Κατερίνα Τότκα, απόφοιτη Διεθνών και Ευρωπαϊκών Σπουδών, Παμακ

Η ραγδαία εξέλιξη της τεχνολογίας έχει αλλάξει ριζικά τον τρόπο με τον οποίο δημιουργούνται και συλλέγονται τα δεδομένα. Για τον τομέα του Marketing, ο ολοένα και εκθετικά αυξανόμενος όγκος των δεδομένων αποτελεί έναν πολύτιμο, αλλά συνάμα ανεξερεύνητο θησαυρό.

Η σωστή ανάλυση αυτών των δεδομένων θα μπορούσε να φέρει τους marketers αντιμέτωπους με νέες πληροφορίες που θα χρησιμοποιούνταν για την αποτελεσματική στόχευση των πελατών. Ωστόσο, πολλές φορές η αποκωδικοποίηση και η ερμηνεία αυτού του μεγάλου όγκου δεδομένων αποτελεί ένα «κολοσσιαίο» έργο. Τη λύση έρχεται να φέρει η Επιστήμη των Δεδομένων, ή αλλιώς Data Science.

Τί εννοούμε όμως με τον όρο “Data Science”;

Με τον όρο «Data Science», ή αλλιώς «Επιστήμη των Δεδομένων» εννοούμε το διεπιστημονικό πεδίο που χρησιμοποιεί τις επιστήμες της στατιστικής και των υπολογιστών. Στόχος της «νέας» αυτής επιστήμης είναι να αναλύσει δεδομένα, να δημιουργήσει προβλεπτικά μοντέλα, να ανακαλύψει μοτίβα (patterns), αλλά και να εξαγάγει απαντήσεις που ανταποκρίνονται σε συγκεκριμένα ερευνητικά ερωτήματα. Οι τεχνικές της Επιστήμης των Δεδομένων βοηθάνε το τμήμα μάρκετινγκ να αποκτήσει πρακτικές πληροφορίες. Η λέξη «πληροφορίες» αναφέρεται στα μοτίβα που διέπουν τα δεδομένα και παράγουν χρήσιμη πληροφορία. Η λέξη «πρακτική» αναφέρεται στο γεγονός ότι αυτή η πληροφορία μπορεί να αξιοποιηθεί για την επίλυση ενός επιχειρησιακού προβλήματος.

Εστιάζοντας στον τομέα του Marketing, οι μέθοδοι της Επιστήμης των Δεδομένων μπορούν να ενισχύσουν την αποτελεσματικότητά του. Παρέχουν στους marketers τη δυνατότητα να βελτιώσουν τη διαχείριση των δεδομένων που συλλέγουν, αλλά και να χρησιμοποιήσουν καινοτόμες μεθόδους και εργαλεία για την ανάλυση και αναπαράστασή τους. Ένας από τους κύριους στόχους του Marketing είναι η συλλογή διαφορετικών τύπων δεδομένων από τις online πλατφόρμες. Σκοπός της συγκέντρωσης αυτών των δεδομένων είναι η ερμηνεία της συμπεριφοράς και των αγοραστικών συνηθειών των δυνητικών πελατών. Με τη βοήθεια, λοιπόν, του Data Science -όπως και των επιστημών της Τεχνητής Νοημοσύνης (Artificial Intelligence) και Μηχανικής Μάθησης (Machine Learning)-, οι marketing καμπάνιες μπορούν να βελτιωθούν με την ανακάλυψη μη – αναμενόμενης πληροφορίας.

 

 

Με ποιους τρόπους μπορεί να χρησιμοποιηθεί η Επιστήμη των Δεδομένων στις στρατηγικές του Marketing;

  1. Τμηματοποίηση πελατών

Η τμηματοποίηση πελατών είναι μία από τις κύριες ενέργειες που μπορεί να εξασφαλίσει στις επιχειρήσεις ανταγωνιστικό πλεονέκτημα. Με τον όρο «τμηματοποίηση πελατών», μία επιχείρηση αναφέρεται στη διαίρεση της αγοράς – στόχου της σε ομοιογενή τμήματα. Ως «ομοιογενή τμήματα» παρουσιάζονται οι ομάδες καταναλωτών με παρόμοια δημογραφικά, ψυχογραφικά, συμπεριφορικά και γεωγραφικά χαρακτηριστικά. Διαιρώντας το καταναλωτικό κοινό σε ομοειδή τμήματα ή αλλιώς συστάδες, η επιχείρηση μπορεί να εφαρμόσει διαφορετικές και πιο στοχευμένες στρατηγικές marketing σε κάθε ομάδα καταναλωτών. Η αναγνώριση των καταναλωτικών αναγκών αποτελεί την αφετηρία κάθε επιχειρηματικού πλάνου. Κάθε καταναλωτής είναι διαφορετικός, ωστόσο μπορεί να κατηγοριοποιηθεί σε ομάδες ατόμων με τα οποία έχει ορισμένα κοινά γνωρίσματα.  Με τη διαδικασία αυτή, το τμήμα μάρκετινγκ μπορεί να δημιουργήσει πιο αποτελεσματικές καμπάνιες προσελκύοντας περισσότερους πελάτες. Η Επιστήμη των Δεδομένων παρέχει σε μία επιχείρηση τη δυνατότητα χρήσης αλγορίθμων μηχανικής μάθησης με στόχο:

