دیجیتال مارکتینگ داده‌محور یا همان Data-Driven digital marketing چیست؟

بازاریابی دیجیتال داده‌محور (Data-Driven digital marketing)، به زبان ساده، به علم استفاده از داده‌ها در بازاریابی دیجیتال گفته می‌شود. حال اگر بخواهیم تعریف علمی‌تری از بازاریابی دیجیتال داده‌محور داشته باشیم، می‌شود گفت: «به استراتژی استفاده از داده‌های مشتریان برای بهینه‌سازی و هدفمند‌کردن پیام‌ها و خریدها از طریق کانال‌های ارتباطی با مشتریان، بازاریابی دیجیتال داده‌محور گفته می‌شود. این روند را می‌توان مهم‌ترین تحول اخیر در دنیای دیجیتال مارکتینگ دانست.»

بازاریابی داده‌محور به‌معنی تصمیم‌گیری و ارائۀ پاسخ‌های عملی به این پرسش‌هاست که چه کسی، چه زمانی، کجا، چه پیامی را باید دریافت کند.

مزایای بازاریابی داده‌محور

پیش‌بینی‌ها بیان می‌کند که داده‌ها دنیای ما را متحول خواهند کرد و این تحول درزمینۀ بازاریابی دیجیتال بسیار چشمگیر خواهد بود.

1. برنامه‌ریزی برای فروش‌های کارآمدتر
   • فرایند فروش با استفاده از بازاریابی داده‌محور پیشرفته‌تر خواهد بود. با استفاده از الگوریتم‌ها و یادگیری ماشین، بازاریابان دیجیتال قادر خواهند بود پیش‌بینی‌های دقیقی انجام دهند و بسیاری از فعالیت‌های اضافی را از چرخۀ فروش خود حذف کنند.
2. هدف‌قرار‌دادن مخاطبان مناسب
   • اصولاً آگهی‌های تبلیغاتی و پیام‌های بازاریابی بهینه‌سازی می‌شوند تا افراد مناسبی آن‌ها را دریافت کنند. بازاریابی داده‌محور نقش بسیار مؤثری در این زمینه بر عهده خواهد داشت.
3. ارسال پیام‌های مرتبط به مخاطبان
   • زمان ارسال پیام‌های انبوه به سیل عظیمی از مخاطبان به اتمام رسیده است. هم‌اکنون برندها برای ارسال پیام‌های بازاریابی خود باید اطلاعات دقیقی از مخاطبان در اختیار داشته باشند تا بتوانند پیام‌هایی متناسب با آن‌ها را در زمان طلایی (Golden Time) ارسال کنند. بازاریابی داده‌محور حلال این مشکل است.

براساس نظریۀ مدیریت اقتضایی (Contingency theory) هر کسب‌وکاری برای موفقیت، روش و راهکار مخصوص به خود را دارد؛ اما گزارش‌ها نشان می‌دهد که برندهای موفق درزمینۀ بازاریابی داده‌محور، اغلب یکی از سه مدل مطرح‌شده در زیر را انتخاب می‌کنند.

سه مدل بازاریابی داده‌محور که کسب‌و‌کارهای موفق استفاده می‌کنند:

مدل اول: مدل مرکزبرتری

در مدل مرکزبرتری، رهبری مرکز فعالیت‌ها را یک متخصص یا یک تیم متخصص بر عهده دارد. در این ساختار همۀ دستورالعمل‌ها و راهنماها از مرکز صادر می‌شود.
برای مثال، یک کسب‌و‌کار چندملیتی که دفاتر مختلفی در سراسر جهان دارد، ممکن است قادر به ساخت گروه‌هایی در بازارهای مختلف نباشد. این کسب‌و‌کار تصمیم می‌گیرد به‌جای ایجاد چندین کسب‌و‌کار، یک مرکزبرتری ایجاد کند که تمام فعالیت‌های داده‌محور براساس آن صورت بگیرد.

