تاثیر کلان داده در بازاریابی مبتنی بر ایمیل چیست ؟

امروزه، عصر تکنولوژی به عصر ارتباطات و استفاده از ابزار ها بدل گشته است. تکنولوژی های گوناگون تقریبا به طور مساوی در بین جوامع گسترده شده اند. حال آنکه رشد و توسعه ی فرهنگ یک جامعه را با ابزارشناسی و ابزار سازی آن میتوان سنجید. به عبارت دیگر به کار گیری دانش و تکنولوژی برای دستیابی به اهداف فردی و سازمانی در بین حوامع گوناگون و قشر های مختلف یکسان نیست.

ایمیل در میان ابزارهای مورد استفاده در جامعه امروزی، جایگاه ویژه ای دارد. ابزاری بسیار ارزان قیمت که در عین کاهش هزینه های اطلاع رسانی و تبلیغات و روابط عمومی، دانش و تخصص استفاده از آن نیز بسیار ساده و سطحی به نظر میرسد. همین نگرش ساده انگارانه باعث شده است، در حوزه ایمیل در کشورمان گرفتار یک فرهنگ "ابزارسوزی" شویم.

انبوه ایمیل هایی که روزانه از گروههای مختلف دریافت میکنیم، فهرست های چند میلیونی ایمیل که با قیمت های بسیار ناچیز ،دست به دست میگردند، سرمایه گذاری های قابل توجه در حوزه ایمیل مارکتینگ بدون بازگشت قابل توجه و در نهایت، بی تفاوت شدن جامعه هدف نسبت به این ابزار قدرتمند و کارآمد، همگی میتواند نشان دهنده نیاز به تغییر نگرش در این حوزه باشد.

فورستر پیشبینی می کند که در سال 2015 بازاریابان، بیش از 258 میلیارد ایمیل- با جهش 63% نسبت به سال 2014- خواهند فرستاد[5]

 

این ابزار سوزی از آنجا ناشی می شد که جز موارد معدودی مانند زمان ارسال، عنوان، عنوان فرستنده و چند پارامتر کوچک دیگر متغیر دیگری در دسترس نبود. همچنین در سال های اخیر دیگر مدل های پوشاننده سلیقه همه به عنوان پیام های هرزنامه تلقی شده و مصرف نمیشوند و بازاریابان باید تاکتیک های خود را در صندوق ورودی ایمیل مصرف کننده ها تغییر دهند.[2]

کلان داده تقریبا به تمامی ابعاد کسب و کارها را در سالهای اخیر نزدیک شده است. این امر به برند ها این امکان را می دهد که کاملا شخصی سازی شده و موثر کمپین هایی برای تحلیل جزئیات داده های مشتریان راه اندازی کنند. بازاریابان ایمیلی معمولا از کلان داده برای هدف قرار دادن مخاطبان با توجه به خرید قبلی و تاریخچه جست و جوی اینترنتی آنان استفاده می کنند. وارنوک[1] می گوید: " بازاریابان ایمیلی به صورت فزاینده ای متوجه ارزش کمپین های تنظیم کننده و جهت دهنده رفتار و فرستادن پیام شخصی سازی شده بر اساس رفتار مصرف کننده شده اند" [2]

تا کنون تنها 25 % کسب و کارها داده های شخصی خود را برای فعالیت های زمان محدود خود استفاده می کردند[1] . به همین خاطر می توان گفت اکثر بازاریابان هنوز از این فرصت کشف از دست رفته آگاه نیستند..

بازاریابان اغلب در گزارشات فصلی نرخ های عوامل کلیدی مهم را تنها می خوانند. اما این گزارشات به ما در بازاریابی ایمیلی نمی گوید کدام مقاله بیشترین خواننده را داشته است و یا اینکه چه نوع اشخاصی درخواست تماس تلفنی شما را قبول کرده اند؟!

داده های مشتریان بر اساس اهمیت به 4 دسته اصلی  از دید بازاریابان تقسیم می شوند:[5]

1.      تعاملات ایمیلی: تعاملات ایمیلی ساده داده هایی مانند اینکه کجا کاربر کلیک نموده و نرخ باز شدن، لینک های باز شده، کلیک ها، نرخ تبدیل مشتری، و معیارهای مرتبط را مشخص می سازد.

2.      تعاملات وبسایت : دسترسی به اطلاعات دریافت کننده ها به بازاریابان امکان درک بهتر و عمیق نحوه جست و جوی وبسایت را می دهد.

3.      داده های خرید : داده خرید قبلی داده بسیار ارزشمندی برای پیش بینی حرکت بعدی مشتری است. با نگاه کردن به خرید قبلی مشتری می توان ایمیل را کاملا شخصی کرد.

4.      ارجحیت های پروفایل مشتری: داده های پروفایل مشتری، مانند محل سکونت، سن، جنسیت هم در درجه اهمیت بعدی قرار دارند.

 

با تحلیل داده ها، بازاریابان می توانند محتوایی که برای مخاطب ارزشمند بوده را متوجه شوند. اگر خواننده ها روی محصول با توجه به این محتوی کلیک کنند به این معنی است که محتوی مورد پسند و ارزشمند بوده است و اگر این امر صورت نپذیرد متوجه می شوند که باید تغییرات در چه زمینه هایی صورت پذیرد [1] .

 کلان داده علاوه بر اینکه به ما نوع پیام هایی که باز می شوند را می گوید، بلکه زمان و مکان باز شدن ایمیل را با تفکیک های مختلف معین می سازد[2] .

