Data-driven Marketing in Digital Businesses from Dynamic Capabilities View
Subject Areas : ICT
Maede Amini vlashani
1
(university of tehran)
ayoub mohamadian
2
()
Seyed Mohammadbagher Jafari
3
(University of Tehran)
Keywords: Dynamic Capabilities, Data-driven Marketing, Marketing Analytics, Big Data,
Abstract :
Despite the enormous volume of data and the benefits it can bring to marketing activities, it is unclear how to use it in the literature, and very few studies have been conducted in this field. In this regard, this study uses dynamic capabilities view to identify the dynamic capabilities of data-driven marketing to focus on data in the development of marketing strategies, make effective decisions, and improve efficiency in marketing processes and operations. This research has been carried out in a qualitative method utilizing the content analysis strategy and interviews with specialists. The subjects were 18 professionals in the field of data analytics and marketing. They were selected by the purposeful sampling method. This study provides data-driven marketing dynamic capabilities, including; Ability to absorb marketing data, aggregate and analyze marketing data, the ability to data-driven decision-making, the ability to improve the data-driven experience with the customer, data-driven innovation, networking, agility, and data-driven transformation. The results of this study can be a step towards developing the theory of dynamic capabilities in the field of marketing with a data-driven approach. Therefore, it can be used in training and creating new organizational capabilities to use big data in the marketing activities of organizations, to develop and improve data-driven products and services, and improve the customer experience
Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182, 113–131. https://doi.org/10.1016/j.ijpe.2016.08.018
Amankwah-Amoah, J., & Adomako, S. (2019). Big data analytics and business failures in data-Rich environments: An organizing framework. Computers in Industry, 105, 204–212. https://doi.org/10.1016/j.compind.2018.12.015
Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17(1), 99–120. https://doi.org/10.1177/014920639101700108
Barrales-Molina, V., Martínez-López, F. J., & Gázquez-Abad, J. C. (2014). Dynamic marketing capabilities: Toward an integrative framework. International Journal of Management Reviews, 16(4), 397–416. https://doi.org/10.1111/ijmr.12026
Božič, K., & Dimovski, V. (2019). Business intelligence and analytics use, innovation ambidexterity, and firm performance: A dynamic capabilities perspective. Journal of Strategic Information Systems, 28(4), 101578. https://doi.org/10.1016/j.jsis.2019.101578
Braganza, A., Brooks, L., Nepelski, D., Ali, M., & Moro, R. (2017). Resource management in big data initiatives: Processes and dynamic capabilities. Journal of Business Research, 70, 328–337. https://doi.org/10.1016/j.jbusres.2016.08.006
Branda, A. F., Lala, V., & Gopalakrishna, P. (2018). The marketing analytics orientation (MAO) of firms: identifying factors that create highly analytical marketing practices. Journal of Marketing Analytics, 6(3), 84–94. https://doi.org/10.1057/s41270-018-0036-8
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Bruni, D. S., & Verona, G. (2009). Dynamic marketing capabilities in science-based firms: An exploratory investigation of the pharmaceutical industry. British Journal of Management, 20(SUPP. 1). https://doi.org/10.1111/j.1467-8551.2008.00615.x
Bullini Orlandi, L. (2016). Organizational capabilities in the digital era: Reframing strategic orientation. Journal of Innovation & Knowledge, 1(3), 156–161. http://creativecommons.org/licenses/ by-nc-nd/4.0/)
Bullini Orlandi, L., Zardini, A., & Rossignoli, C. (2020). Organizational technological opportunism and social media: The deployment of social media analytics to sense and respond to technological discontinuities. Journal of Business Research, 112(November 2019), 385–395. https://doi.org/10.1016/j.jbusres.2019.10.070
Camilleri, E., & Miah, S. (2018). A Consumer Analytics Framework for Enabling Data-Driven Marketing Intervention Methods. Proceedings - 2017 4th Asia-Pacific World Congress on Computer Science and Engineering, APWC on CSE 2017, 8–12. https://doi.org/10.1109/APWConCSE.2017.00011
Cao, G., Duan, Y., & El Banna, A. (2019). A dynamic capability view of marketing analytics: Evidence from UK firms. Industrial Marketing Management, 76(May 2018), 72–83. https://doi.org/10.1016/j.indmarman.2018.08.002
Cao, G., & Tian, N. (2020). Enhancing customer-linking marketing capabilities using marketing analytics. Journal of Business and Industrial Marketing, 35(7), 1289–1299. https://doi.org/10.1108/JBIM-09-2019-0407
Cao, G., Tian, N., & Blankson, C. (2021). Big Data, Marketing Analytics, and Firm Marketing Capabilities. Journal of Computer Information Systems, 00(00), 1–10. https://doi.org/10.1080/08874417.2020.1842270
Cepeda-Carrion, G., Cegarra-Navarro, J. G., & Jimenez-Jimenez, D. (2012). The effect of absorptive capacity on innovativeness: Context and information systems capability as catalysts. British Journal of Management, 23(1), 110–129. https://doi.org/10.1111/j.1467-8551.2010.00725.x
Côrte-Real, N., Oliveira, T., & Ruivo, P. (2017). Assessing business value of Big Data Analytics in European firms. Journal of Business Research, 70, 379–390. https://doi.org/10.1016/j.jbusres.2016.08.011
Day, G. S. (2011). Closing the marketing capabilities gap. Journal of Marketing, 75(4), 183–195. https://doi.org/10.1509/jmkg.75.4.183
De Luca, L. M., Herhausen, D., Troilo, G., & Rossi, A. (2020). How and when do big data investments pay off? The role of marketing affordances and service innovation. Journal of the Academy of Marketing Science. https://doi.org/10.1007/s11747-020-00739-x
den Hertog, P., van der Aa, W., & de Jong, M. W. (2010). Capabilities for managing service innovation: Towards a conceptual framework. Journal of Service Management, 21(4), 490–514. https://doi.org/10.1108/09564231011066123
Duan, Y., & Edwards, J. S. (2020). Understanding the Impact of Business Analytics on Innovation (Vol. 44). European Journal of Operational Research.
Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: What are they? Strategic Management Journal, 21(10–11), 1105–1121. https://doi.org/10.1002/1097-0266(200010/11)21:10/11<1105::AID-SMJ133>3.0.CO;2-E
Elsharnouby, T. H., & Elbanna, S. (2021). Change or perish: Examining the role of human capital and dynamic marketing capabilities in the hospitality sector. Tourism Management, 82(April 2020), 104184. https://doi.org/10.1016/j.tourman.2020.104184
Ghasemaghaei, M., Ebrahimi, S., & Hassanein, K. (2018). Data analytics competency for improving firm decision making performance. Journal of Strategic Information Systems, 27(1), 101–113. https://doi.org/10.1016/j.jsis.2017.10.001
Gnizy, I. (2019). Big data and its strategic path to value in international firms. International Marketing Review, 36(3), 318–341. https://doi.org/10.1108/IMR-09-2018-0249
Guo, H., Xu, H., Tang, C., Liu-Thompkins, Y., Guo, Z., & Dong, B. (2018). Comparing the impact of different marketing capabilities: Empirical evidence from B2B firms in China. In Journal of Business Research (Vol. 93, pp. 79–89). https://doi.org/10.1016/j.jbusres.2018.04.010
Hallikainen, H., Savimäki, E., & Laukkanen, T. (2020). Fostering B2B sales with customer big data analytics. Industrial Marketing Management, 86(June 2018), 90–98. https://doi.org/10.1016/j.indmarman.2019.12.005
Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality. Journal of Business Research, 70, 338–345. https://doi.org/10.1016/j.jbusres.2016.08.007
Johnson, D. S., Muzellec, L., Sihi, D., & Zahay, D. (2019). The marketing organization’s journey to become data-driven. Journal of Research in Interactive Marketing, 13(2), 162–178. https://doi.org/10.1108/JRIM-12-2018-0157
Kachouie, R., Mavondo, F., & Sands, S. (2018). Dynamic marketing capabilities view on creating market change. European Journal of Marketing, 52(5–6), 1007–1036. https://doi.org/10.1108/EJM-10-2016-0588
Lin, C., & Kunnathur, A. (2019). Strategic orientations, developmental culture, and big data capability. Journal of Business Research, 105(November 2018), 49–60. https://doi.org/10.1016/j.jbusres.2019.07.016
Louro, A. C., Brandão, M. M., Jaklič, J., & Sarcinelli, A. (2019). How can customer analytics capabilities influence organizational performance? a moderated mediation analysis. Brazilian Business Review, 16(4), 370–382. https://doi.org/10.15728/bbr.2019.16.4.4
Moreno, V., Cavazotte, F., & de Souza Carvalho, W. (2020). Business intelligence and analytics as a driver of dynamic and operational capabilities in times of intense macroeconomic turbulence. Journal of High Technology Management Research, xxxx, 100389. https://doi.org/10.1016/j.hitech.2020.100389
Raguseo, E., & Vitari, C. (2018). Investments in big data analytics and firm performance: an empirical investigation of direct and mediating effects. International Journal of Production Research, 56(15), 5206–5221. https://doi.org/10.1080/00207543.2018.1427900
Rialti, R., Zollo, L., Ferraris, A., & Alon, I. (2019). Big data analytics capabilities and performance: Evidence from a moderated multi-mediation model. Technological Forecasting and Social Change, 149(October), 119781. https://doi.org/10.1016/j.techfore.2019.119781
Roach, D., Ryman, J., Jones, R., & Ryman, H. (2018). Enhancing Innovativeness: The Role of Dynamic Marketing Capabilities. Canadian Journal of Administrative Sciences, 35(4), 563–576. https://doi.org/10.1002/cjas.1473
Shan, S., Luo, Y., Zhou, Y., & Wei, Y. (2019). Big data analysis adaptation and enterprises’ competitive advantages: the perspective of dynamic capability and resource-based theories. Technology Analysis and Strategic Management, 31(4), 406–420. https://doi.org/10.1080/09537325.2018.1516866
Singh, S. K., & El-Kassar, A. N. (2019). Role of big data analytics in developing sustainable capabilities. Journal of Cleaner Production, 213, 1264–1273. https://doi.org/10.1016/j.jclepro.2018.12.199
Teece, D. J. (2007). The Effect of Firm Compensation Structures on the Mobility and Entrepreneurship of Extreme Performers. Strategic Management Journal, 28(June), 1319–1350. https://doi.org/10.1002/smj
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(April 1991), 509–533. https://doi.org/10.1093/0199248540.003.0013
Torres, R., Sidorova, A., & Jones, M. C. (2018). Enabling firm performance through business intelligence and analytics: A dynamic capabilities perspective. Information and Management, 55(7), 822–839. https://doi.org/10.1016/j.im.2018.03.010
Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J. fan, Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Wang, C. L., & Ahmed, P. K. (2007). Dynamic capabilities: A review and research agenda. International Journal of Management Reviews, 9(1), 31–51. https://doi.org/10.1111/j.1468-2370.2007.00201.x
Wang, E. T. G., Hu, H. F., & Hu, P. J. H. (2013). Examining the role of information technology in cultivating firms’ dynamic marketing capabilities. Information and Management, 50(6), 336–343. https://doi.org/10.1016/j.im.2013.04.007
Wang, S., Yeoh, W., Richards, G., Wong, S. F., & Chang, Y. (2019). Harnessing business analytics value through organizational absorptive capacity. Information and Management, 56(7). https://doi.org/10.1016/j.im.2019.02.007
Warner, K. S. R., & Wäger, M. (2019). Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long Range Planning, 52(3), 326–349. https://doi.org/10.1016/j.lrp.2018.12.001
Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413
Wieczorek, A., & Pfajfar, G. (2018). DYNAMIC MARKETING CAPABILITIES. 360.
Zeng, J., & Khan, Z. (2019). Value creation through big data in emerging economies: The role of resource orchestration and entrepreneurial orientation. Management Decision, 57(8), 1818–1838. https://doi.org/10.1108/MD-05-2018-0572
Zollo, M., & Winter, S. G. (2002). Deliberate learning and the evolution of dynamic capabilities. Organization Science, 13(3), 339–351. https://doi.org/10.1287/orsc.13.3.339.278
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال چهاردهم، شمارههاي 53 و 54، پاییز و زمستان 1401 صفحات: 237 تا 266
|
|
Data-driven Marketing in Digital Businesses from Dynamic Capabilities View
Maede Amini*, Ayoub Mohammadian**, S. Mohammad Bagher Jafari***
*Marketing researcher, University of Tehran, Iran/digital marketing researcher, Faculty of Behavioral, Management and Social Sciences (BMS), University of Twente, Netherlands.
**Coresponding author, Assistant professor, Department of Information Technology (IT) Management, Faculty of Management, University of Tehran, Iran.
***Assistant professor, Department of Business Management, Faculty of Management and Accounting, college of Farabi, University of Tehran, Iran.
Abstract:
Despite the enormous volume of data and the benefits it can bring to marketing activities, it is unclear how to use it in the literature, and very few studies have been conducted in this field. In this regard, this study uses dynamic capabilities view to identify the dynamic capabilities of data-driven marketing to focus on data in the development of marketing strategies, make effective decisions, and improve efficiency in marketing processes and operations. This research has been carried out in a qualitative method utilizing the content analysis strategy and interviews with specialists. The subjects were 18 professionals in the field of data analytics and marketing. They were selected by the purposeful sampling method. This study provides data-driven marketing dynamic capabilities, including; Ability to absorb marketing data, aggregate and analyze marketing data, the ability to data-driven decision-making, the ability to improve the data-driven experience with the customer, data-driven innovation, networking, agility, and data-driven transformation. The results of this study can be a step towards developing the theory of dynamic capabilities in the field of marketing with a data-driven approach. Therefore, it can be used in training and creating new organizational capabilities to use big data in the marketing activities of organizations, to develop and improve data-driven products and services, and improve the customer experience.
Keywords: Dynamic Capabilities, Data-driven Marketing, Marketing Analytics, Big Data.
بازاریابی داده محور در کسب و کارهای دیجیتال از دیدگاه قابلیت های پویا
مائده امینی ولاشانی*، ایوب محمدیان**، محمد باقر جعفری***
*پژوهشگر و مدرس، بازاریابی دیجیتال، دانشگاه توئنته، هلند/ دانش آموخته دکترا، دانشکده مدیریت و حسابداری، دانشگاه تهران، ایران
** استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه تهران، ایران
***استادیار، گروه مدیریت، دانشکده مدیریت،دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، ایران.
14/06/1400 تاریخ دریافت:09/04/1400 تاریخ پذیرش:
نوع مقاله: پژوهشی
چکیده
زمینه و هدف: علیرغم حجم بسیار زیاد داده و فوایدی که استفاده از آن میتواند برای فعالیتهای بازاریابی داشته باشد، هنوز نحوه بهکارگیری آن در ادبیات پژوهش بهصورت روشن مشخص نبوده و مطالعات بسیار محدودی در این زمینه انجامگرفته است. در این راستا ﭘﮋوﻫﺶ ﺣﺎﺿﺮ با بهرهگیری از نظریه قابلیتهای پویا به شناسایی قابلیتهای پویای بازاریابی داده محور بهمنظور محوریت دادن به داده در شکلگیری راهبردهای بازاریابی، انجام تصمیمگیریهای اثربخش و بهبود کارایی در فرایندها و عملیات بازاریابی پرداخته است.
روششناسی: این پژوهش به روش ﮐﯿﻔﯽ و ﺑﺎ اﺳﺘﺮاﺗﮋي تحلیل مضمون و بهرهگیری از ﻣﺼﺎﺣﺒﻪ با متخصصان این حوزه، انجامگرفته است. افراد موردمطالعه ﭘﮋوﻫﺶ تعداد 18 تن از متخصصان حرفهای درزمینه تحلیل داده و بازاریابی ﺑﻮدند ﮐﻪ ﺑﺎ روش نمونهگیری ﻫﺪﻓﻤﻨﺪ اﻧﺘﺨﺎب شدند.
یافتهها: یافتههای این مطالعه ﻧﺸﺎن میدهد قابلیتهای پویای بازاریابی داده محور شامل؛ قابلیت جذب مستمر دادههای بازاریابی، قابلیت تجمیع و تحلیلگری لحظهای دادههای بازاریابی، قابلیت تصمیمگیری پویای داده محور، قابلیت بهبود مداوم تجربه داده محور مشتری، قابلیت نوآوری مستمر و بهنگام داده محور، قابلیت شبکهسازی متنوع و سریع، قابلیت چابکی و قابلیت ایجاد تحول داده محور است.
نتیجهگیری: نتایج این مطالعه میتواند گامی در جهت تکامل نظریه قابلیتهای پویا در حوزه بازاریابی با رویکرد داده محوری باشد. ازاینرو میتواند در آموزش و ایجاد قابلیتهای جدید سازمانی بهمنظور بهکارگیری کلان داده در فعالیتهای بازاریابی سازمانها و توسعه و بهبود محصولات و خدمات داده محور و بهبود تجربه مشتریان مورداستفاده قرار گیرد.
