Branje zapisa traja 11 minut.

Kot je na izobraževanju Marketing TOPX, ki je bilo namenjeno področju marketinškega raziskovanja in podatkovne analitike,  pojasnila dr. Vesna Žabkar (EF Univerze v Ljubljani), marketinška analitika poteka v več korakih:

Na voljo imamo 1.  podatke, ki jih z upravljanjem podatkovnih baz, torej izbora, urejanja, združevanja, pretvorimo v 2. informacije. Te so podlaga za nadaljnje odločitve. Dobimo 3. vpogled, na podlagi katerega z modeliranjem, komuniciranjem in preverbo ocene stanja sprejmemo 4. odločitev. Ta za 5. uresničitev zahteva finančne, človeške in druge vire. Podatki namreč nimajo vrednosti, dokler jih ne preoblikujemo v uporabne informacije in z njihovo pomočjo razjasnimo problem.

Dobra analitika je lahko konkurenčna prednost podjetja. - Vesna Žabkar

Marketing lahko na podlagi marketinške analitike predstavlja podporo iskanju novih priložnosti

Vesna Žabkar je naštela pet priložnosti za delovanje marketinške analitike v podjetju:

• Najprej je potrebna izgradnja analitske osnove (to so modeli, podatki in digitalna infrastruktura).
• Spodbuja lahko iskanje utemeljenih odločitev (gre za strukturirane procese v realnem času).
• Vodi njihovo uresničevanje (usmeritve in poročila, ki odgovarjajo na vprašanje Kaj, če … ter integracija z drugimi procesi).
• Izboljšuje poslovanje podjetja (gre predvsem za dobiček, uspešnost, konkurenčno prednost).
• Predstavlja podporo pri iskanju novih priložnosti (novi prihodki, zmanjšanje stroškov, dvig produktivnosti).

Marketing mora tako celovito gledati na pot, ki jo prepotujejo podatki, da bi dosegli svoj namen oziroma cilj podjetja. Marketinški oddelki te poti ne morejo načrtovati sami, potrebna je podpora celotnega podjetja.

Analitične možnosti, ki jih ima marketing:

• Optimizacija -> Kaj je najbolje, kar se lahko zgodi?
• Napovedni modeli -> Kaj se bo zgodilo?
• Napovedovanje/ekstrapolacija -> Kaj, če se trendi nadaljujejo?
• Statistična analiza -> Zakaj se to dogaja?
• Opozorila -> Katere aktivnosti so potrebne?
• Poizvedba -> Kaj je problem?
• Ad hoc poročila -> Koliko, kako pogosto, kje?
• Standardna poročila -> Kaj se je zgodilo?

Višje kot smo v hierarhiji analitičnih možnosti, bolj uspešno je podjetje. Če naše delovanje vključuje zgolj standardna poročila, ad hoc poročila, poizvedbe in opozorila, nam marketinška analitika ne prinaša konkurenčne prednosti. Če v svoje delovanje vključujemo tudi statistične analize in analitične možnosti, potem našemu podjetju marketinška analitika prinaša konkurenčno prednost, je poudarila Vesna Žabkar.  

Kaj vse omogoča, zelo dobro prikazuje lestev zmožnosti marketinške analitike, ki ima šest stopenj:

1. Baza podatkov o uporabnikih – združevanje podatkov o uporabnikih na enem mestu
2. Segmentacija – obravnava različnih uporabnikov na različen način
3. Sprožilci dogodkov – razvoj procesov in zmožnosti odziva
4. Management kampanje – doseganje učinkovitosti in uspešnosti v porabi
5. Napovedni modeli – pričakovanja in priprave na prihodnost
6. Analiza v realnem času – razvoj prilagodljivih oz. dinamičnih ponudb in cen

Večina podjetij je v eni od bolj začetnih faz, kjer gre za zbiranje podatkov in morda segmentacijo, poudarja Vesna Žabkar.