 در شرکت آرمیتیس که شرکت نرم افزاری ایرانی است نیز این تکنیک های کلان داده ای به کار گرفته می شوند. نمونه ای از خروجی این کلان داده به صورت زیر است:

23.63 درصد ایمیل های ارسال در ساعت اول، 9.52 درصد در ساعت دوم، 6.33 درصد در ساعت سوم و 4.8 درصد در ساعت چهارم پس از ارسال باز می شوند، این رقم برای روز بعد از ارسال به 0.63 درصد کاهش پیدا می کند.  بهترین زمان ارسال برای باز شدن ایمیل ها ساعت 8 تا 9صبح و یا 3 تا 4 بعد از ظهر است. بهترین زمان برای کلیک روی ایمیل های باز شده ساعت 8 تا 9 صبح و یا 3تا 8 بعد از ظهر است. 5.9 درصد ایمیل ها بین 12 تا 6 صبح، 38.7 درصد بین 6 تا 12 ظهر، 25.8 درصد بین 12 تا 6 بعد از ظهر و 29.6 درصد بین 6 تا 12 شب ارسال می شوند. [6]

 باید زمانی که شخص تمایل بیشتری به باز کردن ایمیل را دارد متوجه شد. برای این کار باید باز کردن های قبلی وی را دنبال کرد. این امر و تفکیک جغرافیایی و بخش بندی، موجی از تمایز و شخصی سازی شدن را به ارمغان می آورد.[2]

با کلان داده به راحتی می توان فهمید کدام بخش بازار هدف شما مصرف کننده چه نوع محتوایی هستند. با دانستن اینکه چه کسی، چه چیزی را می خواند، محتوی می تواند بسیار مرتبط با گیرنده باشد

 

 

 

 

 

منابع

 

 

1.       How big data can enhance B2B email marketing
http://www.imediaconnection.com/content/37539.asp#Ksz2dpUOYjGTFol3.99

2.       Better Data and Personalization Are the Future of Email marketing http://www.businessnewsdaily.com/7315-future-of-email-marketing.html

3.       Big data means big opportunities in email marketing

http://www.responsys.com/blogs/nsm/email-marketing/big-data-means-big-opportunities-in-email-marketing/

4.     https://www.forrester.com/Forrester+Research+Email+Marketing+Forecast+2012+To+2017+US/fulltext/-/E-RES85321

5.       http://www.responsys.com/blogs/nsm/email-marketing/big-data-means-big-opportunities-in-email-marketing/

 

6.      کتاب 21 نکته در ایمیل مارکتینگ- نوشته شرکت آرمیتیس

---

[1] Warnock

استراتژی کلان داده سازمان شما چیست ؟

کلان داده با چنان قدرت و سرعتی در کسب و کارها رخنه کرده است که شاید سازمان ها از آن بهره نپذیرند و یا از آن دوری کنند، ولی به هیچ عنوان نمی توانند آن را نادیده بگیرند و در مقابل آن استرتژی دقیقی اتخاذ نکنند. دیر یا زود در هر صنعتی رد پای کلان داده و تاثیرات آن در سطح کلان به گوش خواهد رسید. در این بین سازمان هایی که توانسته اند موضع درستی در مقابل این تکنولوژی نوین بگیرند، توانایی بقا و رقابت را خواهند داشت.

کلان داده در هر صنعتی مراحل بلوغی دارد که به شرح زیر هستند:[1]

 

مرحله 5 دگردیسی کسب و کار

مرحله 4 به دست آوردن جریان درآمدزایی

مرحله 3 بهینه سازی کسب و کار

مرحله 2  بینش درست کسب و کار

مرحله 1  بررسی کسب و کار

 

سازمان هایی که به کلان داده اهمیت زیادی می دهند، بعد از مدتی از مزیت رقابتی بسیار ویژه ای برخوردار می شوند. این سازمان ها داده های خود را جمع آوری کرده و با ابزارهای پیشرفته، داده های ساختار یافته و ساختار نیافته خود را تحلیل میکنند. این کسب و کار ها پس از مدتی ابتکار عمل صنعت را بدست می گیرند و دچار دگردیسی کسب و کار می شوند و با ایجاد اکوسیستمی در صنعت به بستر یا پلتفرم کلان داده تبدیل می شوند.

سازمان های دیگر باید در مقابل این بستر ها استراتژی مناسب اتخاذ کنند. این بستر ها می توانند هزینه مبادله را کاهش و یا دسترسی سازمان به مشتریان را افزایش دهند. اما در عین حال با سخت شدن شرایط رقابت این بسترها ممکن است موجب از دست رفتن کنترل بر مشتریان و یا یافتن روند تغییر رفتار مشتریان و بسیاری دیگر از داده های مفید شوند. [3]

 

چند پرسش مفید هنگام مواجهه با بسترهای کلان داده ممکن است به ذهن تداعی می شود:[2]

1.      آیا باید بستر اختصاصی خود را ایجاد کرد و یا از بسترهای موجود استفاده کرد؟

2.      کدام ویژگی بستر را باید استفاده کرد و کدام ویژگی بستر را باید رد کرد تا مزیت رقابتی در بلند مدت از دست نرود؟

ابتدا می خواهیم شرایط ایجاد این اکو سیستم و بسترهای کلان داده ای را شرح دهیم. بسترها ممکن است مدل های مختلفی داشته باشند[3]

بسترهای نرم افزاری و زیر ساختی: بسترها، محصولات، خدمات یا تکنولوژی هایی هستند که به عنوان پایه و زیر بنای ساخت محصولات ، خدمات، یا تکنولوژی های کامل توسط دیگران هستند.

مصداق ها: نرم افزار ای.آر.پی، شرکت سپ، فناوری سی.دی.ام.ای شرکت کوال کام برای تجهیزات تلفن

بسترهای واسط: واسط های بازار، موسساتی هستند که بقای خود را از طریق کاهش هزینه جست و جو و مبادله برای گروه های دیگر بازار تصمین می کنند.

