هوش بازار و کاربرد آن در بازاریابی

هوش بازار براساس داده‌های بیرونی، به‌طور معمول با بررسی منابع اطلاعاتی ثانویه به‌ دست می‌آید، که معمولا از طریق تحقیقات ثانویه و انجام فرایند بررسی پیوسته یا شبه‌پیوسته انجام می‌شود. اغلب، این کار به معنی منبع‌یابی و تحلیل داده‌های منتشرشده به‌منظور ساخت تصویری از بازار و پاسخ به پرسش‌های تجاری خاص است. برای مثال پتانسیل‌ بازار چقدر است، برنامه‌ی احتمالی آینده‌ی رقبا چه خواهد بود، مشتری‌ها چه قیمت‌هایی پرداخت خواهند کرد، بهترین راه برای ورود به بازار چیست؟

نکته‌ی کلیدی برای موفقیت در تحقیقات ثانویه، برخورداری از توانایی دنبال کردن منابع اطلاعاتی و تحلیل‌گر ماهری است که بتواند نه تنها داده‌ها، بلکه داستان پشت داده‌ها را نیز بخواند. برای مثال تشخیص بدهد که رقبای شما چه کسانی هستند و جایگاه‌ آنها را در بازار، در مقایسه با جایگاه شما تحلیل کند و نقاط ضعف و قوت و نشانه‌های توسعه‌ی جدید را پیدا کند یا کانال‌های شرکای بالقوه یا مکان‌های جدید را برای تأسیس دفتر تشخیص بدهد. متخصصان هوش بازار می‌توانند چیزهایی را که به چشم دیده نمی‌شوند و در داده‌ها به آنها توجه نشده است پیدا کنند. آنها همچنین مهارت خوبی در استفاده از داده‌های جزئی، مانند گزارش‌های مالی دارند تا عملکرد کلی را ارزیابی کنند. برای مثال آیا افزایش درآمد به‌خاطر رشد قیمت‌ها بوده است یا افزایش میزان فروش.

بسیاری از شرکت‌ها برای کمک به هوش بازار درونی یا تحلیل بازار، از منابع بیرونی مانند اتاق‌های تحلیل استفاده می‌کنند که نه تنها داده‌ها را فراهم می‌کنند، بلکه براساس ارتباط‌شان با تأمین‌کننده‌ها و دیگر شرکت‌ها، تفسیر و توصیه‌ای نیز درخصوص تصویر کنونی بازار ارائه می‌نمایند. بسیاری از اتاق‌های تحلیل، همچون کارگزاری میان تأمین‌کننده‌ها عمل می‌کنند که گردآوری اطلاعات و به اشتراک گذاشتن آنها را به‌صورت گسترده انجام می‌دهند. اتاق تحلیل در برخی از صنایع، می‌تواند داده‌های دقیق و گسترده‌ای داشته باشد، مانند بررسی خرده‌ فروشی.

هوش رقابتی

یکی از اَشکال خاص هوش بازار، هوش رقابتی است. این کار به‌صورتی مستمر انجام می‌شود و شامل جمع‌آوری اخبار، اسناد و دیگر اطلاعات مربوط به مشتری از منابع مختلف است. این موارد شامل جمع‌آوری اطلاعات مربوط به جایگاه بازار و پیام‌های بازار، مشتری‌ها یا قرارداد‌های اصلی، اندازه‌ و ساختار کسب‌وکار و مسائلی مانند قیمت‌گذاری یا ساختار ایده‌آلِ معمولِ معاملات می‌شود. به عنوان مثال این کار ممکن است که شامل جمع‌آوری اطلاعات مربوط به چک کردن قیمت یا جزئیات مربوط به کمپین‌های تبلیغاتی یا پیشنهادهای ویژه‌ی فروش و یا بررسی کانال‌های جدید کسب‌ اطلاعات درباره‌ی محصولات یا تکنولوژی‌های جدید (برای مثال پتنت‌ها) باشد. اگرچه هوش رقابتی را می‌توان به‌صورت پروژه‌‌ای مقطعی انجام داد، اما درواقع به‌علت ماهیت پیوسته‌‌اش بیشتر به ایجاد ساختارهایی برای فراهم کردن اطلاعات مرتبط با رفتار رقبا مورداستفاده قرار می‌گیرد. به این ترتیب می‌توان از رقبا بازخورد گرفت و آنها را بررسی کرد نه اینکه صرفا اطلاعات مقطعی خاصی از آنها به‌ دست آورد. نکته‌ی کلیدی این است که به دلایل قانونی و اخلاقی، تحقیق درباره‌ی رقبا نباید به هر شیوه‌ای انجام شود (برای مثال ارائه‌ی اطلاعات نادرست)؛ و باید بر منابع اطلاعاتی که منبع باز هستند مبتنی باشد.