شرکت تپستری (Tapestry) را که درزمینۀ مد فعالیت می‌کند در نظر بگیرید. این شرکت سه برند لوکس و محبوب با نام‌های کوچ (Coach) استوارت ویتزمن (Stuart Weitzman) و کیت اسپید (Kate Spade) دارد. تیم دادۀ آن‌ها که شامل مهندسان و دانشمندان داده، بازاریابان دیجیتال و تحلیلگران است، مسئول داده‌های مشتریان هر سه برند است.

ترنس لای (Terrence Lai)، مدیر ارشد استراتژی‌های جهانی و آزمایشگاه داده‌های شرکت تپستری می‌گوید:

«زمانی که تیم داده‌ای شرکت با مدل مرکزبرتری فعالیت می‌کند، باید کارایی و راندمان بسیار خوبی داشته باشد؛ چراکه طیف گسترده‌ای از نیازهای داده‌ای وجود خواهد داشت که این تیم باید آن‌ها را برآورده کند.
همچنین تیم ما نه‌تنها باید در بخش‌بندی بازار و تجزیه‌وتحلیل‌های پیشرفته و خوشه‌بندی‌های مشتریان، دقیق و منظم فعالیت کند، بلکه می‌بایست درزمینۀ بودجه‌بندی، فعالیت‌های تیم بازاریابی و اندازه‌گیری‌های پیچیده انرژی بیشتری بگذارد.»

مدل مرکزبرتری برای شرکت‌هایی مناسب است که نمی‌توانند تیم‌های مختلفی برای مناطق یا بخش‌های مختلف ایجاد کنند. درواقع این مدل برای کسب‌وکارهای کوچک و متوسط مناسب است و شرکت‌های بزرگ، اگر از این مدل استفاده کنند، ممکن است نتوانند به نتایج مناسبی دست یابند.

مدل دوم: مدل تیم تفویض اختیار

با استفاده از مدل تیم تفویض اختیار، کسب‌و‌کارها تحلیلگران خود را در بخش‌ها و مکان‌های مختلف کسب‌و‌کار قرار می‌دهند. این افراد باید اطلاعات دقیقی دربارۀ اولویت‌ها و فرایندهای تیم به دست بیاورند.
مدل تفویض اختیار این امکان را فراهم می‌کند که مدیریت بدون‌ اینکه نگران داده‌ها باشد، روی اهداف کلی کسب‌و‌کار و تنظیم آن‌ها تمرکز کند. درواقع به‌جای اینکه تیم تجزیه‌وتحلیل مرکزی برای تنظیم دستورالعمل‌ها داشته باشید، ممکن است دو تحلیلگر بازاریابی و یک تحلیلگر محصول داشته باشید که براساس دستورالعمل‌های تنظیم‌شده توسط مدیریت فعالیت می‌کنند. چنین ساختاری به تیم اجازه می‌دهد انعطاف‌پذیری بیشتری داشته باشد و در صورت نیاز، تغییرات تاکتیکی به‌سادگی صورت گیرد.

استاشا روزن (Stasha Rosen)، تحلیلگر ارشد محصول Refinery29 می‌گوید:

«ما تحلیلگران مختلفی در سراسر شرکت داریم. مجموعه‌ای از داده‌های هسته‌ای را مدیران ارشد تعیین می‌کنند و سپس میان سایر تحلیلگران توزیع می‌شود. این مدل به مدیریت عالی کمک می‌کند روی اهداف و استراتژی‌های کلی متمرکز شوند، بدون‌ اینکه از سایر داده‌ها بی‌اطلاع باشند. اما اگر کسب‌و‌کاری استراتژی داده‌ای واضح و یکپارچه‌ای نداشته باشد، ممکن است تحلیلگران نتوانند با چشم‌انداز اصلی شرکت هماهنگ شوند.»