مصداق ها: موتورهای جست و جو مانند گوگل، ask

بستر های ارائه دهنده یک خدمت: این بسترها عموما بخش خاصی از صنعت را که عموما گلوگاه نیز هست در اختیار می گیرند و سعی بر نظارت بر نقطه تماس با مشتری دارند.

مصداق ها: Itunes، کافه بازار، شبکه های پخش

بسترهای چند سویه: که هم واسطه بازار هستند و هم بستر و بخش های غیر وابسته را با تاثیر گذاری شبکه ای و غیر مستقیم پشتیبانی می کنند.

مصداق ها: نینتندو وی، سایت آمازون دات کام، سایت مج دات کام

این بسترها به صورت حجیم داده های صنعت را به درون خود سرازیر می کنند و ممکن است در قبال آن، خود بخشی از صنعت باشند و یا خدمت خاصی را ارائه دهند. مثلا نقشه گوگل بستری است که در آن در اقصی نقاط دنیا داده های مکانی ذخیره می شود. پس این بسترها می توانند به کمک ما بیایند در حالی که خود حتی بخشی از صنعت ما نیستند. همچنین ممکن است این بسترها مانند Itunes بستری برای عرضه و کانالی برای ارتباط با مشتری باشند و به دلیل دسترسی به مشتریان مرکز توجه قرار گیرند و یا مانند سرویس جست و جوی گوگل به تمامی مشتریان دسترسی داشته باشند و خواه ناخواه ما با آنها درگیر باشیم.

حال باید دید که سازمان ها باید به کدام یک از این بسترها و تا چه حد اجازه دهند که داده های آن ها را در اختیار داشته باشند.

نمونه جالبی و موفقی از استفاده از سایر بسترها را در لینکدین میتوان دید. لینکدین برای اینکه بتواند تمایز خود را در مقابل رقبایش حفظ کند تنها به قابلیت ها و کاربردهای مشخصی از Open social اجازه داد روی بستر اختصاصی آن فعال شوند و برخی ویژگی های اختصاصی را هم خود ایجاد کرد که تنها برای کاربران لینکدین قابل استفاده است.

برای تعیین روش استفاده از یک بستر کلان داده، شرکت ها باید سه پرسش را در ذهن خود داشته باشند:[2]

1.      چگونه می توان خود را از دیگر رقبایی که از این بستر استفاده می کنند متمایز کرد؟

2.      چگونه می توان ریسک گرو کشی از سوی بستری که قصد استفاده از آن را داریم کاهش داد؟

3.      با این کار چه بخش هایی از آینده کسب و کار و صنعت را به دست صاحبین بستر خواهیم سپرد؟

 

برای مثال فرض کنید که شرکت تاکسیرانی تهران بخواهد برای تعیین زمان بندی خود از نرم افزاری استفاده کند تا مانند شبکه uber پیشرفته عمل نماید. برای این امر تنها کافی است روی گوشی های هوشمند راننده های تاکسی خود این برنامه را نصب کند و از نتایج آن بهره مند شود. اما با این کار شاید بتواند تشخیص دهد که که هر تاکسی از چه مسیرهایی و در چه زمانی عبور کرده است ولی نمی تواند مانند uber ابتکار عمل داشته باشد و جریان های درآمد زایی بیشتری برای خود ایجاد کند.

بزرگترین اشتباهی که در حین تصمیم گیری برای نحوه استفاده از یک بستر ممکن است سازمان ها مرتکب شوند اعطای امتیازات ترجیحی بدون تحلیل تاثیری است که این امتیازات بر تعادل بازار چه در حال و چه در آینده می گذارند. این بر هم خوردن تعادل است که منجر به مزیت رقابتی می شود و سازمان های بستر را به سمت اقیانوس آبی سوق می دهد. [3]

 

منابع:

 

1.      Big Data ,understanding how data powers big business, Bill Schmarzo, 2014

2.      What is your google strategy? HBR article , Andrei Hagiu and David B. Yoffie , April 2009

3.      CONTEMPORARY STRATEGY ANALYSIS ,Robert M.Grant , Eighth edition, 2013

کلان داده در روند رشد شبکه های اجتماعی چه تاثیراتی خواهد داشت ؟

 

 شبکه های اجتماعی چندی است که بسیار فراگیر در بین عموم جامعه، از فضاهای خصوصی گرفته تا بخش های عمومی اجتماع، رسوخ کرده اند. به تازگی مدیر عامل توییتر اعلام کرده است که این محصول در حال جایگزینی رسانه های خبری است. شبکه های اجتماعی بسیار به روز و در تعامل با بدنه اصلی جامعه هستند. کانال توزیعی که به هیچ عنوان در دنیای قبل از این رسانه ها وجود نداشت.

حال که این شبکه توزیع رایگان در اختیار شرکت ها قرار گرفته است، صاحبین این جوامع مجازی در راستای بهره وری هرچه بیشتر از این رسانه ها در حهت تامین منافعشان تلاش می کنند. پیش از این همیشه صحبت از لو رفتن اطلاعات خصوصی اشخاص در فضاهایی مانند فیس بوک بوده است. ولی با تحولات کلان داده بسیار می توان پا را فراتر گذاشت و به اطلاعات جمعی اشخاص و جوامع که خودشان نیز دسترسی ندارند، رسید. به عبارتی علاوه بر رد و بدل شدن اطلاعات، بخشی از هویت جوامع نیز در حال شکل گرفتن است و این فرهنگ را می توان به تمامی بخش های اجتماع تسری داد.

