Цифровой маркетинг. monografia_-Цифровой-маркетинг. Цифровий маркетинг модель маркетингу
 Скачать 5.72 Mb.
|
|
120 – швидкістю (Velocity) — відповідно три перших характеристики можуть бути властиві технології Big Data лише при високій швидкості обробки даних. Схожий, але не тотожний набір атрибутів «чотири V» технології Big Data виділяє міжнародне агентство з маркетингових досліджень «IDC»: – обсяг (Volume); – різноманітність (Variety); – швидкість (Velocity); – цінність (Value). Тобто параметр «мінливість» (Variety), який застосовує компанія «Forrester», замінено на параметр «цінність» (Value). «IDC» підкрес- лює, що параметр «цінність» — один з основних, що дозволяє виді- лити Big Data як нове явище. Він відноситься до економічного ефек- ту, який технологія Big Data забезпечує користувачам. Відмінність технології Big Data полягає в тому, що в результаті обробки вхідної інформації отримується результуюча інформація такої цінності, що вона створює достовірну і обґрунтовану базу для прийняття марке- тингових рішень. Д. Гартнер запропонував альтернативний набір атрибутів, який називають тривимірною моделлю «три V» [29]: – обсяг (Volume); – різноманітність (Variety); – швидкість (Velocity). За цією версією технологія Big Data — це швидкісна робота з вели- кими обсягами різноманітної інформації. Е. Келлі вважає, що «великі дані можуть виступати у формі обшир- них таблиць структурованих даних, гігантських файлів зі складними неструктурованими даними або невеликих порцій машино-генерова- них даних, що надходять зі швидкістю, яка не дозволяє їх осмисли- ти. «Microsoft» ставить метою допомагати всім компаніям приймати кращі і швидкі рішення і поставляти інструменти, що полегшують дослідження як великих, так і будь-яких інших даних. Пропозиції «Microsoft» можна порівняти з інструментом, що дозволяє вичерпа- ти воду з океану, пропустити її через фільтр і зробити придатною для пиття — замість того, щоб робити те ж саме кустарним способом за невиразними спогадами про університетський курс хімії. Хоча у ве- ликих даних нерідко бачать велику проблему, вони відкривають і не- ймовірні можливості». Він зазначає, що в найближчі п’ять років люд- ство згенерує більше даних, ніж за попередні п’ять тисяч років. 121 Д. Вессет констатує, що «наше повсякденне життя генерує незлі- ченна безліч даних. Користь даних залежить від того, де і з ким ви контактуєте. У великому плані вони відкривають раніше недосяжну можливість виявляти потенційні зв’язки і передбачати потенційні результати. У минулому ви могли розглядати ці речі хіба що в ретро- спективі». Д. Кемпбелл зазначає, що «...розміщення гігантських обсягів да- них тепер обходиться набагато дешевше, ніж у минулому. Років трид- цять тому терабайтний обсяг пам’яті міг коштувати мільйони дола- рів, а сьогодні в Office Depot він обійдеться приблизно в 30 дол.». За словами Д. Кемпбелла, це перехід у нову якість: «Вже немає ніякого резону щось викидати. Відбувається дивна революція, при якій маса речей приймає цифровий вигляд, навіть такі споконвічно аналогові дані, як голосові комунікації та фотографії». Багато підприємств використовує безліч систем управління база- ми даних від різних постачальників, керуючи терабайтами або навіть петабайтами даних. У деяких з цих систем зберігаються дані за 30 або 40 років. Щоб дані були корисні підприємствам, необхідно інтегру- вати інформацію про клієнтів у розрізі фінансів, продажів, товарного асортименту, виробничих потреб, соціальних мереж, демографічних даних, відомостей про конкурентів. Для прийняття рішень маркетологам необхідно знати спосіб життя споживача з точки зору споживання інформації, а саме: якими інфор- маційними каналами користується і на яких з цих каналів доцільно сконцентрувати зусилля; яка інформація викликає інтерес; якій ін- формації споживач вірить; які у споживача є тактичні та стратегічні проблеми. Картки лояльності з’явилися як інструмент збору інформа- ції та відстеження поведінки споживачів в 70-ті рр. ХХ століття. Поява технології Big Data дає додаткові масиви структурованої маркетингової інформації для аналізу та прогнозування поведінки споживачів. Технологія Big Data — дослідження масивів даних великих обся- гів. Використання технології Big Data передбачає, що одна юридична особа є і користувачем рішень, і виробником даних, які повинні бути оброблені, і виконавцем робіт з аналітичної обробки. В міру здешев- лення технології Big Data до числа її користувачів додається все біль- ше замовників. У підприємств, яким необхідно зберігати і здійснюва- ти доступ до великого обсягу даних, є два варіанти: 1) масштабування по вертикалі — додавання ресурсів на один