مدل سوم: مدل قطب و قمار (H&S)

برای کسب‌و‌کارهایی که بودجه و زیرساخت‌های لازم را دارند، مدل هاب و گفت‌وگو یکی از بهترین رویکردها محسوب می‌شود که ترکیبی از مدل‌های قبلی است. در این مدل، تیمی مرکزی و همچنین تحلیلگرانی در بخش‌های مختلف کسب‌و‌کار وجود دارد. تیم هسته‌ای متخصص، دستورالعمل‌ها و ابزارها و فرایند را تعیین می‌کند؛ در همین حال تحلیلگران هر برند یا بخش، آن‌ها را پیاده‌سازی می‌کنند و نتایج را به تیم اصلی گزارش می‌دهند.

راب روی (Rob Roy)، مدیر دیجیتال Sprint، اذعان داشته که در این شرکت از مدل سوم بازاریابی داده‌محور استفاده کرده‌اند. او می‌گوید:

«ابتدا مرکز تحلیل داده‌ای ایجاد کرده‌اند. سپس افرادی را آموزش داده‌اند تا با همکاری بخش‌های مختلف کسب‌و‌کار به داده‌های موردنیاز دست پیدا کنند. این مدل، هماهنگیِ بین مدیریت و سایر بخش‌ها را تشویق می‌کند و به‌شدت خواستار توانمندسازی تیم‌هاست.
ما با همکاری نزدیک با بخش‌های مختلف کسب‌و‌کار و تیم تحلیل، دربارۀ مواردی همچون قیمت‌گذاری تلفن‌ها، کشش قیمت، تعداد تلفن‌ها و مشتریانی که نوع خاصی از تلفن‌ها را ترجیح می‌دهند، تحقیق کردیم. هنگامی‌که این داده‌های جالب و عملی را به نمایش گذاشتیم، رهبر تیم آن را به مدیرعامل شرکت گزارش کرد و گفت: از همۀ این موضوعات بی‌اطلاع بوده‌اند. این اتفاق فوق‌العاده‌ای بود و حمایت‌های بیشتری از ما صورت گرفت تا از این به بعد تصمیم‌گیری‌ها براساس داده‌ها دنبال شوند.»

چرا ممکن است بازاریابی داده‌محور ایدۀ مناسبی نباشد؟

اگر بازاریاب‌های دیجیتال بیش از اندازه به داده‌ها متکی باشند و داده‌ها نیز به آن‌ها نشان دهند که چه کاری مؤثرتر است، دیگر به خلاقیت نیازی نخواهد بود. اما وسواس‌به‌خرج‌دادن دربارۀ داده‌ها باعث می‌شود که نموداری از معیارهای لازم برای اندازه‌گیری شکل بگیرد. ازآنجاکه برندها خلاقیت را از اولویت‌های خود دور می‌کنند، از توجه به مشتری نیز غافل می‌شوند. این غفلت عواقب جدی به همراه خواهد داشت. شرکت ادوبی در یکی از مطالعات خود به این نتیجه رسید که اگر شرکت‌ها خلاقیت خود را افزایش دهند، احتمالاً بیش از ۱۰درصد درآمد بیشتری خواهند داشت. همچنین بازاریابی دیجیتال داده‌محور و مشخص‌کردن معیارهای خاص ممکن است به کاهش حس گروهی در بازاریابان دیجیتال منجر شود و درنهایت نتایج موفقیت‌آمیزی به دست نیاید.

هنگام گیرکردن در نیمۀ تاریک بازاریابی دیجیتال داده‌محور باید به هزینه‌های پنهان آن توجه کرد.

شهامت ریسک و نوآوری داشته باشید!

استراتژی‌ها باید چشم‌اندازی بزرگ داشته باشند و براساس ایده‌ای خلاقانه شکل بگیرند؛ مانند تبلیغات سوپر باول (Super Bowl) یا ویدئوهای دالر شیو کلاب (Dollar Shave Club).