فیس بوک اعلام کرده است برای هر کاربر به صورت متوسط در هر روز 1500 مطلب جدید از دوستان و مطالب مورد علاقه، برای مشاهده دارد. ولی اکثر کاربران وقت کافی برای مرور این همه مطلب ندارند. لذا با هوشمندی فیس بوک وارد کار می شود. با فیلتر کردن مطالب دلخواه افراد و نشان دادن مطالبی که میخواهد از بین مطالب جدید هر شخص، می تواند به عنوان شبکه ای برای جهت دهی افکار و تبلیغات هوشمند عمل کند. کلان داده این امکان را فراهم ساخته است که فیس بوک علایق اشخاص را با توجه به مطالبی که به عنوان دلخواه انتخاب می کنند و مطالبی که منتشر می کنند، استخراج کند. در نتیجه دریایی از اطلاعات مفید برای یافتن مشتریان هدف شرکت ها در دسترس دارد.[4]

شبکه های اجتماعی هر یک به نوعی داده های مفیدی در دل خود ذخیره می کنند. شبکه توییتر، مجموعه ای از داده های ارزشمند است اگر دقیقا بدانید چگونه آن را پیدا کنید. البته مانند شبکه های اجتماعی گاهی اختلال دارد. با کلان داده به راحتی می توان این داده های ارزشمند را استخراج کرد.[3]

 

موضوع جالب تر پس از به وجود آمدن اپلیکیشن twizoo رخ داد. افرادی با هوشمندی برای استفاده از ابزار خبر رسانی توییتر توانستند کاربران را به رستوران های نزدیک که از نظر خود رتبه خوبی دارند، معرفی کنند. این اپلیکیشن در واقع رستوران ها را با استفاده از توییتر به افراد معرفی می کند و مشتریان زیادی را به رستوران ها معرفی می کند.

در حقیقت توییت های کاربران را از همه جا گرفته و آن را بر اساس زمان و موقعیت جغرافیایی راجع به رستوران ها و همچنین نگرش مثبت یا منفی طبقه بندی می کند.

این اپلیکیشن با دنبال کردن اطلاعات افراد در توییتر، می تواند دقیقا مشخص سازد که شخص پس از مشاهده تبلیغ به آن رستوران مراجعه می کند یا خیر. به همین جهت رستوران های تبلیغ دهنده تنها هنگامی که افراد به آنها مراجعه کنند هزینه تبلیغ پرداخت می کنند.[5]

 

 پس از ایجاد جریان های درآمد زایی جدید، کلان داده مسیر جدیدی نیز به اجبار پیش روی این شبکه ها قرار داده است. این شبکه ها جریان های فوق العاده درآمد زایی را با استفاده از کلان داده ایجاد کرده اند، حال آنکه روش های بسیار بهتری برای به دست آوردن این اطلاعات پیدا شده است و آن اپلیکیشن های پیامی مانند واتس آپ هستند. در حقیقت جریان درآمدزایی اصلی این شبکه ها تبلیغات و رسانه بودن آن هاست. از این رو با این محوریت تکنولوژی ابعاد جدیدی از خود را نمایان ساخته است. موج جدید را در زیر مشاهده می کنید.

 

 

نمودار بالا روند رشد تعداد کاربران اپلیکیشن های تبادل پیام مانند وایبر و واتس آپ در مقایسه با شبکه های اجتماعی مانند فیس بوک را نمایش می دهد. همان طور که در شکل پیداست از انتهای سال 2011 تا انتهای سال 2014 روند رشد شبکه های اجتماعی رو به کاهش است، در حالی که اپلیکیشن های ارسال پیام به صورت نمایی روند فزاینده روبه رشد داشته اند. به عبارتی در حالی که تعداد کاربران هر 2 نوع نرم افزار به بیش از 2 میلیارد کاربر می رسد، ولی باید تغییراتی در شبکه های اجتماعی ایجاد شود که این روند کاهنده ادامه نیابد و این عاملی است که توییتر را به تغییری که پیش تر گفته شد، مجبور کرده است. به هر حل جایگاه اپلیکیشن های پیامکی در حال بهبود بیشتر نسبت به شبکه های اجتماعی فعلی است .[1]

پیش بینی می شود به زودی فاز شبکه های اجتماعی پایان یابد. دیگر در شبکه های اجتماعی نوآوری خاصی دیده نمیشود. پلتفرم های بزرگ بالغ هستند و جایگاه امن خود را حفظ خواهند کرد. در عوض پیام و مسیجینگ شبکه های اجتماعی بعدی هستند. خوانواده ها از گروه های واتس آپ به جای فیس بوک استفاده می کنند. اینستاگرام جای خود را به اسنپ چت داده است و خرید واتس آپ توسط فیس بوک این روند را تایید می کند.[2] همچنین شبکه های اجتماعی نیز برای بقا به سمت رسانه شدن و شکل گرفتن فرهنگ جمعی پیش خواهند رفت.

 

 

 

منابع

1.     http://www.businessinsider.com/messaging-apps-will-be-bigger-than-social-networks-in-2015-2014-12?&platform=bi-androidapp

2.     http://www.businessinsider.com/fred-wilson-on-what-happened-in-2014-2014-12?&platform=bi-androidapp

3.     http://www.informationweek.com/big-data/big-data-analytics/10-big-data-pros-to-follow-on-twitter/d/d-id/1252812

4.      http://www.theguardian.com/technology/2014/jun/30/facebook-news-feed-filters-emotion-study

5.     http://uk.businessinsider.com/twizoo-2015-1#ixzz3OdLbsiRc

 

 

 

ارزش افزوده کلان داده بر کسب و کارهای خرده فروشی چیست؟

خرده فروشی ها در سطح دنیا تاثیر بسیار شگرفی در روند فروش محصولات اعمال می کردند. تا اینکه خرده فروشی های آنلاین توانستند خلاقیت و شالوده صنعت خرده فروشی را با عنوان کردن خود به عنوان رسانه، به دست بگیرند. در این بین خرده فروشی های قدیمی و بزرگ نیز بیکار ننشستند و برای خود شعب آنلاین طراحی کردند. این جدال هر روز رنگ و لعاب تازه ای به خود می گیرد و هر خرده فروشی در بازار رقابت با عرضه کردن فرهنگ، محصول، خدمت و یا ابزار تازه ای سعی در بهتر کردن جایگاه خود در سبد مشتریان دارد.

