بخشی از مقاله
تحقیقات بازاریابی پیوسته و آنلاین ( کامپیوتری )
تصمیمات بازاریابی نوعاً بر مبنای تحقیقاتی که ، از طریق خدمات پستی سریع ، پیام مراکز خرید ، گفتگوی تلفنی ، مذاکرات گروهی منسجم و موردی از این صورت می گیرند ، اتخاذ می شوند . این شیوه های مربوط به تحقیقات بازاریابی وقت گیر و پر خرج بوده ، و برای دستیابی به نتایج دقیق مستلزم تلاش و کوشش زیادی می باشد .
این مقاله شیوه نوینی را برای انجام تحقیقات بازاریابی آنلاین ارائه می دهد ة که بر مبنای چندین نظریه از جمله دانش فعال و موثر ، گروههای کنترلی و تجربی مشابه ، و تجربیات صریح و ضمنی می باشد . این نظریات ، توام با فرصت هایی که به واسطه تعداد فراینده خریداران آنلاین ایجاد می شوند ، می توانند تحقیقات بازاریابی سریع ، منظم و کم هزینه ای را سبب گردند .
مقدمه
پیش بینی رابطه بین متغیرهای بازاریابی و متغیرهای واکنشی در تصمیمات مربوط به فعالیتهای تجاری که ، در آنها بازاریابی و خرید و فروش بهم وابسته است ، از اهمیت برخوردار می باشد ، این مثال ساده را در نظر بگیرید که ، یک خرده فروش باید قیمتی که با آن کالایی خاص را به فروش برساند ، تعیین نماید . یک تصمیم گیری اصولی خرده فروش را بر آن می دارد که رابطه بین قیمت کالا ( متغیر بازاریابی ) و تقاضای کالا ( متغیر واکنشی ) را در قیمت گذاریهای مختلف مورد توجه قرار دهد .
حال مثال را پیچیده تر در نظر بگیرید ، وضعیتی را فرض کنید که خرده فروش احساس می کند که انجام تبلیغات برای کالا به در آمد فراینده ای منجر خواهد شد. این تبلیغات ممکن است به شکل کاهش موقتی قیمت که از طریق بکارگیری کوپن حاصل می شود صورت گیرد . تعیین بهای اعتباری کوپن قیمت موثری که با آن کالا به فروش می رسد را مشخص می نماید و این قیمت موثر تنها در صورتی مشخص می گردد که تقاضا در مراحل قیمت گذاری مختلف معلوم باشد . با این وجود اگر سایر تاثیرات در نظر گرفته شوند ، تصمیم گیری سخت تر می شود .
اگر خرده فروش چندین نمونه کالا را به فروش برساند ، کاهش قیمت یک نمونه خاص به خریداران ممکن است در طی دوره تبلیغ ، آن کالا را به مقدار زیاد ذخیره نمایند ، که این امر به کاهش فروش کالایی که در دوره تبلیغ و در آمدهای خالص ثابت را دنبال می کند ، می انجامد .
این مثالهای بالا بیانگر پیچیدگی بازاریابی و خرید و فروش می باشند . فردی ممکن است اینطور مطرخ نماید که این مساله تابع شیوه های تحلیلی است و بگوید که تصمیمات آگاهانه مبتنی بر بازاریابی و خرید و فروش مستلزم پیش بینی رابطه بسیار متنوع بین متغیرهای بازاریابی و متغیرهای واکنی باشند . به عبارت ساده تر ، آنها مستلزم این هستند که بدانیم که ، در زمان متغیر یک یا چند متغیر بازاریابی ، متغیرهای واکنشی چطور تغییر پیدا خواهند کرد .
پیش بینی عملکرد یک متغیر واکنشی در هنگام تغییر متغیر بازاریابی نیازمند اطلاعات و اگاهی هایی می باشد . شاخصاً این اطلاعات از طریق تحقیقات بازاریابی که ، بواسطه خدمات پستی سریع ، پیام های مراکز خرید ، گفتگوهای تلفنی ، مذاکرات گروهی متمرکز و مواردی از این دست صورت می گیرند ، گرد آوری می شوند .
