ارائه‌دهنده‌ی راهکارهای نرم‌ افزارهای سازمانی
ارائه‌دهنده‌ی راهکارهای نرم‌ افزارهای سازمانی

الفبای آنالیز داده‌های بزرگ

«داده‌های بزرگ» (Big Data) می‌تواند منجر به ایجاد تحول در میان کسب‌و‌کارهای مختلف شود، البته اگر در این مسیر از چند اصل پیروی کنند.
منظور از داده‌های بزرگ، انفجار اطلاعات قابل سنجشی است که بسیاری از آن‌ها از طریق رفتار مردم در محیط اینترنت و رسانه‌های جمعی حاصل می‌شود؛ که توانسته تخیل شرکت‌ها، دانشگاهیان و مطبوعات کسب‌و‌کار را به تسخیر خود درآورد. ایده ترسیم نتایجی درمورد تمایلات خرید مشتریان از روی اطلاعات و جزئیات مربوط به فعالیت‌های آن‌ها، بسیاری از مدیران اجرایی را به‌ خود جذب کرده‌است، اطلاعاتی مانند اینکه شرکت‌ها با چه تیپ افرادی در تعامل هستند و این افراد در محیط‌های مجازی چه ویژگی‌هایی را برای خود در نظر گرفته‌اند، منجر به ترسیم طرحی دقیق از گرایش‌های خرید در مشتریان می‌شود. این رویکرد جدید تا حدی از این حقیقت منشا گرفته که داده‌های لازم برای تحلیل مبتنی بر اینترنت قبلا روی کامپیو‌تر جمع‌آوری شده و تنها به اعمالی مانند طبقه‌بندی، فیلترینگ و مدل‌سازی نیاز دارد.
بدون شک «داده‌های بزرگ» می‌تواند گام مهمی برای تغییر در نتایج بازی در میان بازاریابان محسوب شود، اما در این روند برخی بیش از سایرین به منفعت دست می‌یابند. امروزه وجود ابزارهای اتوماتیک بسیار برای داده‌کاوی موجب شده بسیاری از مدیران تصور کنند که قادرند به راحتی به کشف روندهایی بپردازند که سابقا قابل رویت نبوده‌است. اما آنالیز در حوزه بازاریابی چیزی فرا‌تر از آگاهی از حقایق موجود درمورد مشتریان است، بلکه نیاز به وجود تحلیل‌گرانی دارد که با طرح سوالات درست به تصمیمات درست دست یابند.
برای پاسخ‌گویی به این سوالات و استفاده کامل از پتانسیل «داده‌های بزرگ»، شرکت‌ها باید چند اصول اولیه را به‌کار گیرند. پس از درگیری نزدیک با آنالیز بازاریابی در طول ۲۵ سال اخیر، سه درس عملی آموخته‌ام که همواره در مرکز یک برنامه آنالیز قوی قرار دارد و امروزه باید راهنمای شما در ابتکارات و طرح‌هایی باشد که ارائه می‌دهید: تکیه بر روش‌های مبتنی بر تئوری، عدم داده‌کاوی کور، توسعه یک دیدگاه جامع از مشتریان و بازار خود و یادگیری از طریق اجرا.

