شبکه اطلاع رسانی روابط عمومی ایران (شارا)، هوش بازار مجموعه ای از فعالیت ها را توضیح می دهد که با استفاده از منابع اطلاعاتی موجود، نمایی از بازار ارائه می کند که شرکت به کمک آن درک می کند چه اتفاقاتی در بازار رخ می دهند، چه مسائلی وجود دارند، رقبا چه کارهایی انجام می دهند، مشتری ها یا مصرف کنندگان چه کاری انجام می دهند (برای مثال شبکه های اجتماعی) و پتانسیل های احتمالی بازار برای محصولات یا خدمات جدید، با توجه به فعالیت ها و پاسخ های پیشین چیست؟

به گزارش سایتchetor، به طور کلی با توجه به منبع داده ها می توان هوش بازار را به دو حوزه تقسیم کرد:

- هوش بازار مبتنی بر داده های بیرونی؛

- بررسی شبکه های اجتماعی؛

- هوش بازار مبتنی بر داده های درونی.

دو دسته آخر با عنوان کلان داده بازتعریف شده اند. اما از هوش بازار برای اشاره به جمع آوری و بررسی اطلاعات بیرونی مانند تحلیل گزارش ها، داده های مالی رقبا، بررسی نشریات یا شبکه های اجتماعی نیز استفاده می شود. در هوش بازاریابی توجه از اطلاعات داخلی که چشم اندازی از بازار و رفتار مشتری ها فراهم می کنند، برداشته شده است و بیشتر به سمت منابعی مانند پایگاه های داده، فهرست مشتری های بالقوه، فعالیت های وب سایت، تاریخچه تراکنش ها، کارت های وفاداری و غیره سوق داده شده است.

هوش بازار براساس داده های بیرونی

هوش بازار براساس داده های بیرونی، به طور معمول با بررسی منابع اطلاعاتی ثانویه به  دست می آید که معمولا از طریق تحقیقات ثانویه و انجام فرآیند بررسی پیوسته یا شبه پیوسته انجام می شود. اغلب، این کار به معنی منبع یابی و تحلیل داده های منتشرشده به منظور ساخت تصویری از بازار و پاسخ به پرسش های تجاری خاص است. برای مثال پتانسیل  بازار چقدر است، برنامه احتمالی آینده رقبا چه خواهد بود، مشتری ها چه قیمت هایی پرداخت خواهند کرد، بهترین راه برای ورود به بازار چیست؟

نکته کلیدی برای موفقیت در تحقیقات ثانویه، برخورداری از توانایی دنبال کردن منابع اطلاعاتی و تحلیلگر ماهری است که بتواند نه تنها داده ها، بلکه داستان پشت داده ها را نیز بخواند. برای مثال تشخیص بدهد که رقبای شما چه کسانی هستند و جایگاه  آنها را در بازار، در مقایسه با جایگاه شما تحلیل کند و نقاط ضعف و قوت و نشانه های توسعه جدید را پیدا کند یا کانال های شرکای بالقوه یا مکان های جدید را برای تاسیس دفتر تشخیص بدهد.

متخصصان هوش بازار می توانند چیزهایی را که به چشم دیده نمی شوند و در داده ها به آنها توجه نشده است پیدا کنند. آنها همچنین مهارت خوبی در استفاده از داده های جزئی، مانند گزارش های مالی دارند تا عملکرد کلی را ارزیابی کنند. برای مثال آیا افزایش درآمد به خاطر رشد قیمت ها بوده است یا افزایش میزان فروش.

بسیاری از شرکت ها برای کمک به هوش بازار درونی یا تحلیل بازار، از منابع بیرونی مانند اتاق های تحلیل استفاده می کنند که نه تنها داده ها را فراهم می کنند، بلکه براساس ارتباط شان با تامین کننده ها و دیگر شرکت ها، تفسیر و توصیه ای نیز درخصوص تصویر کنونی بازار ارائه می  کنند. بسیاری از اتاق های تحلیل، همچون کارگزاری میان تامین کننده ها عمل می کنند که گردآوری اطلاعات و به اشتراک گذاشتن آنها را به صورت گسترده انجام می دهند. اتاق تحلیل در برخی از صنایع، می تواند داده های دقیق و گسترده ای داشته باشد، مانند بررسی خرده فروشی.