در مثال ساده ای که در بالا عنوان شد ، شخص ممکن است از طریق گفتگوهای تلفنی از مشتریان بخواهد که احتمال خرید کالای مورد نظرشان را در قیمت گذاری های مختلف تشریخ نمایند و این اطلاعات گردآوری شده را بکار گیرد تا رابطه بین متغیر بازاریابی ( قیمت ) و متغیر واکنشی ( تقاضا) را تعیین نماید . تاثیر متقابل یک شخص بر دیگری که در برخی از این شیوه های گرد آوری اطلاعات ( برای مثال ، در گفتگوی تلفنی ) ضروری است ، توام با مدت زمان زیاد انجام کار ( برای مثال ، بواسطه زمان انتقال یک پست سریع به سوی و از طرف فرد پاسخگر ) و مقدار موثر اوقات – شخص بیانگر این شکل قدیمی تحقیقات بازاریابی اند که پرخرج ، کند و مستعد خطا و اشتباه می باشند .
گسترش سریع اینترنت فرصتی را برای انجام تحقیقات بازاریابی آنلاین ( OMR ) فراهم نموده است . در واقع بر اساس برخی پیش بینی ها ، حدود 60 در صد جمعیت ایالات متحده و اتحادیه اروپایی به اینترنت دسترسی دارند . بطور کلی ، این نواحی یاد شده همچنین بر طبق " مجمع تحقیقات بازاریابی بریتانیا ( BMRA ) و مجمع متخصصان تحقیقات بازاریابی و نظریه پرداز دنیا
( ESOMAR ) ، سهم عمده قدرت خرید دنیا را در دست دارند . جدای از این ، نواحی مختلفی در آسیا دسترسی فزاینده ای به اینترنت یافته اند . این پذیرش گسترده اینترنت بخش وسیعی از جمعیت را به اینترنت قابل دسترس می سازد و این اطمینان را ایجاد می کند که نیازها و سلایق یک جمعیت عمده ا ی از مشتریان بطور آنلاین و پیوسته جامه عمل پوشانده شود . هدف این مقاله این است .
از طریق تحقیقات بازاریابی پیوسته و آنلاین ( OMR ) ، امکان تهیه اطلاعات تجاری عملی راسریعاً ، اصولی و نظامدار ، و بطور کم هزینه فراهم نماید . اگر پیچیدگی تصمیمات مبتنی بر بازاریابی و خرید و فروش را در فعالیتهای تجاری مدرن ، و نیز محدودیت های مکانی که لزوماً تحت تاثیر شیوه کار بردی کاغذ قرار دارند ، را در نظر بگیریم ، می بینیم که باید بر برخی جنبه های مهم تحقیقات بازاریابی پیوسته ( OMR ) تاکید نمائیم . ما ، بطور ویژه ، آن جنبه هایی را مد نظر قرار می دهیم که در تلاشهای مربوط به درک اجرای تحقیقات بازاریابی پیوسته مفید واقع خواهند شد . ما بقیه این مقاله را بر طبق آنچه که در ذیل می آید ترتیب داده ایم .
در بخش 2 ، ما یک دیدگاه کلی مفهومی از یک سیستم را ارائه می دهیم و یک طرح اساسی که برای اجرای ( OMR ) قابل کاربرد باشد را تشریح کنیم . تاکید ها بر رویدادهای ثابت سیستم نمی باشد ، چون اینها به سرویس دهنده تجاری که ، OMR در آن اجرا می گردد ، وابسته می باشند . در عوض ، ما بیشتر بدنبال این هستیم که نظریاتی راجع به زنجیره رویدادهایی که رخ می دهند ، مراحل مختلف کنترل OMR ، نوآوری های متنوعی که در این مقاله مطرح می شوند ، اشاره نمائیم . معتقدیم که این نوآوری ها برای OMR مهم و پر اهمیت هستند که مفصلاً آنها را در بخش 3 بحث خواهیم کرد . در بخش 4 ، دیدگاهی کلی درباره انواع اطلاعات تجاری عملی که ، بر حسب سیستم پیشنهادی و الگوریتم ها قابل حصول می باشند ، را ارائه می دهیم . ما در بخش 5 ، نتیجه گیری را همراه با یک سری مباحث انجام می دهیم .
2- طرح اجرای تحقیقات بازاریابی پیوسته آنلاین
تشخیص فرق بین تخقیقات بازاریابی پیوسته ( OMR ) و تحلیلهای تجاری قدیمی مفید و موثر می باشد . تحلیلهای تجاری قدیمی اطلاعات موجود ، که در طی عملکردهای معمولی گرد اوری می شوند ، را بکار می گیرند تا روابط بین متغیرها ( که شامل متغیرهای بازاریابی و واکنشی هستند ) را دریابند . در مقابل ، تحقیقات بازاریابی پیوسته عمداً متغیر داده ، واکنش متناسبی را دریافت می کنند . از اینرو ، اطلاعات حاصله از تحقیقات بازاریابی آنلاین برای برقراری رابطه بین متغیرهای بازاریابی و واکنشی خاص مناسب تر می باشند .
