بازاریابی دقیق، مشتریان اختصاصی؛ مدرنیته بازاریابی در شرکتهای زیرک[MC Kinsey]

0 10

تغییر بزرگ در سبک خرید مردم جهان، به واکنش مدرن مدیران بازاریابی در شرکت‌های خرده‌فروشی منجر شد. شرکت‌هایی که سال گذشته موفق شدند جایگاه خود را در بازار خریدهای آنلاین تقویت کنند، از مدل «بازاریابی دقیق» بهره می‌برند. تاریخ مصرف «بازاریابی سنتی» به پایان رسیده و بازاریاب‌های زیرک به‌دنبال تعریف «مشتریان اختصاصی» هستند.

بین مارس و آگوست ۲۰۲۰، از هر پنج مصرف‌کننده یک نفر برندی را که از آن خرید می‌کرد تغییر داد و از هر ۱۰ نفر، هفت نفر کانال‌های جدید خرید دیجیتال را امتحان کردند. بخش خرده‌فروشی ۱۰ سال رشد در نفوذ دیجیتال را تنها ظرف چند ماه تجربه کرد. اما افزایشی که در میزان داده‌ها ایجاد شده، به بازاریاب‌ها شناخت چندان بهتری از مشتریان نداده است، چون مدل‌سازی داده‌ای قدیمی شرکت‌ها نمی‌تواند این تحولات را با سرعت و جدیت لازم همگام کند. 

خیلی از بازاریاب‌ها به‌جای اینکه از داده استفاده کنند تا مشتریان را بهتر هدف قرار دهند و پیام‌هایی را که برای آنها می‌فرستند متناسب‌سازی کنند، به ارتباطات و تبلیغات انبوه روی آورده‌اند.

همان‌طور که یک مدیر ارشد بازاریابی به ما گفته، «من به جای بازاریابی داده‌محور، در سطح گسترده‌ای به بازاریابی انبوه روی آوردم، چون رفتار مشتری با چنان سرعتی درحال تغییر است که دیگر نمی‌توانم به مدل‌ها و داده‌های قبلی اعتماد کنم.» 

اما برخی بازاریاب‌ها داده‌ها را به‌خاطر وفورشان می‌پذیرند و به جای اینکه از «بازاریابی دقیق» (precision marketing، یک نوع استراتژی بازاریابی است که بر بخش‌بندی دقیق بازار متمرکز است و بازار را به واحدهای کوچک‌تر و اختصاصی‌تری از مشتریان با نیازهای منحصر به فرد تقسیم‌بندی می‌کند و به تحلیل خواسته‌ها، نیازها، علایق و الگوهای رفتاری کاربران در هر بخش می‌پردازد) دست بردارند و کمی در آن تامل کنند، بیشتر از قبل به آن پایبند می‌شوند. به‌عنوان مثال، ‌یک شرکت کالاهای مصرفی پیش‌بینی کرده بود فروش محصولات آرایشی و بهداشتی، با کاهش محدودیت‌های کرونا در جوامع، افزایش چشمگیری خواهد داشت.

تیم‌های بازاریابی بازگشایی‌ها را با استفاده از آمارهای اپیدمیولوژیک، گزارش‌های شهری و داده‌های ترافیکی به شکل ایالتی پیگیری کردند تا بفهمند هزینه‌های بازاریابی رسانه‌ای خود را کجا متمرکز کنند. این تاکتیک‌ها باعث افزایش دورقمی فروش شد. 

دیدگاه‌های مشابه به یک کسب‌وکار خدماتی کمک کرد از یک رویداد نوظهور دیگر، مزیت به‌دست آورد. داده‌های اشتغال و ثبت کسب‌وکار نشان داد خدمات‌دهندگان کوچک بهداشتی و درمانی در مناطق شهری بزرگ، با سرعتی بیشتر از دیگر کسب‌وکارهای کوچک و متوسط رشد می‌کردند.

این شرکت که متوجه چنین دیدگاهی شده بود و به اطلاعات در این زمینه مجهز شده بود، دسته‌بندی‌های محصولی مختص بهداشت و درمان درست کرد و تبلیغات رسانه‌ای را شروع کرد تا این کسب‌وکارها و مناطق را هدف قرار دهد. این اقدامات در کنار یکسری کمپین‌های مشابه داده‌‌محور، باعث شد فروش شرکت در یک محصول هسته‌ای، تا بیش از 10 درصد افزایش پیدا کند. 