برای هوش رقابتی می‌توان از منابع داده‌ی اولیه‌، مانند بازخورد گرفتن از تیم‌های فروش، کانال‌های تأمین‌کنندگان، توزیع یا بازخوردهایی مبتنی بر تحقیقات مستقیم پیروزی-شکست که معمولا برای بررسی عملکرد مزایده‌ها به کار می‌رود نیز استفاده کرد.

بررسی شبکه‌های اجتماعی

هوش بازار می‌تواند به‌شکل فزاینده‌ای شامل جمع‌آوری اطلاعات از مطالب اینترنتی، توییت‌ها و دیگر شبکه‌های اجتماعی باشد. این نوع «هوش بازار» می‌تواند با برخی از شیوه‌های تحقیق بازار و بررسی روابط عمومی هم‌پوشانی داشته باشد. برای برخی از شرکت‌ها حجم مطالب (کلان‌داده) در چندین زبان و چندین حوزه بررسی می‌شود تا روی آنها تحلیل احساسات انجام شود. برای مثال شبکه‌های اجتماعی می‌توانند اطلاعات خوبی درباره‌ی احساسات بازار به محصولی که به‌تازگی معرفی شده است و همچنین جزئیات بسیار دقیق و توصیه‌هایی برای بهبود محصولات یا خدمات ارائه دهند. اما بخش زیادی از این بررسی‌ها، به عنوان بخشی از ارتباطات یا کمپین روابط عمومی، به بررسی اعتبار می‌پردازد تا به شرکت‌ها هشدار بدهد که نسبت به نظرات منفی یا مسائلی که از طریق شبکه‌های اجتماعی عمومی شده‌اند هشیار باشند.

از نظر داده واضح است که منابع داده‌ی بسیار زیادی وجود دارد و لازم است که ابزارهای IT در مقیاس وسیع برای بررسی شبکه‌های اجتماعی وجود داشته باشند تا مانند یک موتور جستجو داده‌های بیشتری را از سایت‌های مختلف جمع‌آوری کنند و سپس این داده‌ها را تحلیل کنند تا اطلاعات سودمندی به‌ دست آورند. جمع‌آوری داده‌، برخی از مسائل اخلاقی را نیز با خود به همراه می‌آورد، برای مثال به‌ویژه در برخی از حوزه‌های حقوقی مانند اروپا برخی از مکالمات، خصوصی تلقی می‌شوند و به شرکت‌ها اجازه داده می‌شود تا اطلاعات را تنها در چارچوب قانون جمع‌آوری کنند. البته روشن است که شرایط در آمریکا که همه‌ی اطلاعات حوزه‌ی عمومی را می‌توان به‌شکلی رایگان در کسب‌وکار استفاده کرد، متفاوت است.

نسبت به چگونگی بررسی این شبکه‌ها نیز باید مراقب باشید، چرا که نمی‌توان همه‌ی سایت‌ها را بررسی کرد (برخی از سایت‌ها مانند فیس‌بوک اجازه‌ی این کار را به شما نمی‌دهد) و ممکن است که سایت‌های قابل بررسی نیز نشان‌دهنده‌ی بخش فعال و مشتاق بازار نباشند و درنتیجه دیدگاه کل بازار را به‌خوبی نمایش ندهند. به ساختار بحث‌های آنلاین نیز باید توجه کرد. برای مثال زمانی که نسبت به یک موضوع اختلاف‌نظر وجود دارد، در مقایسه با زمانی که اتفاق‌نظر وجود دارد، نظرات بیشتری شنیده می‌شود. اگرچه مکالمات آنلاین نمی‌توانند نشان‌دهنده‌ی همه‌ی نظرات باشند، اما این احتمال وجود دارد که آنها شامل جهت‌دهنده‌های فکری مهم باشند یا بر آنها تأثیر بگذارند. به این دلیل است که توصیه می‌شود تا چگونگی ترجمه‌ی احساسات آنلاین نسبت به شیوه‌های تحقیق بازار، با دقت بررسی شوند.