چنین اطلاعاتی به تولید کننده این امکان را می دهد که در محصول جدید ویژگی های مساعد و مطلوب را بکار گرفته و ویژگی هایی که برای خریداران مطلوب و سودمند نمی باشد ، را بر طرف نماید . در تحلیلهای تجاری قدیمی بیشتر سعی بر این است که سودمندی ویژگی های را از فروشهای تاریخی نمونه های مختلفی که تولید کننده به فروش رسانده است ، معلوم و مشخص نمایند .
با این وجود ، چون ویژگی معینی که ، همیشه حاضر و موجود بوده وجود دارد ، این امکان وجود ندارد تا معلوم سازیم که آیا نبود آن ویژگی ، بر فروشها تاثیری خواهد داشت یا نه . از طرف دیگر ، تحقیقات بازاریابی آنلاین ویژگی ها را تغییر میدهد و سعی بر این دارند که احتمال خریدارانی که محصول ساخته و پرداخته را مشخص می سازند ، را تعیین نمایند
( برای مثال ، بواسطه یک بررسی از کاربران احتمال خرید یکی از چند محصول ساخته و پرداخته را مشخص می سازند ) اگر چه شیوه های اصولی و نظامدار ی برای دست یابی به محصولات ساخته و پرداخته وجود دارند ، ما بر آنیم که تاکید نمائیم که اطلاعاتی که تحت تاثیر پراکتیو متغیر بازاریابی گرد آوری می شوند برای برقراری رابطه بین بازاریابی ( ویژگی های محصول ) و متغیر واکنشی ( فروشها ) مناسب تر خواهند بود .
در OMR ، تغییر متغیر بازاریابی بصورت پیوسته و آنلاین انجام می شود و واکنش ها نیز به صورت آنلاین و پیوسته دریافت می شوند
بدین سبب که فرایند تغییر متغیر بازاریابی و در یافت واکنش ها نمی توانند مانع عملیات نرمال سایت گردند ، مادر ابتدا سایت را تشریح نموده ، و تاکید می کنیم که چطور تغییر متغیر بازاریابی حاصل می گردد . ما فرض براین می داریم که وب سایتی وجود دارد که صفحاتش شامل محتوای شاخص سایتهای آنلاین و پیوسته می باشد .
فضایی برای تبلیغات با نشان افقی و یا عمودی وجود دارد ، و نیز فضای برای محتوای اصلی صفحه موجود می باشد . " کانون های بحران " که در داخل محتوای اصلی جای دارند ، و یا کنترل های رد یابی به بازدید کننده این امکان را می دهند سایت را رد یابی کرده و در معاملات پبشنهادی توسط سایت مشارکت نمایند .
محتوای تبلیغات نشان دار بواسطه منطقی انتخاب می شود ، در سیستم فرعی پبشنهادی " سرویس دهنده تجاری که ، سایت آنلاین بر روی آن گسترش یافته است ، درج گردیده است . فعالیتهای معینی ( برای مثال ، یک خرید ) مستلزم این هستند که فرد وارد سیستم شود ، در حالیکه در سایر فعالیتها نیازی نیست که فرد توسط سیستم شناسایی شود . در چنین حالتی ، فرد می تواند بعنوان یک کاربر بی نام و امضاء سایت را پویش و جستجو نماید .
متغیر بازیابی توسط آگهی های با نشان افقی یا عمودی تغییر می یابد . برای مثال ، زمانی که قیمت ، یک متغیر بازاریابی است ، یک کوپن با یک نشان افقی یا عمودی به کاربر نشان داده خواهد شد کوپن قیمت موثر کالا را برای خریدار تغییر می دهد ( تغییر در متغیر بازاریابی ) و قبول کوپن توسط کاربر ( از طریق کلیک کردن ) و بازپرداخت بعدی متغیر واکنشی است .
مکانیسمهای دیگری وجود دارند که برای تغییر متغیر بازاریابی قابل بکارگیری می باشند ، هر چند که ما در این مقاله فرض براین داریم که همه متغیرهای بازاریابی بواسطه تغییر محتوای نشان های افقی یا عمودی تغییر می یابند . این امر به هیچ وجه از عمومیت شیوه پیشنهادی نمی کاهد و به بحث و بررسی های دقیق تر کمک می کند .