با ورود تکنولوژی کلان داده ابزارهای بسیار زیادی در اختیار خرده فروشان قرار گرفت که جایگاه آن ها را میتوانست نه تنها در بین رقبا بلکه در چانه زنی آن ها با مشتریان و تامین کنندگان نیز بهبود دهد. این ابزار امکان تسلط به داده های مشتریان و روند های محصولات تولیدی را به خرده فروشان می دهد و آن ها را در جایگاه بهتری قرار خواهد داد.

 با ارائه خدمات 2 گانه، آنلاین و خرده فروشی آفلاین، خرده فروشان به دنبال گروه بندی و شخصی سازی پیشنهاداتی که در هر زمان و مکان ارائه می شود، هستند. مشتریان بسیار آگاهانه خواهان استفاده از ابزارها برای تصمیم گیری راجع به کیفیت، قیمت و راحتی محصولات هستند. در این بین، شرکت ها دریافته اند که نقش IT در عملیات آن ها توسعه کلان داده و فراهم نمودن مزیت رقابتی در آن است.[1]

تسکو، با توجه به آمار سال 2012 با درآمد سالیانه(96.8 بیلیون دلار) بعد از وال مارت(466.1 بیلیون دلار) و کارفور (112.6 بیلیون دلار) سومین خرده فروشی بزرگ دنیا محسوب می شود. این شرکت پیشرو استفاده از کلان داده در صنعت خرده فروشی است. این شرکت که استراتژی  IT محور نیز داشته است. نمونه ای از مواردی که برای بهره مندی از فروشگاه های مجازی خود در کره به عنوان نوآوری استفاده کرده است در زیر آمده است:[2]

1.      اسکن کردن به هنگام خرید: بارکد اسکنر همراه که به کارت عضویت لینک شدن است به مشتریان کمک می کند تا به هنگام حساب کردن بسیار راحت این کار صورت پذیرد.

2.      دوربین بروکلی[1]:  دوربین بالایی سبد های خالی میوه را شناسایی می کند تا کارمندان بتوانند آن ها را پر کنند و در اختیار مشتریان قرار دهند.

3.      برچسب الکترونیکی لبه قفسه : این برچسب ها امکان تعویض قیمت راحت را فراهم می کنند( در سال 2012 تقریبا هر هفته بین 5 میلیون تا 10 میلیون برچسب قفسه در تسکو عوض شده است)

4.      همچنین در زیر روند استفاده از داده در تسکو را به خوبی نمایش می دهد[4]

 

 تسکو از توانایی داده محوری در تمام زنجیره ارزش خود استفاده می کند. از زنجیره تامین تا فروش و خدمات. داده های به هنگام به روز می شوند و با ابزارهای پیش بینی داده ترکیب می شوند تا هشدار سفارشات زودتر از موعد به بخش لجستیک و شبکه آن برسد. از برچسب های الکترونیکی قفسه ها برای تطبیق با آخرین تغییرات ملی قیمت استفاده می شود. همچنین تسکو از کلان داده برای پیش بینی رفتار مشتریان استفاده می کند. به طور مثال فعلا این استراتژی تمایل مشتری به ترکیب استفاده از فروشگاه های فیزیکی، موبایل ها، و کامپیوترهای شخصی را بیان می کند. به همین دلیل تسکو در حال حاضر خود را چند شبکه ای به حساب می آورد.[2]

کلان داده در مفهوم گسترده تری می تواند تعاملات خرده فروشی با مشتری را تحت تاثیر قرار دهد. داده های جزئی مشتریان می تواند رفتار ها و خرید های آن ها را پیش بینی کند و به خرده فروشی در سفارشات و زنجیره تامین آن کمک نماید.

داده های جزئی، شامل داده های ساختار نیافته از سنسورها، لوازم الکترونیکی، شرکت های واسط، اپلیکیشن ها، تصاویر، ویدیو ها و شبکه های اجتماعی است. خرده فروشی ها نیاز به تجهیز خود با تکنولوژی ها و استفاده از داده های حجیم، با سرعت زیاد در حال تولید و  متنوع دارند.[1]

البته این صنعت نیز در تماس با کلان داده چالش های خاص خود را دارد. از بزرگترین چالش های کلان داده در این صنعت، انتخاب درست تکنولوژی مورد استفاده برای پردازش و تحلیل اطلاعات است که بتواند تحلیل های درست زمانی و هوشمند ارائه دهد. همچنین باید ساختاری قابل بزرگ شدن و گسترده شدن انتخاب نمود تا با نیازهای آتی نیز تطابق یابد.[1]

در آینده احتمالا کلان داده بسیاری از روند ها را تغییر خواهد داد و صنعت را به سوی کانال شخصی سازی شده توزیع نیز پیش می برد. در آن زمان احتمالا بزرگان این صنعت باید بسیار خود را با شرایط تطبیق دهند تا در دنیای بعد از اطلاعات باقی بمانند.