обчислювальний вузол за рахунок придбання більш потужного 122 комп’ютера з великою кількістю процесорів, оперативної пам’яті, дискового простору; 2) горизонтальне масштабування — додавання додаткових комп’ютерів, розподілення роботи між ними. Багато малопотужних комп’ютерів, об’єднаних у мережу, можуть забезпечити обчислю- вальну потужність суперкомп’ютера. Технологія Big Data використовує другий варіант і розкриває ко- мерційний потенціал мегамасивів даних за рахунок пошуку законо- мірностей і фактів. Вона дозволяє масово ідентифікувати індивіду- альний попит, аналізуючи маркетингову інформацію, отриману із Інтернету. Крім того, Big Data зберігає, обробляє, аналізує великі об- сяги даних. Автоматизуються наступні процеси: збір і обробка даних, підтримка прийняття і виконання рішень. Ці процеси складаються з підоперацій: моніторинг, виявлення, вимірювання, оповіщення, очи- щення, аналіз, архівування. Технологію Big Data можна розглядати як стек технологій: ІТ-інфраструктури, системи організації і управління даними, системи аналітичної обробки і виявлення закономірностей, системи підтримки рішень з інтерфейсом користувача. Вартість цих операцій знизилась, з’явилась можливість аналізувати, на перший погляд, не пов’язані чинники. Комп’ютер у короткий термін визна- чає кількісні взаємозв’язки і виявляє закономірності, які людський мозок або виявити не може, або для цього потрібно дуже багато часу. Наприклад, він може виявити залежність між кольором обкладинки журналу з обсягами продажів. Технологія Big Data ґрунтується на кластерному аналізі і в загаль- ному вигляді здійснюється за наступним алгоритмом: проводиться контент-аналіз для виявлення характеристик потенційних спожива- чів; здійснюється кластеризація, виділяються однорідні групи спо- живчих сегментів; оцінюється кореляція між різними процесами; формуються прогнози на основі екстраполяції і використання регре- сійних моделей. Для підвищення швидкості обробки інформації при роботі з ве- ликими базами даних можуть бути використані наступні методи [67]. 1. Комбінування моделей — суть полягає у використанні комбіна- ції математичних моделей. Дані проходять через комплекс моделей: від найпростіших до найскладніших (рис. 3.13). На першому етапі, де використовуються найпростіші моделі, най- більша швидкість обробки інформації, тому великий обсяг інформа- ції обробляється максимально швидко. Дані, для обробки яких до- 123 статньо найпростіших моделей, виключаються після першого етапу з подальшої обробки. Решта даних передається на наступний етап обробки, де використовуються складніші алгоритми, і так далі. Час обробки всього масиву даних суттєво зменшується. ??????? ??????? ???????????? ??????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?????????? ?????????? ??????? ???????????? ??????? ????????? ?????????? ?????????? ??????? ???????? ???????????? ??????? Рис. 3.13. Схема методу комбінування моделей 2. Паралельна обробка — суть полягає у розділенні даних на маси- ви і побудові моделей для кожного масиву, з подальшим об’єднанням результатів. Замість побудови однієї складної моделі для обробки всієї сукупності інформації створюється кілька моделей адекватних кожному масиву інформації. Це дозволяє підвищити швидкість ана- лізу, скоротити витрати часу, знизити вимоги до пам’яті технічних за- собів (рис. 3.14). 3. Репрезентативні вибірки — суть полягає у побудові моделі на основі не всієї інформації, а деякої підмножини — репрезентативної вибірки (рис. 3.15). В переважній більшості випадків технологія Big Data не передбачає виділення із генеральної сукупності вибірки. Але бувають виключення. У цих випадах використовується метод репрезентативної вибірки. Час оброки вибірки є меншим, ніж час обробки всього масиву інформації. 124 ?????????? ????? 1 ????? 2 ????? 3 ?????? 1 ?????? 2 ?????? 3 ?????????? ??????? Рис. 3.14. Схема методу паралельної обробки ??????????????? ??????? ?????????? ?????? ????????? ??????? Рис. 3.15. Схема методу репрезентативних вибірок Підвищення ефективності маркетингової діяльності за рахунок ви- користання технології Big Data передбачає точне позиціонування (тар- гетування) ринку збуту на засадах індивідуального підходу до клієнта. Традиційні методи формування клієнтської бази вимагають значних витрат. Оптимізувати їх, підвищити їх віддачу з меншими витратами саме допомагає Big Data: можна ретельно проаналізувати відомості про клієнтів, неструктуровану інформацію з Інтернету, зокрема інформа- цію із соціальних мереж, блогів, коментарів, дані по здійснених по- купках, виявити взаємозв’язки між споживачами. При консолідації інформації з облікових систем та Інтернету отримується більш ясна картина клієнтської бази, що дозволяє швидше вирішувати маркетин- гові завдання. 