بازاریابان دیجیتالی که با تجزیه‌وتحلیل داده‌ها انس گرفته‌اند، به‌سختی می‌توانند به سمت خلاقیت و ریسک حرکت کنند. آن‌ها نمی‌توانند بسیاری از ایده‌ها را اعتبارسنجی کنند و ترجیح می‌دهند در مسیرهایی حرکت کنند که قبلاً نتیجه‌بخش بوده است.
برای مثال، اتومبیل ایویس (Avis) پس از اینکه نتوانسته بود بعد از ده سال به سودآوری برسد، از آژانس دوله دین (Doyle Dane Bernbach) درخواست کرد تا کمپین تبلیغاتی جدیدی را برای آن‌ها اجرا کند. اگر این آژانس بخواهد از طریق تجزیه‌وتحلیل داده‌های قبلی به تصمیم‌گیری بپردازد، به‌سختی خواهد توانست راهکارهای خلاقانۀ جدیدی را امتحان کند که اعتبارسنجی نشده‌‌اند.

تمرکز روی خلاقیت به‌معنی نادیده‌گرفتن داده‌ها نیست. درواقع داده‌ها نقش بسیار مهمی در خلاقیت ایفا می‌کنند. بازاریابان دیجیتال ترکیبی از افراد خلاق و افراد داده‌محور را در تیم‌های خود دارند. برندهای موفق اغلب چنین رویکردی دارند. برای مثال، برند Kellogg’s با بهره‌گیری از بینش مصرف‌کننده و داده‌هایی که در اختیار دارد و همچنین یک استراتژی‌ خلاقانه توانست میزان مشاهدۀ تبلیغات خود را به بیش از ۷۰درصد افزایش دهد.

هر شرکتی ممکن است داده‌های بسیار زیادی داشته باشد، اما بدون ایده‌های خوب، کمپین‌های آن‌ها شکست خواهد خورد. درواقع، اشتباهی که اکثراً صورت می‌گیرد این است: بازاریاب‌های دیجیتال هنگامی‌ که از داده‌ها استفاده می‌کنند، آن را با خلاقیت جایگزین می‌کنند، در‌حالی‌که هر دو در کنار هم برای موفقیت ضروری هستند.

برای درک بهتر موضوع به سراغ واهاگْنْ سَرکْسیان (Vahagn Sarksyan)، مدیر بازاریابی اسنپ‌تریپ و استراتژیست مارکتینگ‌ گروه اسنپ و محمدرضا فرحی، مدیر مالی در گروه سرمایه‌گذاری رهنما و رئیس هیئت‌مدیرۀ بیمه‌بازار رفتم و گفت‌وگوهای کوتاهی را در همین خصوص با آن‌ها انجام دادم که در ادامه می‌توانید آن‌ها را بخوانید.

شاید این پرسش برای شما پیش بیاید که چرا این‌قدر به اعراب‌گذاری روی اسم واهاگن دقت کرده‌ام؟ باید در پاسخ بگویم که این مسئله برای واهاگن خیلی مهم است که اسمش را درست تلفظ کنند. :‌‌)
واهاگن یک گروث‌هکر (Growth hacker) عاشق دیجیتال مارکتینگ است که به‌واسطۀ همین عشق توانسته خودش را رشد بدهد و موفق باشد. او چند سال پیش تصمیم گرفت که هر ماه حداقل یک کتاب مفید و خارج از حوزۀ کاری خود بخواند. دو جلد از بهترین کتاب‌هایی که خوانده و پیشنهاد می‌کند بقیه هم بخوانند این‌هاست:

1. کتاب The Power of Habit نوشتۀ Charles Duhigg: این کتاب دربارۀ نحوۀ به‌وجود‌آمدن و تغییر عادات در انسان‌ها، تأثیر آن بر زندگی انسان‌ها و کسب‌و‌کارهاست.
2. کتاب Buyology: Truth and Lies About Why We Buy نوشتۀ Martin Lindstrom: این کتاب به بررسی فرایند و عوامل مؤثر بر انتخاب و رفتار اقتصادی مصرف‌کنندگان، از بعد نوروساینس و نیز بررسی اقتصاد رفتاری می‌پردازد.

واهاگن معتقد است که اتوماسیون مارکتینگ می‌تواند در چند ماه باعث رشد فراوانی در کسب‌و‌کارها شود.

لطفاً خودتان را معرفی می‌کنید.

