Оперативный анализ данных.
Оперативный анализ данных непосредственно связан с применением OLAP-технологий, которые, в свою очередь, связаны с понятием «хранилище данных» (Data Warehouse). Хранилища данных необходимы компаниям, чтобы содержать всю необходимую информацию о покупателях, поставщиках, продажах, остатках товара, адресах доставки, регионах проживания клиентов и так далее. Хранилища данных позволяют хранить огромные количества данных, которые затем могут использоваться при проведении маркетинговых исследованиях и при анализе их успешности или, наоборот, провала.
OLAP (online analytical processing) – это технология, которая позволяет пользователям легко и выборочно извлекать и запрашивать данные, чтобы анализировать их с разных точек зрения. Запросы OLAP для бизнес-аналитики часто помогают в анализе тенденций, финансовой отчетности, прогнозировании продаж, составлении бюджета и других целях планирования.
Данные, которые хранятся в данных хранилищах, собираются из большого количества различных источников. Эти данные впоследствии доступны для анализа в любое время.
В контексте маркетинговых исследованиях оперативный анализ данных может использоваться по-разному. Основной маркетинговых исследований является маркетинговый анализ – анализ потребителей товаров и услуг компании. OLAP-технологии позволяют компании получать все необходимые данные для оптимизации маркетинговых исследований: это может быть улучшение таргетирования путем выделения целевой группы покупателей в ходе рекламирования продукты или оптимизация ассортимента товара. OLAP имеет возможность давать ответы на вопросы, возникающие при маркетинговых исследованиях и маркетинговом анализе.
Примером OLAP-технологии, которая может быть использована в маркетинге служит IBM Cognos TM1. IBM Cognos TM1 имеет следующие функции:
· Создавать своевременные, надежные планы, бюджеты и прогнозы
· Выполнять углубленный анализ сценариев «что если», чтобы проверить предположения и сравнить альтернативы
· Создавать многомерные модели для анализа прибыльности по продукту, клиенту, региону и т. д.
· Совместная работа и интеграция планов по финансам, продажам, цепочке поставок, операциям, управлению персоналом и многим другим.
Интеллектуальный анализ данных
Маркетинговые исследования традиционно полагались на обзоры рынка, чтобы понять поведение потребителей и улучшить дизайн продукта. Например, компании используют опросы удовлетворенности потребителей для изучения отношений с клиентами. При использовании крупных аналитических технологий данных ключевые факторы для стратегических маркетинговых решений, такие как мнения клиентов относительно продукта, услуги или компании, могут автоматически контролироваться путем интеллектуального анализа данных.
Интеллектуальный анализ данных связан (Data Mining) – это процесс сортировки больших наборов данных для определения шаблонов и установления взаимосвязей для решения проблем посредством анализа данных.
Благодаря интеллектуальному анализу данных, компании могут формировать прогнозы, проводить кластерный анализ. К задачам маркетинговых исследований, решаемых с помощью Data Mining, можно отнести:
·Кластеризация – разделение множества клиентов на группы (кластеры) по степени похожести друг на друга (сегментирование). Это может быть необходимо для улучшения таргетирования покупателей.
·Прогнозирование – нахождение будущих состояний объекта (например, продаж) на основании предыдущих состояний (исторических данных)
·Определение взаимосвязей. Классическим примером является анализ потребительской корзины, который позволяет определить наборы товаров, чаще всего встречающиеся в одном заказе (или в одном чеке)
·Визуализация данных для более простого отображения данных.
Примером программного обеспечения, которое может быть использовано для интеллектуального анализа данных, является Oracle Data Mining. Oracle Data Mining (ODM), компонент Oracle Advanced Analytics Database Option, предоставляет алгоритмы интеллектуального анализа данных, которые позволяют аналитикам данных находить идеи, делать прогнозы и использовать свои данные и инвестиции Oracle. С помощью ODM можно создавать и применять прогностические модели в базе данных Oracle, чтобы прогнозировать поведение клиентов, ориентироваться на лучших клиентов, разрабатывать профили клиентов, выявлять возможности перекрестных продаж и выявлять аномалии и потенциальное мошенничество.
Маркетинговые кампании зависят от использования данных, так как их использование ведёт к более эффективному ориентированию своих событий и рекламных акций. Одним из самых больших преимуществ бизнес-аналитики является то, что она запрограммирована для сбора данных из нескольких источников и преобразования их в чистый поток для анализа и визуализации. Сокращая время, затрачиваемое на стандартизацию данных, компании могут реагировать на постоянно меняющийся рынок.
Следовательно, бизнес-аналитика может применяться в маркетинговых исследованиях следующим образом:
1. Сегментация клиентов и формирование профиля потребителей
2. Изучение продукта и управление репутацией продукта
3. Рекламный маркетинговый анализ и рекомендации
Список литературы
1. The Top Benefits of Business Intelligence for Marketing [Электронный ресурс] – 2018 – URL: https://www.sisense.com/blog/top-benefits-business-intelligence-marketing/ (дата обращения 29.11.2018)
2. Jayanthi Rajan Business intelligence: concepts, components, techniques and benefits – Journal of Theoretical and Applied Information Technology – стр. 60-70
3. S. Fan et al., Demystifying big data analytics for business intelligence through the lens of marketing mix – Big Data Research – 2015
4. B.S. Sahay, Jayanthi Rajan Real time business intelligence in supply chain analytics – Institute of Management Technology, Ghaziabad, India – 2008 – стр. 28-48