هوش رقابتی

یکی از اَشکال خاص هوش بازار، هوش رقابتی است. این کار به صورتی مستمر انجام می شود و شامل جمع آوری اخبار، اسناد و دیگر اطلاعات مربوط به مشتری از منابع مختلف است. این موارد شامل جمع آوری اطلاعات مربوط به جایگاه بازار و پیام های بازار، مشتری ها یا قرارداد های اصلی، اندازه  و ساختار کسب وکار و مسائلی مانند قیمت گذاری یا ساختار ایده آل معمول معاملات می شود.

به عنوان مثال این کار ممکن است شامل جمع آوری اطلاعات مربوط به چک کردن قیمت یا جزییات مربوط به کمپین های تبلیغاتی یا پیشنهادهای ویژه فروش یا بررسی کانال های جدید کسب  اطلاعات درباره محصولات یا تکنولوژی های جدید (برای مثال پتنت ها) باشد. اگرچه هوش رقابتی را می توان به صورت پروژه  ای مقطعی انجام داد، اما درواقع به علت ماهیت پیوسته  اش بیشتر به ایجاد ساختارهایی برای فراهم کردن اطلاعات مرتبط با رفتار رقبا مورداستفاده قرار می گیرد.

به این ترتیب می توان از رقبا بازخورد گرفت و آنها را بررسی کرد نه اینکه صرفا اطلاعات مقطعی خاصی از آنها به  دست آورد. نکته کلیدی این است که به دلایل قانونی و اخلاقی، تحقیق درباره رقبا نباید به هر شیوه ای انجام شود (برای مثال ارائه اطلاعات نادرست) و باید بر منابع اطلاعاتی که منبع باز هستند مبتنی باشد.

برای هوش رقابتی می توان از منابع داده اولیه ، مانند بازخورد گرفتن از تیم های فروش، کانال های تامین کنندگان، توزیع یا بازخوردهایی مبتنی بر تحقیقات مستقیم پیروزی-شکست که معمولا برای بررسی عملکرد مزایده ها به کار می رود نیز استفاده کرد.

بررسی شبکه های اجتماعی

هوش بازار می تواند به شکل فزاینده ای شامل جمع آوری اطلاعات از مطالب اینترنتی، توییت ها و دیگر شبکه های اجتماعی باشد. این نوع «هوش بازار» می تواند با برخی از شیوه های تحقیق بازار و بررسی روابط عمومی هم پوشانی داشته باشد. برای برخی از شرکت ها حجم مطالب (کلان داده) در چندین زبان و چندین حوزه بررسی می شود تا روی آنها تحلیل احساسات انجام شود.

برای مثال شبکه های اجتماعی می توانند اطلاعات خوبی درباره احساسات بازار به محصولی که به تازگی معرفی شده است و همچنین جزییات بسیار دقیق و توصیه هایی برای بهبود محصولات یا خدمات ارائه دهند. اما بخش زیادی از این بررسی ها، به عنوان بخشی از ارتباطات یا کمپین روابط عمومی، به بررسی اعتبار می پردازد تا به شرکت ها هشدار بدهد که نسبت به نظرات منفی یا مسائلی که از طریق شبکه های اجتماعی عمومی شده اند هشیار باشند.

از نظر داده واضح است که منابع داده بسیار زیادی وجود دارد و لازم است که ابزارهای IT در مقیاس وسیع برای بررسی شبکه های اجتماعی وجود داشته باشند تا مانند یک موتور جست وجو داده های بیشتری را از سایت های مختلف جمع آوری و سپس این داده ها را تحلیل کنند تا اطلاعات سودمندی به  دست آورند.

جمع آوری داده ، برخی از مسائل اخلاقی را نیز با خود به همراه می آورد، برای مثال به ویژه در برخی از حوزه های حقوقی مانند اروپا برخی از مکالمات، خصوصی تلقی می شوند و به شرکت ها اجازه داده می شود اطلاعات را تنها در چارچوب قانون جمع آوری کنند. البته روشن است که شرایط در آمریکا که همه اطلاعات حوزه عمومی را می توان به شکلی رایگان در کسب وکار استفاده کرد، متفاوت است.

نسبت به چگونگی بررسی این شبکه ها نیز باید مراقب باشید، چراکه نمی توان همه سایت ها را بررسی کرد (برخی از سایت ها مانند فیس بوک اجازه این کار را به شما نمی دهد) و ممکن است که سایت های قابل بررسی نیز نشان دهنده بخش فعال و مشتاق بازار نباشند و درنتیجه دیدگاه کل بازار را به خوبی نمایش ندهند. به ساختار بحث های آنلاین نیز باید توجه کرد.