واهاگن سرکیسیان هستم، متولد فروردین ۱۳۶۹. از سال ۱۳۸۷ با برنامه‌نویسی PHP و Javascript وارد بازار کار شدم و خیلی زود به سمت SEO و دیجیتال مارکتینگ گرایش پیدا کردم و تا به امروز کارم در حوزۀ مارکتینگ را ادامه داده‌ام. همیشه به یادگیری علاقه داشتم و دارم و در مقطع کارشناسی‌ارشد در رشتۀ E-Business تحصیل کرده‌ام.

شما داده‌محوری را چطور تعریف می‌کنید؟

داده‌محوری را در ساده‌ترین حالت می‌شود: «تصمیم‌‌گیری براساس داده» تعریف کرد که خب این تعریف ساده، مراحلی را هم با خود به همراه دارد؛ از جمع‌آوری و ثبت تمامی داده‌های خام، تا تبدیل آن‌ها به‌صورت اطلاعات معنی‌دار (Information)، سپس استخراج بینش (Insight) از آن‌ها و درنهایت تصمیم‌گیری براساس یک خرد مشخص (Wisdom) که درواقع به‌صورت هرم داده (DIKW pyramid) شناخته می‌شود.

چه زمان‌هایی داده‌محوری توانسته است به شما در اسنپ‌تریپ کمک کند؟ اگر ممکن است با مثال برایمان توضیح دهید.

می‌توانم بگویم همیشه. ما به‌عنوان استارتاپ زمانی وارد بازار شدیم که رقبای قدرتمندی وجود داشت. آن‌ها سال‌ها زودتر از ما در این بازار حضور داشتند و به‌خوبی بازار را می‌شناختند و مشغول فعالیت بودند و هستند. با منابع محدودی که داشتیم، مجبور بودیم در همۀ تصمیم‌گیری‌ها از داده‌های واقعی استفاده کنیم تا بتوانیم درنهایت، اثربخشی و بهره‌وری (Efficiency) فعالیت‌هایمان، به‌ویژه در حوزۀ مارکتینگ را به سمت بیشینه‌شدن (Maxima) حرکت دهیم.

اگر بخواهم مثالی واقعی بزنم، می‌توانم به استفاده از داده در تصمیم‌گیری دربارۀ میزان اختصاص بودجه به هریک از چنل‌های مارکتینگ (Marketing Channels) و درواقع برنامه‌ریزی آمیختۀ بازاریابی (Marketing Mix Planning) اشاره کنم. همیشه یکی از مشکلات بزرگ مدیران کسب‌و‌کارها تصمیم‌گیری دربارۀ میزان اختصاص بودجه به هر‌یک از چنل‌های مارکتینگ است؛ چون هرکدام از این چنل‌ها ویژگی‌های خاصی دارند که باعث می‌شود نتوان به‌درستی دربارۀ آن‌ها تصمیم گرفت. ما سعی کردیم این مشکل را با رویکرد داده‌محوری حل کنیم.

نحوۀ پیاده‌سازی داده‌محوری در تیم شما به چه شکل بوده است؟

سعی کردیم از نمونه‌های موفق بین‌المللی (Best Practice) استفاده کنیم تا بتوانیم در اسنپ‌تریپ مشابه آن‌ها را پیاده کنیم. خیلی ساده بخواهم بگویم، در قدم اول سعی کردیم تمامی داده‌ها را ثبت کنیم و هیچ فعالیت مارکتینگی را که داده‌ها و نتایج آن قابل اندازه‌گیری نیست انجام ندهیم. در قدم دوم بحث مرتب‌سازی داده و استخراج بینش از داده‌ها بود که سعی می‌کردیم براساس موقعیت کسب‌و‌کارمان و اهداف و پرسش‌هایی که بایستی پاسخ بدهیم، بهترین بینش را استخراج کنیم و در قدم آخر بتوانیم براساس واقعیت‌ها (Facts) تصمیم بگیریم و این چرخه را ادامه بدهیم و تکرار کنیم. به‌صورتی‌که خروجی حاصل از هر تصمیم را به‌صورت یک داده، دوباره وارد فرایند تصمیم‌گیری کردیم تا با گذر زمان بتوانیم به یک فرایند تصمیم‌گیری داده‌محور برسیم.