هوش بازار براساس داده‌های درونی

درحالی‌ که بخش بیشتر هوش بازار به جمع‌آوری اطلاعات از بیرون مبتنی است، با استفاده‌ی بهتر از اطلاعات موجود مانند پایگاه داده‌ی مشتری‌ها، تحلیل وب‌سایت و آزمودن بازار می‌توان چشم‌انداز بسیار خوبی به دست آورد. این حوزه با عنوان تحلیل «کلان‌داده» شناخته می‌شود. برای مثال با تحلیل پایگاه داده ممکن است معلوم شود که شما در چه مکان‌هایی امکان فروش متقابل یا فروش کالای گران‌تر را دارید یا متوجه شوید که کدام‌ مشتری‌های شما سودآوری بیشتری دارند. تحلیل پایگاه داده معمولا شامل دنبال کردن تازگی، تناوب و ارزش خرید‌ها، پیدا کردن بخش پاراتو و تقویت فهرست پایگاه داده با داده‌های بیرونی به‌منظور تشخیص الگوهای خرید است.

اطلاعات پایگاه داده تنها منبع اطلاعاتی ما نیستند. وب‌سایت شما نیز ممکن است که حاوی اطلاعات بسیار باارزشی درباره‌ی اینکه چه کسانی به‌دنبال محصولات یا خدمات هستند باشد. تحلیل ترافیک وب‌سایت به شما کمک می‌کند تا مشخص کنید که چه مشتری‌هایی به‌دنبال شما هستند و چرا؟ و سپس می‌توانید از آنها به همراه تبلیغات و تنوع بخشیدن به صفحه‌ی وب‌سایت استفاده کنید تا اقدامات مستقیمی برای بهبود و افزایش اثربخشی بازاریابی صورت دهید.

چالشی که در اینجا وجود دارد افزایش فزاینده‌ی حجم اطلاعاتی است که به‌طور بالقوه در‌ دسترس هستند (کلان‌داده). منابع بزرگ داده این پتانسیل را دارند که الگو‌ها و همبستگی‌های پنهان میان داده‌ها را به نمایش بگذارند. پیدا کردن این الگو‌ها از بین پایگاه داده‌های بزرگ یک چالش آماری بزرگ است، چرا که هم مدیریت کردن حجم داده‌ها کار دشواری است و هم استخراج معنا از روابط نامحدودی که میان داده‌ها برقرار است، این کار بدون گمراه شدن در بین همبستگی‌های غیرواقعی مهارت بالایی می‌خواهد.

این روز‌ها امید زیادی به تحلیل‌های کلان‌داده وجود دارد، اما اگر از جریان اطلاعات به عنوان ابزاری برای تجربه‌های بیشتر استفاده شود، ممکن است که اثربخشی بیشتری داشته باشد. این تجربیات شامل آزمودن چیزی در بازار و سپس بررسی واکنش بازار هستند. برای بهبود و اصلاح فعالیت‌های بازاریابی، می‌توان آزمایش‌های آنلاین را در مقیاس کوچک و خیلی سریع انجام داد. برای مثال آزمایشی برای مشخص کردن اینکه کدام پیام تبلیغاتی بهتر است؛ یا طراحی آزمایشی برای بررسی اینکه ترکیب صفحه‌ی فرود چگونه منجر به فروش می‌شود. این رویکردهای تجربی به‌طور مستقیم به بازاریابی الگوریتمی ترجمه می‌شوند. بازاریابی الگوریتمی درواقع تولید قوانین خودکاری است که ارتباطات و پیام‌های مشاهده‌شده را مرتب می‌کنند. درست شبیه به روشی که فهرست توصیه‌های آمازون یا جستجوی شخصی‌سازی‌شده‌ی گوگل به کار می‌گیرد.

درنهایت از دانشی که توسط کارمندان نسبت به مشتری‌ها، بازارها و رقبا به دست می‌آید چشم‌پوشی نکنید، چرا که معمولا از این منبع اطلاعات استفاده‌ی درستی نمی‌شود. جمع‌آوری و انتشار این اطلاعات وارد حوزه‌ی مدیریت دانش مشتری می‌شود و استفاده‌ی بهتر از دانش مشتری‌ها می‌تواند به کسب‌وکارها کمک کند تا روی چیزی که مشتری‌ها می‌خواهند و می‌گویند تمرکز بیشتری داشته باشند.

برگرفته از: dobney