125 Досвід роботи світових лідерів у сфері інформаційно-комуніка- тивних технологій компаній «Google», «Amazon», «Yahoo!» свідчить, що вміння аналізувати великі дані дає підприємствам конкурентні переваги, оскільки веде до кращого розуміння потреб клієнтів. Під- приємства стикаються з необхідністю прогнозувати, яка група потен- ційних споживачів придбає товар. Класичні методи аналізу дозволя- ють використовувати для аналізу обмежене число джерел. Аналіз же всіх доступних джерел дозволяє дати більш глибокий зріз важливої інформації, відіграти ключову роль в ухваленні маркетингових рі- шень, виявляти попит, оперативно впливати на покупців. Перспективним напрямком використання технології Big Data та- кож є кооперація підприємств з діяльністю операторів мобільного зв’язку. Створення систем інформаційного оповіщення споживачів створює нові підходи вибору індивідуального каналу донесення ін- формації, налагодження індивідуального контакту із споживачем. Формування лояльності потребує індивідуальної роботи. Маркето- логи отримують більшу базу даних для прийняття рішень, оскільки до результатів традиційних маркетингових досліджень додаються зібрані маркетологами неформальні дані із блогосфери, соціальних мереж. Новим у технології Big Data є дослідження та аналіз напівструкту- рованих і неструктурованих даних. З’явилась можливість аналізувати електронні листи, PDF-файли, відеоматеріали, миттєво розподіляти і масштабувати систему збереження інформації з меншими витратами, використовувати і зберігати всі створені дані. Аналізуються вислов- лювання користувачів, коментарі, виставлені оцінки, фотографії. Цілями моніторингу можуть бути: виявлення негативних висловлю- вань, припинення витоків інформації, визначення ланцюжків впли- ву і авторитетних користувачів. Моніторинг популярних соціальних мереж дає значну кількість інформації. При великому числі користу- вачів і їх високій активності вирішення даної задачі передбачає збір і обробку великих обсягів даних, представлених у неформалізованому вигляді. Вивчення користувачів Facebook на основі залишених лайків, тобто неструктурованих даних, дозволило виявити їх психографіч- ні, демографічні особисті, культурні характеристики. Так, расова приналежність була вгадана в 95 % випадків, стать — в 93 %, полі- тичні погляди — у 85 %, релігійні переконання — в 82 %. При цьо- му аналізувалися не очевидні лайки-маркери, а великі обсяги менш 126 інформативних, але більш популярних лайків. Зараз кожен торговий центр оснащений камерами стеження. Встановлення в них програм, що фіксують пересування споживачів з урахуванням часу, який вони провели біля полиць, дозволяє на основі технології Big Data розроби- ти карти «холодних» та «гарячих» зон торгового залу, оцінити ефек- тивність викладки товару. Крім того, до чинників, що знижують ефективність традиційних методів дослідження, можна віднести наступні: зміни у ментальнос- ті, способі і якості життя людини, появу нового вектора мотивації споживача (відомі бренди перестають бути цінністю апріорі, у но- вого покоління формуються інші мотиви до купівлі: не демонстра- ція через бренд платоспроможності, а самоідентифікація); поява нових лідерів думок у інтернет-просторі; розширення складу кон- тактних аудиторій за рахунок появи спільнот інтернет-користувачів (популярний блогер здійснює вплив на думки користувачів блогу, Facebook, Twitter); розвиток ринку спеціалізованих додатків, план- шетів і комунікаторів; удосконалення системи управляння зв’язками зі споживачами в напрямку поєднання в ній актуальності, просто- ти, зручності використання, інтеграції підсистем внутрішньої та зо- внішньої інформації. З появою соціальних мереж виникли нові методи збору маркетин- гової інформації, що надають можливості для полегшення процесів формування баз даних: 1) організація опитувань — в соціальних мережах це стало вбудо- ваним механізмом. Опція «Опитування» дозволяє проведення дослі- джень за рахунок формулювання питань і варіантів відповідей; 2) персоніфікація, візуалізація, отримання демографічних, осо- бистих та соціальних атрибутів респондентів — без використання до- даткового програмного забезпечення отримується індивідуальна ін- формація, проводиться аналітична обробка відповідей, створюється профіль цільового сегмента ринку; 2) аналіз маркетингового середовища — у розділі «Новини» при натисканні опції «Розширений пошук» можна за певними критері- ями зібрати інформацію про уподобання потенційних споживачів; опція «Геолокація» дозволяє сегментувати їх за територіальною озна- кою; опція «Згадки