یکی دیگر از ویژگی‌های فرایند‌ها و سیستم‌های داده‌محور، بهینه‌سازی مداوم آن‌هاست؛ چون هر بار اطلاعات جدید به‌صورت ورودی وارد فرایند می‌شوند که درنهایت می‌توانند باعث بیشینه‌شدن عملکرد سیستم شوند و خطا را کاهش دهند.

آیندۀ داده‌محوری در دیجیتال مارکتینگ را چطور ارزیابی می‌کنید؟

به نظر من نمی‌شود دربارۀ داده‌محوری و تصمیم‌گیری براساس داده صحبت کرد و به هوش مصنوعی فکر نکرد. همان‌طورکه می‌دانید هنوز هم تصمیم‌گیری داده‌محور در دنیا و به‌ویژه در کشور ما نوعی مزیت رقابتی تلقی می‌شود؛ ولی شخصاً فکر می‌کنم با گذر زمان و در ۵تا۱۰ سال آینده، هوش مصنوعی قسمت عظیمی از تصمیم‌گیری‌های روزمرۀ ما را چه در زندگی و چه در کسب‌و‌کار به عهده خواهد گرفت. به‌علاوه با گذر زمان تفاوت کسب‌و‌کارها بیشتر براساس بینش و خرد مدیران رقم خواهد خورد و دیگر داده‌محوری، مزیت رقابتی نخواهد بود و به‌صورت جزئی جدانشدنی از زندگی و کسب‌و‌کار ما خواهد بود.

در ادامه می‌توانید صحبت‌های محمدرضا فرحی را بخوانید.

محمدرضا فرحی، مدیری تحصیل‌کرده و با پشتکار فراوان است. یکی از شاخصه‌های بزرگ و اصلی که به‌خوبی از پس آن بر‌می‌آید، مدیریت‌کردن پروژه است.
وقتی کسب‌و‌کاری به مشکل بربخورد، با روحیۀ قوی و دقت عملی که در ارائۀ راهکارها دارد، به‌خوبی می‌تواند از پس مشکلات بربیاید. او آموزش نیروی انسانی را بازی برد-برد می‌داند. به همین خاطر است که به نیروهای جوان بها ‌داده و به آن‌ها اجازه می‌دهد خطا کنند تا یاد بگیرند. فرحی نیروی انسانی را سرمایۀ هر کسب‌و‌کاری می‌داند.

او معقتد است کسب‌وکاری موفق است و می‌تواند بزرگ شود که در طولانی‌مدت به نقطۀ سربه‌سر برسد؛ اما در عوض بتواند همیشه رشد خود را حفظ کند.

خودتان را معرفی می‌کنید.

محمدرضا فرحی هستم، متولد خرداد ۱۳۶۵٫ کارشناسی خود را در رشتۀ مهندسی صنایع از دانشگاه شریف گرفتم و کارشناسی‌ارشد را در مدرسۀ تولوس فرانسه خواندم. کارشناسی‌ارشد دیگری هم در رشتۀ تجارت بین‌الملل و مالی در مدرسۀ تحصیلات تکمیلی اقتصاد بارسلونا و دانشگاه پُمپی فاربا گرفتم. دورۀ دکترا را درزمینۀ نظریۀ قراردادها، از زیرشاخه‌های نظریۀ بازی‌ها که رشته‌ای بین اقتصاد و مالی هست، شروع به تحصیل کردم. به دلیل پروژۀ سربازی بنیاد نخبگان و چند مورد دیگر به ایران برگشتم و آن دوره نیمه‌تمام ماند.

از ۱تیر۹۴ در شرکت سرمایه‌گذاری خطرپذیر رهنما به‌عنوان مدیر مالی فعالیت خود را شروع کردم. شش ماه پس از ورودم به رهنما روی ایدۀ بیمه‌بازار کار کردم و در ۱خرداد۱۳۹۵ با همراهی دوستانم بیمه‌بازار را تأسیس کردیم.