Kaj torej pričakovati na področju marketinškega raziskovanja v prihodnje?  Trendi, ki so se v letu 2021 nakazovali na področju marketinškega raziskovanja, so:

• KRAJŠE RAZISKAVE S TAKOJŠNJIM ODZIVOM, ki skušajo zajeti veliko ljudi, s čimer se dobi dober vpogled.
• LONGITUDINALNA SPREMLJANJA, da gibanja uporabnikov bolje razumemo.
• SPLETNE KVALITATIVNE RAZISKAVE – izvajanje raziskav se je v zadnjem času v veliki meri preselilo na splet.
• RAZISKAVE ČUSTVENIH ODZIVOV, kjer se ne raziskuje, kar udeleženci rečejo, pač pa njihovo komuniciranje s telesom, čustvi.
• SPREMLJANJE DRUŽBENIH MEDIJEV (ang. social listening).
• (nevsiljive) RAZISKAVE NA PODLAGI TRANSAKCIJ, pri katerih je mogoče, da posameznik sploh ne ve, da je vključen v raziskavo.
• MNOŽIČNO ZUNANJE IZVAJANJE RAZISKAV (ang. crowdsourcing), ki je primerno za zelo velike skupine ljudi.
• RAZISKAVE S POMOČJO UMETNE INTELIGENCE (personalizacija).

Da so prav spremembe edina stalnica v marketinškem raziskovanju, je izpostavil tudi Janko Hočevar (Aragon). Nove tehnologije in nova spoznanja namreč omogočajo nenehen napredek na področju tržnega raziskovanja. Podjetja so po njegovih besedah opremljena z vrsto podatkov o svojih uporabnikih, a so to obstoječi uporabniki. Cilj tržnih raziskav pa je najti tiste, ki niso uporabniki in pridobiti podatke o njih.

Povsem različni polovici možganov – za marketinške raziskave zanimiva le leva

Človeški možgani so razdeljeni na dva dela. Za levo možgansko polovico je značilen hiter, avtomatičen, asociativen, nezaveden in emocionalen proces mišljenja, za desno pa počasen, analitičen, zaveden, s pravili urejen in racionalen proces mišljenja. Ker večino uporabnikovih izbir uravnava leva polovica možganov, se tudi tržne raziskave usmerjajo v proces mišljenja, značilen za levo polovico možganov.

Dobro načrtovana tržna raziskava je celostna, multidisciplinarna in preučuje uporabnikovo vedenje ter razmišljanje v kontekstu mišljenja z levo možgansko polovico. - Janko Hočevar

Tovrstne raziskave so:

• CONJOINT EKSPERIMENT – odgovorijo na vprašanje, kakšne lastnosti in kakšno ceno naj ima produkt, da bo njegov nastop na trgu optimalen. Uporabna je za napovedovanje dogajanja na trgu.
• RAZISKOVANJE SKOZI IGRO – z asociacijami, metaforami in kreativnimi nalogami raziskuje odnos do znamk.
• ETNOGRAFIJA – raziskovanje s pomočjo opazovanja kupcev na prodajnem mestu. Kam kupci oz. uporabniki usmerjajo svoj pogled in česa ne vidijo.

Čeprav podstat tržnega raziskovanja, to je razumeti razmišljanje, občutenje in vedenje ljudi, ostaja enaka, se spreminjajo okolje in orodja raziskovanja, je poudaril Janko Hočevar.

Digitalne raziskovalne skupnosti pri uporabnikih doma

Zvišal se je delež digitalizacije kvalitativnega raziskovanja. Nastale so digitalne raziskovalne skupnosti, del katerih so skrbno izbrani udeleženci, njihovo vedenje pa je mogoče preučevati v naravnem okolju, s pomočjo opazovanja, interaktivno in vpleteno. Fleksibilnost za udeležence je večja, raziskovalcem pa daje globlji vpogled v vedenje ljudi. V okviru raziskave lahko uporabniki oz. kupci raziskovalce virtualno spustijo v svoje domove ali poročajo o svojih nakupih.