کلیدواژهها: قابلیتهای پویا، بازاریابی داده محور، تجزیهوتحلیل بازاریابی، کلان داده.1
[1] نویسنده مسئول: ایوب محمدیانmohamadian@ut.ac.ir
1.مقدمه
روزانه حجم بسیار زیادی داده در دنیا تولید میشود که قابلیتهای بازاریابی سنتی را به چالش میکشد [1]. بهرهگیری مناسب از داده در سازمان به شناخت عمیقتر مشتری و تصمیمگیریهای دقیقتر و بهتر میانجامد. کسب بینش از دادههای مشتریان این امکان را به سازمانها میدهد تا محصولات، خدمات و تجربیاتی شخصیسازیشده مطابق با رفتار، انگیزهها و انتظارات مشتریان ایجاد نمایند [2]؛ اما منابعی مانند داده بهخودیخود برای سازمان ارزش ایجاد نمیکند، بلکه چگونگی استفاده از آن، تعیینکننده است [3], [4]. ازاینرو تا زمانی که چگونگی یا مکانیسمهای اساسی بهکارگیری داده روشن نباشد، تحقق بخشیدن به نتایج مطلوب برای کسبوکار امکانپذیر نیست [5], [6]. در این پژوهش، مفهوم بازاریابی داده محور1 به معنای جمعآوری و پیوند دادههای کانالهای مختلف بازاریابی اعم از آنلاین و آفلاین، تجزیهوتحلیل سریع این دادهها، به دست آوردن بینش و سپس بهرهگیری از این بینش در تدوین و اجرای راهبردهای بازاریابی همچون برگزاری کمپینهای شخصیسازیشده و متناسب با نیاز مشتری است [7]. لازم به ذکر است یکی از مفاهیم مشابه با مفهوم بازاریابی داده محور، مفهوم تحلیل بازاریابی2 است که حوزه آن محدودتر و صرفاً به ابزارهای تحلیل داده اشاره دارد و لذا بهتنهایی نمیتواند منجر به موفقیت سازمانها گردد. ازاینرو مفهوم بازاریابی داده محور بهعنوان رویکرد مدیریتی و جامعتر در نظر گرفته میشود که میتواند در انجام فعالیتها و تصمیمگیریهای راهبردی بازاریابیِ صرفاً مبتنی برداده نقش ایفا نماید[3], [8], [9] . امروزه این سؤال مهم وجود دارد که سازمانها چگونه میتوانند با استفاده از دادهها برای مشتریان ارزش ایجاد کنند؛ ازاینرو، پرداختن به مرحله پس از پذیرش3 ابزارها و فنّاوریهای دادهای از اهمیت بالایی برخوردار میگردد [10]. لذا برای روشن شدن چگونگی بهرهگیری از دادهها، نیاز به نظریههای جدیدی است که ملاحظات سازمانهای عصر دیجیتال را موردتوجه قرار دهد [11]. در همین راستا مطالعه حاضر سعی کرده است با ارائه چارچوبی، به قابلیتهایی که سازمانها برای استفاده از داده در فعالیتهای بازاریابی نیاز دارند بپردازد.
درزمینه بهکارگیری داده در بازاریابی، بیشتر مطالعات تاکنون به بررسی عوامل مؤثر یا پیشنیازهای بهکارگیری ابزارهای تحلیل بازاریابی و بررسی رابطه آنها با عملکرد سازمانها پرداختهاند [12], [13] درحالیکه قابلیت یا چگونگی بهکارگیری داده در فعالیتهای بازاریابی بهخوبی روشن نیست [6], [8], [11], [14]–[18]. درواقع هنوز سازوکارهای داخلی یعنی تواناییها، شایستگیهای اصلی و قابلیتهایی که از طریق آنها بازاریابی داده محور تحقق مییابد و منجر به عملکرد بالاتر میشود، بهطور کامل بررسی نشده است [18] و بهخوبی روشن نیست که کسبوکارها چگونه میتوانند از طریق بهکارگیری داده عملکرد بازاریابی را ارتقاء دهند [19]. برای این منظور پژوهشگران در توضیح چگونگی بهرهگیری از داده در درون سازمانها و قابلیتهای مؤثر در بهبود عملکرد بازاریابی و کسبوکار، به اهمیت قابلیتهای پویا در بهرهگیری از داده اشاره مینمایند [20]–[25]. چراکه فرآیندهای مربوط به درک و تأمین نیازهای مشتری به دادهها و اطلاعات محیط بیرونی سازمان بستگی دارد و این دادهها نیز بهشدت متأثر از پویایی و تغییرات در محیط بیرونی هستند [20].
قابلیتهای پویا را میتوان شامل سه جنبه مهم دانست: (1) ادراک فرصتها (و تهدیدهای)4 محیطی (2) استفاده از فرصتهای محیطی5 و (3) تحول در مدل کسبوکار سازمان [26]. با توجه به آنکه فضای بازار امروز نسبت به چند دهه قبل بسیار متلاطم است [27]، ایجاد قابلیتهای پویا بهعنوان یک ضرورت استراتژیک برای سازمانها در عصر دیجیتال موردتوجه قرارگرفته است [24]. در حوزه بازاریابی داده محور نیز با توجه به گستردگی بازارها و رشد ویروسی دادهها نیاز به ایجاد چارچوبهای نظری جدید بر مبنای دیدگاه قابلیتهای پویا احساس میشود تا به عنوان یک لنز قوی، چگونگی استفاده از داده در فعالیتهای بازاریابی و چگونگی بهرهگیری از بینشهای حاصل از داده در تدوین استراتژیهای بازاریابی و پیکربندی مجدد منابع بهمنظور عملکرد بهتر را تبیین نماید[21], [22], [24], [28].
درحالیکه تأثیر فزاینده بهکارگیری قابلیتهای پویا در حوزههای مختلف مانند بازاریابی[29]–[31]، تجزیهوتحلیل کسبوکار6[20],[25],[32]، تجزیهوتحلیل کلان داده[33]–[36] موردتوجه قرارگرفته است، اما تعداد اندکی پژوهشهای کمی به بررسی نحوه بهکارگیری دادهها در فعالیتهای بازاریابی از دیدگاه قابلیتهای پویا پرداختهاند [20]-[37]. بهعبارتدیگر، در تعداد محدود پژوهشهای قبلی انجامشده تاکنون ماهیت و ابعاد مختلف قابلیتهای پویای بازاریابی داده محور موردبررسی کیفی و عمیق قرار نگرفته است [38] و نیاز است تا فراتر از دیدگاه صرفاً فنی و مبتنی بر بافت و زمینه سازمانها [23]، طیف وسیعتری از توانمندیها و قابلیتها برای بهکارگیری داده در فعالیتهای بازاریابی موردبررسی قرار گیرد [14], [39], [40]. در این پژوهش باهدف شناسایی قابلیتهای پویای بازاریابی داده محور این شکاف علمی موردتوجه قرارگرفته است.
ضرورت انجام این پژوهش را نیز میتوان ناشی از تغییرات سریع در ترجیحات مشتریان و رشد سریع فناوریهای داده محور در سالهای اخیر و همچنین تسریع در تنوع خواستههای بازار از سازمان برای برنامههای سفارشیسازی شده7، شخصیسازی انبوه8، بهینهسازی چندرسانهای9 و کانالهای در حال تکثیر10 دانست که باعث شده است سازمانها برای حس کردن و پاسخ به این تغییرات به دنبال ایجاد قابلیتهای پویای داده محور در واحدهای بازاریابی خود باشند [27], [41], [42].
بهعنوان جمعبندی میتوان اشاره کرد 1. با توجه بهمرور ادبیات و اشاره منابع متعدد به نیاز برای روشنسازی چگونگی استفاده از داده در فعالیتهای کسبوکار ازجمله فعالیتهای بازاریابی، پژوهش حاضر به دنبال روشن کردن نحوه بهکارگیری داده در فعالیتهای بازاریابی است. 2. درزمینهٔ بهکارگیری داده در بازاریابی، بیشتر مطالعات تاکنون به بررسی عوامل مؤثر یا پیشنیازهای بهکارگیری ابزارهای تحلیل بازاریابی و بررسی رابطه آنها با عملکرد سازمانها پرداختهاند، درحالیکه این پژوهش به دنبال روشن ساختن سازوکارهای داخلی یعنی تواناییها، شایستگیهای اصلی و قابلیتهای لازم برای تحقق بازاریابی داده محور است. 3. در این پژوهش فراتر از دیدگاه صرفاً فنی و مبتنی بر کاربرد داده در بافت و زمینه بازاریابی، طیف وسیعتری از توانمندیها و قابلیتها بهصورت عمیق با روش پژوهشی کیفی شناسایی میگردد. 4. تاکنون تعداد اندکی پژوهش به بررسی نحوه بهکارگیری ابزارهای تحلیل دادههای بازاریابی از دیدگاه قابلیتهای پویا پرداختهاند. دستاورد این پژوهش، میتواند سهم علمی مهمی در بسط و گسترش بهکارگیری نظریه قابلیتهای پویای سازمانی در حوزه جدید بازاریابی داده محور داشته باشد که اخیراً بهعنوان یک حوزه میانرشتهای فنی-اجتماعی موردتوجه پژوهشگران قرارگرفته است. 5. با توجه شکاف پژوهشی شناساییشده در رابطه با نادیده گرفته شدن نقش قابلیتهای پویای بازاریابی در بکاری گری داده، شناسایی ابعاد یا ریز بنیانهای قابلیتهای پویای بازاریابی داده محور، ضرورت مییابد. با روشن شدن ابعاد قابلیتهای پویای بازاریابی داده محور بر اساس مطالعه میدانی صورت گرفته در این پژوهش، سازمانهای داده محور میتوانند برای دستیابی به چنین قابلیتی برنامهریزی مناسبی نمایند.
در ادامه مروری بر مبانی و پیشینه نظری پژوهش انجامگرفته است. پسازآن روششناسی پژوهش شامل طراحی پژوهش، روش نمونهگیری، تحلیل دادهها و اعتبار یابی نتایج مطرحشده است. سپس، تجزیهوتحلیل دادهها و یافتهها موردبحث قرار میگیرد. در آخر، محدودیتهای پژوهش و پیشنهادهایی برای پژوهشهای آینده مطرحشده است.
[1] 1 Data-driven marketing
[2] Marketing analytics
[3] Post-adaption
[4] sensing opportunities (and threats)
[5] seizing opportunities
[6] Business Analytics
[7] tailored programs
[8] mass customization
[9] multimedia optimization
[10] proliferating channels
2.مبانی نظری و پیشینه پژوهش
1.2 مبانی نظر1
1.1.2 بازاریابی داده محور
میتوان گفت تا به امروز دو جریان در رابطه با بازاریابی داده محور در ادبیات پژوهش وجود داشته است. رویکرد اول، رویکردی است که جفری2 (2010) در کتاب خود بدان میپردازد. ازنظر او بازاریابی داده محور به معنای عمل کردن بر مبنای شاخصهای کلیدی عملکرد است [43]. در حال حاضر از این رویکرد بانام بازاریابی مبتنی بر عملکرد3 یاد میشود. رویکرد دوم درواقع تکاملیافته دیدگاه اول است. با پیشرفت فنّاوری و رشد چشمگیر شبکههای اجتماعی و افزایش ویروسی دادهها، رویکرد دیگری در ادبیات پژوهش نیز مطرح میشود. این رویکرد جدید به ایجاد بینشهای جدید راهبردی و درک عمیقتری از رفتارها، انگیزهها و انتظارات مصرفکنندگان میپردازد. جانسون و همکاران4 (2019) یک مدل بلوغ 5 مرحلهای برای بازاریابی داده محور ارائه میدهند. در مرحله اول (جوانه زدن5) ابزارهای تجزیهوتحلیل پیادهسازی میشود، در این مرحله از ابزارهایی مانند گوگل آنالیتیکس استفاده میشود. در مرحله دوم (شناخت) واحدهای بازاریابی از روشهای توصیفی تحلیلی6 مانند ردیابی شبکههای اجتماعی7، تقسیمبندی خوشهای8 و تخمین ارزش طول عمر مشتری9 استفاده میکنند. کسبوکارها در این مرحله به دنبال شاخصهایی برای ارزیابی چابکی بازاریابی، فروش و تعیین استراتژی تبلیغات میباشند [38].
در مرحله سوم (تعهد)، پشتیبانی قوی مدیریت ارشد با سرمایهگذاری برای ارتقا زیرساختهای دادهای و همینطور جذب نیروهای متخصص و ارتقای مهارتهای تحلیلی امکانپذیر میگردد. فعالیتهای داده محوری در این مرحله از واحد بازاریابی به کلیه واحدهای سازمان گسترش مییابد. در این مرحله، ادغام دادههای هر مشتری از کانالهای مختلف ارزش زیادی پیدا میکند و سازمان شروع به تجربه کردن استراتژیهای بازاریابی داده محور خود میکند. در مرحله چهارم (تغییر فرهنگ)، فرهنگ داده محور فراگیر میشود و فرایند یادگیری بر مبنای آزمونوخطا موردتوجه قرار میگیرد. به علت حضور دانشمندان داده در این مرحله فراتر از تحلیلهای توصیفی از تحلیلهای پیشبین10 استفاده میگردد. در این مرحله از آزمونهای ای/ بی11 که یک روش علمی برای اتخاذ تصمیمهای داده محور و ایجاد فرضیه برای سنجش تأثیر گزینههای مختلف بر معیارهای کلیدی از طریق کاربران واقعی است[44]، برای بررسی سودآوری ایدهها و استراتژیهای مختلف بازاریابی استفاده میگردد [38].
ادغام دادههای مشتریان از کانالهای مختلف آفلاین و آنلاین، سرآغازی برای رسیدن به مرحله داده محوری است [38]. جانسون و همکاران (2019) مرحله پنجم (بازاریابی داده محور) را، مرحله بلوغ استفاده از کلان داده در فعالیتهای بازاریابی میدانند. در این مرحله سازمان داده محور دستهبندیهای بسیار کوچک12 از مشتریانش انجام میدهد، در بازاریابی داده محور ارزشی که هر مشتری یا خرده دستهها ایجاد میکنند مبنای کار قرار میگیرد؛ به هر دسته تبلیغات هدفمند مبتنی بر ویژگیهای مشترک همان دسته ارائه میشود. بعلاوه، پیشنهادهای محصول و خدمات به مشتریان بر مبنای الگوریتمهای هوش مصنوعی صورت میگیرد[38] . بنابراین در این مرحله بینش حاصل از دادهها(شامل شاخصهای کلیدی عملکرد و یا الگوهای رفتاری مصرفکنندگان) است که تصمیمگیریها و تدوین استراتژیهای بازاریابی را جهت میدهد. در بازاریابی سنتی عمدتاً مسئله مطرح و برای کمک به حل مسئله، از دادهها استفاده میشود. اما، در بازاریابی داده محور همهچیز با داده شروع میشود. این داده است که تدوین استراتژی را جهت میدهد. در بازاریابی داده محور بر ارزشی که هر مشتری یا دسته مشتری ایجاد میکند تمرکز میشود و هدف بازاریابی داده محور ایجاد تجربه شخصیسازیشده برای مشتریان است.
بر اساس مطالعات صورت گرفته میتوان گفت برخلاف تصور عمومی، مفهوم تحلیل بازاریابی یک جزء محدود از بازاریابی داده محور و شامل بهکارگیری علوم کامپیوتر، ریاضیات، آمار و اقتصاد جهت کمک به کارایی و اثربخشی تصمیمگیریهای بازاریابی مبتنی بر تحلیلهای توصیفی، تشخیصی، پیشبینی و تجویزی هست[45] .
2.1.2 تحلیل کلان داده
کلان داده معمولاً با چهار "V" مشخص میشوند: حجم13 (از ترابایت به پتابایت14)، سرعت15 (از عکسهای آنی16 گرفتهشده تا دادههای با فرکانس بالا و جریان داده)، تنوع17 (عددی، شبکه، متن، تصاویر و فیلم) و صحت18 (اعتبار و روایی). دو ویژگی اول ازنظر محاسبات مهم هستند و دو مورد بعدی از دیدگاه تحلیلی مهم هستند. گاهی اوقات یک "V" پنجم به نام ارزش اضافه میشود که از چهار پارامتر قبلی فراتر میرود و از دیدگاه کسبوکار اهمیت مییابد [45]. ویژگیهای مذکور وجه افتراق تحلیل بازاریابی سنتی و تحلیل کلان داده بازاریابی19 است. تحلیل کلان داده بازاریابی، مجموعهای از ابزارها و تواناییها است که برای نوآوری محصول، فرآیندهای تدوین استراتژی بازاریابی و دفاع از نام تجاری در برابر خطرات در حال ظهور استفاده میشود [38]. کلان داده یک دارایی بسیار ارزشمند استراتژیک تجاری محسوب میشود. چراکه میتواند در ایجاد بینش در مورد مشتریان، بازار و محیط، به کسبوکار کمک نماید. ایجاد بینش در رابطه با الگوهایی که تا پیشازاین بهطور دقیق قابل پیشبینی نبودند و این منجر به تدوین استراتژیهای دقیقتر و بهبود و توسعه عملیات و درنهایت خلق فرصتهای خلاقانه و کارآفرینانه میگردد [39].
ابزارهای نوآورانه تحلیل کلان داده بسیار فراتر از ابزارهای سنتی جمعآوری اطلاعات هستند. چراکه بهوسیله این ابزارها، الگوهای رفتاری مشتریان کشف میشود. بهویژه بینشی که این ابزارها در رابطه با نیازهای پنهان و ریشهای مصرفکنندگان ایجاد میکنند بسیار قابلتوجه است. این در حالی است که ابزارهای سنتی مانند نظرسنجی، صرفاً بر مبنای نظر و عقیدهای است که مشتری قادر به بیان آنها است که میتواند متفاوت از نیازهای واقعی و ریشهای آنها باشد. بهعبارتدیگر ابزارهای نوین تجزیهوتحلیل، نهتنها در مورد انتخابهای مشتریان بلکه در رابطه با گزینههایی که انتخاب ننمودهاند نیز اطلاعات منحصربهفردی ارائه میدهند [39].
3.1.2 قابلیتهای پویا
قابلیتهای سازمانها به دودسته ایستا یا پویا تقسیم میشوند [31]. قابلیتهای سازمانی ثابت (ایستا) در طول زمان تغییر نمیکنند؛ به قابلیتهای سازمانی ثابت (ایستا)، قابلیتهای عملیاتی یا عملکردی نیز گفته میشود مانند قابلیت بازاریابی، قابلیت تولید و قابلیت فناوری اطلاعات که درواقع روالهای روتین کسبوکار هستند [46]. این قابلیتها حافظ وضع موجود سازمان هستند و بقای سازمان را در کوتاهمدت تأمین میکنند [37]؛ اما قابلیتهای پویا، قابلیتهایی هستند که قدرت تغییر در منابع و سایر قابلیتها رادارند[47] . درواقع قابلیتهای پویا در قابلیتهای عملیاتی تغییر به وجود میآورند [31]. قابلیتهای پویا رویکرد آینده نگرانه دارند و توضیحی میدهند که سازمانها چگونه در یک محیط پویا با تغییرات سریع فناوری میتوانند به مزیت رقابتی دست یابند [37]. دیدگاه قابلیتهای پویا تکاملیافته نظریه منبع محور20 است [30]. نظریه منبع محور معتقد است که سازمانها با داشتن منابع و توانمندیهای متمایز میتوانند به مزیت رقابتی دست یابند [48]. اما کارآمد بودن این نظریه با توجه به محیط متلاطم و دائماً در حال تغییر امروزی موردانتقاد قرار گرفت و بر این اساس نظریه قابلیتهای پویا توسط تیس21(1997) مطرح گردید [49]. قابلیتهای پویا ازنظر تیس به معنای "توانایی سازمان در ادغام، ساخت و پیکربندی مجدد تواناییهای داخلی و خارجی برای تعامل با محیط بهسرعت در حال تغییر هست". قابلیتهای پویا همانند قابلیتهای سازمانی ثابت(ایستا) نوعی روال هستند ولی این روالها، روالهایی برای یادگیری هستند [46], [47]. درواقع قابلیتهای پویا بر توانایی تغییر فرایندهای بین وظیفهای22 تأکید میکنند. کلمه «پویا» نشاندهنده نقشی است که این توانمندیها در نوسازی بازی میکنند و واژه «قابلیتها» تأکید میکند که آنها پاسخهای خود به خودی نیستند، بلکه نتیجه تصمیمات استراتژیک هستند، یعنی تلاشهای هدفمند و منظم برای سازگاری با یک زمینه جدید [30].
برخی از پژوهشگران سعی داشتهاند تا ریز بنیانهایی23 را برای قابلیتهای پویا مشخص نمایند ازجمله بازپیکربندی، بهرهگیری24، یادگیری و ادغام خلاق [49]، حس کردن، بهرهگیری و بازپیکربندی [50]، ظرفیت نوآورانه، ظرفیت جذب25 و ظرفیت سازگاری26[51] و مکانیسمهای یادگیری برای تولید قابلیتهای پویا مانند تجربه انباشته27، بیان دانش28 و تدوین دانش29 [52]. از طرفی برخی نیز قابلیتها و فرایندهای سازمانی را قابلیتهای پویای واقعی میدانند ازجمله مدیریت توسعه محصول و یا مدیریت اتحاد و ادغام [30]. پژوهشگران دیگر نیز علاوه بر توسعه محصول به فرایندهای تخصیص منابع، فرایندهای خلق دانش و قابلیتهای تصمیمگیری بهعنوان قابلیتهای پویای متداول در سازمانها اشاره میکند [46], [53]. وارنر و واگر30 [28] اقدام به شناسایی ابعاد مختلف قابلیتهای پویا درزمینهٔ تحول دیجیتال نمودند. آنها برای سه بعد ادارک دیجیتال، بهرهگیری دیجیتال و تحول دیجیتال ابعاد فرعی شناسایی نمودند. کائو و همکاران31 [22] نیز مدیریت توسعه محصول و تصمیمگیری بازاریابی را بهعنوان مظاهر قابلیتهای پویا در رابطه با تحلیل بازاریابی مدنظر قرار دادهاند. اما با توجه به تفاوت ذکرشده در مورد تحلیل بازاریابی و بازاریابی داده محور، تاکنون ریز بنیانهای قابلیتهای پویای بازاریابی داده محور موردبررسی جامع قرار نگرفته است.
[2] Jeffery
[3] Performance marketing
[4] Johnson et al.
[5] sprouting.
[6] descriptive analytic
[7] social media tracking
[8] cluster segmentation
[9] Customer Lifetime Value )CLV(
[10] predictive
[11] A / B testing
[12] micro-segments
[13] volume
[14] terabytes to petabytes
[15] velocity
[16] snapshot
[17] variety
[18] veracity
[19] marketing big data analytics
[20] Resource-based theory
[21] Teece
[22] firm’s cross-functional process-changing capability
[23] micro-foundation
[24] leveraging
[25] absorptive capacity
[26] adaptation capacity
[27] accumulated experience
[28] knowledge articulation
[29] knowledge codification
[30] Warner & Wäger
[31] Cao et al.
2.2. پیشینه پژوهش
پژوهشهای گذشته در حوزه قابلیتهای پویای بازاریابی داده محور را میتوان به دودسته پژوهشهای حوزه قابلیتهای پویا برای تحلیل کلان داده و پژوهشهای قابلیتهای پویا برای فعالیتهای بازاریابی تقسیمبندی نمود که در ادامه به تشریح آنها پرداختهشده است:
1.2.2 قابلیتهای پویای تحلیل داده
قابلیتهای پویا در ادبیات تحلیل داده بهعنوان مکانیسمی برای چگونگی تأثیر تحلیل داده بر عملکرد سازمان مورداستفاده قرارگرفته است. جدول 1 خلاصهای از برخی از مطالعات این حوزه را مشخص میکند. همانطور که در جدول 1 ملاحظه میشود در اکثر مطالعات گذشته نقش واسطهای قابلیتهای پویا در مسیر رابطه بین تحلیل داده با متغیرهایی مانند عملکرد سازمان و یا مزیت رقابتی و عمدتاً با استفاده از روشهای پژوهشی کمی سنجیده شده است؛ اما شناخت ماهیت و پیچیدگی قابلیتهای پویا با محوریت داده بهعنوان یک قابلیت جدید سازمانی در حوزه بازاریابی کمتر موردتوجه قرارگرفته است. از طرفی مطالعات انجامشده در حوزه بهکارگیری داده در واحدهای بازاریابی نیز محدود به کنیههای فنی و ابزارهای تحلیل داده بوده است.
جدول 1. قابلیتهای پویای مرتبط با تحلیل داده در تحقیقات گذشته
یافتههای پژوهش | روششناسی | تمرکز | قابلیتهای پویای تحلیل داده | منبع |
نقش واسطهای ابعاد قابلیتهای پویا در رابطه تأثیر منابع فناوری اطلاعات بر مزیت رقابتی سازمان. | کمی | تحلیل کلان داده | قابلیتهای فناوری اطلاعات/انعطافپذیری استراتژی/سازگاری | [33] |
نقش واسطهای چابکی در رابطه بین دانش حاصل از تجزیهوتحلیل کلان داده بر عملکرد سازمان. | کمی | تحلیل کلان داده | چابکی | [35] |
نقش واسطهای قوی قابلیتهای پویای فرایند-محور در رابطه بین قابلیتهای تحلیل کلان داده و عملکرد سازمان. | کمی | تحلیل کلان داده | -قابلیتهای پویای فرایند-محور1 | [34] |
توانایی تحلیل کلان داده از طریق چابکی و دوسوتوانی سازمانی بر عملکرد سازمانی مؤثر است. | کمی | تحلیل کلان داده | چابکی/دوسوتوانی سازمانی2 (نوآوری بهره بهردارانه3، نوآوری اکتشافی4) | [36] |
نقش واسطهای قوی قابلیتهای پویا در رابطه بین منابع/تواناییهای هوشمندی کسبوکار باقابلیتهای بازاریابی. | کمی | تحلیل هوشمندی کسبوکار | نظارت/یادگیری/ادغام/هماهنگی | [20] |
نقش واسطهای قوی قابلیتهای پویا در رابطه بین منابع/تواناییهای تحلیل هوشمندی کسبوکار با عملکرد سازمان. | کمی | تحلیل هوشمندی کسبوکار | درک کردن/بهرهگیری (درک مشترک، برنامهریزی، تصمیمگیری)/تغییر فرایند کسبوکار | [25] |
بهرهگیری از کلان داده و تحلیل دادههای بازاریابی میتواند به تقویت ابعاد ذکرشده برای قابلیتهای پویا کمک نمایند. | کمی | تحلیل دادههای بازاریابی | برنامهریزی بازاریابی شرکت /اجرای بازاریابی/مدیریت نام تجاری/مدیریت ارتباط با مشتری/مدیریت توسعه محصول | [37] |
تأثیر مثبت تحلیل دادههای بازاریابی از طریق تصمیمگیری بازاریابی و مدیریت توسعه محصول بر مزیت رقابتی پایدار | کمی | تحلیل دادههای بازاریابی | تصمیمگیری بازاریابی/مدیریت توسعه محصول | [22] |
ارائه مدل بلوغ برای بازاریابی داده محور و مطرح کردن سه بعد قابلیتهای پویا برای پیادهسازی فنی تجزیهوتحلیل کلان داده بازاریابی | کیفی | بازاریابی داده محور | یادگیری هوشیارانه/آزمونوخطا/باز پیکرهبندی سازمان | [38]
|
[1] Process-oriented dynamic capabilities
[2] organizational ambidexterity
[3] Exploitative Innovation
[4] Explorative Innovation
2.2.2 قابلیتهای پویای بازاریابی
در خصوص ابعاد قابلیتهای پویای بازاریابی برخی محققان به مواردی همچون استفاده و ادغام دانش بازار و منابع بازاریابی بهمنظور مطابقت با تغییرات بازار و فنآوری اشاره داشتهاند [29]. برونی و ورونا1 (2009) دانش بازار را دانش مربوط به حوزههای مشتری و رقبا و منابع بازاریابی را نیز داراییهای مشهود و نامشهود مانند محصولات، نمانامها و کانالهای توزیع میدانند [29]. کچویی و همکاران2 (2018) قابلیت پویای بازاریابی را اساساً مرتبط با قابلیت جذب دانش بازار دانسته است [31]. در بیشتر تحقیقات، قابلیتهای پویای بازاریابی به عنوان مجموعهای از فرایندها، برای پاسخگویی به تغییرات بازار در نظر گرفتهشده است [54].
قابلیتهایی که به سازمانها کمک میکند با استفاده از روندهای بازار و مشتریان یاد بگیرند تغییر در نیازهای مشتریان را شناسایی و بر اساس آن عمل کنند [21], [55], [56]. ازجمله قابلیتهای پویای بازاریابی که تاکنون در ادبیات موردبررسی قرارگرفته است میتوان به قابلیت جذب3، قابلیت اتصال به مشتری4، قابلیتهای حس کردن بازار5، توسعه محصول جدید، بازار محوری6، مدیریت ارتباط با مشتری7، مدیریت زنجیره تأمین8 و مدیریت دانش اشاره کرد [22], [38], [57], [58].
مرور پیشینه پژوهش در حوزه قابلیتهای پویای بازاریابی نشان میدهد، تاکنون نحوه بکارگیری داده با رویکرد قابلیتهای پویا در حوزه بازاریابی موردتوجه قرار نگرفته است. از همین رو با توجه به این شکاف پژوهشی، سوال اصلی این پژوهش آنست که مشخص شود ریز بنیانهای تشکیل دهنده قابلیتهای پویای بازاریابی داده محور چه می باشد و اولویت آنها چگونه است.
3.روششناسی ﭘﮋوﻫﺶ
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺘﻮا و هستیشناسی ﭘﮋوﻫﺶ ﮐﻪ ﺑﯿﺸﺘﺮ ﭘﺪﯾﺪه¬ای ﺗﺠﺮﺑﯽ اﺳﺖ و مصاحبههای ﻋﻤﯿﻖ ﺑﻪ درك ﺑﻬﺘﺮ ﻧﮕﺮش و تجربه¬های اﻓﺮاد در رابطه باقابلیتهای پویای لازم در بازاریابی داده محور میانجامد، اﯾﻦ پژوهش ﺑﻪ روش ﮐﯿﻔﯽ و ﺑﺎ اﺳﺘﺮاﺗﮋي ﺗﺤﻠﯿﻞ ﻣﻀﻤﻮن برون و کلارک انجامشده اﺳت [62]. ﺗﺤﻠﯿﻞ ﻣﻀﻤﻮن، روﺷﯽ ﺑﺮاي ﺷﻨﺎﺧﺖ، ﺗﺤﻠﯿﻞ و ﮔﺰارش اﻟﮕﻮﻫﺎي ﻣﻮﺟﻮد در دادههای ﮐﯿﻔﯽ اﺳﺖ. اﯾﻦ روش، ﻓﺮاﯾﻨﺪي ﺑﺮاي ﺗﺤﻠﯿﻞ دادههای ﻣﺘﻨﯽ اﺳﺖ و دادههای ﭘﺮاﮐﻨﺪه و ﻣﺘﻨﻮع را ﺑﻪ دادههای ﻏﻨﯽ و ﺗﻔﺼﯿﻠﯽ ﺗﺒﺪﯾﻞ میکند [63]. درنهایت این مضامین بهصورت یک شبکه ترسیم میشود؛ که مفاهیم (نکات کلیدی متن مصاحبهها) در خارجیترین قسمت، مقولههای فرعی (مقولات بهدستآمده از ترکیب و تلخیص مفاهیم) و سپس مقولههای اصلی (مضامین عالی دربرگیرنده اصول حاکم بر متن بهعنوان یک کل) به ترتیب و پسازآن قرار میگیرند [64]. در شکل 1 دستهبندی از مضامین شناسایی مطابق با نظریه تیس (2007) ارائهشده است. افراد موردمطالعه پژوهش نیز، 18 نفر از مدیران بازاریابی دیجیتال و متخصصان داده ﺑﻮدﻧﺪ که در کسبوکارهای دیجیتال ایرانی مشغول به فعالیت بوده¬اند و از ﻃﺮﯾﻖ نمونهگیری هدفمند اﻧﺘﺨﺎب ﺷﺪﻧﺪ. نمونهگیری ﻫﺪﻓﻤﻨﺪ ﮐﻪ ﺑﻪ آن نمونهگیری غیر احتمالی و ﮐﯿﻔﯽ ﻧﯿﺰ ﻣﯽﮔﻮﯾﻨﺪ؛ ﺑﻪ ﻣﻌﻨﺎي اﻧﺘﺨﺎب هدفدار واﺣﺪﻫﺎي ﭘﮋوﻫﺶ ﺑﺮاي ﮐﺴﺐ داﻧﺶ و اﻃﻼﻋﺎت اﺳﺖ.
با توجه به سطح بالاتر بلوغ دادهای در کسبوکارهای دیجیتال کشور، در این پژوهش مصاحبهشوندگان از بین متخصصان این نوع کسبوکارها که دارای دانش و تجربه حداقل 3 سال درزمینه بهکارگیری داده در بازاریابی دیجیتال بودند انتخابشدهاند.
[1] Bruni & Verona
[2] Kachouie et al
[3] Absorptive capability
[4] customer-linking
[5] capabilities market-sensing
[6] market orientation
[7] customer relationship management
[8] supply chain management
جدول 2. تخصص و مشخصات مصاحبهشوندگان
زمینه فعالیت | سمت | سابقه | تحصیلات | کد |
تاکسی آنلاین | مدیر داده محصول1 | 7 سال | کارشناسی ارشد | P1 |
خردهفروشی آنلاین | مدیر گروه قیمتگذاری داده محور | 5 سال | کارشناسی | P2 |
خردهفروشی آنلاین | مدیر بازاریابی دیجیتال | 12 سال | کارشناسی | P3 |
خردهفروشی آنلاین | مدیر گروه تحلیل متن | 4 سال | کارشناسی | P4 |
آژانس تبلیغات و بازاریابی | مدیر بازاریابی | 7 سال | دکترا | P5 |
خردهفروشی آنلاین | تحلیلگر دادههای بازاریابی | 3 سال | کارشناسی ارشد | P6 |
هوشمند سازی کسبوکارها | تحلیلگر دادههای بازاریابی | 3 سال | کارشناسی ارشد | P7 |
هوشمند سازی کسبوکارها | متخصص داده | 10 سال | دکترا | P8 |
تاکسی آنلاین | مدیر بازاریابی دیجیتال | 13 سال | کارشناسی ارشد | P9 |
لجستیک آنلاین | مدیر بازاریابی داده محور | 9 سال | کارشناسی | P10 |
هوشمند سازی کسبوکارها | مدیرتیم هوشمند سازی بازاریابی | 4 سال | کارشناسی | P11 |
خردهفروشی آنلاین | مدیر گروه تقاضا داده محور | 4 سال | کارشناسی ارشد | P12 |
گردشگری آنلاین | مدیر محصول دیجیتال | 11 سال | کارشناسی ارشد | P13 |
خردهفروشی آنلاین | مدیر گروه دستگاههای پیشنهاد محصول | 3 سال | کارشناسی ارشد | P14 |
هوشمند سازی کسبوکارها | مدیر بازاریابی داده محور | 14 سال | دکترا | P15 |
خردهفروشی آنلاین | مدیرتیم لجستیک هوشمند | 4 سال | کارشناسی ارشد | P16 |
اپ استور | معاونت زیرساخت داده | 8 سال | کارشناسی ارشد | P17 |
خردهفروشی آنلاین | مدیر تجربه خرید دیجیتال مشتریان | 4 سال | کارشناسی ارشد | P18 |
[1] data product manager
ﺑﺮاي درﯾﺎﻓﺖ اﻃﻼﻋﺎت از مشارکتکنندگان، ﻣﺼﺎﺣﺒﻪ نیمه ساختاریافته ﻣﺒﺘﻨﯽ ﺑﺮ سؤالهای ﭘﮋوﻫﺶ ﺑﻪ ﮐﺎر گرفتهشده است. ﻫﻤﻪ مصاحبهها ﺑﺎ اﺳﺘﻔﺎده از دﺳﺘﮕﺎه ضبطصوت، ﺿﺒﻂ و ﻣﮑﺘﻮب ﺷﺪ. ﻣﺼﺎﺣﺒﻪ ﺑﺎ مشارکتکنندگان ﺗﺎ ﺟﺎﯾﯽ اداﻣﻪ ﭘﯿﺪا ﮐﺮد ﮐﻪ ﮐﺪﻫﺎ ﺑﻪ اﺷﺒﺎع نظری رﺳﯿﺪ. کرسول1 (2001) [59] اشاره میکند زمانی که اطلاعات تکرار میشوند و اطلاعات جدیدی از مصاحبهها به دست نمیآید میتوان استنباط کرد که تعداد نمونه کفایت میکند. درمجموع با 18 نفر مصاحبه انجام شد که برای تکمیل بحث جلسات گفتگو با بعضی از افراد تا 2 یا حتی 3 جلسه ادامه پیدا کرد. جدول 2 مشخصات مصاحبهشوندگان را نشان میدهد. بر اساس روش ﺗﺤﻠﯿﻞ ﻣﻀﻤﻮن، پژوهشگر پسازاین ﮐﻪ ﭼﻨﺪﯾﻦ ﺑﺎر متن مصاحبهها را ﻣﺮور و ﻧﺴﺒﺖ ﺑﻪ آنها ﺗﺴﻠﻂ ﭘﯿﺪا ﮐﺮد، قسمتهایی را ﮐﻪ ﺑﯿﺶﺗﺮﯾﻦ ﻏﻨﺎ را در ﻣﻮﺿﻮع ﭘﮋوﻫﺶ و ﯾﺎ در ﭘﺎﺳﺦ ﺑﻪ ﺳﺆاﻻت ﭘﮋوﻫﺶ دارد ﻣﺸﺨﺺ نموده است. سپس، دادهﻫﺎي ﮐﯿﻔﯽ انتخابشده، ﮐﺪﮔﺬاري گردیده است.
ﭘﺲ از اﺗﻤﺎم ﻣﺮﺣﻠﻪ ﮐﺪﮔﺬاري، پژوهشگر ﺑﺮاي ﻫﺮﯾﮏ از ﮐﺪﻫﺎ، ﯾﮏ ﺑﺮﭼﺴﺐ اﻧﺘﺨﺎب نموده است. شایانذکر اﺳﺖ، اعتبار یابی در این ﭘﮋوﻫﺶ که از نوع ﻛﻴﻔﻲ است از دو ﻣﻨﻈﺮ دروﻧﻲ (ﺧﻮد ﻛﻨﺸﮕﺮان) و ﺑﻴﺮوﻧﻲ (ﺑﺮرﺳـﻲ ﺻـﺤﺖ اﻧﺠﺎم ﭘﮋوﻫﺶ ازنظر ﻣﺤﻘﻘﺎن) موردبررسی قرارگرفته اﺳـﺖ [60]. برای این منظور در اﻳـﻦ ﭘﮋوﻫﺶ از " ﻧﮕﺎرش ﺗﻔﺼﻴﻠﻲ "، "ﺑﺎزﺧﻮرد ﻫﻤﺘﺎﻳﺎن" و همچنین از روش "توافق دو کدگذار" بهعنوان اﺳﺘﺮاﺗﮋيﻫﺎي ﻧﺎﻇﺮ ﺑﺮ ﻛﻨﺘﺮل اﻋﺘﺒﺎر ﺑﻴﺮوﻧﻲ اﺳﺘﻔﺎده ﮔﺮدﻳﺪه است. " ﻧﮕﺎرش ﺗﻔﺼﻴﻠﻲ " ﻳﻌﻨﻲ ﺗﻮﺻﻴﻒ دﻗﻴﻖ ﻣﻀﺎﻣﻴﻦ اﺻﻠﻲ و ﻣﺴﺘﻨﺪ ﻛـﺮدن آنها ﺑـﺎ ﻣﺘﻦ ﻣﺼﺎﺣﺒﻪ، "ﺑﺎزﺧﻮرد ﻫﻤﺘﺎﻳﺎن"ﻳﻌﻨﻲ ارزﻳﺎﺑﻲ ﻳﺎﻓﺘﻪﻫﺎ و روﻧﺪ اﻧﺠﺎم ﻛﺎر ﺗﻮﺳـﻂ سه پژوهشگر همکار. در ارزیابی توافق دو کدگذار، کدگذار دیگری که آشنایی نسبی با موضوع پژوهش داشته باشد بهصورت مستقل اقدام به کدگذاری متن مصاحبهها نموده است. شباهت بین کدهای مستخرج دو کدگذار نشاندهنده توافق نظر آنها هست که این امر حاکی از پایایی بالای کدهای مستخرج است. برای محاسبه ضریب توافق از "ضریب کاپا" بهره گرگفتهشده است. معمولاً آستانه پذيرش اين ضريب، بيشتر از 6/0 در نظر گرفته میشود. ازآنجاییکه ضریب کاپا برای این پژوهش 702/0 محاسبه شد، میتوان اذعان کرد که کدهای مستخرح از پایایی لازم برخوردارند و درنهایت ارﺟـﺎع ﻣﺠﺪد رواﻳﺖ ﻣﻜﺘﻮب ﺗﻮﺻﻴﻒﻫﺎ ﺑﻪ سه ﻧﻔـﺮ از مشارکتکنندگان در اﺳـﺘﺮاﺗﮋي "ﻛﻨﺘـﺮل اﻋﻀﺎ" و از ﻣﻨﻈﺮي دروﻧﻲ مدنظر ﻗﺮار ﮔﺮﻓـﺖ ﻛـﻪ آنها ﻧﻴـﺰ یافتهها را تائید نمودهاند.لازم به ذکر است از روش کمی انتروپی شانون نیز برای وزن دهی و تعیین اهمیت هر یک از مقولات اصلی استفاده گردیده است.
4. ﺗﺤﻠﯿﻞ دادهها و یافتهها
در جدول 3 ﮐﺪﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ نقلقولهای مشارکتکنندگان درﺑﺎره قابلیتهای پویای بازاریابی داده محور ﻧﺸﺎن دادهشده اﺳﺖ. تحلیل دادهها نشان میدهد که قابلیتهای پویای بازاریابی داده محور شامل: قابلیت جذب مستمر دادههای بازاریابی، قابلیت تجمیع و تحلیلگری لحظهای دادههای بازاریابی، قابلیت تصمیمگیری پویای داده محور، قابلیت بهبود مداوم تجربه داده محور مشتری، قابلیت نوآوری مستمر و بهنگام داده محور، قابلیت شبکهسازی متنوع و سریع، قابلیت چابکی و قابلیت ایجاد تحول داده محور هستند. در ادامه نیز هر یک از مقولههای اصلی چارچوب پیشنهادی مفهومسازی و تشریح و ارتباط بین آنها تبیین گردیده است.
[1] Creswell
جدول 3. قابلیت های پویای بازاریابی داده محور
منابع پشتیبانیکننده | مصاحبه | مفاهیم | مقوله فرعی | مقوله اصلی |
[28]، [32]، [61]، [25]، [46]، [20]، [15]، [15] |
| مشخص کردن پالایههای مهم برای جمعآوری دادههای مشتریان | قابلیت ایجاد و درک نیازهای در حال تغییر مشتری | قابلیت جذب مستمر دادههای بازاریابی |
P13, P14, P15 | جمعآوری دادههای رفتاری و روانشناختی کاربران و استفاده در فعالیتهای مختلف بازاریابی (مانند تقسیمبندی مشتری1 و دستگاههای پیشنهاد محصول2 و.) بجای اتکا صرف به دادههای دموگرافیک3 | |||
P9, P3, P16
| بررسی ترددها، شنیدن نظرها و سلایق مشتریان و فهم نیازهای آنها بهوسیله فنّاوریهای تحلیل داده مانند تحلیل متن4، با استفاده از پلتفرمهایی مانند انواع پلتفرمهای گوگل و. | |||
P11, P13, P18 | شناسایی نیازهای مشتری در طول سفر مشتری5 | |||
P11, P13 | بررسی شرایط موقعیتی و فرهنگ دیجیتال مشتریان بهمنظور ارائه پیشنهادهای شخصیسازیشده | |||
P4, P6, P17 | اجرای کمپین باهدف جمعآوری داده و برقراری ارتباط شخصیسازیشده باهدف تشویق مشتریان به گذاشتن نظر خود | |||
P10, P15,P2, P12 | رصد کردن اتفاقات بازار، رفتار بازار و عوامل مؤثر در استراتژیهای دادهای بادید اس دبلیو او تی بهصورت بهنگام در زمان واقعی6 | قابلیت کسب اطلاعات و درک سریع بازار
| ||
P1, P13, P16 | بررسی کردن و پیشبینی کردن رویدادهایی که میتوان در آنها به مشتریان پیشنهادهایی ارائه داد | |||
P10, P12 | شناسایی عوامل تأثیرگذار در الگوریتمهای دادهای و اضافه کردن به آنها | |||
P7,P15, P11 | اخذ دانش از طریق شرکتهای مشاورهای، شرکتهای تحلیل داده و تحلیل کسبوکار | قابلیت یادگیری داده محور از محیطهای پرتلاطم
| ||
P14, P6, P8, P10, P9, P1, P7, P4 | یادگیری از شرکتهای پیشرو هم به لحاظ بهکارگیری داده و هم به لحاظ فرایندهای کاری، فرهنگسازمانی مرتبط با داده و الگوبرداری از آنها7 به جهت رشد و تحول سازمان | |||
P5, P8, P17 | مطالعه روی معیارها و عواملی که باعث چابکی سازمانهای پیشرو میشود | |||
P9, P6, P13, P1, P7 | رصد کردن استراتژیهای دادهای رقبا | |||
P9, P7, P15, P13, P3 | بررسی دانش منتشرشده و دنبال کردن فرصتهای مختلف بهکارگیری داده و روندهای پیشرفت در فنّاوریهای بازاریابی | |||
P1, P6 | شرکت در رویدادهای8 پیدا کردن راهحلهای دادهای | |||
P7, P6 | بهرهگیری از تجربیات ارائهشده توسط متخصصان داده در انجمنهای9 این حرفه | |||
P11, P13, P2, P15
| بهینهسازی سریع الگوریتمها و مدلهای ریاضی با بهکارگیری و یکپارچگی دادههای متنوع مشتریان از واحدهای دیگر (مثلاً فرهنگ دیجیتال، نیازها و دغدغههای مشتریان) و بازار | قابلیت یکپارچگی و تعاملپذیری داده محور بهصورت پویا | قابلیت تجمیع و تحلیل گری لحظهای دادههای بازاریابی
| |
P9, P2 | اشتراکگذاری و تبادل دادهها بهصورت لحظهای بین واحدهای مختلف در اجرای برنامهها و استراتژیهای دادهای | |||
P1, P12
| انتقال بهموقع نیازهای دادهای توسط گروه بازاریابی به گروه داده و ارزیابی نیازهای دادهای و پالایههای مدنظر گروه بازاریابی توسط گروه داده و انجام اقدامات لازم | |||
P6, P3, P16 | انتقال بهموقع بینش حاصل از تحلیل دادهها به واحدهای مرتبط (بهعنوانمثال، انتقال اطلاعات مربوط به نیازهای موجودی کالا حاصل از تحلیل بازخوردهای مشتریان و تحلیل روندهای بازار به واحد تأمین) | |||
P15, P5,P7, P6,P13 | استفاده از انواع تحلیلهای توصیفی، پیشبینی و تجویزی | قابلیت رفتارشناسی داده محور خرده مشتریان
| ||
P11, P15 | ایجاد خرده گروهبندی مشتریان10 | |||
P1, P7 | شناسایی نیازهای مشتریان از روی الگوهای دادههای رفتاری مشتریان | |||
P13, P9 | شناسایی نیاز افراد بر اساس تفاوت نیازهای گروههای مختلف | |||
P13, P15, P9, P3, P6 | استخراج اطلاعات بیشتر از گروهها یا ریز گروههای شناساییشده، تحلیل و تفسیر عمیقتر دادههای رفتاری با دادههای روانشناختی و جمعیت شناختی مشتریان (بررسی علل ریزش مشتریان، مشخص کردن علل احساس رضایت و نارضایتی مشتری نسبت به محصول، انگیزه خرید یا عدم خرید و.) بهوسیله ابزارهای سنتی مانند نظرسنجی11 یا گروه کانون و غیره. | |||
P3, P10, P9
| مشخص کردن و تغییر پویای اهداف عینی (کمی) و نتایج کلیدی12 (چه میزان سفارش13، چه تعداد مشتری و... تا چه زمانی) با استفاده از دادهها مثلاً با استفاده از دادههای خود سازمان یا دادههای ثانویه14 و با توجه به اهداف و برنامههای سازمان و عواملی مانند دوره عمر سازمان و... | قابلیت تصمیمگیری پویای داده محور
| ||
P10, P15
| بودجهبندی چابک کمپینهای بازاریابی بر مبنای مواردی مانند اهداف کمی مدنظر، پیشبینی تقاضای الگوریتمهای دادهای و ارزش تولیدی دستههای مشتریان | |||
P3, P9, P1, P12
| تدوین و بازنگری استراتژیهای جذب و نگهداشت مشتریان (ازجمله ترفیع، پیشنهاد محصول، قیمتگذاری و...) برای برآورده کردن این اهداف عینی (کمی) و نتایج کلیدی با توجه به تغییرات در پیشبینی تقاضا و عرضه مبتنی برداده | |||
P13, P16 | ایجاد هماهنگی و یکپارچگی بین استراتژیهای بازاریابی فضای آفلاین با آنلاین | |||
P3, P16, P18
| مشخص کردن وظایف گروهها (مانند گروه تولید محتوا، بهینهسازی موتورهای جستجو15 و...) و واحدها برای رسیدن به این اهداف عینی (کمی) و نتایج کلیدی | |||
P3, P16 | شکستن هرکدام از کارهای مشخصشده16 کوچک بهصورت چرخهای به هفته، روز و ساعت | |||
P13, P5
| برنامهریزی برای رویارویی با بحرانهای شبکههای اجتماعی و مدیریت کردن آن با همکاری گروه روابط عمومی | |||
|
| وزن دادن به پالایههای مهم در دادههای جمعآوریشده مشتریان برای هر استراتژی برای مشخص شدن مشتریان هدف |
| ||
P6, P17 | ترکیب بینشهای حاصل از داده با عوامل و مسائل دیگر تأثیرگذار به جهت تصمیمگیری و اتخاذ استراتژی | |||
P15, P9, P1, P7, P10, P5, P14
| اجرای سریع کمپینها و استراتژیها برای افراد و گروهها یا خرده گروههای17 مشتریان بهصورت شخصیسازیشده بر مبنای استراتژیهای در نظر گرفتهشده و بر اساس تفاوت دادههای آنها و شاخصهایی مانند پیشبینی ریزش مشتری18، علل ریزش مشتریان، ارزش طول دوره عمر مشتری19 و غیره | |||
P11, P18 | تولید محتواهای شخصیسازیشده | |||
P2, P18 | در نظر گرفتن درصد ارائه ترفیع20 بر اساس داده مثلاً بر اساس دستگاههای قیمتگذاری هوشمند | |||
P4, P9, P5
| مدیریت پویای برند با تحلیل تغییر نظرات مثبت و منفی مشتریان (هم ازنظر مفهومی و هم ازنظر احساسی) و بررسی روند این نظرات با استفاده از الگوریتمهای تحلیل محتوا در وبسایت یا شبکههای اجتماعی | |||
P15, P18 | بهرهگیری از بینش حاصل از دادهها در سایر کانالهای بازاریابی مانند، پررنگ کردن نقاط قوتی که مشتریان به آن اشاره کردهاند در تبلیغات. | |||
P4, P1, P14, P15, P18 | پیگیری کردن علل نارضایتی مشتریان یا ریزش مشتریان در کامنتهای وبسایت سازمان یا شبکههای اجتماعی و برطرف کردن آن و انجام اقدامات لازم | |||
P12, P18 | مدیریت پویای موجودی کالا بر مبنای تغییرات در تقاضای پیشبینیشده بر اساس دادههای رفتاری مشتریان | |||
P4, P16 | پاسخ سریع به درخواستهای مطرحشده مشتریان در کامنتها مثلاً فروش ویژه برای کالایی، شارژ دوباره محصولات و... | |||
P10, P15, P18 | رصد سریع وضعیت فعلی بهصورت کمی و منسجم، بهمنظور مقایسه اثربخشی طرحها و استراتژیهای جدید با نقطه شروع | قابلیت ارزیابی عملکرد چابک داده محور | ||
P13, P3, P10 | گروهبندی متغییر21 دادههای مختلف (هزینههای مختلف بازاریابی، کانالهای ورودی مشتریان، دستهبندی محصولات و.) برای ارزیابی و مقایسه دقیقتر. | |||
P15, P1, P13, P18
| ارزیابی سریع استراتژیها، طرحهای مختلف، محتوای پیامهای ارسالی به مشتریان و... بهوسیله "آزمون ای/ بی" و مشخص کردن بهینهترین استراتژیها بهصورت بهنگام با ردیابی تأثیری که در فرایند خرید، میزان خرید، تجربه کاربری و شاخصهای مدنظر داشته | |||
P13, P18, P10, P3, P3, P16 | ارزیابی مداوم و مؤثر استراتژیها با مقایسه با اهداف کمی تعیینشده، بر اساس شاخصهای کلیدی عملکرد | |||
P6, P7
| تحلیل دادههای نظرات و واکنشهای افراد به برنامهها و استراتژیهای مختلف بازاریابی مثلاً در مورد تبلیغات شرکت و اقدام بر اساس آنها | |||
[37] | P7, P9, P3, P15, P14, P11, P6 | تعامل و ارتباط شخصیسازیشده مداوم با مشتری22 بر اساس دادههای تاریخچه، نوع استفاده مشتریان و تفاوت در دادههای رفتار خرید و ایجاد تجربه غنی برای آنها | قابلیت ارتباط شخصیسازیشده با مشتری | قابلیت بهبود مداوم تجربه داده محور مشتری
|
P13, P18 | تعامل مداوم با مشتری بر اساس سفر مشتری | |||
P11, P6 | ارتباط مستمر در کانالهای مختلف (ارتباط همهجانبه و همه کانالی23) بر اساس دادههای مشتری | |||
P7, P9, P3, P15, P14, P11, P6 | ارائه پیشنهادهای شخصیسازیشده جهت مدیریت نگهداشت (پس از خرید)
| قابلیت پیشنهاد شخصیسازیشده بهصورت پویا | ||
P13, P18 | پویایی در ارائه پیشنهادها به مشتری بر اساس سفر مشتری و تغییرات آن | |||
P11, P1, P16
| استفاده از دادههای آفلاین در کنار دادههای آنلاین (ترکیب دادههای آفلاین و آنلاین) مشتریان جهت ارائه پیشنهادهای جدید متغییر | |||
P3, P16, P10 | استفاده از فنّاوری بازاریابی برای نظارت بر میزان جذب مشتریان جدید و نگهداشت مشتریان قبلی | قابلیت هوشمند سازی ارتباط با مشتری | ||
P14, P15
| استفاده از فنّاوریهای مانند چت بات بهمنظور جمعآوری دادههای ارتباط با مشتری و انجام تحلیل بر اساس این دادهها | |||
P11, P3
| استفاده از فنّاوری خودکارسازی بازاریابی بهمنظور یکپارچه کردن محتوای شخصیسازیشده ارسالی برای مشتریان بهمنظور خرید مجدد، بازگشت به سبد خرید، تبدیلشدن سرنخ به مشتری24 و... | |||
[36]، [32]، [28]، [22] | P1, P7, P17 | طراحی بهنگام محصول بر اساس نیازهای شناساییشده مشتریان از روی الگوهای دادههای رفتاری مشتریان | قابلیت نوآوری بهنگام داده محور در محصول | نوآوری مستمر و بهنگام داده محور
|
P6, P7 | گرفتن ایده، توسعه یا اصلاح محصول در زمان واقعی از طریق بررسی کامنتهای مشتریان | |||
P9, P18 | توسعه و بهبود سریع محصولات و خدمات از تحلیل دادههای تماس یا پشتیبانی مشتری25 | |||
P6, P7 | توسعه یا اصلاح سریع محصول با استفاده از دادههای حسگرها (فنّاوری اینترنت اشیاء26) | |||
P13, P9, P17
| نوآوری و توسعه در محصول بر اساس سایر نیازهایی که مشتری در مسیر سفر خود بدان نیاز پیدا میکند (بررسی سایر محصولاتی که میتوان به او ارائه کرد). | |||
P12, P9
| استفاده از «آزمون ای/ بی» ارزیابی محصول یا ویژگی جدید در وبسایت یا اپلیکیشن با ردیابی تأثیری که در فرایند خرید، میزان خرید، تجربه کاربری و شاخصهای مدنظر داشته و رفع اشکالات27 آنها | |||
P15, P12
| داده محور کردن فرایندهای کاری بازاریابی و داشتن دادهها روی داشبوردهای کاری | نوآوری بهنگام داده محور در فرایندها | ||
P12, P15, P14
| نوآوری، توسعه و بهبود سریع فرایندها و عملیات بازاریابی بر اساس تحلیل دادههای جمعآوریشده | |||
P15,P14, P17
| نوآوری در مدلهای درآمدی جدید از دادههای مشتریان و تحلیل بهنگام آنها | نوآوری بهنگام داده محور در مدلهای کسبوکار | ||
P14, P9 | درست کردن بهنگام حداقل ارزش پیشنهادی28 و ارزیابی دادههای حاصل از ارائه آن | |||
[42] | P13,P11, P14 | همکاری متنوع با کسبوکارهای دیگر بهمنظور پوشش نقاطی از طول سفر مشتری که برای خود شرکت بهتنهایی جهت ارائه خدمات قابلدستیابی نیست. | قابلیت خلق مشترک ارزش با شرکا | قابلیت شبکهسازی متنوع و سریع |
P13,P11, P14 | همکاری گسترده به جهت توسعه و تنوع پیشنهادها در دستگاههای پیشنهاد محصول و درگیر کردن هرچه بیشتر شرکا برای ارائه خدمات جدید داده محور | |||
P10, P14 | همکاری سریع با شرکا بهمنظور استفاده از دادههای آنها بهمنظور جذب مشتری | همکاری داده محور با شرکا | ||
P5, P12, P14 | همکاری با شخص ثالثها29 و پلتفرمهای داده در زمان واقعی نیاز | |||
P18, P15 | همکاری بهموقع با آژانسهای تبلیغاتی بهمنظور ارائه تبلیغات هدفمند و هوشمند مبتنی برداده | |||
P3, P14, P7
| سرعت در شکلگیری یا قطع ارتباط بین تیمی و برآورده شدن نیازهای هر گروه (برآورده شدن بهموقع نیازهای فنی واحد بازاریابی توسط گروه فنی و داده و بالعکس) | قابلیت همکاری پویای بین تیمی | ||
P7, P6
| استفاده از دانش متخصصان علوم مختلف علاوه بر تحلیلگر داده بهمنظور تحلیلهای دقیقتر و عمیقتر مشتریان و بازار مانند متخصصان علوم شناختی، اقتصادسنجی و غیره | |||
P8, P17, P16
| برطرف کردن موانعی به لحاظ فرهنگی که مانع سرعت عمل میشوند مانند موانع برای برقراری ارتباط، دادن بازخورد، عدم پذیرش تفاوتها بهویژه در گروههای بین سازمانی | |||
[35]، [36]، [28] | P1, P9, P16
| داشتن برنامهریزیهای منعطف و پرهیز از برنامهریزی آبشاری30 (برنامههای بلندمدت با برنامهریزی بیشازحد جزئیات و غیر منعطف) بهمنظور تطبیق سریع با تغییرات داده، نیازهای بازار و شرایط کسبوکار | قابلیت چابکی در برنامهریزی | چابکی |
P10, P7
| پیشبینی پیکهای فروش بر اساس داده و طراحی برنامه و استراتژی برای مدیریت آن | |||
P1, P10 | اطلاعرسانی سریع تغییرات صورت گرفته در برنامهها، سیستم های دادهای و غیره و انجام هماهنگیهای لازم | |||
P1, P8, P6 | چابکی در مدیریت تغییرات و بحرانها، استفاده از فرصتهای بازار و واکنش بهموقع نسبت به آنها با تزریق آنها در سیستم مبتنی برداده و ارائه پیشنهادهای متناسب با این رویدادها | قابلیت چابکی در اقدام | ||
P10, P9, P16
| واکنش سریع نسبت به مسائلی که ممکن است در هرلحظه به وجود بیاید مانند واکنش سریع نسبت به بحرانهای شبکههای اجتماعی، استفاده از پتانسیل کانالهای جدید مشتریان، مشکلات در دسترسی افراد به اپلیکشن و محصولات. | |||
P10, P7 | چابکی در جهت اتخاذ و اجرای استراتژیهای مبتنی برداده مثلاً برای مشتریان در حال ریزش، برای پیکهای فروش و غیره | |||
P6, P7 | سرعت عمل در تحلیل و گرفتن خروجی از دادهها | |||
P10, P7 | چابکی در پاسخ به نیازها و تقاضاهای شناساییشده مشتریان | |||
[30]، [28]، [25]، [20]، [32]، [15] | P9, P11, P13, P8 | تحلیل نتایج استراتژیهای بازاریابی و کل عملکرد شرکت و مشخص کردن عوامل موفقیت یا عدم موفقیت جهت ایجاد تغییرات در سازمان | قابلیت مدیریت تغییر داده محور مبتنی بر بازخور بهموقع | تحول داده محور |
P9, P2 | اشتراکگذاری تجربههای موفق یا ناموفق در اجرای برنامهها و استراتژیها دادهای | |||
P1, P14, P7, P15, P3, P11
| ||||
P14,P12 | ایجاد تغییرات سریع بر اساس استراتژیهای دادهای به دست آمده از ارزیابی تجربه مشتریان، فرایندهای خرید، تصمیمگیری و رضایت مشتریان | |||
P15, P14 | ایجاد تغییرات بر اساس شاخصهای کلیدی عملکرد مورداستفاده بهصورت دورهای (ببینیم که آیا شاخصهای دیگری را هم مدنظر قرار دهیم یا خیر) | |||
P14, P12 | منعطف بودن نسبت به انتشار گزارشها فصلی و استفاده از بازخوردها، ایدهها و نظرات افراد خارج از سازمان جهت انجام تغییرات | |||
P3, P18 | بهکارگیری سریع فنّاوریهای جدید در کوتاهترین زمان ممکن جهت ایجاد تحولات سازمانی | |||
P3, P17 | انجام تغییرات سازمانی مبتنی بر روندهای جهانی | |||
P5, P14, P15 | توسعه بلوغ داده محوری |
قابلیت رشد سریع داده محور
| ||
P13, P3 | تغییر و بهبود سریع رم افزارها و زیرساختها بهعنوانمثال بهبود و توسعه آزمون ای/ بی (حرکت به سمت استفاده از یک موتور بومی برای آزمون ای/ بی) | |||
P7, P15, P9 | استفاده از روشها و مدلهای پیشرفتهتر، بهبود و تغییر الگوریتمهای دادهای متناسب با تغییرات سریع شرایط محیطی، رشد دادههای سازمان و بازخورد گرفتهشده | |||
P1, P3, P11, P15 | تجدیدنظر بهموقع در پالایهها، اصلاح و بهبود جمعآوری دادهها، جمعآوری دادههای بیشتر (جدیدتر) و بهبود دستهبندی آنها | |||
P9, P3, P16, P10 | اصلاح بهموقع در استراتژیهای داده محور بر اساس دادههای ایجادشده جدید و ارزیابی استراتژیها و برنامهها | |||
P9, P15,P6 | هک رشد، داده از دل استراتژیهای دادهای که استفاده میشود استخراج و بر آن اساس در سازمان، فرایندهای آن تغییرات به وجود میآورد | |||
P9, P14 | ایجاد تغییرات سریع موردنیاز در محصول، اپلیکیشن، وبسایت بر اساس بازخوردهای گرفتهشده از دادهها | |||
P9, P3, P15 | تغییر ساختار سازمانی در صورت نیاز (بهعنوانمثال حرکت به سمت ساختار غیرمتمرکز درزمینهٔ کار با داده (تصمیمگیری هر فردی مبتنی برداده باشد)) |
[1] segmentation
[2] recommendation
[3] Demographic
[4] text mining
[5] journey
[6] real time
[7] bench marking
[8] event
[9] Community/forum
[10] segmentation
[11] survey
[12] OKR(objective key result)-Vision & Mission, Objective, Key Result, To do
[13] Order
[14] third party
[15] SEO
[16] to do
[17] Micro- segmentation
[18] churn prediction
[19] life-time value (LTV)
[20] promotion
[21] Segmentation
[22] engagement management
[23] omni-channel
[24] lead to customer
[25] Call Center
[26] Internet of things(IoT)
[27] bug
[28] minimum valuable product(MVP)
[29] third party
[30] Waterfall planning
قابلیت جذب مستمر داده و اطلاعات: بهمنظور عمل بر اساس داده باید دادههای مختلف مشتریان جمعآوری شود. برای جمعآوری دادهها باید پالایهها (ویژگیهایی که میخواهیم برای آن داده جمعآوری کنیم) مدنظر قرار گیرد. هرچقدر که سازمان دادههای بیشتر و بهتری از مشتریان جمعآوری کند، میتواند شناخت عمیقتری نیز از آنها به دست آورد؛ بنابراین سازمان میتواند کمپینهایی باهدف جمعآوری داده اجرا نماید. همچنین ارتباط شخصیسازیشده باهدف تشویق مشتریان به ارائه نظراتشان داشته باشد تا آنها را تحلیل کند. علاوه بر دادههای مربوط به محصولات و خدمات متعلق به سازمان نکته مهم توجه بهکل سفر مشتری است چراکه درصورتیکه بخواهیم مشتری را درگیر سازیم و پیشنهادهای عمیقتری به او ارائه دهیم باید سایر نیازهای مشتری را در طول سفر او شناسایی کنیم؛ بنابراین جمعآوری داده از سایر نیازهای مشتری در کل مسیری که قرار است محصول یا خدمت ما را مورداستفاده قرار دهد نیز اهمیت دارد. بهمنظور ارائه پیشنهادهای شخصیسازیشده آشنایی بافرهنگ دیجیتال مشتریان بسیار مهم است شاید بعضی از افراد از اینکه مدام به آنها یادآوری بشود و بعضی نیز از اینکه به آنها یادآوری چندانی نمیشود ناراحت شوند؛ بنابراین اینکه ما سیستم های مبتنی برداده خود را در چه فرهنگی مورد استفاده قرار میدهیم اهمیت بسیاری دارد. برای بهرهبرداری از داده، نگاه سازمان باید به صورتی باشد که فرصتها و تهدیدهای محیطی را مدام رصد کند. رصد کردن و حتی پیشبینی اتفاقات بازار به سازمان این کمک را میدهد تا این اتفاقات را در الگوریتمهای دادهای خود تزریق کند و بر این اساس میتواند پیشنهادهایی را به مشتریان ارائه نماید؛ اما برای بهکارگیری داده در فعالیتهای بازاریابی سازمان بایست دانش لازم را کسب نماید. این دانش را میتواند از طریق شرکتهای مشاورهای، تحلیل داده و کسبوکار به دست آورد. بعلاوه شرکت در رویدادهای1 دادهای میتواند به سازمان در پیدا کردن راهحلهای دادهای کمک بکند. رصد کردن استراتژیها و پیشرفتهای دادهای رقبا نیز میتواند در این زمینه الهامبخش باشد. مطالعه روی دانش منتشرشده و کاربردهای جدید داده برای مشخص شدن نحوه بهکارگیری آنها در سازمان، پیگیری تجربیات متخصصان این حوزه در انجمنها یا پلتفرمهای مرتبط و یا مطالعه گزارشهای منتشرشده توسط شرکتهای پیشرو میتوانند سازمان را با آخرین کاربردهای دادهای آشنا کند. الگو گیری از شرکتهای پیشرو علاوه بر کاربردهای دادهای میتواند درزمینهٔ فرایندهای سازمانی مورداستفاده برای بهکارگیری داده و همینطور فرهنگسازمانی آنها نیز انجام شود تا به رشد و تحول سازمان در بهکارگیری داده کمک کند.
قابلیت تجمیع و تحلیلگری لحظهای دادههای بازاریابی: شناخت مشتریان اهمیت بسیار زیادی درداده محوری دارد. هر فردی که به چنین آگاهی دست پیدا میکند مسئول است تا آن را به درون واحد بازاریابی و همچنین سایر واحدها بهویژه واحد داده منتقل کند. گروه بازاریابی باید دانشی را که از مشتریان (مثلاً فرهنگ دیجیتال، نیازهای و دغدغههای مشتریان و بازار) در طول زمان به دست میآورد را به جهت بهتر شدن الگوریتمها و مدلهای ریاضی به گروه داده منتقل نماید. یا بهعنوان مثالی دیگر، نیازهای موجودی کالا حاصل از تحلیل بازخوردهای مشتریان، تحلیل روندهای بازار بایست به واحد تأمین انتقال داده شود. برای بهرهگیری کارآمد از داده بایست همکاری تنگاتنگی بین گروه بازاریابی و گروه داده وجود داشته باشد. گروه بازاریابی بایست که نیازهای دادهای و پالایههای مدنظر خود را به گروه داده انتقال دهد تا آنها به لحاظ فنی آن را بررسی و در انجام تحلیلها بهکارگیرند. بهمنظور تحلیل دادههای مشتریان میتوان از تحلیلهای توصیفی، تجویزی و پیشبین استفاده نمود. هدف بازاریابی داده محور ارائه محصولات به مشتریان مطابق با خواستهها و نیازهای آنان است؛ بنابراین، یکی از کارهایی که باید انجام گردد، دستهبندی کردن مشتریان است تا بر این اساس نیازهای مشتریان از روی الگوهای دادههای رفتاری آنها و همینطور تفاوت نیازهای گروههای مختلف شناسایی شود. پس از دستهبندی کردن مشتریان با دادهها و الگوهای رفتاری آنها بهمنظور استخراج اطلاعات بیشتر از گروهها یا ریز گروههای شناساییشده، بهتر است بهمنظور تحلیل و تفسیر عمیقتر دادههای رفتاری از سایر دادهها ازجمله دادههای روانشناختی و جمعیت شناختی مشتریان استفاده شود. بهعنوانمثال، بهمنظور بررسی مواردی مانند انگیزه خرید یا عدم خرید، علل ریزش مشتریان، علل احساس رضایت و نارضایتی نسبت به محصول در دستههای شناساییشده میتوان از ابزارهای سنتی مانند نظرسنجی2 یا گروه کانون استفاده کرد.
قابلیت تصمیمگیری پویای داده محور: بهمنظور اجرای بازاریابی داده محور بایست اهداف موردنظر به حالت کمی تبدیل شوند تا مورد ارزیابی دقیق قرار گیرند. باید مشخص شود که نتایج کلیدی که قصد رسیدن به آنها رادارند دقیقاً چه چیزهایی هستند، واحد بازاریابی قصد دارد در چه مدتزمانی و به چه میزان سفارش دست پیدا کند و چه تعداد مشتری را در بین مشتریان فعال خود داشته باشد. برنامهریزی بازاریابی سالانه بایست با توجه به دادهها مثلاً با استفاده از دادههای خود سازمان یا دادههای ثانویه3 و همچنین مأموریت و چشمانداز سازمان و عواملی مانند دوره عمر سازمان انجام گیرد. باید توجه شود که هماهنگی و یکپارچگی بین استراتژیهای بازاریابی فضای آفلاین با آنلاین برقرار باشد. بودجهبندی کمپینهای بازاریابی بایست بر مبنای مواردی مانند هدفهای کمی موردنظر، پیشبینی تقاضا بهوسیله الگوریتمهای دادهای و ارزش احتمالی تولیدی دستههای مشتریان انجام گیرد. پس از کمی کردن اهداف، میبایست بر این اساس، استراتژیهای جذب و نگهداشت مشتریان (ازجمله ترفیع، پیشنهاد محصول، قیمتگذاری و...) طراحی شود. بر اساس استراتژیهای مشخصشده باید وظایف گروهها (مانند گروه تولید محتوا، بهینهسازی موتورهای جستجو و...) و واحدها برای رسیدن به این اهداف عینی (کمی) مشخص شود. در درون هرکدام از این گروهها بایست اهداف کمی مشخصشده به کارها و وظایف هفتگی، روزانه و حتی ساعتی شکسته شود. در کنار این موارد برنامهریزی برای رویارویی با بحرانهای شبکههای اجتماعی و مدیریت کردن آن با همکاری گروه روابط عمومی نیز بسیار ضروری است. بهمنظور اجرای استراتژیهای بازاریابی بایست بر اساس اهمیت پالایهها (ویژگیها) ی مدنظر به آنها وزن داده شود تا مشتریان هدف برای هر استراتژی یا کمپین مشخص شوند. البته نیاز است توجه شود که بینشهای حاصل از داده با عوامل و مسائل دیگر تأثیرگذار به جهت تصمیمگیری و اتخاذ استراتژی نیز ترکیب شود. باید، بر مبنای استراتژیهای در نظر گرفتهشده و بر اساس تفاوت دادههای آنها و شاخصهایی مانند پیشبینی ریزش مشتری4، علل ریزش مشتریان، ارزش طول دوره عمر مشتری5 و... کمپینها و استراتژیهایی برای افراد و گروهها یا ریز گروههای6 مشتریان بهصورت شخصیسازیشده اجرا گردد. برای اجرای این کمپینها نیاز به تولید محتوای شخصیسازیشده وجود دارد. بسیاری از برنامههای بازاریابی با استفاده از استراتژی ترفیع انجام میگیرد که در بازاریابی داده محور بایست میزان این ترفیع نیز بهصورت هوشمندانه و بر مبنای داده مثلاً بر اساس الگوریتمهای قیمتگذاری انجام گیرد.
سازمان با تحلیل نظرات مثبت و منفی مشتریان (هم ازنظر مفهومی و هم ازنظر احساسی) و بررسی روند این نظرات با استفاده از الگوریتمهای تحلیل محتوا در وبسایت یا شبکههای اجتماعی میتواند برند خود را مدیریت نماید. بعلاوه، بینش حاصل از این تحلیلها میتواند در سایر کانالهای بازاریابی مثلاً در تبلیغات مورداستفاده قرار گیرد همچون پررنگ کردن نقاط قوتی که مشتریان به آن اشارهکردهاند. سازمان بایست علل نارضایتی و یا ریزش مشتریان را موردبررسی قرار دهد و بر این اساس اقدامات لازم برای رفع آنها را انجام دهد. این اقدامات میتواند از مدیریت قیمتگذاری تا بهینه کردن فرایند خرید را شامل شود. به دست آوردن بینش از دادهها بایست در مدیریت بهتر فعالیتهای مختلف کمک کند، بهعنوانمثال بر مبنای تقاضای پیشبینیشده بر اساس دادههای مشتریان، باید موجودی کالا مدیریت شود. همچنین ممکن است که درخواستهایی در کامنتهای مشتریان مطرح گردد مثلاً فروش ویژه برای کالایی، شارژ دوباره محصولات و... که بایست به آنها رسیدگی شود. بهمنظور مقایسه اثربخشی طرحها و استراتژیهای جدید با نقطه شروع نیز باید وضعیت فعلی بهصورت کمی و منسجم مستند شود. گروهبندی کردن دادههای مختلف مانند هزینههای مختلف بازاریابی، کانالهای ورودی مشتریان، دستهبندی محصولات میتواند به ارزیابی دقیقتر دادههای آنها و مقایسه آنها و همینطور ارزیابی اثربخشی طرحها و استراتژیها کمک نماید. در بازاریابی داده محور برای بررسی کردن استراتژیها، طرحهای مختلف، محتوای پیامهای ارسالی به مشتریان و... معمولاً از "آزمون ای/ بی"برای مشخص کردن بهینهترین استراتژی، با ردیابی تأثیری که در فرایند خرید، میزان خرید، تجربه کاربری و شاخصهای مدنظر داشته است، استفاده میشود. در طول مسیر میتوان بهصورت مداوم استراتژیها را با مقایسه با اهداف کمی تعیینشده، بر اساس شاخصهای کلیدی عملکرد ارزیابی کرد. بهمنظور ارزیابی هر چه بیشتر از طرحها و استراتژیهای بازاریابی میتوان از تحلیل دادههای نظرات و واکنشهای افراد به برنامهها و استراتژیهای مختلف بازاریابی مثلاً در مورد تبلیغات شرکت استفاده کرد و بر اساس آنها بهینهسازی انجام داد.
قابلیت بهبود مداوم تجربه داده محور مشتری: پس از خرید مشتری نیاز است با پیشنهادها و ارتباطات شخصیسازیشده، تعامل مداوم با مشتری7 بر اساس دادههای تاریخچه، نوع استفاده مشتریان و تفاوت در رفتار خرید تجربه غنی برای آنها ایجاد شود. با استفاده از بینش حاصل از تحلیل دادههای مشتری بهتر است یک ارتباط همهجانبه و همه کانالی با آنها به وجود بیاید. برای این کار توجه به دادههای آفلاین مشتریان نیز ضروری است و باید این دادههای ارزشمند با دادههای آنلاین ترکیب شود. از طرفی ارتباط با مشتری فقط نباید مرتبط با محصولات یا خدمات خود سازمان باشد بلکه سازمان باید بر اساس دادههای مشتری بررسی نماید که در کل مسیری که مشتری میخواهد کالا یا خدمت آنها را استفاده کند به چه موارد دیگری ممکن است نیاز داشته باشد که سازمان بتواند آن را برطرف کند، حتی با مشارکت کسبوکارهای دیگر تا بتواند تا حد زیادی مشتری را درگیر کند. بهعنوانمثال ممکن است که یک کسبوکار ارائهدهنده اقامتگاه، بتواند بر اساس دادههای مشتری به او وسیله حملونقل نیز پیشنهاد دهد. پیشرفتهای فنّاوری سبب شده است که ارتباط با مشتریان بسیار راحتتر و نظاممندتر انجام گیرد. بهعنوانمثال استفاده از چت بات ها نهتنها به سازمان این کمک را میکند تا از فشار پاسخگویی به مشتریان بکاهد بلکه این کمک را میکند تا با استفاده از تحلیل گفتگوهای مشتریان، بینشهای مفیدی حاصل شود و بر اساس آن اقدامات لازم انجام گیرد. استفاده از فنّاوریهای خودکارسازی بازاریابی نیز میتواند در یکپارچهسازی محتوای شخصیسازیشده ارسالی به مشتریان بهمنظور خرید مجدد، بازگشت به سبد خرید، تبدیلشدن سرنخ به مشتری8 و... کمک نماید. بعلاوه استفاده از فنّاوریهای بازاریابی باعث میشود نظارت دقیقتری بر میزان جذب مشتریان جدید و نگهداشت مشتریان قبلی صورت گیرد.
قابلیت نوآوری مستمر و بهنگام داده محور: دادههای مشتریان میتواند ایدههای بسیاری را برای نوآوری در اختیار سازمان قرار دهد. بهعنوانمثال میتوان ایدههای زیادی را از طریق بررسی کامنتهای مشتریان، تحلیل دادههای تماس یا پشتیبانی مشتری، الگوهای دادههای رفتاری مشتریان و تفاوتهایی که در الگوهای رفتاری گروههای مختلف وجود دارد به دست آورد. اصلاح و توسعه محصولات میتواند از طریق دادههای حسگرها و یا فنّاوری اینترنت اشیاء نیز رخ دهد. همانطور که پیشتر ذکرشده سازمانها نباید خود را فقط محدود به محصولات و خدمات خودنمایند بلکه این امکان برای آنها وجود دارد که بر اساس بینشی که از دادههای مشتریان به دست میآورند و سایر محصولاتی که مشتری ممکن است در مسیر سفر خود، یعنی همراه، پیش و یا پس از استفاده از محصول سازمان نیاز داشته باشد ایده پردازی کنند و برای تأمین آنها دست به نوآوری بزنند. بعلاوه این نوآوری میتواند از طریق فروش دادههای مشتریان و تحلیل آنها در مدلهای درآمدی سازمان نیز رخ دهد.
پس از شکلگیری ایده برای توسعه ایده و ارزیابی آن نیز میتوان از داده استفاده کرد. با آمادهسازی حداقل ارزش پیشنهادی میتوان از "آزمون ای/بی" برای ارزیابی مدل کسبوکار یا ویژگی جدید در محصولات همچون وبسایت یا اپلیکیشن از طریق ردیابی تأثیری که در فرایند خرید، میزان خرید، تجربه کاربری و شاخصهای موردنظر دارد اشکالات9 آن را رفع نمود. علاوه بر نوآوری در محصولات و مدل کسبوکار بهتر است که به نوآوری در فرایندهای عملکردی بازاریابی نیز توجه شود. فرایندهای کاری بازاریابی میتوانند داده محور شوند و بر اساس این دادهها بهبود و نوآوری در فرایندهای بازاریابی انجام شود.
قابلیت شبکهسازی متنوع و سریع: همانطور که پیشتر اشاره شد برای درگیر کردن هرچه بیشتر مشتریان بهتر است که بهکل مسیری که مشتری طی میکند تا محصول یا خدمت ما را مصرف کند و حتی بعدازآن نیز اندیشیده شود. روشن است که سازمانها بهتنهایی قادر به پوشش تمامی این مسیر نیستند. لذا لازم است که برای این منظور با گروهها و کسبوکارهای دیگر نیز همکاری داشته باشد. تا بتواند در سیستم های پیشنهاد محصول خود سبد محصول متنوعتری را ارائه دهد. همینطور سازمانها میتوانند از دادههای همکاران برای جذب مشتریان استفاده نمایند. پلتفرمهای دادهای شخص ثالث میتواند سازمان را در دستیابی به دادههای ارزشمند کمک نماید. بعلاوه، برخی از آژانسهای تبلیغاتی مجهز به ارائه تبلیغات هوشمند و مبتنی برداده هستند که میتوان با آنها همکاری نمود. از طرفی، داده محوری فعالیتی نیست که فقط مربوط به گروه بازاریابی یا داده باشد. باید یک ارتباط مداوم بین این گروهها و حتی گروهها و واحدهای دیگر شکل بگیرد که این ارتباط باید بهگونهای چابک انجام شود و نیازهای فنی واحد بازاریابی توسط گروه فنی و داده بهموقع برآورده شود. در این راستا و به خاطر اهمیتی که چابکی در بهرهبرداری از داده دارد بایست موانعی که به لحاظ فرهنگی، مانع چابکی میشوند، مانند موانع برای برقراری ارتباط، دادن بازخورد، عدم پذیرش تفاوتها و... برطرف شود. علاوه بر تحلیلگران داده بهرهگیری از متخصصان علوم مختلف بهمنظور تحلیلهای دقیقتر و عمیقتر مشتریان و بازار مانند متخصصان علوم شناختی، اقتصادسنجی حائز اهمیت است.
چابکی: بهمنظور تطبیق سریع با تغییرات داده، نیازهای بازار و شرایط کسبوکار برنامهریزی بهصورت منعطف لازم است و باید از برنامهریزی آبشاری (برنامههای بلندمدت با جزئیات بیشازحد و غیر منعطف) پرهیز شود. بهعنوانمثال میتوان برنامهریزی سهماهه داشت و بر آن اساس فعالیتهای مدنظر را انجام داد و سپس این فعالیتها را مجدد بررسی و دوباره برنامهریزی کرد. سازمان بایست واکنش سریع نسبت به مسائلی که ممکن است در هرلحظه به وجود بیاید داشته باشد مانند واکنش سریع نسبت به بحرانهای شبکههای اجتماعی، استفاده از پتانسیل کانالهای جدید مشتریان، مشکلات در دسترسی افراد به اپلیکشن و محصولات. در جهت اتخاذ و اجرای استراتژیهای مبتنی برداده مثلاً برای مشتریان در حال ریزش سریع و هوشمندانه عمل نماید. همچنین پیشبینی پیکهای فروش بر اساس داده و طراحی برنامه و استراتژی برای مدیریت آن به سازمان کمک مینماید تا بهگونهای چابک از فرصتها بهرهبرداری کند. سازمان بایست در مدیریت تغییرات و بحرانها، استفاده از فرصتهای بازار و واکنش بهموقع نسبت به آنها از چابکی بالایی برخوردار باشد و با تزریق پاسخ لازم به این تغییرات در سیستمهای مبتنی برداده و ارائه پیشنهادهای متناسب با این رویدادها آنها را مدیریت نماید. ممکن است که باگذشت زمان نیاز به تغییراتی در سیستمهای دادهای باشد که در این راستا ضروری است تا این تغییرات بهسرعت به واحدهای مربوطه اطلاعرسانی و هماهنگیهای لازم انجام گیرد. سرعت عمل در تحلیل و گرفتن خروجی از دادهها بسیار اهمیت دارد چراکه ممکن است در صورت داشتن تأخیر، ارزشی که قرار بود ایجاد شود از دست برود. واحد بازاریابی بایستی که در پاسخ به نیازها و تقاضاهای شناساییشده مشتریان همچون پیشبینی پیکهای فروش و طراحی برنامه و استراتژی داده محور چابکی بالایی داشته باشد.
قابلیت ایجاد تحول داده محور: در بازاریابی داده محور باید بر اساس دادههای بهدستآمده برای کمپینهای انجامشده بهینهسازی صورت گیرد. در وبسایت و اپلیکیشن نیز از طریق بررسی فرایندهای خرید و دادههای لاگ بهینه کردن نرخ تبدیل10 میتواند صورت گیرد. بعلاوه، میتوان با استفاده از دادههای ردیابی چشمی11 یا نرمافزارهای مانیتور کردن تجربه مشتری برای بهینه کردن تجربه مشتری در وبسایت، اپلیکیشن و یا تبلیغات درون آنها اقدام کرد. لازم است، پس از اجرای استراتژیهای داده محور، نتایج بهکارگیری این استراتژیها و تأثیر آنها بر عملکرد شرکت مشخص شود. باید عوامل موفقیت یا عدم موفقیت این طرحها مشخص شود تا عوامل موفقیتآمیز تکرار و عوامل عدم موفقیت اصلاح یا تغییر یابند. استفاده از داده و اجرای استراتژیهای دادهای ممکن است که با آزمونوخطا همراه باشد؛ بنابراین اشتراکگذاری تجربههای موفق یا ناموفق از برنامهها و استراتژیهای دادهای اجراشده میتواند به سازمان کمک نماید تا بهصورت پویا برنامهها و استراتژیهای خود را اصلاح نمایند. نتایج استراتژیهایی دادهای بایست با میزان رشد نسبت به گذشته و اهداف کمی مدنظر مقایسه شوند و تأثیر آنها بر شاخصهای مالی سازمان مانند سود و هزینه نیز مشخص شود. بعلاوه، ضروری است تا تأثیری که استراتژیهای دادهای بر تجربه مشتریان، فرایندهای خرید، تصمیمگیری و رضایت مشتریان آنها داشته است نیز مورد ارزیابی قرار گیرد. در بحث ایجاد تغییر باید توجه شود که شاخصهای کلیدی عملکرد که برای فعالیتهای بازاریابی و کسبوکار در نظر گرفته میشود، بهصورت دورهای موردبررسی مجدد قرار بگیرند. باشد و فنّاوریهای بازاریابی را در کوتاهترین زمان ممکن بهصورت هوشمندانه مورد بهرهبرداری قرار دهد. سازمان میتواند با انتشار گزارشها فصلی در رابطه با تغییرات و تحولات ایجادشده از بازخوردها، ایدهها و نظرات افراد خارج از سازمان بهره بگیرد. علاوه بر این سازمانها باید سعی کنند که در ایجاد تغییر و تحولات با روندهای جهانی همگامی لازم را داشته باشند. بهمرور سازمان میتواند داده محوری خود را بهبود بخشد و آن را تقویت کند، از زیرساختها و نرم افرازهای، روشها و مدلها و الگوریتمهای دادهای پیشرفتهتر و متناسب با تغییرات شرایط محیطی، رشد دادههای سازمان و بازخورد گرفتهشده استفاده نماید. ازآنجاییکه آزمون ای/ بیدر داده محوری اهمیت زیادی دارد بهتر است که سازمانها به سمت بهبود و توسعه آن و یا حتی به سمت استفاده از یک موتور بومی برای آن حرکت کنند.
همچنین میتوان بهمرور جمعآوری دادهها را اصلاح و بهبود بخشید. پالایههای مدنظر را کم یا زیاد کرد، دادههای بیشتر (جدیدتری) جمعآوری نمود و دستهبندی جدیدتری را برای آنها موردتوجه قرارداد. همانطور که پیشتر اشاره شد فرایندهای بازاریابی میتواند با استفاده از الگوریتمهای دادهای بهصورت کارآمدتری انجام شود، بنابراین با پیشرفت سازمان در این مسیر فرایندهای بیشتری میتواند موردتوجه قرار گیرد. بر اساس بازخوردهای گرفتهشده از دادهها در محصول، اپلیکیشن، وبسایت تغییرات برای بهبود سریع انجام شود. ممکن است که با رشد سازمان درزمینهٔ بهکارگیری داده تغییر ساختار سازمانی بهعنوانمثال حرکت به سمت ساختار غیرمتمرکز درزمینهٔ کار با داده (تصمیمگیری هر فردی مبتنی برداده باشد) نیز موردنیاز باشد. درنهایت اینکه بر مبنای دادههای تولیدشده جدید و گرفتن بازخورد بهوسیله این دادهها میتوان در برنامهها و استراتژیهای داده محور تغییرات لازم را ایجاد کرد.
[1] event
[2] survey
[3] third party
[4] churn prediction
[5] life-time value (LTV)
[6] Micro- segmentation
[7] engagement management
[8] lead to customer
[10] Conversion rate optimization (CRO)
[11] eye tracking
شکل 1. قابلیتهای پویای بازاریابی داده محور با اقتباس از نظریه قابلیتهای پویای تیس
در شکل 1 دستهبندی از مضامین شناساییشده مطابق با نظریه تیس (2007) مطرحشده است. همانطور که پیشتر اشاره شد تیس برای قابلیتهای پویا سه ریز بنیان در نظر میگیرد یعنی قابلیت ادراک، استفاده و بازپیکربندی. در این پژوهش قابلیتهای جذب داده و اطلاعات و قابلیت تجمیع و تحلیلگری دادههای بازاریابی زیرمجموعه ادراک داده محور در نظر گرفته شدند. قابلیتهای تصمیمگیری داده محور، بهبود تجربه داده محور با مشتری، شبکهسازی و چابکی در استفاده داده محور قرار گرفتند. در قسمت بازپیکربندی داده محور نیز قابلیتهای نوآوری داده محور و تحول داده محور جای گرفتند. بر اساس تحلیل محتوای صورت گرفته بر روی 18 مصاحبه با فرض آنکه هر مقوله توسط چند نفر از مصاحبهشوندگان اشارهشده است، با استفاده از فرمول آنتروپی شانون میزان اهمیت هر یک از مقولههای اصلی تعیین گردیده است. همانطور که مشاهده میگردد سه قابلیت جذب مستمر داده و اطلاعات، قابلیت تصمیمگیری پویای داده محور و قابلیت تحول داده محور به ترتیب از اهمیت بسیار بالاتری نسبت به سایر قابلیتها برخوردار بودهاند. این امر نشاندهنده اولاً نحوه توالی و تقدم این قابلیتها نسبت به هم هست . به عبارت دیگر پیشنیاز دستیابی به قابلیت تحول داده محور ایجاد قابلیت تصمیمگیری داده محور و پیشنیاز ایجاد این قابلیت نیز وجود قابلیت جذب مستمر داده و اطلاعات هست، ثانیاً این مطلب تائید کننده نظرات تیس در خصوص ضرورت ترکیب سهگانه رویکردهای حس کردن، استفاده و بازپیکربندی هست، چراکه در این پژوهش نیز سه قابلیت بااهمیت بالا مرتبط با هر یک از این سه رویکرد میباشند.
جدول 4. اهمیت مقولات اصلی قابلیتهای پویای بازاریابی داده محور
رویکردهای اصلی | جمع فراواني از 18 مصاحبه |
| عدم اطمينانEj | ضريب اهميتWj | رتبه | ||
ادراک داده محور | جذب مستمر داده و اطلاعات | 17 | -2/83 | 0/98 | 0/140 | 1 | |
تجمیع و تحلیل گری لحظهای دادههای بازاریابی | 13 | -2/56 | 0/89 | 0/127 | 4 | ||
استفاده داده محور | تصمیمگیری پویای داده محور | 16 | -2/77 | 0/96 | 0/137 | 2 | |
بهبود مداوم تجربه داده محور مشتری | 12 | -2/48 | 0/86 | 0/123 | 5 | ||
شبکهسازی متنوع و سریع | 13 | -2/56 | 0/89 | 0/127 | 4 | ||
چابکی | 7 | -1/95 | 0/67 | 0/096 | 7 | ||
بازپیکربندی داده محور | نوآوری مستمر و بهنگام داده محور | 10 | -2/30 | 0/80 | 0/114 | 6 | |
تحول داده محور | 15 | -2/71 | 0/94 | 0/134 | 3 | ||
|
|
|
| مجموع | 6/98 | 1/00 |
|
5.بحث
اولین بعد از قابلیتهای پویای بازاریابی داده محور که پیشنهاد گردید، قابلیت جذب مستمر دادههای بازاریابی بوده است. این قابلیت را میتوان همسو با تئوری قابلیت جذب دانست. ونگ و احمد1 [51] قابلیت جذب را بهعنوان یک ریز بنیان از قابلیتهای پویا در ادبیات مربوطه معرفی میکنند. قابلیت جذب، توانایی سازمان برای تشخیص ارزش اطلاعات خارجی، تلفیق آن و تبدیل آن به دانش جدید و بهکارگیری آن در زمینههای مختلف مانند خلق محصولات و خدمات نوآورانه، بازپیکربندی قابلیتهای فعلی توسعه محصول، توسعه بهکارگیری فنّاوری و تقویت خلق دانش و خلاقیت گروه فناوری اطلاعات است [46]. در عصر دیجیتال با توجه به اهمیت روزافزون دادهها میتوان گفت واحدهای بازاریابی سازمانها نیاز به جذب دادههای متنوع از گروههای مختلف مشتریان و محیط دارند. ازاینرو شناسایی این بعد در مطالعه حاضر بامطالعه سپدا-کاریون و همکارانش2[61] همراستا است. چراکه قابلیت جذب بهعنوان بعدی از قابلیتهای پویا نقش مهمی در نوآوری در سازمان دارد و این قابلیت جذب در کسبوکارهای دیجیتال میبایست بهوسیله فناوریهای داده محور جهت تولید و جمعآوری مستمر و سریع دادهها از محیط در حال تغییر تقویت شود. در پژوهش بوزیک و دیموسکی 3[32] نیز نشان دادهشده است که تجزیهوتحلیل و هوش کسبوکار از طریق ظرفیت جذب اطلاعات بیرونی توانایی نوآوری شرکت را تقویت میکند. ونگ و همکاران4 [46]نشان دادند که قابلیت جذب یک واسطه حیاتی بین تواناییهای تحلیل کسبوکار5 و بهکارگیری تحلیل کسبوکار6 در فعالیتها و تصمیمگیری در زمینههای مختلف عملکردی مانند عملیات و تولید، خدمات مشتریان، بازاریابی و فروش است. بعلاوه مورنو و همکاران7 [20] نشان دادند که قابلیتهای پویا در تأثیر هوش و تحلیل کسبوکار بر قابلیتهای بازاریابی نقش واسطهای دارند. آنها قابلیت نظارت محیطی8 را بهعنوان یک ریز بنیان برای قابلیتهای پویا در نظر گرفتند. قابلیت نظارت محیطی توانایی درک، تفسیر و اکتساب فرصتها و تهدیدهای محیطی است [20].
قابلیت تجمیع و تحلیلگری لحظهای دادههای بازاریابی بعد دیگری از قابلیتهای پویای بازاریابی داده محور در این پژوهش معرفی شد؛ که میتوان آن را همراستا بامطالعه بولینی اورلندی9 [1] دانست که قابلیت پردازش اطلاعات را بهعنوان یک قابلیت پویا در عصر دیجیتال معرفی نموده است. ونگ و همکاران [46] و مورونو و همکاران [20] قابلیت یادگیری را به معنای داشتن روالهای لازم برای تجزیهوتحلیل اطلاعات کسبشده از محیط، ادغام دانش جدید بادانش موجود و خلق دانش جدید، بهعنوان آیتمهای قابلیتهای پویای لازم برای بهرهگیری از تحلیل کسبوکار شناسایی نمودند. وارنر و واگر [28]نیز ادراک روندهای مشتری-محور و تجزیهوتحلیل نشانههای ادراکشده را ازجمله آیتمهای قابلیتهای پویا درزمینهٔ تحول دیجیتال میدانند. یکپارچگی و تعاملپذیری داده محور بهعنوان یک بعد فرعی از قابلیت تجمیع و تحلیلگری دادههای بازاریابی شناسایی شد. تورس و همکاران10 [25] نیز در پژوهش خود به قابلیت فهم مشترک(بهعنوان یک قابلیت پویا) اشاره میکنند که برای پاسخ مناسب به فرصتها و تهدیدهای شناساییشده بهوسیله هوش و تحلیل کسبوکار ضروری است. بعلاوه مورنو و همکاران [20] قابلیت ادغام را بهعنوان یک ریز بنیان برای قابلیتهای پویا در بهکارگیری هوش و تحلیل کسبوکار شناسایی کردند. منظور از قابلیت ادغام در پژوهش مذکور توانایی ادغام دانش فردی در دانش مشترک جمعی است. میتوان قابلیت یکپارچگی و تعاملپذیری داده محور را همراستا با دو پژوهش مذکور دانست. بوزیک و دیموسکی [32] به تعامل بین تیمی و جریان سریع اطلاعات بین واحدهای مختلف کسبوکار در قالب قابلیت ترکیب11 و توانایی ساختاردهی و استفاده از دانش جمعآوریشده، جذب دانش جدید، آمادهسازی آن برای اهداف مدنظر، پیوند دانش موجود با بینشهای جدید و استفاده از دانش جدید در کارهای عملی را در قالب قابلیت تبدیل12 بهعنوان قابلیتهای پویای لازم در هوش و تحلیل کسبوکار شناسایی نمودند.
قابلیت تصمیمگیری پویای داده محور، بهعنوان بعد دیگری از قابلیتهای پویای بازاریابی داده محور با نتایج مطالعه کائو و همکارانش [22] همراستا است، چراکه آنها تأثیر مثبت تصمیمگیری بازاریابی را بهعنوان یک قابلیت پویای مرتبط با تجزیهوتحلیل بازاریابی بر مزیت رقابتی پایدار13 نشان دادهاند. تورس و همکارانش [25] نقش واسطهای قوی قابلیتهای پویا در رابطه بین هوش کسبوکار با عملکرد سازمان را موردبررسی قرار دادهاند و نشان دادهاند که تصمیمگیری بهعنوان یکی از زیرمجموعههای بعد بهکارگیری (از ابعاد قابلیتهای پویا) است. وارنر و واگر [28] نیز ببرنامهریزی سناریوی دیجیتال و تدوین استراتژیهای دیجیتال را ازجمله قابلیتهای پویای عصر دیجیتال شناسایی نمودند.
قابلیت بهبود مداوم تجربه داده محور مشتری نیز در این مطالعه بهعنوان یکی از قابلیتهای پویای بازاریابی داده محور معرفی گردیده است. در برخی تحقیقات مدیریت ارتباط با مشتری بهعنوان یکی از ابعاد قابلیتهای پویای بازاریابی در ارتباط با شبکههای اجتماعی معرفی گردیده است [62]. بعلاوه کائو و همکارانش [37] به مدیریت ارتباط با مشتری بهعنوان یک قابلیت پویا در رابطه با تجزیهوتحلیل بازاریابی پرداختهاند. قابلیت نوآوری مستمر و بهنگام داده محور نیز بهعنوان یک قابلیت پویا در بازاریابی داده محور مطرح گشت. ارائه این مفهوم بامطالعه ریالتی و همکارانش14 [36] همراستا است. آنها توانایی تجزیهوتحلیل کلان داده را از طریق دوسوتوانی سازمانی (هم نوآوری بهره بردارانه و هم نوآوری اکتشافی) بر عملکرد سازمانی مؤثر میدانند. بعلاوه در پژوهش بوزیک و دیموسکی[32] نشان دادهشده است که در حوزه تجزیهوتحلیل و هوش کسبوکار، ظرفیت جذب اطلاعات بیرونی بهواسطه توانایی نوآوری(بهعنوان یک قابلیت پویا) عملکرد شرکت را افزایش میدهد. کائو و همکاران نیز مدیریت توسعه محصول را بهعنوان یک قابلیت پویا در بهرهبرداری از تحلیل بازاریابی شناسایی کردند. وارنر و واگر [28] نیز در پژوهش خود به لزوم ایجاد آزمایشگاه نوآوری دیجیتال و تولید حداقل ارزش پیشنهادی در راستای ایجاد نوآوری بهعنوان قابلیت پویا در عصر تحول دیجیتال اشاره میکنند. قابلیت ، قابلیت شبکهسازی متنوع و سریع (بازاریابی باز) از دیگر ابعاد قابلیتهای بازاریابی داده محور در این پژوهش معرفی شد. در پژوهش آقای دی15 [42] بازاریابی باز بهعنوان توانایی سازمان در استفاده از منابع شرکا از طریق فنّاوری شبکههای اجتماعی یا رسانههای جدید معرفیشده است و استفاده از آن را در فضای دیجیتال و غنی از داده امروزی بسیار ضروری میداند. بعلاوه وارنر و واگر [28] پیوستن به زیستبوم دیجیتال16 و تعامل با شرکای خارجی را از قابلیتهای پویای لازم برای تحول دیجیتال میدانند.
در پژوهش حاضر بهچابکی نیز بهعنوان یک بعد مهم قابلیتهای پویای بازاریابی داده محور اشاره شد. این نتیجه با پژوهشهای کورتیریل و همکارانش17 [35] و ریالتی و همکارانش [36] همراستا است. کورتیریل و همکارانش [35] نقش واسطهای چابکی بهعنوان یک قابلیت پویا در رابطه بین دانش حاصل از تجزیهوتحلیل کلان داده بر عملکرد سازمان را مطرح میکنند. ریالتی و همکارانش [36] نیز توانایی تجزیهوتحلیل کلان داده را از طریق چابکی و دوسوتوانی سازمانی (هم نوآوری بهره بهردارانه و هم نوآوری اکتشافی) بر عملکرد سازمانی مؤثر میدانند. وارنر و واگر [28] نیز در پژوهش خود چابکی استراتژیک را از ابعاد قابلیتهای پویای تحول دیجیتال معرفی نمودند و اشاره میکنند که در عصر تحول دیجیتال بازنگری در تخصیص منابع، بازنگری در مسیر حرکت، پذیرش تغییر و پاسخهای استراتژیک سازمان باید بهگونهای چابک انجام گیرد. درنهایت در این پژوهش به قابلیت تحول داده محور اشاره شد که میتوان آن را همراستا با پژوهش بارالیز مولینا و همکارانش18 [30] دانست که قابلیت تغییر و سازگاری مبتنی برداده را بهعنوان یک قابلیت پویا معرفی میکنند. بعلاوه وارنر و واگر [28] طراحی مجدد ساختارهای داخلی و بهبود بلوغ دیجیتال سازمان را ازجمله قابلیتهای پویای عصر تحول دیجیتال معرفی کردند. تورس و همکاران [25] قابلیت تغییر فرایندهای کسبوکار را بهعنوان یک بعد از ابعاد قابلیتهای پویا برای بهرهگیری از هوش و تحلیل کسبوکار معرفی میکنند. مورنو و همکاران [20] نیز قابلیت هماهنگی، یعنی توانایی استفاده از منابع و قابلیتهای بهدستآمده و ادغام آنها برای دستیابی به قابلیتهای جدید سازمانی را بهعنوان یک قابلیت پویای مهم در تحلیل و هوش کسبوکار شناسایی کردند. بوزیک و دیموسکی [32] در پژوهش خود قابلیت اکتشاف را بهعنوان یک قابلیت پویا به معنای قابلیت سازمان برای تجدیدنظر مداوم فناوریهای تحلیلی مورداستفاده، تطبیق آنها بادانش جدید و اتخاذ مؤثر فناوریهای جدید در بهکارگیری هوش و تحلیل کسبوکار، شناسایی نمودند.
6.نتیجهگیری و پیشنهادها
ﻫﺪف اﯾﻦ ﻣﻘﺎﻟﻪ مفهومسازی قابلیتهای پویای بازاریابی داده محور در کسبوکارهای دیجیتال ایران به دلیل بلوغ بالای داده محوری آنها بوده است. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر ﺑﺎ 18 متخصص بازاریابی دیجیتال و متخصص داده بهصورت ﻫﺪﻓﻤﻨﺪ ﻣﺼﺎﺣﺒﻪ اﻧﺠﺎم ﮔﺮدﯾﺪ. ﺑﻌﺪ از ﮔﺮدآوري دادهها، نقلقول مشارکتکنندگان ﺗﺤﻠﯿﻞ و ﮐﺪﮔﺬاري گردید. یافتههای ﺣﺎﺻﻞ از کدگذاری دادهها ﻧﺸﺎن داد، قابلیتهای پویای بازاریابی داده محور، شامل مفاهیم: قابلیت جذب مستمر دادههای بازاریابی، قابلیت تجمیع و تحلیلگری لحظهای دادههای بازاریابی، قابلیت تصمیمگیری پویای داده محور، قابلیت بهبود مداوم تجربه داده محور مشتری، قابلیت نوآوری مستمر و بهنگام داده محور، قابلیت شبکهسازی متنوع و سریع، قابلیت چابکی و قابلیت ایجاد تحول داده محور هستند.
[1] Wang and Ahmed
[2] Cepeda-Carrion et al.
[3] Božič and Dimovski
[4] Wang et al.
[5] Business analytics (BA)
[6] Business analytics assimilation (BAA)
[7] Moreno et al.
[8] environmental monitoring
[9] Bullini Orlandi
[10] Torres et al.
[11] assimilation
[12] Transformation
[13] sustained competitive advantage
[14] Rialti et al.
[15] Day
[16] Digital ecosystem
[17] Côrte-Real et al.
[18] Barrales-Molina et al.
در این پژوهش با بهرهگیری ازنظر مدیران و متخصصان داده و بازاریابی در کسبوکارهای دیجیتال کشور، قابلیتهای پویای بازاریابی داده محور شناسایی و مفهومسازی گردیده است. ﻣﻔاهیم شناساییشده در ﭘﮋوﻫﺶ ﺣﺎﺿﺮ میتواند درک ﺟﺎﻣﻊ و ﻏﻨﻲ را از مکانیسم لازم برای بهکارگیری داده در فعالیتهای بازاریابی به ارمغان آورد. موضوعی ﻛﻪ ﺗﺎﻛﻨﻮن در ﭘﮋوﻫﺶﻫﺎي ﮔﺬﺷﺘﻪ ﭼﻪ در ﺧﺎرج از ﻛﺸﻮر و ﭼﻪ در داﺧﻞ ﻛﺸﻮر، به دلیل آنکه این موضوع در مرزهای دانش قرار دارد، کمتر موردتوجه قرارگرفته و بهصورت ﺟـﺎﻣﻊ و ﻳﻜﭙﺎرﭼـﻪ مورد بررسی قرار نگرفته اﺳﺖ. نتایج مطالعاتی مانند مطالعه حاضر، راهنمایی مفید برای سازمانهایی است که میخواهند داده را مبنای تصمیمگیری در فعالیتهای بازاریابی خود کنند و در جهت توسعه محصولات و خدمات خود و همچنین تجربه بهتر برای مشتریان گام بردارند. سازمانهایی که در حال حاضر از داده در فعالیتهای بازاریابی خود استفاده مینمایند میتوانند از موارد مطرحشده در این پژوهش بهعنوان یک چکلیست بهمنظور ارزیابی مکانیسم بهکارگیری داده در فعالیتهای بازاریابی خود استفاده کنند. سازمانهایی هم که در ابتدای راه برای استفاده از داده هستند میتوانند از نتایج این پژوهش بهعنوان یک چارچوب توانمند ساز برای استفاده از داده بهره گیرند. بعلاوه این پژوهش، بینشی را برای آژانسهای بازاریابی دیجیتال در سطح عوامل فردی و سازمانی که برای مشتریان سازمانیشان در پیادهسازی بازاریابی داده محور، خدمات مشاوره ارائه میدهند قابل بهکارگیری است. در این پژوهش بحث استفاده از داده در رابطه با فعالیتهای بازاریابی موردبررسی قرارگرفته است، بدون شک با توجه به حجم عظیم دادهها و اینکه هرروز به این حجم اضافه میشود و نیز با پیشرفتهایی که دنیا در این زمینه در حال ظهور است، استفادههای زیادی میتوان از داده در حوزههای وظیفهای دیگر همچون منابع انسانی، مالی و ... داشت که پیشنهاد میگردد در تحقیقات آتی موردتوجه محققان این حوزهها نیز قرار گیرد.