همه‌چیز با یک تئوری آغاز می‌شود
بدون وجود یک نظریه در این باره که مصرف‌کنندگان چگونه تمایلات و ترجیحات خود را شکل داده و مطابق با آن‌ها عمل می‌کنند، تحلیلگر به‌سرعت در حجم زیاد اطلاعات موجود غرق می‌شود و کمک گرفتن از تمام قدرت پردازش دنیا نیز نمی‌تواند کاری از پیش‌برد. نقطه آغاز در این روند باید یک فرضیه صریح و روشن درمورد نیازهای مشتریان باشد و اینکه چگونه می‌توانید برای آن‌ها ایجاد ارزش کنید. ممکن است این فرضیه مربوط به تولید محصول جدیدی در آزمایشگاه شما که تصور می‌کنید پتانسیل تبدیل به یک شاهکار را دارد یا ممکن است در بازار شما مشتریانی باشند که نسبت به فروشنده خاصی وفادار نیستند- رای‌دهندگان مرددی که می‌توانید با کمی تغییر در گزاره‌های پیشنهادی خود، آن‌هارا به خدمات خود جذب کنید. به‌محض اینکه داده‌های مورد نیاز برای آزمون فرضیه خود را جمع‌آوری کنید، آنالیز آن‌ها معمولا شما را به‌سمت ایده‌های خاص برای توسعه گزاره‌های ارزشیِ برنده و وارد کردن آن‌ها به بازار راهنمایی می‌کند. دسته‌بندی دقیق مشتریان براساس رفتار‌ها، اولویت‌ها و ترجیحات مشابه در آن‌ها می‌تواند شما را به سمت استراتژی‌های هدفمندتری رهنمون سازد.
برای مثال یک شرکت داروسازی سعی در افزایش فروش دارویی داشت که فروش آن رو به کاهش بود و در این راستا کارمندان فروش عقب‌نشینی کرده بودند، این شرکت فکر کرد اگر فروشندگان موجود را به‌شکل استراتژیک‌تری به‌کارگیرد ممکن است به منافع دلخواه دست یابد. مدیران این کمپانی به طرح این فرضیه پرداختند که طرح فروش آن‌ها در حال حاضر آن دسته از پزشکانی را که پتانسیل بالاتری برای تجویز این دارو دارند، هدف قرار نداده است. برای آزمون این فرضیه، کمپانی به جمع‌آوری مجموعه‌ای بزرگ از داده‌ها درباره تمام پزشکانی اقدام‌کرد که به درمان بیماری‌هایی می‌پرداختند که منجر به تجویز این دارو می‌شد. اطلاعاتی مانند اینکه پزشکان جامعه هدف چه تعداد نسخه در سال می‌نویسند، آیا تعداد این نسخه‌های نوشته‌شده در حال افزایش است یا کاهش و اینکه این پزشکان نسبت به کدام نوع از فرمولاسیون این دارو علاقه نشان می‌دهند (شرکت خود یا رقیب اصلی آن‌ها) این اطلاعات به کمپانی این امکان را داد که بتواند بهترین نقطه بازار را شناسایی کند: یعنی تیم بازاریابی برای شروع پزشکانی که بیشترین تعداد نسخه را داشتند هدف فعالیت‌های خود قرار داد، بعد از آن افرادی که در حال افزایش تعداد نسخه‌های خود بودند و در آخر گروهی که نسبت به فرمولاسیون این دارو در شرکت وفادار نبودند و نسخه‌پیچی برای داروی مربوط به این کمپانی و کمپانی رقیب برایشان تفاوتی نداشت و از این طریق به نتایجی بیش از انتظارات خود دست یافت.

ایده ترسیم نتایجی درمورد تمایلات خرید مشتریان از روی اطلاعات و جزئیات مربوط به فعالیت‌های آن‌ها، بسیاری از مدیران اجرایی را به‌ خود جذب کرده‌است، اطلاعاتی مانند اینکه شرکت‌ها با چه تیپ افرادی در تعامل هستند و این افراد در محیط‌های مجازی چه ویژگی‌هایی را برای خود در نظر گرفته‌اند، منجر به ترسیم طرحی دقیق از گرایش‌های خرید در مشتریان می‌شود.