شرکت‌هایی که بازاریابی دقیق خود را به این شیوه‌ها صیقل می‌دهند، می‌توانند در دوره‌هایی که تحولات خیلی گسترده وجود دارد، تعداد قابل‌توجهی از مشتریان را جذب کنند. اما به‌دست آوردن چنین فرصتی، نیازمند این است که برندها مدل‌سازی خود را به‌روز کنند (از منابع جدید داده گرفته تا به‌روز کردن الگوریتم‌ها)، تا هم با نیازها و انتظارات متغیر همگام باشند و هم تغییرات در رفتار مشتری را پیش‌بینی کنند. 

 چالش‌های جدیدی که باید مدنظر قرار داد

مدل‌های بازاریابی دقیق آموزش داده می‌شوند تا بتوان از الگوهای رفتاری، یکسری استنباط‌ها را شناسایی و استخراج کرد. مثلا یک الگوریتم می‌تواند نشان دهد مشتریانی که ظرف یک دوره دو هفته‌ای، بیش از دو بار به وب‌سایت یک فروشگاه سر می‌زنند، 30 درصد بیشتر از بقیه احتمال دارد که از آن سایت خرید کنند.

چنین شاخص‌هایی می‌توانند به وب‌سایت‌ها راهنمایی کنند که چه تلاش‌هایی را انجام دهند تا وب‌گردها را به خریداران قطعی تبدیل کنند و همچنین بازاریاب‌ها هم می‌توانند تلاش‌های جذب مشتری خود را هدفمند کنند و به سمت بخش‌هایی بروند که بیشترین سودآوری را دارند. 

اما رفتار خریدار، از وقتی پاندمی شروع شده، تغییرات چشمگیری کرده و باعث شده خیلی از قوانین ارتباطی که قبلا در مورد مدل‌های داده‌ای وجود داشت، نامعتبر شوند. تاثیر عوامل بیرونی که زمانی تصادفی به‌نظر می‌رسید- مثل تغییرپذیری مشتری- حالا اهمیت بسیار زیادی پیدا کرده است. آیا کم شدن مراجعه حضوری به فروشگاه‌ها به این خاطر است که مردم در دوران کرونا ترجیح می‌دهند در خانه بمانند یا دیگر دوست ندارند از آن فروشگاه خرید کنند؟ خیلی از تیم‌های بازاریابی جواب دقیق این سوال را نمی‌دانند. 

به علاوه، الگوها وجود دارند، اما تحلیل و بررسی آنها سخت‌تر شده و حتی وقتی مورد تحلیل و بررسی قرار می‌گیرند، کاملا موقتی هستند؛ مثل جوامعی که مدت کوتاهی محدودیت‌های کرونایی آنها کم می‌شود و بعد از مدتی دوباره باید به قرنطینه بروند. بازاریاب‌ها برای استخراج به‌موقع شاخص‌های رفتاری برجسته، به‌منظور عکس‌العمل نشان دادن نسبت به آنها، به داده‌هایی از منابع مختلف و در سطح بسیار جزئی‌شده‌ای نیاز دارند تا بتوانند عکس‌العمل به‌موقع داشته باشند.

اما خیلی از شرکت‌ها همچنان به داده‌های مشتری که در داخل شرکت تهیه شده استناد می‌کنند و از ابزارهای مدل‌سازی استفاده می‌کنند که برای مدیریت حجم انبوهی از داده درست نشده‌اند. 

دو مساله دیگر، چالش‌هایی را که بازاریاب‌ها با آن مواجهند، پیچیده می‌کنند. داده‌های مک‌کینزی نشان می‌دهد خیلی از شرکت‌ها بودجه بازاریابی خود را کم کرده‌اند، به‌طوری‌که از هر 10 بازاریاب، شش نفر از کاهش‌های قابل‌توجه بودجه واحد خود خبر داده‌اند. یکی از این بازاریاب‌های ارشد می‌گوید: «بودجه من تقریبا به صفر رسیده است. ما برای انجام کارهای ضروری هم تقریبا هیچ پولی نداریم، چه برسد به اینکه بخواهیم تاکتیک‌های جدید را اجرا کنیم.» 