 

1.      http://www.itnext.in/articles/19565/identify-retail

2.      http://robertplantblog.com/wp-content/uploads/2014/Big-Data-Case-Study-Tesco.pdf

3.      https://hbr.org/2014/10/tescos-downfall-is-a-warning-to-data-driven-retailers/

http://dataconomy.com/tesco-pioneers-big-data/

---

[1] Broccoli cam

آیا کلان داده، جریان درآمدی کسب و کار های آنلاین صنعت را دستخوش تغییر خواهد کرد ؟

کسب و کارهای آنلاین با استفاده از خدمات نوین که به کمک ابزارهای تحلیل داده میسر شده اند به تازگی توانسته اند مدل های درآمدزایی خود را اصلاح و در مواردی به کلی تغییر دهند. صنایع با آمدن عصر دیجیتال بخشی از ارزش قبلی خود را به صورت آنلاین برای کاربر ایجاد کردند. با آمدن کلان داده و ابزارهای تحلیل و جمع آموری داده پیشرفته، علاوه بر مدل های قبلی ارزش های جدیدی نیز برای صاحبین کسب و کار خلق شد که در این مقاله سعی بر آن است که با مطالعه موردی صنعت تاکسیرانی، با تحلیل سرویس های my taxi ,Uber مدل هایی که در طی زمان تغییر یافته و هوشمند تر شده اند بررسی و تحلیل شوند. سپس با توصیف موارد کاربرد آینده کلان داده در این صنعت، جریان های درآمدزایی بعدی آن ها پیش بینی خواهد شد.

صنعت تاکسیرانی یکی از صنایعی است که با تحلیل پورتر یکی از سخت ترین صنایع از لحاظ 5 نیروی ساختار صنعت است. این صنعت ولی با ورود تکنولوژی کانال جدیدی برای عرضه خود به مشتریان پیش روی خود قرار داده است. سازمان های نوین و بزرگ نرم افزاری مانند uber, easy taxi, my taxi , .. به عنوان هدایت گران این صنعت پا به عرصه رقابت گذاشته اند. در این بین فاز های زیر در صنعت نرم افزاری و یا همان کانال توزیع جدید، طی شده است:[2],[4]

در ابتدا این خدمات با ایجاد شبکه ای از تاکسی ها در مناطق تحت پوشش، سبب می شدند که مشتریان به راحتی و از طریق تنها یک سیستم به تاکسی دسترسی داشته باشند و هزینه های خود را به عنوان آبونمان ماهانه و سالانه از تاکسی داران دریافت می کردند.

در فاز دوم این کمپانی ها با مقرر کردن خود به عنوان پارتنر تاکسی ها درصدی از درآمد آن ها را به خود اختصاص می دادند.

فاز سوم با آمدن تکنولوژی جدید تحلیل و جمع آموری داده ها در سال 2014 پا به عرصه کسب و کار نهاد.

کمپانی های my taxi , uber تصمیم گرفتند با داشتن تحلیل های جدید و اطلاعات مشتریان، تاکسی ها را در میزان سودی که با این کمپانی ها تقسیم می کنند آزاد بگذارند. در حقیقت تاکسی ها در هر زمان و در هر مکانی می توانند خود تعیین کنند که هم اکنون چه میزان سودی با شرکت سهیم می شوند. در این صورت شرکت تاکسی را به مشتری معرفی می کرد و برای مشتری می فرستاد که سود بیشتری را با شرکت تقسیم می نمود. شاید در دید اول برای تاکسی ها این بهترین راه حل بوده است و با خود فکر می کردند که دیگر از شر درصد های بالای شرکت مصون هستند ولی در عمل و در بازار رقابت این تاکسی ها بودند که برای جذب مشتری بیشتر حاضر بودند درصد های بسیار بالاتری نسبت به قبل به شرکت بدهند.

حال می خواهیم بررسی کنیم که در این تحول چه گذشت؟

با آمدن تکنولوژی های نوین و کلان داده، این شرکت ها می توانستند در هر لحظه آمارهای خود را مقایسه کنند و پیش بینی های درستی از رسیدن تاکسی ها به مقصد مشتریان بدهند. در فاز های قبلی شرکت تنها کاری که میکرد تخصیص نزدیکترین تاکسی خالی به مشتریان بود برای اینکه زمان در دسترس بودن را برای مشتری کاهش دهد و رضایت مشتری را در پی داشته باشد.[3]

با تکنولوژی کلان داده با آموزش سیستم روی زمان های عبوری در زمان های مختلف برای تاکسی ها از مسیر های مختلف، سیستم می تواند زمان رسیدن تاکسی در هر زمانی در هر مسافت و مسیری را تخمین بزند و این سیستم روز به روز دقیق تر می شود. اتفاقی که می افتد تخمین دقیق زمانی رسیدن تاکسی ها به محل مشتری است و سیستم به جای اینکه نزدیکترین تاکسی را اختصاص دهد تاکسی هایی که در زیر 4 دقیقه می توانند به مشتری برسند را شناسایی می کند و آنهایی که درصد بیشتری مایلند به شرکت بدهند را معرفی می کند. در این بین علاوه بر ماکسیمم شدن سود شرکت، مشتری نیز با دیدن حق انتخاب رضایتمندی بیشتری پیدا می کند. [1]

جریان درآمدی در این شرکت ها در ابتدا به صورت گرفتن حق عضویت از کاربران بود. سپس با آمدن ابزارهای تجمیع اطلاعات خود را در سود کاربران شریک کردند. کلان داده اما اوضاع را کاملا دگرگون کرد. علاوه بر اینکه میزان سود را متغیر و ماکسیمم کرد، جریان های دیگری را نیز به این صنعت اضافه کرده است. کلان داده، توانایی استفاده از داده های تردد مشتریان را به این شرکت ها می دهد و با استفاده از این داده ها میتوان نتایج شگرفی مانند اینکه وضعیت خیابان ها از لحاظ ترافیکی نسبت به یکدیگر در تمامی ساعات شبانه روز چگونه است، را به دست آورد.