یک روز در زندگی
یکی از درس‌های کلیدی در تاریخ علم بازاریابی این است: زمانی‌که یک منبع جدید داده ایجاد می‌شود و در دسترس قرار می‌گیرد، همگان سریعا شیفته آن می‌شوند، اما کمپانی‌های هوشمند یک گام به عقب برداشته و تلاش می‌کنند تا یک چشم‌انداز کلی‌گرایانه از مشتریان و بازار خود داشته‌باشند، آن‌ها با اشتیاق به کاوش در منبع داده جدید می‌پردازند اما در کنار آن توجه دارند که نسبت به اطلاعات دیگر که ممکن است عدم توجه به آن‌ها به‌شکل تکه‌های گم‌شده‌ای در روند آنالیز آن‌ها نمایان شوند، بی‌توجه نباشند.
به خاطر داشته باشید این اولین بار نیست که انقلاب در حوزه اطلاعات روند بازی را برای صاحبان بازار تغییر داده است، گذار‌ها و تحولات قبلی نیز اغلب مسیر همواری نبوده است. در اواسط ۱۹۸۰، معرفی بارکد برای کالا‌ها و امکان اسکن آن‌ها شرکت‌ها را قادر ساخت اطلاعات دقیق مربوط به فروش تک تک محصولات خود را جمع‌آوری کنند؛ تا قبل از آن داده‌ها محدود بود، شرکت‌ها می‌دانستند چه چیز را روانه بازار می‌کنند و تنها می‌توانستند از مردم بپرسند که تمایل به خرید چه چیزی دارند. اما با ظهور اسکنر‌ها، آن‌ها می‌توانستند دقیقا بفهمند در محل هر یک از خرده‌فروشی‌های آن‌ها چه اتفاقی می‌افتد. درسال‌های اولیه ورود تکنولوژی، این دانش جدید باعث شد بسیاری از کسب‌و‌کار‌ها گام‌های اشتباهی بردارند. در آن سال‌ها چون مدیران اطلاعات دقیقی از مقدار فروش خود داشتند بیش از حد بر روش‌هایی برای افزایش سریع فروش خود تمرکز کردند مانند: price promotions (یک استراتژی قیمت‌گذاری که در آن قیمت خدمات یا محصولات خود را موقتا کاهش می‌دهند، از روش‌هایی مانند یکی بخرید دوتا ببرید و مشابه آن، تا مشتریان را به برند خود جذب کنند درحالیکه تحقیقات نشان می‌دهند این روش تاثیر زودگذری دارد و به محض بازگشت قیمت‌ها به مقادیر اصلی خود مشتریان به الگوهای قبلی خود در خرید بازمی‌گردند.) و از اصول پایه‌ای بازاریابی غافل شدند، اصولی مانند ساختن برند معتبر و ارتقاء ارزش برند خود از دید مشتریان، که باعث می‌شود مصرف‌کنند تمایل داشته‌باشد هزینه‌ای اضافی نسبت به سایر محصولات مشابه را برای برند شما بپردازند. اما شرکت‌ها با گذشت زمان به توسعه مدل‌های آماری پیچیده‌تری پرداختند و دوباره انرژی خود را متمرکز کردند و اسکنر‌ها به بزرگ‌ترین مزیت در بازاریابی مصرف کنندگان و خرده‌فروشی طی ۳۰ سال گذشته تبدیل شد. (امروزه این دانش گسترش یافته و شامل اطلاعاتی شده‌، که به خرده‌فروشان این امکان را می‌دهد تا از آنچه هر خانوار در سبد خرید خود قرار می‌دهد یا رفتاری که در خرید آنلاین نشان می‌دهند مطلع شوند.)
مانند مدل‌های ناقص بازگشت سرمایه (ROI) در سال‌های اولیه ورود بارکد، اغلب آنالیزهای جدید‌ترین داده‌های بزرگ می‌تواند گمراه‌کننده باشد. بسیاری از خرده‌فروشان می‌گویند من همه‌چیز را درمورد چیزهایی که باعث زیان رسیدن به فروش من می‌شوند می‌دانم و اطلاعات زیادی درمورد مشتریان خود دارم. اما زمانیکه چیزهای بیشتری در قفسه فروشگاه قرار می‌دهید که مشابه چیزهایی است که مشتریان قبلا خریده‌اند، به رشدی که انتظار دارید دست نمی‌یابید.
اما نادیده‌گرفتن چه‌چیزهایی منجر به این اشتباهات می‌شود؟ این احتمال وجود دارد که با تمرکز بر جدید‌ترین منبع داده، فروشندگان ناخواسته دچار دیدگاهی یک‌بعدی نسبت به مشتریان خود شوند. در صورتیکه به گسترده‌ترین دیدگاه ممکن از مسیری که مصرف‌کننده برای خرید طی می‌کند نیاز دارند. ما گاهی این دیدگاه را «یک روز در زندگی» می‌نامیم، به معنی درک کامل از اینکه تعامل شما با مصرف‌کننده چقدر با دیگر تعاملات وی با سایر فروشندگان و کسب‌و‌کار‌ها متناسب است. بدون داشتن دیدگاه نسبت به اینکه چه‌چیز باعث می‌شود مشتری برای دریافت خدمات به جایی به جز شما روی آورد، هرگونه رشد در ابتکارات شما بی‌فایده است.