مساله دیگر، تغییر سریع و گسترده به سوی دورکاری است. بازاریابی داده‌محور در برنامه‌های چابک بیشترین کاربرد را دارد؛ جایی که تیم‌ها امکان آزمایش و تکرار سریع را دارند. اما از آنجا که این روزها تقریبا دوسوم کارکنان از خانه کار می‌کنند، مدیران بازاریابی ایجاد یک هماهنگی موثر بین اعضای تیم را دشوار می‌بینند. یکی از مدیران ارشد بازاریابی فورچون 100 می‌گوید: «در گذشته، با بهره‌برداری از یک مرکز فرماندهی شبیه اتاق جنگ، سراغ فرصت‌های بازاریابی می‌رفتیم. اما حالا که همه از خانه کار می‌کنند، نمی‌توانیم مثل گذشته عکس‌العمل سریع داشته باشیم.» 

 چگونگی انجام مدل‌سازی دقیق‌تر 

درحالی‌که یکسری سازمان‌ها ممکن است بازاریابی انبوه را کنار گذاشته باشند، سازمان‌هایی که مدل‌سازی خود را به‌روز می‌کنند، می‌توانند در تولید درآمد اثربخش‌تر باشند. به این منظور، آنها باید کارهای زیر را انجام دهند:

از داده‌های جدید (و بهتر) بهره‌برداری کنند 

بازاریابی دقیق به اندازه داده‌هایی که در پس آن است، خوب و مفید است. مدل‌های جدید با داده‌های قدیمی، نتایج غیردقیقی ارائه می‌کنند. رهبران سازمانی برای صیقل دادن دیدگاه‌های خود در نرمال جدید، رویکردی با وسعت دید بیشتر نسبت به جمع‌آوری داده خواهند داشت و این کار را علاوه بر جمع‌آوری رویدادهای رفتاری و دیدگاه‌های مکان‌محور، با تجزیه و تحلیل کسب‌وکار، مشتری و رقبای خود انجام می‌دهند.

شرکت‌هایی که این سفر را شروع می‌کنند، داده‌های اپیدمیولوژیک به‌دست آمده از منابع دولتی و داده‌های فروش و رفتار مشتری را که افراد شخص سوم جمع‌آوری کرده‌اند، در مدل‌های خود می‌گنجانند. شرکت‌هایی که جمع‌آوری داده را به این شیوه‌ها گسترش می‌دهند، افزایش اندکی را در تقاضا و منابع جدید جذب مشتری شاهد خواهند بود و همچنین می‌توانند ارزیابی کنند که کدام مشتریان در پایگاه مشتریان موجود آنها، خرید خود را افزایش داده‌اند یا مشتریانی که خرید نمی‌کنند، کجا رفته‌اند. 

به‌عنوان مثال، یک خرده‌فروشی زنجیره‌ای، قبل از به‌روزرسانی رویکرد مدل‌سازی خود، فقط می‌توانست ارزیابی کند که چه تعداد مشتری می‌تواند به‌دست آورد یا از دست بدهد. این شرکت بعد از مدتی تصمیم گرفت داده‌های به‌دست آمده از تلفن‌‌همراه را استفاده کند تا تغییراتی را که در ترافیک شبکه رقبا ایجاد می‌شود، رصد کند.

این تحلیل نشان داد خیلی از مشتریانی که آنها در دوران پاندمی جذب کرده بودند، از سمت خرده‌فروش‌هایی می‌آمدند که گران‌تر و تخصصی‌تر بودند و البته مشتریانی که آنها از دست می‌دادند، به سمت رقبای ارزان‌تر با قالب بزرگ‌تر می‌رفتند. این شرکت خرده‌فروش، بر مبنای این اطلاعات، کمپین‌های جلوگیری از ریزش مشتری خود را متحول کرد. آنها ایمیل‌هایی را ارسال کردند که محصولات گران‌تر را برای مشتریانی که از فروشگاه‌های تخصصی به آنها روی آورده بودند تبلیغ می‌کرد و بالعکس، محصولات تخفیف‌خورده را به مشتریانی پیشنهاد می‌دادند که در آستانه از دست‌ دادنشان بودند. 