بسیاری در این صنعت از روش های مختلف مانند استفاده از قوانین و مقررات منع کننده، و یا بدست آوردن اپلیکیشن شخصی به دنبال رسیدن به جایگاه بهتری نسبت به uber بودند،  به نظر من دلیل دیگری که این شرکت به سمت استفاده از ابزارهای پیشرفته حرکت کرد ایجاد مزیت رقابتی پایدار با استفاده از این سیستم ها بود. کلان داده با توجه به استفاده از ابزارهای پیشرفته و تحلیل پیشرفته داده ها، به شرکت هایی که قدمت بیشتری دارند و از آن مدت زمان بیشتری استفاده می کنند این امکان را می دهد تا از انباشت داده هایشان مزیت رقابتی پایدار بسازند. Uber با استفاده از داده های کاربرانش که همان تاکسی ها هستند توانسته است مدت زمان طی شدن مسیر ها را در هر ساعت شبانه روز به دست آورد و این امکان تخمین دقیق زمانی را فراهم می سازد که برای مشتریان ارزش زیادی ایجاد می کند. [4]

شرکت lyft از کلان داده استفاده بسیار بهتری نیز می کند و آنرا به صورت آزمایش با نام lyft line در اختیار مشتریان قرار داده است. در این سرویس این شرکت با ثبت اینکه معمولا هر شخصی از چه مسیر هایی عبور می کند، میتواند مسیرهایی که با یکدیگر تقریبا همراستا هستند و افرادی که هم مسیرند را مشخص کرده و در کوتاهترین زمان آن ها را با هم تطبیق نماید. این مشتریان خدمات با قیمت کمتری را دریافت می کنند و این سهم بازار lyft را توانسته در مناطق آزمایشی بسیار بالا ببرد.[3]

Uber  البته این سرویس را تقریبا شبیه سازی نموده و با نام uber pool به تازگی ارائه می کند.

علاوه بر این ها، این شرکت می تواند با دسترسی به میزان تردد افراد به محله های مختلف سرویس هایی که باید در محله ها ایجاد شود را به درستی تخمین بزند و در کسب و کارهای مرتبط و غیر مرتبط از این داده ها و نتایج آن ها استفاده کند. به همین دلیل در آینده نزدیک احتمالا شاهد حضور این شرکت در صنعت های دیگر نیز خواهیم بود .

این قضیه برای صنایع دیگر نیز در حال وقوع است. کسب و کارهای آنلاین با استفاده از کلان داده می توان علاوه بر فروش بهتر و عملیات آسان تر، رفتار مصرف کنندگان و داده های جدید تری نیز بدست آورند که به کمک کسب و کار خودشان بیاید و یا بتواند عرصه را برای حضورشان در سایر صنایع باز کند.

 

 

منابع:

1.     http://www.businessweek.com/articles/2014-02-20/uber-leads-taxi-industry-disruption-amid-fight-for-riders-drivers

2.     http://www.businessinsider.com/new-york-city-taxis-could-get-their-own-app-to-rival-uber-2014-12

3.     http://www.businessinsider.com/uber-and-the-competition-2014-8

4.     http://www.businessinsider.com/uberpool-cheaper-rides-2014-8

مدل چک لیست بلوغ سازمانی

 

مدل تعالی و بلوغ کلان داده را می توان با رویکرد هایی که گرینر در مقاله "تکامل و انقلاب در امتداد رشد سازمان ها" در Harvard Business Review, July-August, 1972, p.45 برای رشد سازمان های کارآفرین آورده است مدل کرد.

در این روش، 5 مرحله خلاقیت، جهت گیری، اختیار؛ هماهنگی و همکاری را برای رشد سازمان پیشنهاد می دهد و آن را از دیدگاه های مدیریتی و ایجاد ارزش

 و سازمانی و پاداشی بررسی می کند.

در مدل جدید بنده 5 مرحله بلوغ را در نظر گرفته ام و آن را از دیدگاه مدل استراتژی مدیریتی، رویکرد نسبت به مسائل سازمان، تعامل با تیم فنی، کنترل و مدل

 های ارائه پاداش بررسی کرده ام.

با تعیین اینکه سازمان نسبت به هر عامل از چه رویکردی استفاده می کند، می توان فهمید سازمان در کدام درجه بلوغ کلان داده ای قرار دارد و استراتژی مناسب برای ادامه راه آن در نظر گرفت

تغییر فعالیت های سازمانی حین تکامل شرکت ها

	مرحله 5 دگردیسی کسب و کار	مرحله 4 به دست آوردن جریان درآمدزایی	مرحله 3 بهینه سازی کسب و کار	مرحله 2 بینش درست کسب و کار	مرحله 1 بررسی کسب و کار
	سازمان با استراتژی پارتنری با تمامی اعضای صنعت	سازمان چابک و به روز	پیاده سازی استراتژی کلان داده	آینده نگر	هدف کذاری تجمیعی	مدل استراتژی مدیریتی
	حل مساله و نوآوری	تعریف مساله به صورت تیمی	فرآیند محور	وظیفه گرا و گروه محور	وظیفه گرا و خروجی نگر	رویکرد نسبت به مسائل سازمان
	همکاری در قالب تیم نه گروه	نظارت بر تمامی مراحل کار	نماینده داشتن در تیم فنی	توافق در مراحل کار	خروجی گرفتن	تعامل با تیم فنی
	تنظیم اهداف مشترک	برنامه های مدیران و سهام داران	گزارش ها و مراکز سود	استاندارد ها و مراکز هزینه	نتایج بازار	کنترل
	پاداش تیمی	تقسیم سود و گزینه های سهام	پاداش شخصی	افزایش حقوق و مزایا	افزایش حقوق	مدل های ارائه پاداش

 

 

 

 

روند ذخیره سازی داده به روایت تصویر

کلان داده، داده بهتری است!