  • να δημιουργήσει τις ομάδες αυτές,
  • να καθορίσει τη πιθανή τους αξία και
  • να εντοπίσει ποια προϊόντα ή υπηρεσίες είναι πιο πιθανό να τους ενδιαφέρουν.

Με αυτή την πληροφορία, βελτιστοποιείται η στρατηγική περιεχομένου του marketing και η στόχευση δυνητικών πελατών. Ένα παράδειγμα αλγορίθμου μη επιβλεπόμενης μηχανικής μάθησης είναι o αλγόριθμος ομαδοποίησης k – μέσων, ο οποίος ομαδοποιεί τα δεδομένα σε τμήματα (συστάδες) με κοινά χαρακτηριστικά.

  1. Στόχευση δυνητικών πελατών

Η στόχευση των σωστών δυνητικών πελατών είναι το πιο σημαντικό μέρος του  Marketing και, ουσιαστικά, πραγματοποιείται μέσω της ανάλυσης δεδομένων. Οι αλγόριθμοι της Επιστήμης των Δεδομένων μπορούν να βελτιώσουν την παραπάνω διαδικασία σε σημαντικό βαθμό. Μέσω της ενδελεχούς ανάλυσης των δεδομένων που προέκυψαν από τις καμπάνιες marketing μίας επιχείρησης και με την επιπλέον υποστήριξη βιβλιοθηκών δεδομένων (data libraries), οι επιστήμονες των δεδομένων μπορούν να προβλέψουν με μεγάλη ακρίβεια:

  • «Ποια προϊόντα ή υπηρεσίες είναι κατάλληλα»
  • για διαφορετικούς πελάτες
  • σε διαφορετικές χρονικές στιγμές
  • ή σε διαφορετικά στάδια του καταναλωτικού τους ταξιδιού (customer journey).

Παράλληλα, μπορεί να βαθμολογηθεί και να προβλεφθεί η δυνητική αξία κάθε καταναλωτή. Πρόκειται για την πιθανότητά του να μετατραπεί σε πελάτης, με τη χρήση κατάλληλων αλγορίθμων βαθμολόγησης. Οι συγκεκριμένοι αλγόριθμοι λαμβάνουν υπόψιν τους πολλές παραμέτρους, όπως για παράδειγμα:

  • τον τρόπο που ανταποκρίθηκαν παρελθοντικά παρόμοιοι καταναλωτές,
  • το ύφος και τις λέξεις που χρησιμοποιεί ο καταναλωτής όταν αλληλεπιδρά με την επιχείρηση,
  • τα χαρακτηριστικά του τμήματος στο οποίο ανήκει,
  • τα σημεία της ιστοσελίδας με τα οποία έχει αλληλεπιδράσει,
  • το χρονικό διάστημα της αλληλεπίδρασης με το περιεχόμενο κ.α.

Έπειτα, ο αλγόριθμος ταξινομεί τους καταναλωτές ανάλογα με το τελικό τους σκορ (δηλαδή την πιθανότητα να μετατραπούν σε πελάτες). Μία τέτοια τμηματοποίηση θα βοηθούσε το τμήμα μάρκετινγκ να εστιάσει τις προωθητικές του ενέργειες στο καταναλωτικό κοινό που δείχνει ενδιαφέρον για το εν λόγω προϊόν ή υπηρεσία.

  1. Ανάλυση Συναισθήματος

Η δημιουργία ενός καλού εμπορικού ονόματος ή αλλιώς branding αποτελεί ζήτημα ζωτικής σημασίας για οποιαδήποτε επιχείρηση. Αυτό συμβαίνει με στόχο η επιχείρηση να ξεχωρίσει από τον ανταγωνισμό και να καταφέρει να μείνει στην συνείδηση του καταναλωτή. Η διαχείριση των σχολίων ή των αντιδράσεων των καταναλωτών στα κοινωνικά μέσα είναι ένας τρόπος με τον οποίο το τμήμα μάρκετινγκ μπορεί να διαμορφώσει τον τρόπο που αντιλαμβάνονται οι χρήστες μία επωνυμία. Ωστόσο, ο τεράστιος όγκος των παραγόμενων δεδομένων στο διαδίκτυο καθιστά δύσκολη τη διαχείριση θετικών σχολίων, αλλά και τον εντοπισμό πιθανών αρνητικών σχολίων ή παραπόνων.