V zadnjih letih se vse bolj uveljavlja sledenje očem v okviru nevroraziskav. T. i. eye tracking raziskovalcem omogoča uvid v uporabnikove zaznave vizualnih dražljajev, kaj torej pritegne pozornost in kaj uporabnika stimulira. Med nevroraziskave spada tudi uporaba EEG (elektroencefalografije), s pomočjo katere raziskovalci spremljajo možgansko aktivnost in nezavedno vedenje uporabnikov. Merijo posameznikovo pozornost, kognitivno obremenitev in emocionalni odziv po izpostavljenosti določenemu dražljaju.

Med naprednimi kvantitativnimi raziskavami je Hočevar izpostavil še obrnjeno segmentacijo, v okviru katere povežejo obstoječe podatke iz naročnikove baze podatkov in jih kontekstualizirajo v zgodbo o tipičnih predstavnikih segmenta.

Z napovednim modelom do pravega uporabnika in minimizacije odpada pri investiciji v oglaševanje

Matjaž Robinšak (Valicon) in Tomaž Tomšič (iPROM) sta predstavila skupno rešitev na področju tržnega raziskovanja, ki omogoča doseganje zgolj zainteresiranih uporabnikov. Namen je nagovoriti tiste uporabnike, ki bi jih ponudba zanimala. Marketing namreč nima na voljo neomejenih sredstev, zato si prizadeva k čim nižjemu obsegu komuniciranja, ki se izvaja neučinkovito.

Z naprednim ciljanjem znotraj Valiconovega panela najprej identificirajo ciljno skupino, ki ima izraženo nakupno namero, vsakega posameznika opremijo z anonimiziranim identifikatorjem, nato pa na podlagi digitalnih sledi anonimiziranih uporabnikov izdelajo napovedni model. Model se iz vzorca implementira na celotno populacijo z uporabo algoritma podobnosti in globokega učenja. iPROM nato znotraj DMP-ja (digital management platform) z uporabo izdelanega modela in vzorca identificira ciljne posameznike, ki se jim bo prikazoval oglas.

DMP je platforma za upravljanje s podatki, ki lahko na enem mestu integrira različne podatke o uporabniku: podatke o spletnih straneh, ne-spletne CRM podatke, podatke o spletnih nakupih, podatke z družabnih medijev, podatke pametnih televizij in podatke o mobilnih uporabnikih. V praksi danes že med sabo povezujejo v povprečju štiri podatkovne vire. Na podlagi teh pametnih podatkov lahko ugotavljajo vedenjske vzorce uporabnikov, napovejo prihodnje nakupno vedenje, iščejo uporabnike s podobnimi vedenjskimi navadami ter celo personalizirajo komunikacijo v realnem času. »Z analizo preteklosti na osnovi podatkov skušamo čim bolj natančno napovedati prihodnost.«

Kot ključno korist Matjaž Robinšak in Tomaž Tomšič izpostavljata t. i. minimizacijo odpada pri investiciji v oglaševanje. Model namreč oglase v največji možni meri prikazuje le tistim posameznikom, za katere je oglas relevanten; ob pravem času, na pravem mestu in s pravim sporočilom. Npr. oglas za stanovanjski kredit se prikazuje tistim, ki razmišljajo o nakupu oziroma kupujejo stanovanje. Ob tem opozarjata, da sta za učinkovito izvedbo oglasne akcije z uporabo napovednega modela pomembni tudi ustrezni komunikacijski elementi (oglasi, spletna stran, e-poštna sporočila) in pravi produkt.

Uporabniški uvid že v fazi koncepta

V Outfit7 so se razvoja igre My Talking Tom and friends lotili nekoliko drugače kot razvoja ostalih aplikacij. Kot je pojasnila Anja Arhar za raziskovanje odnosa uporabnikov uporabljajo fokusne skupine, poglobljene intervjuje, dnevniške študije in ankete.

Razvoj omenjene igre je potekal v štirih korakih.

