طور مداوم به اصلاح چارچوب، روشها و فناوریهایی بپردازیم که در این مقاله به منظور برآوردن چالشهای مربوط به هوش تجاری پیشرفتهتر در نسل آتی مدیریت ابر داده مورد بحث قرار گرفت.
پایان
ارتباط مقاله با موضوع وبلاگ:
ابهامزدایی تحلیل ابردادهها در هوش تجاری و ارتباط آن با بازاریابی گروه صنعتی انتخاب
مقاله «ابهامزدایی تحلیل ابر دادهها در هوش تجاری از طریق لنزهای آمیخته بازاریابی» نشان میدهد که تحلیل ابر دادهها زمانی برای مدیران ارزش واقعی ایجاد میکند که در قالب تصمیمهای بازاریابی و نه صرفاً تحلیلهای فنی مورد استفاده قرار گیرد. این دیدگاه بهطور مستقیم با مدیریت بازاریابی شرکتهای بزرگ و چندبرندی مانند گروه صنعتی انتخاب (اسنوا و دوو) مرتبط است.
۱. چرا لنز آمیخته بازاریابی (5P) برای گروه صنعتی انتخاب حیاتی است؟
گروه صنعتی انتخاب با حجم عظیمی از دادهها مواجه است:
دادههای فروش نمایندگیها
دادههای رفتار مشتریان در وبسایت و شبکههای اجتماعی
نظرات مشتریان درباره کیفیت محصولات
دادههای تبلیغاتی تلویزیونی، دیجیتال و محیطی
طبق این مقاله، اگر این دادهها بدون چارچوب آمیخته بازاریابی تحلیل شوند، خروجی آنها بینشهای پراکنده و حتی گمراهکننده خواهد بود. چارچوب 5P (مردم، محصول، قیمت، مکان، ترفیع) به مدیر بازاریابی کمک میکند تا بداند:
کدام داده با کدام روش برای کدام تصمیم بازاریابی باید تحلیل شود.
۲. مردم (People) و تحلیل رفتار مشتریان اسنوا و دوو
در مقاله تأکید میشود که تحلیل ابر دادهها امکان پروفایلسازی دقیق مشتریان را فراهم میکند.
در مورد گروه صنعتی انتخاب، این به معنای:
شناسایی الگوهای مصرف خانوادههای ایرانی
تفکیک مشتریان اقتصادی، میانرده و پریمیوم
تحلیل نظرات واقعی مشتریان در شبکههای اجتماعی است.
تحلیل شخصی:
کمپینهای تبلیغاتی اسنوا و دوو زمانی اثربخش خواهند بود که مبتنی بر تحلیل همزمان دادههای نظرسنجی و دادههای رخدادنگاری (رفتار واقعی مشتری) باشند؛ نه فقط فرضیات ذهنی مدیران.
۳. محصول (Product) و مدیریت شهرت برند
مقاله نشان میدهد که تحلیل ابر دادهها امکان پایش شهرت محصول در مقیاس وسیع را فراهم میکند.
برای برندهایی مانند اسنوا و دوو:
هر نظر منفی در اینستاگرام
هر تصویر یا ویدئوی تجربه مشتری
هر محتوای تولیدشده توسط کاربر
بخشی از دادههای ابردادهای شهرت محصول است.
تحلیل شخصی:
اگر گروه صنعتی انتخاب از تحلیل متنی و تصویری دادههای شبکههای اجتماعی استفاده کند، میتواند قبل از تبدیل شدن نارضایتیها به بحران برند، آنها را شناسایی و مدیریت کند. این موضوع مستقیماً به موفقیت کمپینهای تبلیغاتی آینده کمک میکند.
۴.ترفیع (Promotion) و تحلیل کمپینهای تبلیغاتی
بخش مهمی از مقاله به تحلیل تبلیغات مبتنی بر ابر دادهها اختصاص دارد.
این دقیقاً همان نقطهای است که با موضوع وبلاگ همپوشانی دارد.
در مورد اسنوا و دوو:
تحلیل اثربخشی تبلیغات تلویزیونی
بررسی واکنش کاربران در شبکههای اجتماعی
ارتباط بین تبلیغات، WOM و فروش
همگی با استفاده از دادههای رخدادنگاری امکانپذیر است.
تحلیل شخصی:
کمپینهای تبلیغاتی موفق اسنوا زمانی فروش زیادی دارد که دادههای تبلیغاتی، دادههای فروش و دادههای شبکههای اجتماعی بهصورت یکپارچه تحلیل شوند؛ دقیقاً همان چالشی که مقاله به آن اشاره میکند.
۵.قیمت (Price) و مکان (Place) در تصمیمات بازاریابی انتخاب
مقاله توضیح میدهد که ابر دادهها امکان:
تحلیل رقبا
قیمتگذاری پویا
تبلیغات مبتنی بر مکان
را فراهم میکنند.
تحلیل شخصی:
در بازار لوازم خانگی ایران که رقابت شدید است، استفاده از دادههای فروش منطقهای و رفتار مشتریان محلی میتواند به اسنوا و دوو کمک کند تا:
کمپینهای منطقهای دقیقتر اجرا کنند
تخفیفها و پیامهای تبلیغاتی متناسب با هر بازار محلی طراحی شوند
جمعبندی نهایی
این مقاله نشان میدهد که تحلیل ابر دادهها بهتنهایی مزیت رقابتی ایجاد نمیکند، بلکه نحوه اتصال آن به تصمیمات بازاریابی عامل اصلی موفقیت است.
در وبلاگ حاضر، بررسی کمپینهای تبلیغاتی گروه صنعتی انتخاب در کنار مفاهیم ابر داده و هوش تجاری نشان میدهد که چارچوب آمیخته بازاریابی میتواند:
ابهام دادهها را کاهش دهد وتصمیمات بازاریابی را هوشمندانهتر کند و اثربخشی کمپینهای تبلیغاتی اسنوا و دوو را افزایش دهد.
- ۰ ۰
- ۰ نظر