در یک مثال دیگر، یک کسب‌وکار ارائه خدمات، از منابع داده جدیدی استفاده می‌کرد که توسط شخص سوم فراهم می‌شود و لحظات کلیدی را در چرخه عمر کسب‌وکار کوچک شناسایی می‌کند. در یکی از این تلاش‌ها، منابع داده‌ای جمع‌آوری شده تنها با اختلاف یک روز، نشان می‌داد شرکت‌های جدید در دوران پرتلاطم کووید-19 چه زمانی راه‌اندازی می‌شوند. مسوولان فروش این شرکت خدماتی، خیلی فوری محصولات و پیام‌هایی متناسب‌سازی شده با نیازهای شرکت‌های تازه تاسیس شده تهیه می‌کردند. این تلاش‌ها، بهره‌وری فروش را بیش از 25 درصد افزایش داد. 

داده‌های انبوه همچنین به شرکت‌ها امکان می‌دهد دیدگاه‌های بهتری در مورد رقیب پیدا کنند. به‌عنوان مثال، بازاریاب‌ها از طریق مقایسه داده‌های اشخاص سوم، فروش و تبلیغات با اعداد و ارقام خودشان، می‌توانند قدرت ارزش‌های پیشنهادی مختلف را ارزیابی کنند و ببینند کدام عوامل با گروه‌های مختلف مشتریان همخوانی دارند. سپس می‌توانند پیام‌ها، محتوا و پیشنهادهای متناسب‌سازی شده را برای این گروه‌ها بفرستند. 

در تکنولوژی‌هایی سرمایه‌گذاری کنند که یادگیری در مقیاس دارد

افزایش ابهام در نرمال جدید، مستلزم این است که بازاریاب‌ها در آزمایش کردن بهتر عمل کنند و در واکنش نشان دادن سریع‌تر باشند. یک مدل عملیاتی چابک‌تر، عاملی کلیدی در این اتفاق است، اما در ضمن لازم و ضروری است که از تکنولوژی‌هایی استفاده کنیم که یادگیری در مقیاس دارند. این کار نیازمند توسعه قابلیت‌های تکنولوژی است که می‌توانند بخوانند و سیگنال‌هایی از قصد و نیت مصرف‌کننده و واکنش‌های او را به پیام‌های بازاریابی تفسیر کنند و سپس آن را به موتور بازاریابی برگردانند تا بفهمد چه چیزهایی کارآیی داشته و چه چیزهایی نداشته. 

بازاریاب‌هایی که در این شرایط تحت فشار هستند، از هوش مصنوعی برای رصد کردن کمپین‌ها و تحقیق و بررسی پاسخ‌ها در سطح جزئی‌شده استفاده می‌کنند تا علاوه بر دانستن اینکه چه چیزهایی کارآیی دارند و چه چیزهایی ندارند، بفهمند آنچه کارآیی دارد برای کدام بخش‌بندی‌ها، در چه زمانی و از طریق چه کانال‌هایی است و سپس استراتژی خود را براساس این دیدگاه‌ها تنظیم کنند. استخراج دیدگاه‌های خاص با استفاده از تجزیه و تحلیل استاندارد، ممکن است به‌طور میانگین چند روز برای یک سازمان بازاریابی زمان لازم داشته باشد. اما رصد کردن با کمک هوش مصنوعی این کار را به چند دقیقه کاهش می‌دهد و گاهی حتی چند ثانیه!

به‌عنوان مثال، یک شرکت خدمات مصرفی با کاهش محدودیت‌های قرنطینه، کمپین‌های حفظ مصرف‌کننده راه‌اندازی کرد. تجزیه و تحلیل‌هایی که آنها در مورد مشتری انجام دادند و صرفا کمپین‌ها را به‌صورت انبوه ارزیابی می‌کرد، تا حد اندکی موثر بود. اما این سازمان یک موتور هوش مصنوعی جدید را به شکل آزمایشی راه‌اندازی کرد که می‌توانست به شکلی عمیق بررسی کند که کمپین در کدام بازارهای فرعی خاص با پروفایل‌های اقتصادی و اپیدمیولوژیک مشابه، اثربخشی زیادی داشته است.

