Сбор маркетинговых данных как этап коммерциализации технологий

Использование Интернета все в большей степени выходит за пределы сбора маркетинговой и другой бизнес-информации, необходимой на стадии оценки технологий, составлении планов запуска новых разработок или принятия других стратегических решений. Все чаще пользователи Интернета используют ресурсы Сети в своей повседневной жизни для взаимодействия и поддержания обратной связи с экспертами, потребителями, партнерами и даже с конкурентами[5]. Организация телеконференций, дискуссионных групп, фокус-групп - вот некоторый из перечней применения Интернета в жизни производителей технологической продукции. Систематический и своевременный анализ текущей информации, полученной, в том числе с помощью Интернета, ее обобщение в виде рекомендаций для жизни предприятия являются важной компонентой обучения и развития организации.

Бурное развитие русскоязычного Интернета предоставляет все большие услуги российскому пользователю на русском языке.

3. Обработка данных для выявления рыночных возможностей

Обработка данных до недавнего времени была в основном областью академических исследований и требовала высокой мощности компьютерных систем далеко за пределами доступных для большинства бизнес-аналитиков. Успех информационных технологий, радикальное снижение цены компьютеров при резком увеличении их быстродействия привели к тому, что поиск и обработка данных стали доступным не только аналитикам бизнеса, но и любым конечным пользователям. Существует ряд программных пакетов, специально предназначенных для этой цели и пригодных, в том числе для персональных компьютеров. Можно представить, что обработка баз данных в самое ближайшее время станет не преимуществом, а обязательным атрибутом качественно выполненных маркетинговых исследований.

Важным направлением статистической обработки баз данных является анализ тенденций. Возможные задачи сильно различаются: банк хочет понять тенденцию текущих предпочтений населения к сбережениям и наличным деньгам, продавцам необходимо выявить изменения реальной покупательской корзины, фармацевтическим фирмам важно знать, какие новые лекарства вытеснили покупку старых и т.п. Все подобные данные могут быть получены путем периодического сравнения имеющихся статистических данных или результатов собственной статистической обработки доступной информации.

Одним их наиболее распространенных и эффективных методов экстраполяции тенденций является построение регрессионных моделей. Предположим, некоторая компания хочет понять, по каким причина одни клиенты остаются приверженными ее услугам, а другие покидают, причем перед аналитиком стоит задача предсказать, какие из пользователей компании останутся, а какие перейдут к конкурентам. Существенно, что предварительно не существует никаких гипотез о факторах спроса и механизмах их проявления. Поэтому не может быть и базовых вопросов для сбора информации. В таком “неявном” поиске начинают с анализа имеющихся отчетных данных, например, с систематизации того, как долго конкретные клиенты обслуживались компанией, какова была тенденция изменения объема пользования (рост, снижение, неизменная, переменная) в последние, допустим, 6 месяцев, наличие замечаний к работе компании от данного клиента, итоговое поведение (остался, покинул). В соответствии с практикой обработки баз данных, первоначально решают, какие ответы будут носить качественный, а какие количественный характер, принимают последние результаты (приверженность компании, продукту, технологии) в качестве выходной, независимой переменной. Последующая обработка подобных данных позволяет построить некоторую регрессионную модель поведения покупателей, проверка и подтверждение которой может быть положена в основу прогнозирования. Регрессионная модель представляет собой совокупность уравнений, связывающих между собой переменные параметры, характеризующие поведение прогнозируемого объекта рынка. При этом переменные разделяются на независимые, значения которых принимаются в качестве влияющих факторов и расчетные, являющиеся объектом прогноза. Формы функциональных зависимостей могут быть самыми различными, но чаще всего применяются линейные и квадратичные функции.

В качестве примера можно рассмотреть задачу прогнозирования потребностей в продукции предприятия, выпускающего весы для розничной и оптовой торговли различных модификаций. В качестве независимой переменной могут рассматриваться объемы розничной торговли. Регрессионная модель может быть построена на основании анализа двух динамических рядов: объема продаж продукции фирмы, то есть весов и объема розничного товарооборота. Форма функциональной зависимости определяется с помощью метода наименьших квадратов. При использовании данной модели для целей прогнозирования может возникнуть вопрос о том, из каких соображений выбирается значение независимой переменной. В данном конкретном случае целесообразно также построить модель экстраполяции тенденций показателей товарооборота, в которой в качестве независимой переменной рассматривается время.

Другой пример анализа тенденций связан с решением задач группировки объектов рынка, являющихся предметами анализа по определению параметров кластеров. Например, продавцы массовых продуктов хотят выявить признаки сходства их покупательской базы и понять, какие различные группы составляют их рынок. Техника кластеринга основана на поиске сходства и различий внутри группы данных, объединяя схожие группы данных в кластеры или сегменты. Например, некоторая выборка покупателей данной продукции может содержать бездетных покупателей с высоким достатком, и одновременно покупателей с низкими доходами и только одним из родителей в семье. В процессе обработки это различие приведет к выделению двух естественных групп с общими внутри них признаками. При выявлении следующих сходств и различий эти группы могут быть поделены на подгруппы. После того, как кластер данных определен, аналитик может попытаться выявить дальнейшие черты сходства и различий между кластерами, понять (прогнозировать) причины их различного покупательского отношения к одним и тем же продуктам. Поскольку эти две группы сильно отличаются между собой, то и законы их потребительского поведения будут сильно различаться. Поэтому при прогнозировании спроса внутри этих двух групп на какой-либо товар для каждой из выделенных групп необходимо строить отдельную модель. Метод кластерного анализа принадлежит к методам экстраполяции тенденций постольку, поскольку разделение объектов на группы осуществляется на основании их фактических свойств за прошедший период.

Способность прогнозирования покупательского спроса на конкретные или новые продукты, исходя из результатов такой обработки данных о рыночной конъюнктуре, обеспечивает значительную экономию средств на маркетинг.

[1][1] Примером дискуссионной группы в области бизнеса, которая может представлять интерес для пользователей из Восточной Европы, является Восточно-европейская бизнес-сеть (E-EUROPE@PUCC.BITNET)

[2] Наиболее мощным источником обмена статейной информацией является сеть Usenet, которая, в частности, имеет дискуссионную группу в области науки и техники

 Скачать реферат