یادگیری راه‌رفتن قبل از دویدن
قدم‌های اول برای بدست‌آوردن، هماهنگ کردن و کاوش در داده‌های جدید غالبا منجر به ایجاد بینش‌های جدید برای شما می‌شود، اما همگام با جمع‌آوری این بینش‌ها مهم است که پذیرای روش‌های جدید دیگر نیز باشید. ممکن است در مورد مشتریان خود چیزهایی متوجه شوید که باعث شود برخی محصولات، سرویس‌ها یا استراتژی‌های خاص خود را زیر سوال ببرید. که روند اصلاح آن‌ها می‌تواند حجم زیاد کار را بطلبد. در این راستا به‌جای توصیه به شرکت‌ها برای آنالیز یک‌باره داده‌ها، اغلب به آن‌ها توصیه می‌کنم که به اجرای چند پروژه آزمایشی بپردازند. این کار به آن‌ها کمک می‌کند قبل از اینکه تلاش کنند بدوند، راه رفتن را بیاموزند: آن‌ها می‌توانند یک محصول، یک محدوده جغرافیایی و یک معضل را انتخاب کرده و بر حل آن تمرکز کنند و به خودشان نشان دهند تنها بازدهی در تلاش و هزینه‌های هر مرحله توجیهی برای بررسی مراحل بعدی است.
برای مثال یک قطب انرژی جهان تصمیم گرفت برای مقابله با زیر سوال رفتن تعیین کمیت و بهبود در بازگشت سرمایه، از آنالیزهای پیشرفته‌تری درحوزه بازاریابی استفاده کند. در این راستا مدیران ارشد دو واحد کسب‌و‌کار خود را در سه کشور انتخاب کردند، به‌گونه‌ای که بخشی از بازارهای درحال توسعه و توسعه یافته هدف قرار گیرد، تا در آن‌ها به اجرای طرح‌های آزمایشی خود بپردازند. چارچوب مفهومی و اهداف برای پروژه‌ها مشابه بود، اما مسلما عملکرد ایستگاه‌های گاز در اروپا و فروش روغن موتور در آسیا به مجموعه داده‌ها و ابزارهای آنالیز متفاوتی نیاز داشتند. این گوناگونی باعث شد شرکت تجربه‌هایی با مجموعه‌ای گسترده‌تر از روش‌های ممکن آنالیز داده را بدست بیاورد و تصمیم‌گیری کند که هر یک را در چه شرایطی به‌کار گیرد. بعلاوه آن‌ها داستان‌های موفقیت خود را با سایر واحدهای کسب‌و‌کار خود در سایر کشور‌ها به اشتراک گذاشتند تا در آن‌ها اشتیاق برای ابتکار عمل را به وجود آورند و در نتیجه یک برنامه پیچیده و در عین‌حال واقع‌گرایانه و عملی ایجاد شد که در سراسر جهان مورد توجه قرار گرفت.

بازگشت به اصول
بسیاری از مدیران علاقه‌مند به استفاده از داده‌های بزرگ هستند اما تجربه مستقیم نسبتا اندکی با آخرین ابزار‌ها و تکنیک‌های آنالیز دارند و معمولا در ابتدا از من می‌پرسند هزینه آن چقدر خواهد بود، پاسخ ساده من به این سوال این است: «هزینه تصمیم‌گیری اشتباه چقدر است؟ Kodak برای عدم واکنش سریع خود در مقابل ظهور عکاسی دیجیتال چه هزینه‌ای را متحمل شد؟» پاسخ دقیق‌تر من این است آنالیز نیازمند یک سرمایه‌گذاری بزرگ است که کنار هم قرار دادن و هماهنگی داده‌ها تنها آغاز آن محسوب می‌شود و در راس آن شرکت‌ها به متخصصانی آموزش‌دیده برای انجام کارهای پیشرفته‌تر نیاز دارند که بتوانند الگوهای پنهان را یافته، آن‌ها را تفسیر و تبدیل به دیدگاه‌هایی نمایند که شرکت بتواند به آسانی به‌کار بندد.
اما همانگونه که سه مورد ذکر شده در بالا نشان می‌دهد این روند می‌تواند کاملا قابل مدیریت باشد پتانسیل بالایی برای دستیابی به منافع قابل‌توجه دارد. در واقع طبق تجربه من همین که شرکت‌ها شروع به سرمایه‌گذاری در حوزه آنالیز کنند دیگر در این روند متوقف نمی‌شوند. چراکه آنچه در این راستا می‌آموزند منجر به پیشرفت در کسب‌و‌کار آن‌ها بیش از هزینه‌هایی می‌شود که در این حوزه مصرف کرده‌اند.

منبع:

digitaledition.strategy-business


دیدگاه خود را ثبت کنید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *