سعید سعیدی‌پور

چرا تجزیه و تحلیل‏‌‌های بازاریابی به تعهدات خود پایبند نیستند؟

چرا تجزیه و تحلیل‌های بازاریابی به تعهدات خود پایبند نیستند؟

منتشر شده در مجله کسب‌و‌کار هاروارد

ما در دو روند مهم تجزیه و تحلیل، تناقضی را مشاهده كرده‌ایم. طبق آخرین نتایج به دست آمده از نظرسنجی شركت تحقیقاتی سی.ام.او كه توسط دانشكدۀ مدیریت دانشگاه دوك انجام شده و اسپانسر آن انجمن بازاریابی آمریكا و شركت دلویت (شركت خدمات حرفه‌ای چندملیتی) بود‌ه‌اند، درصد بودجۀ بازاریابی كه شركت‌ها قصد دارند به بخش تجزیه و تحلیل طی سه سال آینده تخصیص دهند، از 8/5 درصد به 3/17 درصد افزایش خواهد یافت. این افزایش‌ها علی‌رغم واقعیتی است که توسط بازاریابان برتر گزارش شده است؛ طبق گزارش آن‌ها تأثیر تجزیه و تحلیل بر عملکرد کل شرکت همچنان ناچیز باقی‌مانده است: میانگین نمرۀ عملکرد شركت ٤.١ در یك مقیاس هفت رتبه‌ای می‌باشد كه در آن، ١ برابر با كاملاً بی‌اثر و ٧ برابر با كاملاً اثرگذار است. مهم‌تر از همه، اینكه تأثیر تجزیه و تحلیل بر عملکرد در پنج سال گذشته، هنگامی که نمرۀ عملكرد در مقیاس ٣.٨ قرار داشت، افزایش کمی را نشان داده است.

چگونه ممکن است شرکت‌ها هیچ‌گونه افزایش کمکی از سوی تجزیه و تحلیل‌ها به عملکرد خود نبینند، اما همچنان در حال برنامه‌ریزی برای افزایش صرف هزینه در این بخش باشند؟ بر اساس تحقیق ما بر روی شرکت‌‌های عضوِ مؤسسۀ علمی بازاریابی، دو نیروی رقیب دلیل این امر هستند: داده‌‌های مورد استفاده در تجزیه و تحلیل‌ها و استعداد فرد تحلیل‌گری که تولیدکنندۀ آن داده‌هاست. ما در ادامه پیرامون این مسئله بحث‌ می‌کنیم که چگونه هر یک از این عوامل، سازمان‌ها را از درک کامل پتانسیل تجزیه و تحلیلِ بازاریابی باز داشته است و پیشنهادات خاصی را ارائه‌ می‌کنیم تا با کمک آن‌ها بتوان به شیوۀ بهتری، نتایج حاصله از تجزیه و تحلیل را با دلایل افزایش هزینه در این بخش همسو ساخت.

چالش مربوط به داده‌ها

از آنجایی که داده‌ها در هر جایی وجود دارند، تجزیه و تحلیل‌ها باید در اولین قدم حاوی داده‌هایی باشد که بتواند به تعهد خود مبنی بر ارزش‌آفرینی پایبند باقی بماند. به هر حال، داده‌ها پیوسته در حال رشد کردن هستند و این نه‌تنها به خاطر انسجام و پیوسته بودن اهداف مختلف بازاریابی، بلکه به خاطر سرمایه‌گذاری‌‌های صورت گرفته بر روی فناوری اطلاعات نیز هست. در نتیجه، منبع ذخایر داده‌ها درست شبیه به گنجه‌ای از اطلاعات دسته‌بندی شده و مشهور است که به سختی‌ می‌توان اطلاعات مفید را از زائد جداسازی کرد.

در اکثر شرکت‌ها، داده‌ها یکپارچه نیستند. داده‌‌های جمع‌آوری شده توسط سیستم‌‌های مختلف، منفک از یکدیگر هستند و متغیرهای کمی برای تطبیق آن‌ها با یکدیگر وجود دارد. همچنین از الگوهای کدگذاری مختلفی برای آن‌ها استفاده‌ می‌شود. به‌عنوان مثال، داده‌‌های به دست آمده از دستگاه‌‌های تلفن همراه و داده‌‌های رایانه‌‌های شخصی، ممکن است مسیرهای مشابهی از رفتار مشتری در صفحۀ مرورگر را نشان دهند، اما اگر داده‌‌های مصرف‌کننده با داده‌‌های موجود بر روی صفحۀ مرورگر را نتوان با یکدیگر تطبیق داد، رفتار مصرف‌کننده در مرورگر نیز مشخص نخواهد شد. به همین دلیل است که قبل از جمع‌آوری داده‌ها باید به خوبی نحوۀ یکپارچه‌سازی و اندازه‌گیری داده‌ها را شناسایی کنید، دقیقاً به این دلیل که هزینه‌‌های ناشی از تطبیق داده‌ها را کاهش دهید.

علاوه بر این، اکثر شرکت‌ها دارای حجم وسیعی از داده‌ها هستند که پردازش به موقع آن‌ها را دشوار‌ می‌سازد. ادغام داده‌‌های به دست آمده از سوی مشتریان، زیاد و متنوع بوده و مستلزم ترجمۀ کدها، سیستم‌ها و فرهنگ لغت‌‌های مختلف است. پس از منسجم‌سازی داده‌ها، حجم بالای اطلاعات‌ می‌تواند بر قدرت پردازش الگوریتم‌‌های مختلف غلبه کند. رویکردهای بسیاری برای مقیاس بندی تجزیه و تحلیل‌ها وجود دارد، اما اگر داده‌‌های جمع‌آوری شده قابل تجزیه و تحلیل نباشند، ناکارآمد خواهند بود.

هرچه داده‌‌های بیشتری داشته باشید، درواقع اطلاعات کمتری در اختیار خواهید داشت. هرچه داده و پوشه‌‌های اطلاعاتی بیشتری جمع‌آوری کنید، آن‌ها همپوشانی کمتری از خود نشان داده و خلأ‌‌های اطلاعاتی بیشتری را ایجاد‌ می‌کنند. به‌عنوان مثال، دو مشتری که سطح مشابهی از معاملات را انجام‌ می‌دهند،‌ می‌توانند سهمِ کیف پول متفاوتی داشته باشند. در حالی که یک نفر از آن‌ها فرصت فروش را برای شما ایجاد‌ می‌کند، دیگری سود بالقوۀ کمتری برای شما خواهد داشت. هر داده‌ای باید به یک حوزه نسبت داده شود، با این کار‌ می‌توان حفره‌ها یا خلأهای اطلاعاتی را پر کرد؛ چراکه این کار برای طراحی استراتژی لازم است.

شاید بدتر از همه این باشد که داده‌ها اغلب علت و معلولی نیستند. به‌عنوان مثال، اگرچه درست است که تبلیغ نحوۀ جستجوی محصول‌ می‌تواند با خرید ارتباط داشته باشد؛ زیرا مشتری در وضعیت یافتن انگیزه برای خرید قرار‌ می‌گیرد، اما‌ نمی‌توان به‌طور قطع، آن تبلیغات را دلیل خرید دانست، حتی اگر آن شرکت تبلیغات انجام نداده باشد، باز هم مشتریان انگیزۀ خرید دارند. پس چگونه‌ می‌توان مشخص کرد که تبلیغات در رقم خوردن خرید محصول توسط مشتری اثربخش بوده است؟ بدتر از همه، اینکه هرچه داده‌ها توسعه‌ می‌یابند، مشکلات پیچیده‌تر‌ می‌شوند. بدون رویکرد تحلیلیِ مناسب، هیچ سرمایه‌گذاری بر روی داده‌ها را‌ نمی‌توان به بینش‌هایی برای کسب و کار تبدیل گردد. شرکت‌ها باید دو کار را انجام دهند تا از قدرت تجزیه و تحلیل در عملکردهای بازاریابی خود استفاده کنند. ابتدا به جای اینکه اول داده جمع‌آوری کنند و بعد تصمیم بگیرند که با داده‌ها چه کاری باید انجام دهند، بهتر است اول مشخص کنند که قرار است چه کاری انجام دهند و سپس برای انجام آن، شروع به جمع‌آوری داده‌‌های مورد نیاز کنند. این به معنای ادغام بهتر بازاریابی با فناوری اطلاعات و همچنین توسعۀ سیستم‌هایی برای رفع نیازهای اطلاعاتی تیم مدیران ارشد است که باید به جای فرهنگ داده‌پروری به کار گرفته شود. دوم، شرکت‌ها باید دیدگاه 360 درجه‌ای را نسبت به مشتری ایجاد کنند: هر رفتار وی را از لحظۀ بیدار شدن تا خوابیدن رصد کنند. هر نقطه‌ای که احتمال تعامل با مشتری در آن وجود داشته باشد، چه خرید و چه یک راه ارتباطی با او باشد، باید ثبت و ضبط شود. تنها در این زمان است که شرکت‌ها‌ می‌توانند به‌طور کامل مشتریان خود را از طریق تجزیه و تحلیل‌ها بشناسند و تجارب سفارشی شده‌ای را برای مشعوف ساختن آن‌ها ارائه کنند.

نظرسنجی CMO که پیش‌تر بدان اشاره کردیم، نشان‌ می‌دهد که ادغام حجم وسیعی از داده‌ها، نه‌تنها عملکرد شرکت‌ها را طی 5 سال گذشته ارتقا نبخشیده است، بلکه توانایی آن‌ها در پاسخ‌دهی به سؤالات مهم دربارۀ مشتریان را نیز به چالش کشیده است.

چالش مربوط به فرد تحلیل‌گر

نظرسنجی شرکت CMO، نشان‌ می‌دهد که تنها 9/1 درصد از رهبران بازاریابی گزارش داد‌ه‌اند که استعداد برتر و مناسبی برای تجزیه و تحلیل داده‌‌های بازاریابی خود در اختیار دارند. تحلیل‌گر خوب، درست شبیه به داده‌‌های خوب، سخت پیدا‌ می‌شود. متأسفانه رتبه‌بندی کلی شرکت‌ها از لحاظ برخورداری از یک تحلیل‌گر خوب، در یک مقیاس هفت نمره‌ای که در آن 1 به معنای «هیچ استعداد تحلیل‌گری در شرکت وجود ندارد» و 7 به معنای «بهترین تحلیل‌گر در شرکت وجود دارد» است، از سال 2013 تاکنون تغییر چندانی نداشته است؛ در سال 2013 میانگین نمرۀ آن‌ها برابر با 4/3 و انحراف معیار 7/1 و در سال 2017 میانگین نمرۀ آن‌ها برابر با 7/3 و انحراف معیار 7/1 بوده است.

به‌طور شفاف، مشکل کسب و کار خود را تعریف کنید. مدیرانی که بر دانشمندان داده محور تکیه‌ می‌کنند تا بدانند که چه کارهایی را‌ می‌توانند بر مبنای آن داده‌ها انجام دهند، اغلب‌ می‌توانند از آن شخص در تعریف مشکل کسب و کار کمک گرفته و این افراد ارزشی غنی برای آن‌ها به شمار‌ می‌روند. به‌عنوان مثال، بازاریابی که به فرد تحلیل‌گر مراجعه کرده و سؤالاتی را در مورد مشتریان مناسب جهت برقراری ارتباط‌ می‌پرسد، متوجه‌ می‌شود که در بالای قیف فروش، اطلاعات بهتری وجود دارد که با کمک آن‌ها‌ می‌تواند فروش‌‌های بلندمدت‌تری را رقم بزند. تحلیلگران داده، به جای اینکه درخواست مدیران یا بازاریابان را همان‌طوری که هست تحویل گرفته و به آن‌ها پاسخ دهند، باید مشاوره‌هایی را نیز با توجه به نیازهای شرکت با آن‌ها ادغام کنند. برای مثال، اگر درخواست ارزیابی نحوۀ اثرگذاری تبلیغات بازاریابی بر فروش مطرح شود، در کنار آن باید تأثیر تبلیغات بر روی ارزش ویژۀ برند را نیز بازگو کنند.

باید بدانید که الگوریتم‌ها و داده چگونه‌ می‌توانند نقشه‌ای برای رسیدن به مشکلات کسب و کار باشند. اگر تیم‌‌های کاری شرکت‌ها به‌طور شفاف از اهداف شرکت باخبر باشند، از استراتژی آن مطلع بوده، نسبت به ساختار سازمانی آن شناخت داشته و در معرض ارتباط با مشتریان قرار گیرند، آنگاه تحلیل داده‌ها برای شرکت‌ها بسیار اثربخش‌تر خواهد بود. برای رسیدن به این درک، تحلیلگران داده‌ها باید به صورت فیزیکی، خارج از محیط تجزیه و تحلیل داده‌ها، با مشتریان ملاقات کنند تا از نیازهای بازار مطلع شوند، در جلسات برنامه‌ریزی بازار شرکت کنند تا بتوانند اهداف شرکت را بهتر ارزیابی کنند و مطمئن شوند که داده‌ها (فناوری اطلاعات)، تجزیه و تحلیل‌ها و بازاریابی شرکت در یک راستا و به شکلی همسو قرار دارند.

تحلیلگران باید اهداف شرکت را به خوبی بشناسند. تجزیه و تحلیل داده‌ها، نظیر یک گارسونی که به مشتریان بی‌شماری خدمت‌رسانی‌ می‌کند، توسط خواسته‌ها و پرسش‌‌های بی‌شمار احاطه شده است. شناسایی اهداف شرکت به صورت شفاف، سبب‌ می‌شود تا تحلیلگران به خوبی پروژه‌ها را اولویت‌بندی کرده و زمان خود را به ترتیب اهمیت به هر یک از آن‌ها تخصیص دهند (آن‌هایی که بیشترین ارزش حاشیه‌ای را برای شرکت خلق‌ می‌کنند). درخواست‌هایی که از تحلیلگران مطرح‌ می‌شود، باید به صورت متمرکز و طبق چنین معیارهایی اولویت‌بندی شود: الف) آیا یافته‌‌های به دست آمده‌ می‌توانند مسیر انجام کارها را تغییر دهند؛ ب) پیامدهای اقتصادی چنین تغییری چیست؟ اکثر شرکت‌ها فرم‌‌های استاندارد شده‌ای را توسعه‌ می‌دهند تا هر یک از درخواست‌‌های مطرح شده را به صورت مساوی و عادلانه مورد ارزیابی و اولویت‌بندی قرار دهند. یکی دیگر از مزایای استفاده از این فرم‌ها، این است که دیگر مدیران فرصت‌طلب‌ نمی‌توانند از تحلیلگران بخواهند تا در نتایج مطالعات خود دست برده و از استراتژی از پیش تعیین شده توسط آن‌ها که به لحاظ سیاست‌‌های شرکتی برای آن‌ها سودمند خواهد بود، حمایت کنند. با این کار تحلیلگران‌ می‌توانند استراتژی‌ای را انتخاب کنند که منفعت بیشتری برای کل شرکت دارد.

از طریق ارائۀ بینش‌ها و نه حقایق، با مدیران ارتباط برقرار کنید. طبق نظریۀ ارتباطات، فرستنده و دریافت‌کنندۀ اطلاعات هر دو باید از دانش مشترکی پیرامون اطلاعاتِ انتقالی برخوردار باشند. بدین‌معنا که تحلیلگران باید همان چیزی را از داده‌ها برداشت کنند که برای مدیران قابل فهم است. فونت‌‌های کوچک، شکل‌ها و معادلات پیچیده، استفاده از اصطلاحات تخصصی و تأکید بر فرایند مدل‌سازی به جای استفاده از بینش‌‌های قابل درک، خطاهای بسیاری را به هنگام ارائۀ تحلیل‌ها به بار‌ می‌آورد. چرا باید از مدل پیچیده‌ای برای ارائۀ اطلاعات استفاده کرد، در حالی که‌ می‌توان با یک نمودار تصویری بسیار ساده نیز این کار را انجام داد؟ ارائه‌ها باید بر مبنای بینش‌ها سازمان‌دهی شوند، نه رویکردهای تحلیلی. یک دلیل مهم دیگر برای ارتباط تحلیلگر با مشتری در محیط برون‌سازمانی و ارتباط با مدیران در محیط درون‌سازمانی نیز رسیدن به همین بینش‌‌های ساده‌ می‌باشد. علاوه بر این، به جای برآورد آماری پارامترها، فرد تحلیلگر باید نشان دهد که نتایج حاصله چگونه با اقدامات استراتژیک ملموس ارتباط دارند. این امر مستلزم آن است که تحلیلگران باید تجزیه و تحلیل‌‌های خود را در یک چارچوبِ تصمیم‌گیری سازمان‌دهی کنند تا به مدیران در ارزیابی بهترین و بدترین سناریوهای عملکردی کمک کند.

تنوعی که داده‌ها برای پاسخ به پرسش‌‌های مختلفِ کسب و کار دارند، باید طبق نمودارهایی ترسیم شوند. این امر مستلزم دو کار است: ابتدا اینکه تحلیلگر باید درک جامعی از تمامی محرک‌‌های مربوطه (برای مثال، عوامل محیطی و بازاریابی) و پیامدهای حاصله از آن‌ها (نظیر مقیاس‌‌های قیف خرید) داشته باشد. به‌عنوان مثال، برای اطمینان از تأثیر تبلیغات بر فروش، باید تشخیص دهیم که تغییر طراحی محصول که هم‌زمان با پخش تبلیغات بوده است، دلیل افزایش فروش نبوده باشد. دوم اینکه، تحلیلگر باید ابزاری را در اختیار داشته باشد که مطمئن شود محرک‌ها باعث ایجاد پیامدها شد‌ه‌اند، نه اینکه پیامدها باعث شکل‌گیری محرک‌ها شوند. بار دیگر باید گفت که این امر مستلزم درک کامل ماهیت بازارِ مورد تحقیق توسط فرد تحلیلگر است. هیچ مدل پیچیده‌ای که مدعی کنترل نقص اطلاعات است،‌ نمی‌تواند کمبود تنوعِ علت و معلولی در اطلاعات را جبران کند. علاقه، محرک فروش و فروش محرک علاقه است، اما جدا کردن این دو از یکدیگر مستلزم داشتن عاملی است که بتواند بدون تغییر دیگری، یکی از آن‌ها را تغییر دهد.

بهترین ابزار را باید برای حل مشکل پیدا کنید. از چشم‌انداز تجزیه و تحلیل، نیاز به گفتن نیست که به سال‌ها تمرین و آموزش نیاز است. بدون یادگیری یک ساز‌ نمی‌توان آن را نواخت و این مسئله در مورد تحلیلگران نیز صدق‌ می‌کند. مهم‌ترین دانشی که یک تحلیلگر باید داشته باشد، این است که کدام ابزار از میان سایرین برای حل مشکل بهتر است. در سطح جزئی‌تر و تخصصی‌تر می‌توان گفت که روش‌‌های تجربی در ارزیابی علیت مهارت ویژه‌ای دارند؛ یادگیری ماشینیِ نظارت شده، در امر پیش‌بینی بسیار خوب عمل‌ می‌کند. در حالی که یادگیری ماشین از نوع بدون نظارت‌ می‌تواند محرک‌‌های غیر عددی را به برچسب‌ها یا ویژگی‌هایی جهت تحلیل بیشتر تبدیل کند. اقتصاد و روانشناسی، بینش عمیقی از ماهیت رفتار مصرف‌کننده را ارائه‌ می‌دهند و آمار‌ می‌تواند در استنتاج این رفتار به ما کمک کند. شناخت کامل و قوی بازاریابی‌ می‌تواند تمامی ابزارها و اصول در حوزۀ کسب و کار که برای تولید مشاوره‌‌های اثربخش ضروری هستند را در اختیار ما قرار دهد.

محدودۀ مهارت‌‌های خود را توسعه دهید. برخی تحلیلگران بازاریابی در ریاضی و کدگذاری مهارت دارند و برخی در مسائل مربوط به توسعۀ تشریحات، ارتباط دادن با دستورالعمل‌‌های تجاری و چارچوب‌بندی داده‌ها صاحب استعداد هستند. شرکت‌ها باید از طریق آموزش و جمع‌آوری تجربیات مختلف، این مهارت‌‌های متنوع را در یک فرد جمع کنند، یا به احتمال زیاد تیمی را گرد هم آورند که با مجهز بودن به تکنیک‌‌های مذکور، به‌طور مؤثر با یکدیگر ارتباط برقرار کرده و این اطمینان را برای شرکت به وجود آورند که رویکرد تحلیلی و خود افراد تحلیلگر، کاملاً همسو با مشکل مدنظر شرکت فعالیت‌ می‌کنند. این همسویی نیاز به یک استعداد برتر و ارشد در تیم دارد که بتواند منابع تحلیلی را با مشکلات کسب و کار همخوان سازد.

با توجه به رشد چشمگیر اطلاعاتِ مربوط به مشتریان، رقبا و بازار، شرکت‌ها فرصت‌‌های چشمگیری در اختیار دارند تا بتوانند محصول و خدمات مناسب را به افراد مناسب، در زمان مناسب، در فرمت مناسب و طی کانال‌‌های ارتباطی و توزیعی مناسب ارسال کنند، اما برای رسیدن به چنین پتانسیلی باید از رویکرد منفعلانه و راهبردی نسبت به تحلیل‌‌های بازاریابی برخوردار باشیم. شرکت‌ها باید بر روی آمیخته‌ای از داده‌ها، سیستم‌ها و افرادِ تحلیلگر سرمایه‌گذاری کنند تا بتوانند به سود برسند.