در حال حاضر علاوه بر فعالیت‌هایی که دارم، کارگاه‌های خصوصی و عمومی برگزار می‌کنم و درس سرمایه‌گذاری جسورانه را برای ارائه در دانشگاه تدوین کرده‌ام که به پرورش کارشناسان VC زبده کمک می‌کند.

شما داده‌محوری را چطور تعریف می‌کنید؟

داده‌محوری یعنی محوریت با داده باشد. اما این تعریف باید این‌گونه شرح داده شود: تصمیمات تجاری همیشه این‌طور بوده است که چند عامل را در کنار هم قرار می‌دهیم. در تئوری تصمیم گفته می‌شود که اندوختۀ ذهنی افراد چند ملاحظه، ویژگی، اقتضائات و شرایط را کنار هم قرار می‌دهد و مجموع تصمیمات ممکن را از آن شرایط استنتاج می‌کند. آن وقت می‌بینیم که کدام تصمیمات می‌تواند در آینده خروجی بهتری داشته باشد. اما مشکل چیست؟ اندوختۀ ذهنی آدم‌ها محدود است و دسترسی به اطلاعات و هوشمندی کنار هم قرار دادن این اطلاعات نیز ضعیف است. به عبارت بهتر، در هر بیزنس صدها یا شاید میلیون‌ها point data داریم که بعضی از آن‌ها که فی‌البداهه به هم ربط دارند، به ذهن ما می‌رسد. مثل اینکه میزان فاصلۀ مشتری از مرکز توزیع، در هزینۀ حمل‌و‌نقل کالا تأثیر می‌گذارد. این را هر ذهنی می‌فهمد؛ ولی در مباحث پیچیده که لزوماً علت و معلولی با هم ندارند، هوشمندترین ذهن‌ها نمی‌توانند درک کنند که آن‌ها به هم ربط داشته و بر هم کنش دارند. به عبارت بهتر، اداره‌کردن هر کسب‌و‌کار مثل تئوری کوه یخی است که ۹۵درصد آن زیر زمین است و هوشمندترین هوش‌ها هم ۵تا۷ درصد آن را می‌دانند.

چه زمان‌هایی داده‌محوری توانسته به شما در بیمه‌بازار کمک کند؟ اگر ممکن است برای ما مثال بزنید.

در بیمه‌بازار با استفاده از داده‌محوری توانستیم هزینه‌های خود را کاهش دهیم و سود بیشتری کسب کنیم. در بیمه‌بازار، به ازای هر تماس متخصص بیمۀ عمر باید هزینه‌هایی اعم از هزینۀ تلفن، بیمه، عیدی، سنوات و هزینه‌های سربار دیگر را پرداخت کنیم. در تماس‌های خروجی که کارشناسان بیمۀ عمر ما با خریداران بیمۀ ثالث دارند، کانورژن ریت (Conversion Rate) دو درصد است؛ یعنی هر ۵۰ تماس به فروش یک بیمۀ عمر منجر می‌شود. یعنی شما ۵۰ را ضربدر ۵۰هزار تومان کنید، عددی می‌شود که ما به‌عنوان هزینه پرداخت می‌کنیم.

اما چرا؟ چون خرید بیمۀ ثالث اجباری است و افرادی که حتی اعتقادی به بیمه ندارند مجبورند این بیمه را بخرند. اما این حالت را مقایسه کنید با افرادی که علاوه بر بیمۀ ثالث، بیمۀ بدنه (بیمۀ اختیاری) هم می‌خرند. کانورژن ریت در فروش بیمۀ عمر در این حالت افزایش پیدا ‌می‌کند و این فروش هزینه‌های سر‌به‌سر ما را رد می‌کند و هزینۀ جذب مشتری (Customer cost) منطقی برای ما حاصل می‌شود. این مثال و اطلاعات فقط حاصل یک query سادۀ داخل داده است.