1. Do uporabnikov so pristopili že v fazi koncepta, ko produkta sploh še niso mogli pokazati. Imeli so le idejo in osnoven videz igre. Na podlagi pogovorov v okviru fokusnih skupin so si skupaj z uporabniki odgovorili na ključne dileme, ki so jih imeli razvijalci igre (da bodo liki za razliko od ostalih iger v tej nastopali skupaj, da ne bodo odraščali, ugotovili pa so tudi, kakšna so pričakovanja uporabnikov glede interakcij med liki – uporabniki so si tu želeli čim manj omejitev).
2. V predprodukciji so raziskali referenčne igre, določili vizualne elemente igre in izdelali prototipe.
3. V fazi produkcije so igro preizkušali ter pripravili vodiče za igralce.
4. V fazi post-lansiranja pa so dodali vsebine. Na podlagi dnevniške študije so ugotavljali, kaj so motivatorji, zaradi katerih uporabniki nadaljujejo z igranjem ter kaj so razlogi za prenehanje igranja.

Poleg tega so se lotili tudi podrobnega pojasnjevanja analitičnih rezultatov. Na podlagi ogromnih količin podatkov, ki so jih pridobili na podlagi vedenja uporabnikov, so lahko določili 5 tipičnih vedenj oziroma pet skupin igralcev. To je po besedah Anje Arhar spremenilo način internega razmišljanja o uporabnikih, ki ni več linearen, ampak po skupinah.

Anja Arhar je kot ključna spoznanja ob tovrstnem razvoju igre navedla:

• Nujna je vključenost vseh v razvoj igre (več kot posamezniki v podjetju vedo o igri, v večji meri jo lahko razvijalcem pomagajo izboljšati).
• Z vključevanjem uporabnikov začenjajo zelo zgodaj v razvoju igre (tako dobijo pomembne vpoglede v uporabniško bazo, uporabniki pa najbolj vplivajo na končen produkt).
• Z raziskavami nadaljujejo skozi celoten razvoj produkta (saj se tako vsak trenutek česa novega naučijo).
• Uporabljajo različne vire podatkov in jih zato lahko učinkoviteje povezujejo med seboj (stvari pa lahko vidijo iz različnih zornih kotov).

Le podatki iz različnih virov so lahko podlaga za prave odločitve

Marketinško raziskovanje je tisto, ki preoblikuje podatke v vpoglede, ti pa omogočajo učinkovite odločitve, je poudarila Tamara Vilhar (Atlantic Grupa). V podjetju je Centralni marketing zadolžen za izboljšanje marketinškega procesa. Uporabljajo namreč vrsto različnih virov podatkov za raziskovanje vedenja uporabnikov in kupcev, ocenjevanje uspešnosti izbora marketinškega miksa, uspešnost produkta po prihodu na trg pa tudi za pridobivanje podatkov o značilnostih trga in drugih znamkah. Poleg internih podatkov se naslanjajo tudi na analize, narejene pri različnih ponudnikih. Podatke skušajo dobiti iz različnih zornih kotov, saj lahko le tako pridejo do referenčnih zaključkov, ki jih uporabljajo za načrt razvoja blagovne znamke, ustvarjanje nakupne izkušnje in marketinške kampanje. Poudarila je pomen dobrega sodelovanja med analitiko, raziskovalcem in vodjo blagovne znamke v svoji državi. Izpostavila je nekaj vrst raziskav, ki se jih poslužujejo.

• Kvalitatitvne raziskave: spletne raziskovalne skupnosti, fokusne skupine, intervjuji sočutnosti (ang. empathy interviews).
  
  Kvantitativne raziskave:
  1) kontinuirane raziskave, ki merijo npr. vrednost znamke, primerjave z drugimi znamkami ali vpliv oglasov na zavedanje o znamki), pa tudi 2) ad hoc raziskave o asociacijah, ki jih sproža znamka, o všečnosti embalaže in namenu nakupa po predstavitvi koncepta novega produkta.
  ‍
• V večjih državah uporabljajo tudi spletne platforme, s katerimi lažje pridejo do uporabnikov. Težava pri uporabi tovrstnih platform je, da ni na voljo podatkov o demografiji in življenjskem slogu, če tega posebej ne vprašajo.