برای مثال زمانی که نسبت به یک موضوع اختلاف نظر وجود دارد، در مقایسه با زمانی که اتفاق نظر وجود دارد، نظرات بیشتری شنیده می شود. اگرچه مکالمات آنلاین نمی توانند نشان دهنده همه نظرات باشند، اما این احتمال وجود دارد که آنها شامل جهت دهنده های فکری مهم باشند یا بر آنها تاثیر بگذارند. به این دلیل است که توصیه می شود تا چگونگی ترجمه احساسات آنلاین نسبت به شیوه های تحقیق بازار، با دقت بررسی شوند.

هوش بازار براساس داده های درونی

درحالی  که بخش بیشتر هوش بازار به جمع آوری اطلاعات از بیرون مبتنی است، با استفاده بهتر از اطلاعات موجود مانند پایگاه داده مشتری ها، تحلیل وب سایت و آزمودن بازار می توان چشم انداز بسیار خوبی به دست آورد. این حوزه با عنوان تحلیل  «کلان داده» شناخته می شود.

برای مثال با تحلیل پایگاه داده ممکن است معلوم شود که شما در چه مکان هایی امکان فروش متقابل یا فروش کالای گران تر را دارید یا متوجه شوید که کدام  مشتری های شما سودآوری بیشتری دارند. تحلیل پایگاه داده معمولا شامل دنبال کردن تازگی، تناوب و ارزش خرید ها، پیدا کردن بخش پاراتو و تقویت فهرست پایگاه داده با داده های بیرونی به منظور تشخیص الگوهای خرید است.

اطلاعات پایگاه داده تنها منبع اطلاعاتی ما نیستند. وب سایت شما نیز ممکن است که حاوی اطلاعات بسیار باارزشی درباره اینکه چه کسانی به دنبال محصولات یا خدمات هستند باشد. تحلیل ترافیک وب سایت به شما کمک می کند تا مشخص کنید که چه مشتری هایی به دنبال شما هستند و چرا؟ و سپس می توانید از آنها به همراه تبلیغات و تنوع بخشیدن به صفحه وب سایت استفاده کنید تا اقدامات مستقیمی برای بهبود و افزایش اثربخشی بازاریابی صورت دهید.

چالشی که در اینجا وجود دارد افزایش فزاینده حجم اطلاعاتی است که به طور بالقوه در  دسترس هستند  (کلان داده). منابع بزرگ داده این پتانسیل را دارند که الگو ها و همبستگی های پنهان میان داده ها را به نمایش بگذارند. پیدا کردن این الگو ها از بین پایگاه داده های بزرگ یک چالش آماری بزرگ است، چرا که هم مدیریت کردن حجم داده ها کار دشواری است و هم استخراج معنا از روابط نامحدودی که میان داده ها برقرار است، این کار بدون گمراه شدن در بین همبستگی های غیرواقعی مهارت بالایی می خواهد.

این روز ها امید زیادی به تحلیل های کلان داده وجود دارد، اما اگر از جریان اطلاعات به عنوان ابزاری برای تجربه های بیشتر استفاده شود، ممکن است که اثربخشی بیشتری داشته باشد. این تجربیات شامل آزمودن چیزی در بازار و سپس بررسی واکنش بازار هستند. برای بهبود و اصلاح فعالیت های بازاریابی، می توان آزمایش های آنلاین را در مقیاس کوچک و خیلی سریع انجام داد.

برای مثال آزمایشی برای مشخص کردن اینکه کدام پیام تبلیغاتی بهتر است، یا طراحی آزمایشی برای بررسی اینکه ترکیب صفحه فرود چگونه منجر به فروش می شود. این رویکردهای تجربی به طور مستقیم به بازاریابی الگوریتمی ترجمه می شوند. بازاریابی الگوریتمی درواقع تولید قوانین خودکاری است که ارتباطات و پیام های مشاهده شده را مرتب می کنند. درست شبیه به روشی که فهرست توصیه های آمازون یا جست وجوی شخصی سازی شده گوگل به کار می گیرد.

در نهایت از دانشی که توسط کارمندان نسبت به مشتری ها، بازارها و رقبا به دست می آید چشم پوشی نکنید، چرا که معمولا از این منبع اطلاعات استفاده درستی نمی شود. جمع آوری و انتشار این اطلاعات وارد حوزه مدیریت دانش مشتری می شود و استفاده بهتر از دانش مشتری ها می تواند به کسب وکارها کمک کند تا روی چیزی که مشتری ها می خواهند و می گویند تمرکز بیشتری داشته باشند.

منبع: فرصت امروز