نحوۀ پیاده‌سازی داده‌محوری در تیم شما به چه شکل بوده است؟

در بیمه‌بازار خیلی تلاش کردیم همۀ همکاران ما در تیم مارکتینگ حس خوبی به عدد و رقم داشته باشند. اینکه بدانند دقیقاً ۱۰میلیون و ۱۰۰میلیون چه چیزی هست. جدای اینکه فهم پیچیدۀ اعداد مهم است، فهم اولیۀ اعداد هم بسیار اهمیت دارد. همۀ اعضای تیم باید بفهمند عواید دقیقاً چه چیزی است و البته افرادی باید در تیم باشند که به‌شدت براساس عملکرد رفتار کنند و بتوانند کانال‌های مختلف را راستی‌آزمایی کنند؛ از این جنبه که کیفیت یوزری که برای ما می‌آورد، چقدر برای بیزنس مطلوب است.

بازاریابی دیجیتال داده‌محور را در ایران چطور ارزیابی می‌کنید؟

متأسفانه کسی در ایران براساس داده‌محوری بازاریابی نمی‌کند و کار بسیار سختی است. درواقع آنچه بیشتر در ایران رواج دارد و برای عموم قابل فهم است، نتورکینگ یا فروشندگی است. اما بخش مهمی از مارکتینگ این است که بتوانید داده‌محور تحلیل کنید و تعیین کنید آیا تکرار سیاستی که انتخاب کرده‌اید و کاری که با مشتری می‌کند در درازمدت به من صدمه نمی‌زند و منافع من تأمین می‌شود؟

متأسفانه در این زمینه کار موفق و گام جدی که این خلأ را پر کند، در ایران ندیدم. ایونت‌های یک‌روزه مانند «روز بازاریابی دیجیتال» برگزار شده است که باز هم به آن ایرادات زیادی وارد است. ما نیرویی نداریم که مهارت‌های بین‌المللی داشته باشد و بتواند از نرم‌افزارهای تحلیل عملکرد تیم مارکتینگ به‌خوبی استفاده کند.

آیندۀ داده‌محوری در دیجیتال مارکتینگ را چطور ارزیابی می‌کنید؟

آیندۀ بسیار درخشانی دارد. به ‌نظر من استارتاپ‌هایی که بزرگ شدند و به سوددهی رسیدند، فقط نباید به فکر تملیک استارتاپ‌های کوچک باشند یا فقط بخواهند وارد بورس بشوند، بلکه باید بخشی از توان خود را برای غنا‌بخشیدن به نیروی انسانی اکوسیستم، بالاخص بازاریابی صرف کنند. یکی از ضعف‌های‌ استارتاپ‌ها بازاریابی داده‌محور است. بنابراین بایستی دوره‌های آموزشی تشکیل شود، از افراد بین‌المللی در این حوزه استفاده کنیم و کارگاه‌ها، سمینارها، سخنرانی‌ها و حتی دوره‌های آموزشی کوتاه‌مدت طراحی شود.

داده‌محوری کمک می‌کند سرمایه هدر نرود، خروجی ارزشی مناسبی داشته باشد و با کم‌کردن هزینه، پول کمتری از سرمایه‌گذار بگیریم و سهام کمتری واگذار کنیم تا در درازمدت بیزنس ارزشمندتری داشته باشیم.

در آخر هم می‌توانید مطالعۀ موردی تحلیل و بررسی بلاگ خودم را که برای انجام دیجیتال مارکتینگ آن از علوم داده استفاده کرده‌ام و از سینا شفیع‌زاده که تحلیلگر داده است، کمک گرفته‌ام را اینجا بخوانید.

¹⁾Udemy

²⁾Think with Google

³⁾Marketing Land

⁴⁾MakeUseOf

⁵⁾Sprout Social

⁶⁾Makethunder

⁷⁾Content Intelligence

⁸⁾Convince & Convert

⁹⁾Solutions Review

¹⁰⁾گراف تیم

¹¹⁾مارکتینگ ایران تلنت

¹²⁾کافه بازاریابی

¹³⁾فرادرس

¹⁴⁾هورمند

¹⁵⁾آی بازاریابی

¹⁶⁾کافه بازاریابی