تصویر 1) نگاهی کلی یه زنجیره رویدادها دارد . جریان کلی با تعیین یک هدف از سوی تاجر شروع می شود ــــ برای مثال ، " تعیین تقاضا بعنوان تابعی از قیمت " ، یا " تعیین نتیجه فروشهای نمونه B که به واسطه کاهش قیمت نمونه A ایجاد می گردد و " غیره . متغیرهای بازاریابی و واکنشی مشخص می شوند ، و فعالیت گرد آوری – اطلاعات شروع می شود . چنین فعالیت گرد آوری - اطلاعات را یک " تجربه " می نامیم ، آماده سازی یک تجربه OMR ممکن است سایر سیستمهای فرعی یک سرویس دهنده تجاری را مورد استفاده قرار دهد . تجربه OMR سپس متغیر بازاریابی را برای بازدی کننده های انتخابی وب سایت تغییر می دهد و هر بازدید کننده انتخابی را به یک گروه تخصیص
می دهد تا گروههای کنترلی و تجربی مشابهی را ایجاد نماید ( که بطور مفصل در بخش 3 تشریح می گردد ) . بازدید کننده ها ( کاربران) بر مبنای تعداد کلیک هایشان ( طرح رد یابی ) ، توام با معاملات تاریخی کاربر ( در صورتی که کاربر واردسیستم شده باشد ) و سایر اطلاعات قابل انتخاب می باشند . با این وجود ، بکار گیری روند کلیک نمایی زمینه انتخاب کاربر را حتی در آن زمانی فراهم می نماید که کاربر بعنوان یک کاربر بی نام ، بدون اینکه واقعاً وارد سیستم شده باشد ، در حال پویش و جستجو است .
واکنش هر کاربر انتخابی یا بطور ضمنی یا صریحاً سنجیده می شود . تجربه برای یک دوره زمانی از قبل تعیین شده قابل اجرا باشد .یا اینکه یک معیار اطلاعاتی – تئوری قابل استفاده است . تاتجربه را در زمانی خاتمه دهد که ، دست یابی به اطلاعات از طریق مجموعه اطلاعات مازاد پایئن تر از یک آستانه معین قرار گیرد . برای مثال ، گروه کنترل هیچ چیز مربوط به محصول را مشاهده نخواهد کرد ، وسه گروه مشابهی وجود خواهند داشت که ، کوپن هایی با قیمت کاهش یافته 5٪ ، 10 ٪ یا 20 ٪ به آنها پیشنهاد می شود . واکنش متفاوت گروهها مبنایی را فراهم می سازد تا با تکیه بر آن تقاضا را در قیمت گذاری های مختلف پیش بینی نمائیم .
3) اصول تحقیقات بازاریابی آنلاین نظامدار
چندین ویژگی نوینی که بتوان با تکیه بر آنها تحقیقات بازاریابی که پیوسته و آنلاین OMR را منظم ، سریع و کم هزینه نمائیم در بخش های بعدی تشریح خواهند شد .
گروه های کنترلی و تجربی مشابه
بخش مهم تحقیقات بازاریابی آنلاین OMR از طریق مشاهده تغییر واکنش که نشات یافته از تغییر متغیر بازاریابی ( قیمت دسته بندی کالاها و غیره ) است ، انجام می شوند . این مستلزم آن است که ، تاثیر احتمالی هر متغیری بغیر از متغیر بازاریابی تغییر یافته از بین می رود . OMR به این مهم ، از طریق بکار گیری گروههای کنترلی و تجربی مشابه ، نائل می شود . برای تشریح اینکه این امر ،چطورصحت و درستی نتایج حاصله را افزایش می دهد ، فرض نمائید که تاجری در نظر دارد که تقاضا را در مراحل قیمت گذاری مختلف معلوم و معین نماید .
عرض می کنیم که ، چندین گروه از مشتریان بر حسب انتخاب تصادفی تعیین می شوند ، و کالا به هر گروه با قیمتی خاص عرضه می شود . تفاوت در واکنش کلی گروههای مختلف نمی تواند تماماً به تغییر قیمت نسبت داده شود ( مگر اینکه اندازه نمونه ای هر گروه بزرگ باشد ) . این بدین علت است که ، تفاوت های ویژگی های هر گروه نیز در تفاوت واکنش گروهها موثر و دخیل هستند . از اینرو است که ، OMR نظریه گروههای کنترلی و تجربی مشابه را بکار می گیرد آن با استاده از دانش فعال ، یک پاسخگر احتمالی را انتخاب می کند و آن شخص را برای گروه کنترل در نظر می گیرد .