لازم به ذکر است در پژوهش حاضر شرکتهای دولتی و کسبوکارهای غیر دیجیتال به دلیل سطح بلوغ پایین داده محوری از محدوده پژوهش حاضر، خارجشدهاند. معمولاً خود متخصصان نیز اظهار میداشتند که تجربیات آنها در رابطه با شرکتهای دولتی نیست و آنها برای داده محور شدن نیاز به کار بسیار زیادتری دارند. لذا این بحث، میتواند موضوعی برای کار پژوهشگران آتی با انجام مطالعات موردی باشد. علاوه بر این پیشنهاد میگردد در تحقیقات آتی روابط و اولویتهای بین مقولههای اصلی بهمنظور تعیین توالی ایجاد قابلیتهای بازاریابی داده محور در کسبوکارهای دیجیتال موردبررسی قرار گیرد. در ضمن این پژوهش بهصورت کیفی انجامشده است و برای هرکدام از مفاهیم نیز معیارهایی مطرحشده که انجام یک پژوهش کمی را در تحقیقات آتی ممکن میسازد. برخی از توصیههای سیاستی برگرفته از این پژوهش نیز عبارتاند از:
1- فراهم کردن زیرساخت دادهای مناسب برای کسبوکارها توسط حاکمیت
2- تدوین قوانین مالکیت داده و مجوزهای موردنیاز جهت انتشار دادهها
3- تدین قوانین حفاظت از دادههای شخصی مشتریان
4- تدوین و اجرای سیاستهای داده باز دولتی جهت دسترسی سریع و راحت کسبوکارها
5- تدوین استانداردهای مشترک برای افزایش تعاملپذیری دادهای بین کسبوکارها
مراجع
[1] L. Bullini Orlandi, “Organizational capabilities in the digital era: Reframing strategic orientation,” J. Innov. Knowl., vol. 1, no. 3, pp. 156–161, 2016, [Online]. Available: http://creativecommons.org/licenses/ by-nc-nd/4.0/).
[2] E. Camilleri and S. Miah, “A Consumer Analytics Framework for Enabling Data-Driven Marketing Intervention Methods,” Proc. - 2017 4th Asia-Pacific World Congr. Comput. Sci. Eng. APWC CSE 2017, pp. 8–12, 2017, doi: 10.1109/APWConCSE.2017.00011.
[3] J. Zeng and Z. Khan, “Value creation through big data in emerging economies: The role of resource orchestration and entrepreneurial orientation,” Manag. Decis., vol. 57, no. 8, pp. 1818–1838, 2019, doi: 10.1108/MD-05-2018-0572.
[4] P. Ducange, R. Pecori, and P. Mezzina, “A glimpse on big data analytics in the framework of marketing strategies,” Soft Comput., vol. 22, no. 1, pp. 325–342, 2018, doi: 10.1007/s00500-017-2536-4.
[5] Y. Duan and J. S. Edwards, Understanding the Impact of Business Analytics on Innovation, vol. 44. European Journal of Operational Research, 2020.
[6] G. Cao, Y. Duan, and G. Li, “Linking Business Analytics to Decision Making Effectiveness: A Path Model Analysis,” IEEE Trans. Eng. Manag., vol. 62, no. 3, pp. 384–395, 2015, doi: 10.1109/TEM.2015.2441875.
[7] J. Pepping, “The Individual & Organizational Factors Influencing the Implementation of Data-Driven Marketing,” University of Twente, 2017.
[8] P. Mikalef, J. Krogstie, I. O. Pappas, and P. Pavlou, “Exploring the relationship between big data analytics capability and competitive performance: The mediating roles of dynamic and operational capabilities,” Inf. Manag., vol. 57, no. 2, p. 103169, 2020, doi: 10.1016/j.im.2019.05.004.
[9] J. Amankwah-Amoah and S. Adomako, “Big data analytics and business failures in data-Rich environments: An organizing framework,” Comput. Ind., vol. 105, pp. 204–212, 2019, doi: 10.1016/j.compind.2018.12.015.
[10] E. Raguseo and C. Vitari, “Investments in big data analytics and firm performance: an empirical investigation of direct and mediating effects,” Int. J. Prod. Res., vol. 56, no. 15, pp. 5206–5221, 2018, doi: 10.1080/00207543.2018.1427900.
[11] L. M. De Luca, D. Herhausen, G. Troilo, and A. Rossi, “How and when do big data investments pay off? The role of marketing affordances and service innovation,” J. Acad. Mark. Sci., 2020, doi: 10.1007/s11747-020-00739-x.
[12] F. Germann, G. L. Lilien, and A. Rangaswamy, “Performance implications of deploying marketing analytics,” Int. J. Res. Mark., vol. 30, no. 2, pp. 114–128, 2013, doi: 10.1016/j.ijresmar.2012.10.001.
[13] A. F. Branda, V. Lala, and P. Gopalakrishna, “The marketing analytics orientation (MAO) of firms: identifying factors that create highly analytical marketing practices,” J. Mark. Anal., vol. 6, no. 3, pp. 84–94, 2018, doi: 10.1057/s41270-018-0036-8.
[14] H. Hallikainen, E. Savimäki, and T. Laukkanen, “Fostering B2B sales with customer big data analytics,” Ind. Mark. Manag., vol. 86, no. June 2018, pp. 90–98, 2020, doi: 10.1016/j.indmarman.2019.12.005.
[15] S. Akter, A. Gunasekaran, S. F. Wamba, M. M. Babu, and U. Hani, “Reshaping competitive advantages with analytics capabilities in service systems,” Technol. Forecast. Soc. Change, vol. 159, no. June, p. 120180, 2020, doi: 10.1016/j.techfore.2020.120180.
[16] N. Côrte-Real, P. Ruivo, T. Oliveira, and A. Popovič, “Unlocking the drivers of big data analytics value in firms,” J. Bus. Res., vol. 97, no. December 2018, pp. 160–173, 2019, doi: 10.1016/j.jbusres.2018.12.072.
[17] P. Mikalef, M. Boura, G. Lekakos, and J. Krogstie, “Big Data Analytics Capabilities and Innovation: The Mediating Role of Dynamic Capabilities and Moderating Effect of the Environment,” Br. J. Manag., vol. 30, no. 2, pp. 272–298, 2019, doi: 10.1111/1467-8551.12343.
[18] S. K. Singh and A. N. El-Kassar, “Role of big data analytics in developing sustainable capabilities,” J. Clean. Prod., vol. 213, pp. 1264–1273, 2019, doi: 10.1016/j.jclepro.2018.12.199.
[19] G. Cao and N. Tian, “Enhancing customer-linking marketing capabilities using marketing analytics,” J. Bus. Ind. Mark., vol. 35, no. 7, pp. 1289–1299, 2020, doi: 10.1108/JBIM-09-2019-0407.
[20] V. Moreno, F. Cavazotte, and W. de Souza Carvalho, “Business intelligence and analytics as a driver of dynamic and operational capabilities in times of intense macroeconomic turbulence,” J. High Technol. Manag. Res., no. xxxx, p. 100389, 2020, doi: 10.1016/j.hitech.2020.100389.
[21] A. C. Louro, M. M. Brandão, J. Jaklič, and A. Sarcinelli, “How can customer analytics capabilities influence organizational performance? a moderated mediation analysis,” Brazilian Bus. Rev., vol. 16, no. 4, pp. 370–382, 2019, doi: 10.15728/bbr.2019.16.4.4.
[22] G. Cao, Y. Duan, and A. El Banna, “A dynamic capability view of marketing analytics: Evidence from UK firms,” Ind. Mark. Manag., vol. 76, no. May 2018, pp. 72–83, 2019, doi: 10.1016/j.indmarman.2018.08.002.
[23] S. Akter, S. F. Wamba, A. Gunasekaran, R. Dubey, and S. J. Childe, “How to improve firm performance using big data analytics capability and business strategy alignment?,” Int. J. Prod. Econ., vol. 182, pp. 113–131, 2016, doi: 10.1016/j.ijpe.2016.08.018.
[24] C. Lin and A. Kunnathur, “Strategic orientations, developmental culture, and big data capability,” J. Bus. Res., vol. 105, no. November 2018, pp. 49–60, 2019, doi: 10.1016/j.jbusres.2019.07.016.
[25] R. Torres, A. Sidorova, and M. C. Jones, “Enabling firm performance through business intelligence and analytics: A dynamic capabilities perspective,” Inf. Manag., vol. 55, no. 7, pp. 822–839, 2018, doi: 10.1016/j.im.2018.03.010.
[26] D. J. Teece, “Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance,” Strateg. Manag. J., vol. 28, no. 13, pp. 1319–1350, 2007, doi: 10.1002/smj.640.
[27] H. Guo, H. Xu, C. Tang, Y. Liu-Thompkins, Z. Guo, and B. Dong, “Comparing the impact of different marketing capabilities: Empirical evidence from B2B firms in China,” Journal of Business Research, vol. 93. pp. 79–89, 2018, doi: 10.1016/j.jbusres.2018.04.010.
[28] K. S. R. Warner and M. Wäger, “Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal,” Long Range Plann., vol. 52, no. 3, pp. 326–349, 2019, doi: 10.1016/j.lrp.2018.12.001.
[29] D. S. Bruni and G. Verona, “Dynamic marketing capabilities in science-based firms: An exploratory investigation of the pharmaceutical industry,” Br. J. Manag., vol. 20, no. SUPP. 1, 2009, doi: 10.1111/j.1467-8551.2008.00615.x.
[30] V. Barrales-Molina, F. J. Martínez-López, and J. C. Gázquez-Abad, “Dynamic marketing capabilities: Toward an integrative framework,” Int. J. Manag. Rev., vol. 16, no. 4, pp. 397–416, 2014, doi: 10.1111/ijmr.12026.
[31] R. Kachouie, F. Mavondo, and S. Sands, “Dynamic marketing capabilities view on creating market change,” Eur. J. Mark., vol. 52, no. 5–6, pp. 1007–1036, 2018, doi: 10.1108/EJM-10-2016-0588.
[32] K. Božič and V. Dimovski, “Business intelligence and analytics use, innovation ambidexterity, and firm performance: A dynamic capabilities perspective,” J. Strateg. Inf. Syst., vol. 28, no. 4, p. 101578, 2019, doi: 10.1016/j.jsis.2019.101578.
[33] S. Shan, Y. Luo, Y. Zhou, and Y. Wei, “Big data analysis adaptation and enterprises’ competitive advantages: the perspective of dynamic capability and resource-based theories,” Technol. Anal. Strateg. Manag., vol. 31, no. 4, pp. 406–420, 2019, doi: 10.1080/09537325.2018.1516866.
[34] S. F. Wamba, A. Gunasekaran, S. Akter, S. J. fan Ren, R. Dubey, and S. J. Childe, “Big data analytics and firm performance: Effects of dynamic capabilities,” J. Bus. Res., vol. 70, pp. 356–365, 2017, doi: 10.1016/j.jbusres.2016.08.009.
[35] N. Côrte-Real, T. Oliveira, and P. Ruivo, “Assessing business value of Big Data Analytics in European firms,” J. Bus. Res., vol. 70, pp. 379–390, 2017, doi: 10.1016/j.jbusres.2016.08.011.
[36] R. Rialti, L. Zollo, A. Ferraris, and I. Alon, “Big data analytics capabilities and performance: Evidence from a moderated multi-mediation model,” Technol. Forecast. Soc. Change, vol. 149, no. October, p. 119781, 2019, doi: 10.1016/j.techfore.2019.119781.
[37] G. Cao, N. Tian, and C. Blankson, “Big Data, Marketing Analytics, and Firm Marketing Capabilities,” J. Comput. Inf. Syst., vol. 00, no. 00, pp. 1–10, 2021, doi: 10.1080/08874417.2020.1842270.
[38] D. S. Johnson, L. Muzellec, D. Sihi, and D. Zahay, “The marketing organization’s journey to become data-driven,” J. Res. Interact. Mark., vol. 13, no. 2, pp. 162–178, 2019, doi: 10.1108/JRIM-12-2018-0157.
[39] I. Gnizy, “Big data and its strategic path to value in international firms,” Int. Mark. Rev., vol. 36, no. 3, pp. 318–341, 2019, doi: 10.1108/IMR-09-2018-0249.
[40] H. T. Shuradze, G., Bogodistov, Y., & Wagner, G. Shuradze, Y. Bogodistov, and H. T. Wagner, “The role of marketing-enabled data analytics capability and organisational agility for innovation: Empirical evidence from German firms,” Int. J. Innov. Manag., vol. 22, no. 4, pp. 1–32, 2018, doi: 10.1142/S1363919618500378.
[41] L. Bullini Orlandi, A. Zardini, and C. Rossignoli, “Organizational technological opportunism and social media: The deployment of social media analytics to sense and respond to technological discontinuities,” J. Bus. Res., vol. 112, no. November 2019, pp. 385–395, 2020, doi: 10.1016/j.jbusres.2019.10.070.
[42] G. S. Day, “Closing the marketing capabilities gap,” J. Mark., vol. 75, no. 4, pp. 183–195, 2011, doi: 10.1509/jmkg.75.4.183.
[43] M. Jeffery, Data-Driven Marketing. John Wiley & Sons, 2010.
[44] R. Kohavi, R. Longbotham, and W. van der Aa, “Online Controlled Experiments and A/B Testing,” Encycl. Mach. Learn. Data Min., vol. 7, no. 8, 2017, doi: 10.1007/978-1-4899-7687-1.
[45] M. Wedel and P. K. Kannan, “Marketing analytics for data-rich environments,” J. Mark., vol. 80, no. 6, pp. 97–121, 2016, doi: 10.1509/jm.15.0413.
[46] S. Wang, W. Yeoh, G. Richards, S. F. Wong, and Y. Chang, “Harnessing business analytics value through organizational absorptive capacity,” Inf. Manag., vol. 56, no. 7, 2019, doi: 10.1016/j.im.2019.02.007.
[47] K. M. Eisenhardt and J. A. Martin, “Dynamic capabilities: What are they?,” Strateg. Manag. J., vol. 21, no. 10–11, pp. 1105–1121, 2000, doi: 10.1002/1097-0266(200010/11)21:10/11<1105::AID-SMJ133>3.0.CO;2-E.
[48] J. Barney, “Firm Resources and Sustained Competitive Advantage,” J. Manage., vol. 17, no. 1, pp. 99–120, 1991, doi: 10.1177/014920639101700108.
[49] D. J. Teece, G. Pisano, and A. Shuen, “Dynamic capabilities and strategic management,” Strateg. Manag. J., vol. 18, no. April 1991, pp. 509–533, 1997, doi: 10.1093/0199248540.003.0013.
[50] D. J. Teece, “The Effect of Firm Compensation Structures on the Mobility and Entrepreneurship of Extreme Performers,” Strateg. Manag. J., vol. 28, no. June, pp. 1319–1350, 2007, doi: 10.1002/smj.
[51] C. L. Wang and P. K. Ahmed, “Dynamic capabilities: A review and research agenda,” Int. J. Manag. Rev., vol. 9, no. 1, pp. 31–51, 2007, doi: 10.1111/j.1468-2370.2007.00201.x.
[52] M. Zollo and S. G. Winter, “Deliberate learning and the evolution of dynamic capabilities,” Organ. Sci., vol. 13, no. 3, pp. 339–351, 2002, doi: 10.1287/orsc.13.3.339.2780.
[53] A. Braganza, L. Brooks, D. Nepelski, M. Ali, and R. Moro, “Resource management in big data initiatives: Processes and dynamic capabilities,” J. Bus. Res., vol. 70, pp. 328–337, 2017, doi: 10.1016/j.jbusres.2016.08.006.
[54] E. T. G. Wang, H. F. Hu, and P. J. H. Hu, “Examining the role of information technology in cultivating firms’ dynamic marketing capabilities,” Inf. Manag., vol. 50, no. 6, pp. 336–343, 2013, doi: 10.1016/j.im.2013.04.007.
[55] N. Hajli, M. Tajvidi, A. Gbadamosi, and W. Nadeem, “Understanding market agility for new product success with big data analytics,” Ind. Mark. Manag., vol. 86, no. July 2018, pp. 135–143, 2020, doi: 10.1016/j.indmarman.2019.09.010.
[56] A. Ashrafi and A. Zare Ravasan, “How market orientation contributes to innovation and market performance : the roles of business analytics and fl exible IT infrastructure,” no. May 2017, 2018, doi: 10.1108/JBIM-05-2017-0109.
[57] T. H. Elsharnouby and S. Elbanna, “Change or perish: Examining the role of human capital and dynamic marketing capabilities in the hospitality sector,” Tour. Manag., vol. 82, no. April 2020, p. 104184, 2021, doi: 10.1016/j.tourman.2020.104184.
[58] L. Cacciolatti and S. H. Lee, “Revisiting the relationship between marketing capabilities and firm performance: The moderating role of market orientation, marketing strategy and organisational power,” J. Bus. Res., vol. 69, no. 12, pp. 5597–5610, 2016, doi: 10.1016/j.jbusres.2016.03.067.
[59] J. W. Creswell, 30 Essential Skills for the Qualitative Researcher. 2001.
[60] J. W. Creswell and C. N. Poth, Qualitative inquiry and research design: Choosing among five approaches. Sage publications, 2016.
[61] G. Cepeda-Carrion, J. G. Cegarra-Navarro, and D. Jimenez-Jimenez, “The effect of absorptive capacity on innovativeness: Context and information systems capability as catalysts,” Br. J. Manag., vol. 23, no. 1, pp. 110–129, 2012, doi: 10.1111/j.1467-8551.2010.00725.x.
[62] A. Wieczorek and G. Pfajfar, “DYNAMIC MARKETING CAPABILITIES,” no. 360, 2018.