Atlantic Grupa je prisotna na 30 trgih, zato imajo tudi interni portal marketinške skupnosti, do katerega ima dostop celoten marketinški sektor skupine. Po zaključku projektov te predstavijo ostalim, izpostavijo dobre prakse, pokažejo primere.

Poslovna inteligenca bo podatke pretvorila v uporabne informacije

Borut Olenik (Zavarovalnica Triglav) je prepričan, da imajo podjetja na voljo vrsto podatkov, a je za njihovo učinkovito uporabo potrebno poznati kontekst. Podatki morajo biti strukturirani, njihovi upravljalci pa morajo vedeti, kje so zbrani, kako priti do njih, biti morajo pripravljeni za uporabo, upravljalci pa jih morajo znati kritično ovrednotiti in vedeti, kateri podatki so relevantni. Pri vsem tem lahko pomaga poslovna inteligenca. Naloga poslovne inteligence je pretvoriti podatke v uporabne informacije, te pa v znanje, ki nam bo pomagalo pri odločanju.

Olenik je opredelil 4 nivoje analitike: deskriptivna (s pripravo poročil odgovarja na vprašanje Kaj se je zgodilo?) in raziskovalna analitika (s pripravo podatkovnih zgodb odgovarja na vprašanje Zakaj se je zgodilo?) sta del tradicionalne poslovne inteligence. Kvantitativno analitiko oziroma moderno poslovno inteligenco pa sestavljata predikativna analitika ( s strojnim učenjem, umetno inteligenco in statističnimi podatki odgovarja na vprašanje Kaj se bo zgodilo?) in perspektivna analitika ( s priporočili in avtomatizacijo odgovarja na vprašanje Kako naj se odločim?).

Na podlagi vizualiziranih podatkov lažje sprejmemo odločitve

Pri predstavitvi podatkov je vizualizacija zelo pomembna, saj lažje zaznavamo, kaj je pomembno, hitreje vidimo odstopanja, trende, na podlagi vizualiziranih podatkov pa se tudi lažje odločimo.

Podatke moramo po besedah Boruta Olenika znati brati, tako kot znamo brati knjige, saj se vedno odločamo na podlagi podatkov, ki jih imamo. Poleg podatkovne pismenosti je pomembno tudi poznavanje orodij za delo s podatki. V veliki večini podatke znamo zbirati, jih pripraviti, vizualizirati. Težje pa je podatke analizirati, pripraviti ustrezno komuniciranje in se na podlagi tega odzvati.

Podatkovna pismenost pomeni:

• Razumevanje podatkov in informacij (na različnih nivojih in za različne potrebe).
• Uporabljanje podatkov (zbiranje, priprava poročil, vizualizacija, uporaba orodji, iskanje odgovora na vprašanje Zakaj).
• Analiziranje podatkov (odkrivanje značilnosti z analitiko ter iskanje odgovora na vprašanje Zakaj in kaj zdaj?)
• Deljenje informacij (podatkovne zgodbe vedno prilagodimo za dotično občinstvo).

Cilj podjetja mora biti samopostrežna analitika

Vsako podjetje bi moralo biti organizirano tako, da se lahko posamezniki sami ukvarjajo s podatki, to Borut Olenik imenuje »samopostrežna analitika«. Postaviti je treba temelje, torej podatkovno skladišče in ustrezno upravljanje. Z orodji, ki že obstajajo, lahko podjetje na tem področju naredi velik napredek.

Da naj bo podjetje vodeno na podlagi podatkov (ang. data driven), ni več stvar odločitve vodilnih, pač pa realnost. Zato je na ravni celotnega podjetja potrebna sprememba kulture in zavedanja o pomembnosti dobre podatkovne analitike, je zaključil Borut Olenik.