در این بخش می خواهیم تفاوت داده های قدیم با کلان داده را بیان کنیم. به این مثال توجه کنید:

از روی آمار خرید کیک در آمریکا می توان گفت که پای سیب محبوب ترین کیک در این خطه است. پس از مدتی که کیک های 30 سانتی متری به 11 سانتی متری تبدیل شد، آمار خرید به 4امین 5امین کیکی تنزل کرد.به عنوان تحلیلی روی داده های ساده میتوان گفت ذائقه ها عوض شده است. ولی اگر به عنوان کلان داده به این مبحث بنگریم می بینیم که با آمدن کیک های 11 سانتی متری پای سیب که مصرف فردی دارند آمار خرید به اولین ترجیح آدم ها سوق پیدا کرده است در حالی که در خرید کیک 30 سانتی متری ترجیح کلی خانواده ها اولویت پیدا می کرد.

در گذشته های دور نیز نیاز به ذخیره داده بوده است. در آن زمان اطلاعات غیر قابل تغییر در ابعاد بزرگ و روی احجام سنگین ذخیره می شدند. ولی امروزه در حجم کوچکی اطلاعات قابل تغییر ذخیره می کنند. دیسکی که متعلق به 4000 سال پیش، یافت شده است این دیسک مقدار کمی اطلاعات دارد حال آنکه دیسک های امروزی اطلاعات بسیار زیادی را در حجم کمتر ذخیره و پردازش می کنند.

  این حرکت ادامه دارد و اطلاعات را از حالت استاتیک به دینامیک تغییر می دهد. میتوان تغغیر روند یعنی جریان ثابت و ساکن داده  به جریان داده حس کرد.

 به عنوان مثالی از آینده این روند می توان به ماشین ها اشاره داشت. فکر کنید که داده ها آنقدر شخصی سازی شوند که به ازای نشستن هر فرد ماشین بتواند حالت های مختلف او را تشخیص دهد، در این صورت اگر شخصی پشت فرمان خوابش بگیرد ویبره ماشین فعال شده و می تواند شخص را آگاه کند.

نمونه ای انجام شده از داده های درست ماشین شطرنج باز است. توسعه دهنده این نرم افزار پس از انکه آنرا نوشت دید که ماشین تنها می تواند حرکت های درست را بازی کند بنابراین اکثرا می باد. کاری که انجام شد این بود که برای آموزش دستگاه اجازه داده شد که دستگاه با خودش بازی کند و قابلیت پیش بینی پیدا کند. پس از آن دیگر توانست افراد را شکست دهد.

میبینیم که میتوان با استفاده درست از داده، آن را ارزشمندتر کرد و با استفاده بهینه از آن کاراییش را افزایش داد.

منبع: ویدیو TED  از Kenneth Cukier با نام  Big data is better data

چگونه فقط داده های مفید را ذخیره سازی کنیم؟

دنیای امروز در جهتی حرکت می کند که داده در سازمان ها به یکی از ارزشمندترین سرمایه ها بدل شده است. IDC تخمین می زند که هر 18 ماه داده های سازمان ها 2 برابر می شود. میتوان تصور کرد سازمان ها در آینده ای نزدیک با چه حجمی از داده ها روبرو هستند. یافتن مطالب دلخواه از بین این اطلاعات که به فرمت های گوناگون وجود دارند کار هزینه بر و زمان بری خواهد بود. فکر کنید از بین 100000 فیلم میخواهید فیلم مورد علاقه خود را از شاخه مربوط به خود بیابید این کار حتی در زمانی که فهرست بندی داشته باشیم باز هم مشکل است. برای اینکه بتوان از داده های سازمان استفاده کرد باید از رشد بی رویه اطلاعات به درد نخور جلوگیری کرد.برای این امر استراتژی بسیار ساده و کارآمدی وجود دارد. محدودیت هایی برای نوع داده ذخیره شده وضع کنیم و بعد هر چه بیشتر در آن محدودیت ها داده جمع کنیم.

اما نکته حائز اهمیت برای سازمان های ایرانی که در ابتدای راه جمع آوری و تحلیل داده در حجم و سرعت بالا هستند، استفاده از این ذخیره سازی داده است. در زیر برخی از مهمترین راهکارهای حیاتی و سود آور در این حوزه را اشاره می کنیم.

اگر حمایت سرمایه گذاران باشد، charge back راهکار خوبی است که به ازای هر هزینه ای که برای داده صرفه جویی می شود به چرخه سازمان تزریق شود تا اهمیت داده در سازمان جا بیافتد.

جلوگیری از ذخیره سازی چند باره اطلاعات مشابه می تواند تا 10 برابر از نشر داده اضافی جلوگیری کند.

می توان زیر ساخت های مجزایی برای برخی از داده های مهم مانند ضمیمه های ایمیل فراهم کرد تا بتوان بدون نیاز به بازیابی تمامی داده های حاشیه ای به اصل داده های مهم دست پیدا کرد.

مدیریت چرخه عمر ذخیره سازی داده یکی از مهمترین روش ها است. با این کار دقیقا می دانیم که چه زمانی باید داده های قدیمی را حذف کنیم و چه زمانی باید داده جدید را وارد این چرخه کنیم.برای این امر احتمالا به metadata نیاز است که از داده های ساختارمند منتج می شود
DO OR DIE-How to survive the data explosion:infoworld.com,Aug 22, 2014
مهم نیست چقدر در زمینه ذخیره سازی هوشمند داده تلاش می کنید و از ترکیب چه روش هایی استفاده می کنید، باید بدانیم اگر سازمانی از داده های خود استفاده نکند و یا در حجم وسیعی تولید کند که عملا برای خودش قابل تحلیل نباشد دیر یا زود یا ناچار به این کار می شود یا از صحنه کسب و کار اخراج خواهد شد.

منابع
[ How to survive the data explosion:infoworld.com,Aug 22, 2014]
[Finding gems in big data archives:infoworld.com:Apr 11, 2013]