سپس در هر گروه تجربی فردی خاص تعیین می شود که ، بر جور در می آید . حسب یک سری معینی از صفات کاربر، با فرد گروه کنترل جور در می آید . صفات که جهت تعیین میزان تشابه بین دو شخص مورد استفاده هستند عبارتند از : اطلاعات بر حسب جمعیت نگاری ، اطلاعات برحسب – جله ( از قبیل : مجموع بسته خرید ) و اطلاعات مربوط به روند کلیک نمایی .
معیارهای تشابه سازی که از کلیک نمایی منشا می گیرند بصورت آنچه در زیر می آید ، مشخص می شوند : " کار بردهای A و B تنها در صورتی متناسب و شبیه هستند که انفراداً صفحات را بازدید نمایند. " و این تشابه کاربرهایی که ثبت نشده اند یا کسانی که وارد سیستم نشده اند را فراهم می سازد ما ، بطور خیلی نظامدار ، شیوه ای را برای دست یابی" فاصله " بین دو روند کلیک نمایی توسعه بخشیده ایم . شیوه ما بر مبنای پیش بینی فاصله بین دو صفحه است .
به لحاظ تئوری ، فاصله بین دو صفحه باید بر مبنای تحلیل معنایی محتویات صفحه باشد . با این وجود ، بیشتر صفحات وب شامل تصاویر ( یا سایر اطلاعات برحسب – وسایل ارتباطی ) می باشند ، وضعیت فعلی فن آوری امکان چنین تحلیل معنایی را ایجاد نمی کند . از این روست که شیوه ما ، احتمال پیوسته رویداد دو صفحه را بکار می گیرد تا فاصله بین آنها را تخمین بزند . استنباط ما این است که ، اگر کاربران ( بر مبنای آماری ) از یک صفحه ( مثلاً ، A ) بازدید کنند و سپس از صفحه دیگر ( مثلاً ، B ) بازدید نمایند ، در اینصورت باید نسبتی قوی بر حسب – محتوی
( و در نتیجه تشابه و همانندی ) در بین دو صفحه بوجود آید .به لحاظ ریاضی ، می گوییم که روند کلیک نمایی C وجود دارد . توالی صفحات را در روند کلیک نمای i بصورت زیر :
در نظر بگیرید ، که اولین اندکس بیانگر تعداد روند کلیک نمایی است ، و دومین اندکس بیانگر توالی است که بر اساس آن صفحه در طی آن جلسه بازدید شده است . نماد A بیانگر یک صفحه ، و نماد t بیانگر زمانی است که در آن زمان ، صفحه در دسترس قرار گرفته است . احتمال پیوسته رویداد دو صفحه ، به عبارتی بصورت آنچه در زیر می آید تعریف می گردد .
که T مجموع تعداد جفت های صفحه ، و I{0} یک متغیر شاخص است که بصورت زیر تعریف می شود .
که ثابت های معین می باشند . متغیر شاخص تا 1 قابل ارزیابی می باشد آنهم در صورتی که صفات در فاصله معینی از هم در دسترسی قرار بگیرند ، در صورتی که زمانهای دسترسی بین صفحات متوالی بیشتر از آستانه ( ) باشند ، و در صورتی که منفرد در یک دوره زمانی مناسب ( ) مورد بررسی قرار گیرند . این شرایط این اطمینان ر حاصل می کند که عملیات کند و تدریجی مستثناً گشته ، و اینکه جلسات دارای وقفه با هم رخ ندهند .
از اینرو ، عملکرد شاخص بدین نحو است که ، صفحاتی یک تابع بطور یکنواخت کاهش دهنده احتمال پیوسته رویداد می باشد . { برای مثال ، 1-p (0) } ارزش تبدیل یک روند کلیک نمایی به دیگری با استفاده از درج ، حذف و جابجایی محتویات صفحه بصورت فاصله بین روندهای کلیک نمایی پذیرفته می شود . ( برای جزئیات بیشتر { v } را مورد توجه قرار دهید ) .
ما یک نمونه برداری را طراحی کرده ایم که وب سایت را کپی برداری کرده ، و کاربران دارای علایق و سلایق معلوم را نمونه برداری می کند و هدف ما این بوده که برای تست الگوریتم مان اطلاعاتی را بدست آوریم . در این محیط نمونه برداری شده ، محتویات صفحات معلوم و مشخص هستند ، و بررسی ما نشان می دهد که شیوه پیشنهادی برای تخمین دقیق فواصل واقعی بین صفحات قابل بکار گیری می باشد و نتایج حاصله مفیدند تا محاسبه نمائیم که آیا ، بر مبنای روند کلیک نمایی انفرادی دو کاربر ، یکی با دیگری جور در می آید یا خیر .