این موتور هوش مصنوعی نشان می‌دهد الگوهای عملکردی کمپین در کجاها رشد می‌کنند و به این ترتیب بازاریاب‌ها می‌توانند سیستم را طوری شکل دهند که تجزیه و تحلیلی که با هوش مصنوعی انجام شده، به‌طور مستقیم وارد منطقه هدف‌گذاری شده کمپین شود. این کمپین و کمپین‌های مشابه عامل مهمی در یک برنامه بازاریابی داده‌محور گسترده‌تر هستند که به شرکت کمک کرده نرخ آزمایش کردن خود را بیش از پنج برابر افزایش دهد. 

 دو کلید موفقیت

برای به‌دست آوردن ارزش از این مدل‌های به‌روزرسانی شده، انجام دو اقدام ضروری است. 

ایجاد ذخیره مالی برای سرمایه‌گذاری در تکنولوژی

در حالی که برخی شرکت‌ها بودجه بازاریابی خود را کاهش می‌دهند، برخی دیگر به این نتیجه می‌رسند که کاهش هزینه‌ها در حوزه‌های غیرمولد و بازتخصیص ذخایر مالی می‌تواند مفیدتر باشد. طبق برخی تحلیل‌ها، این بازتخصیص می‌تواند 10 تا 20 درصد کل بودجه باشد. 

این کار به یک بازاریابی دقیق، اما سریع از کل هزینه‌های بازاریابی نیاز دارد تا شرکت ببیند آیا فضای کووید-19 بر بازگشت سرمایه اثر گذاشته یا نه. اسپانسری رویدادها، تبلیغات تلویزیونی سنتی و خرید برنامه‌های تبلیغاتی دیجیتال طبق شرایط قدیمی، تنها چند حوزه هستند که عملکرد بازاریابی باید تحول چشمگیری در آنها پیدا کند.

به‌عنوان مثال، یک خرده‌فروش لباس، به این نتیجه رسید که اثربخشی جست‌وجوهای پولی در طول بحران کرونا کاملا کاهش یافته و در عوض فعالیت در رسانه‌های اجتماعی اثرگذارتر بوده است. مدیران بازاریابی می‌توانند با استفاده دوباره و هدف‌گذاری دوباره دارایی‌های موجود، منابع مالی را برای سرمایه‌گذاری اضافه آزاد کنند. 

استفاده از بازاریابی چابک در تنظیمات دورکاری

فعالیت‌های چابک از آنجایی موثر هستند که به تیم‌های بازاریابی امکان می‌دهند رفتارهای مصرف‌کننده را آزمایش کنند و واکنش سریع نسبت به تغییرات داشته باشند. درحالی‌که تیم‌های چابک از گذشته نسبت به همتایان خود در فضای مشابه، عملکرد بسیار بهتری داشتند، اما ضرورتی که پاندمی ایجاد کرد، باعث شد این رویکرد از نظر دورکاری مورد بازنگری قرار بگیرد.

شرکت‌های پیشرو، درحال تبدیل اتاق‌های جنگ فیزیکی به اتاق‌های مجازی هستند و نقاط تماس بیشتری ایجاد می‌کنند تا بیشترین امکان استفاده از پروتکل‌های چابک و ابزارهای همکاری فراهم باشد. 

بودجه‌بندی و فعالیت‌های عملیاتی باید همواره مورد بازنگری قرار بگیرند تا از این مدل چابک دورکاری حمایت کنند. مدیران بازاریابی به جای برگزاری جلسات برنامه‌ریزی فصلی یا شش ماهه، باید به‌صورت ماهانه عملکرد را ارزیابی کنند تا مطمئن شوند تامین مالی و منابع با بزرگ‌ترین فرصت‌ها همراستا است. 

سازمان‌هایی که تلاش‌های بازاریابی دقیق را اولویت قرار می‌دهند، می‌توانند بحران کووید-19 را به یک دوران تحول تبدیل کنند. بازاریاب‌ها با به‌دست آوردن داده‌های جدید، جست‌وجو برای روابط رفتاری جدید و فراهم کردن امکان آزمایش‌های سریع، می‌توانند فرصت‌ رشد به‌دست آورند و با انعطاف و بازگشت سرمایه بیشتر، وارد دوران رونق شوند. 

مک کینزی

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.




Enter Captcha Here :

تائید دیدگاه فعال است. دیدگاه شما ممکن است کمی طول بکشد تا ظاهر شود.