посилання» дозволяє контролювати діяльність конкурентів за згадками адрес співтовариства, сторінок сайта, сайта; 4) встановлення зв’язку з респондентами у формі SМS-повідом- лень, що приходять в акаунт, — надходження повідомлень з прохан- 127 ням прийняти участь в опитуванні, яке може бути налаштоване на частоту, час, сегмент ринку; 5) розширення бази респондентів — одночасне опитування ко- ристувачів різних соціальних мереж, яке, в ідеалі, дає змогу охопити опитуванням всю генеральну сукупність. Взагалі, ефективне використання соціальних мереж у маркетингу передбачає наявність наступних атрибутів: – індивідуальний профіль підприємства — це короткий опис під- приємства з ключовими словами, які вживає цільова аудиторія і ін- формативний і видовищний індивідуальний фон (зображення, що формує у споживачів образ підприємства); – використання хештегів — це мітка, яка починається зі спе- ціального символу решітки (#) і не містить пробілів. Розміщуючи хештег у своєму твіті, підприємство позначає твіт, і тепер всі, хто шукає такий хештег, побачать всю стрічку повідомлень від різних користувачів; – контролювання інтересів цільової аудиторії — це відслідко- вування подій і референтних груп, які цікаві цільовій аудиторії, та контролювання прихильників конкурентів. Є програми, які дозволя- ють цей процес автоматизувати, наприклад Twidium. Спеціалізоване програмне забезпечення дозволяє поставити на потік весь процес; – спілкування в соціальних мережах з територіально близькими споживачами через точне розташування їх ip-адрес: із зазначенням точки у вигляді географічної широти і довготи і радіуса навколо вка- заної точки. При цьому використання соціальних мереж надає опитуванням нові функції: – опитування як прихована реклама — запитання і відповіді можуть розповідати про товари з наданням інструкції до їх використання; – опитування як розвага для збільшення кількості респондентів — питання і варіанти відповідей можуть подаватися у формі розваги (гу- мор, фото), оскільки соціальні мережі — популярне місце проведен- ня часу; – опитування як вірусний маркетинг — форма подачі запитань і варіанти відповідей можуть створити вірусний трафік. Таким чином, технологічні зрушення постіндустріального харак- теру, посилення конкуренції, швидка зміна чинників зовнішнього та внутрішнього середовища, експоненціальне зростання обсягів інформації, необхідність прискорення процесу прийняття складних 128 управлінських рішень, підвищення культури в області цифрових тех- нологій змушують підприємства пристосовуватися до роботи в ре- жимі онлайн і застосовувати нові аналітичні інструменти для аналізу конкурентного середовища та попиту. А поява все більш складних завдань аналізу зростаючих обсягів інформації, маркетингової діяль- ності в Інтернеті, соціальних мережах, моніторингу ринків стимулю- ють пропозицію таких аналітичних інструментів. 3.3. СИСТЕМА ІНТЕРНЕТ-МАРКЕТИНГОВИХ ДОСЛІДЖЕНЬ На світовому ринку маркетингових досліджень продовжують до- мінувати кількісні дослідження. Проте попит на якісні дослідження зростає. Насамперед, це характерно для онлайн-досліджень. Якісні онлайн-дослідження більш за все фінансуються в Австралії, Японії та Швейцарії. Сьогодні актуальне зростання частки якісних досліджень онлайн. В Україні на якісні онлайн-дослідження спрямовується не більше 0,3 % коштів замовників. Не дивлячись на сподівання дослідників, дослідження за допо- могою мобільних телефонів у світі виросли в 2015 р. лише на 1 %. В Канаді на такі дослідження спрямовується 16 % сукупних витрат клієнтів, в Кенії — 13 %, в Швеції — 11 % [72]. В Україні, за даними Української асоціації маркетингу, на дослідження за допомогою мо- більних телефонів спрямовується 0,1 % від загальних витрат [24]. Але Україна не є виключенням в цьому напрямку досліджень. В Голландії, Австралії, Болгарії, Польщі, Китаї, Японії та в деяких інших країнах витрати на дослідження за допомогою мобільних телефонів також менші 1 %. Тобто єдиної тенденції на світовому ринку в маркетинго- вих дослідженнях за допомогою мобільних телефонів на сьогодні не спостерігається. Загальною тенденцією є те, що в Україні і у світі зростають обся- ги замовлень на аналітичні послуги. Пов’язано це з тим, що клієнти мають сьогодні можливість самостійно накопичувати великі обсяги інформації за допомогою інтернет-технологій, наприклад, технології Big-Data. Тому попит на спеціалістів, які спроможні якісно проаналі- зувати великі масиви інформації, зростає. Зменшення витрат на маркетингові дослідження з боку замов- ників, збільшення проникнення Інтернету в повсякденне життя українців, розвиток інтернет-технологій маркетингових досліджень |