Μία μέθοδος της Επιστήμης των Δεδομένων που μπορεί να διασφαλίσει τη βελτίωση του branding είναι η Ανάλυση Συναισθήματος, περισσότερο γνωστή ως Sentiment Analysis. Ο όρος «Sentiment Analysis» αναφέρεται στην ανάλυση, μέσω αλγορίθμων μηχανικής μάθησης, της γνώμης των καταναλωτών σχετικά με ποικίλα θέματα, προϊόντα ή υπηρεσίες. Η μέθοδος αυτή κατηγοριοποιεί τα σχόλια σε συγκεκριμένες ομάδες σύμφωνα με τους στόχους της επιχείρησης (π.χ. θετικά, αρνητικά, ουδέτερα), δίνοντας ένα σκορ σε καθένα από αυτά. Με αυτό τον αυτοματοποιημένο τρόπο, οι marketers μπορούν να εντοπίσουν τα δυνατά χαρακτηριστικά της επιχείρησης, αλλά και τις αδυναμίες που πυροδοτούν αρνητικά σχόλια.

  1. Συστήματα σύστασης προϊόντων ή υπηρεσιών

Τα συστήματα σύστασης είναι μία από τις πιο διαδεδομένες μεθόδους εφαρμογής της Επιστήμης των Δεδομένων στο Marketing. Οι μηχανές σύστασης βασίζονται σε αλγορίθμους προγνωστικής ανάλυσης και έχουν τη δυνατότητα αναλύοντας την παρελθοντική αγοραστική συμπεριφορά ενός πελάτη να προτείνουν τα κατάλληλα προϊόντα ή υπηρεσίες. Τα συστήματα αυτά χωρίζονται:

  • στο συνεργατικό φιλτράρισμα και
  • στο φιλτράρισμα βάσει περιεχομένου.

Στο συνεργατικό φιλτράρισμα προτείνονται προϊόντα στον πελάτη ανάλογα με τις αγοραστικές συνήθειες άλλων παρόμοιων πελατών. Ένα επιτυχημένο παράδειγμα εφαρμογής συστήματος συνεργατικού φιλτραρίσματος είναι αυτό του Netflix. Η μηχανή συστάσεων του Netflix προτείνει συνεχώς στους χρήστες ταινίες, βασιζόμενη στο ιστορικό προβολής χρηστών με παρόμοια ενδιαφέροντα.

Όσον αφορά τα συστήματα φιλτραρίσματος βάσει περιεχομένου προτείνονται στους πελάτες ομάδες προϊόντων που είναι παρόμοια μεταξύ τους. Αξίζει να διαβάσετε το επιστημονικό άρθρο των Bruno Jacobs, Bas Donkers και Dennis Fok με τίτλο “Product Recommendations Based on Latent Purchase Motivations”. Εφάρμοσαν μία μέθοδο που χρησιμοποιείται συνήθως στην επεξεργασία κειμένου για να προσδιορίσουν σύνολα προϊόντων που τείνουν να αγοράζονται μαζί.

 

Συμπεράσματα

Με την ψηφιακά παραγόμενη πληροφορία να αυξάνεται με ραγδαίους ρυθμούς, η Επιστήμη των Δεδομένων αποτελεί έναν πολλά υποσχόμενο κλάδο. Μπορεί να βοηθήσει το τμήμα μάρκετινγκ:

  • να προσεγγίσει τους καταναλωτές που ενδιαφέρονται πραγματικά,
  • να βελτιώσει τις στρατηγικές διαφήμισης στα διάφορα ψηφιακά και μη κανάλια,
  • να μετατρέψει περισσότερους δυνητικούς καταναλωτές σε πελάτες,
  • να ενισχύσει την αφοσίωση του πελάτη (customer loyalty)
  • και, τέλος, να προβλέψει ποια προϊόντα ή υπηρεσίες θα είναι περισσότερο δημοφιλή στο μέλλον.

 

Πηγές

  1. What Is Data Science?
  2. Marketing and Data Science: Together the Future is Ours
  3. Fundamentals of Sentiment Analysis and Its Applications
  4. Product Recommendations Based on Latent Purchase Motivations
  5. Application of K-Means Algorithm for Efficient Customer Segmentation: A Strategy for Targeted Customer Services
  6. 10 Examples of Data Science in Marketing
  7. Using Data Sciences in Digital Marketing: Framework, methods, and performance metrics
  8. 20 Practical Ways to Implement Data Science in Marketing

Απάντηση