فرصت های مهندسی بازاریابی- بخش اول

اثربخشی مهندسی بازاریابی – بخش دوم

چگونه مهندسی بازاریابی شکاف مابین تجربه و نظریه را در بازاریابی پر می کند؟ – بخش سوم

کلمات کلیدی

بازاریابی، مهندسی بازاریابی، مدل‌های بازاریابی، سیستم‌های پشتیبان تصمیم‌گیری بازاریابی، کاربرد بازاریابی، ابزارهای بازاریابی

از قول تا عمل

عوامل متعددی ممکن است دوره گذار مهندسی بازاریابی را شکل داده باشد. در اینجا بر سه عامل آن تکیه شده است: ۱- مدل‌سازی کاربر نهایی، ۲- آموزش کاربر و ۳- مهندسی بازاریابی در اینترنت.

۱- مدل‌سازی کاربر نهایی

مدل‌های تصمیم در دامنه بازاریابی از مدل‌های خیلی پیچیده که به‌وسیله یک گروه از خبرگان، برای آن‌هایی که (کاربران نهایی این مدل‌ها) دانش ‌پایه‌ای از بازاریابی و مهندسی بازاریابی دارند، ایجاد و توسعه داده می‌شود.

بسیاری از مدل‌های بازاریابی با مقیاس بزرگ به‌وسیله گروه‌های خبرگان در کنار هم قرارگرفته‌اند و چنین کاربردهایی ادامه خواهد یافت. هم‌زمان دسترسی به کامپیوترهای رومیزی ایجاد و به‌کارگیری مدل‌های کاربر نهایی را تشویق خواهد کرد. برای موفق شدن، مدل کاربر نهایی به یک تناسب خوب با توانایی‌ها و ترجیحات تصمیم‌گیرنده خاص، قابلیت دسترسی مستقیم و امکان به دست آوردن پاسخ‌های سریع برای مسائل واقعی بازاریابی که محدودیت‌های زمانی زیادی دارند، نیاز دارد.

فرایند مدل‌سازی به‌وسیله افرادی که با یک مسئله تجاری درگیرند آغاز و تکمیل می‌شود. کاربر به‌ندرت یک تحلیل گر یا یک متخصص مدل‌سازی است. هدف از تلاش برای مدل‌سازی کسب درک بهتر از مسئله تصمیم و گزینه‌های عمل در دسترس کاربر است.

تلاش مدل‌سازی ماهیتاً، غیر ریاضی است، اگرچه مدل‌های اصلی و پایه‌ای ممکن است خودشان ریاضی باشند. کاربر به نمودارها، صفحات گسترده و نرم افزارها که مدلی می‌سازند تا درک او از مسئله بازرگانی را انعکاس دهد، اعتماد می‌کند.

کاربر با توجه به محدودیت‌های زمان و بودجه مدل‌ها را توسعه می‌دهد و خصوصیت‌های یک‌راه حل خوب مهندسی را دارد،  «یک کار را آن‌قدر که می‌توانی خوب انجام بده». مدل‌ساز از تمامی اطلاعاتی که در اختیار دارد در کنار خلاقیت ذاتی خود استفاده می‌کند. خود مدل ممکن است ساده‌تر از مدل‌های ساخته‌شده به‌وسیله محققان دانشگاهی یا دانشمندان مدیریت حرفه‌ای باشد. قضاوت یک نقش بزرگ و مهم را در تولید داده‌های مدل و تفسیر نتایج بازی می‌کند.

مدل‌ها اغلب برای آگاهی‌های جهت دهنده ایجاد می‌شوند تا برای راهنمایی‌های عددی مشخص شوند. در مقابل برای سیستم‌های پشتیبان تقسیم بزرگ، اغلب خروجی‌هایی را که بیشتر برای الگوهای عمومی تا یک خروجی خاص، مفید هستند تولید می‌کنند.

جدول ۱ موارد مذکور و سایر تفاوت‌های بین مدل‌های کاربر و سایر مدل‌ها را خلاصه می‌کند. موفقیت در مدل‌های کاربر نهایی، شاید انگیزه‌ای برای مدیران باشد تا استفاده‌های گسترده این مدل را در سازمان، در شکل سیستم‌های پشتیبــان تصمیم که با پایگاه‌های داده شرکت پیوند خورده‌اند را توسعه بخشد.

جدول ۱

مقایسه دو سیستم پشتیبانی تصمیم‌گیری بازاریابی: end-user  و high-end

۲-  آموزش کاربر

 همان‌طور که در ادامه روشن خواهد شد برخی از منافع بزرگ مهندسی بازاریابی از طریق مدل‌سازی کاربر نهایی تشخیص داده می‌شوند. هنگامی‌که مدل‌های کاربر نهایی که انتقال فنّاوری را تسهیل می‌کند ایجاد و توسعه داده‌شده‌اند، یک عنصر کلیدی پیوسته با آن‌ها «یادگیری از طریق عمل» در ارتباط است.

یک عامل کلیدی مرتبط با آموزش لازم، پذیرفتن آموزش از طریق انجام کار است. این مواد با برنامه‌های کارشناسی و برنامه‌های MBA و MBA پیشرفته تطبیق داده‌شده است. شرکت‌هایی مانند Kodak Medical Imaging این شکل از آموزش را به‌صورت اجباری برای تمامی افراد مرتبط با بازاریابی به اجرا درآورده‌اند. برنامه اجرایی توسعه محصول جدید وارتون[۱] زیرمجموعه‌ای از مطالب را به‌عنوان مکمل تحلیلی برای مطالب مفهومی بیشتری که در چنین برنامه‌هایی تدریس می‌شوند، اتخاذ کرده است.

ویژگی برتر جعبه‌ابزار مهندسی بازاریابی این است که بلافاصله برای کاربرد و استفاده جوابگو است. ازاین‌رو مدیران می‌توانند مفاهیم بخش‌بندی، هدف‌گذاری، موضع یابی، تخصیص منبع و مسائل واقعی درگیر با کسب‌وکارشان را در دوره آموزش و جلسات بکار گیرند و استفاده کنند. مدیران ارزش بالقوه این تمرینات را «یادگیری پیش‌بینی کننده» برای آنچه ممکن است در شرایط و سناریوهای مختلفی در دنیای واقعی اتفاق بیافتد و با آن مواجه باشند می‌بینند. دانشجویان MBA مفاهیم را می‌توانند برای مسائلی که طی دوره‌ها و ترم‌ها و کتاب‌های دانشگاهی با آن آشنا شده‌اند بکار گیرند. مثال زیر مسئله را روشن خواهد نمود.

مثال موردی: اندازه و تخصیص نیروی فروش در شرکت C-Tek

 در بالا به مثال آزمایشگاه‌های سینتکس[۲] اشاره کردیم. کتاب مهندسی بازاریابی و نرم‌افزار آن شامل قضیه سینتکس است که به دانشجویان کمک می‌کند تعیین کنند چه تعداد نیروی فروش سینتکس باید طی دوره سه‌ساله استخدام کنند و چگونه آن‌ها را باید به بخش‌های مختلف تخصیص دهند. دانشجویان همچنین به دستور مدیریت به نوارهای ویدئوئی شرکت دسترسی داشتند. مشخص شد که بر اساس استفاده از این مدل فراهم‌شده، ۱۵ میلیون دلار فراتر از برنامه استراتژیک شرکت به دست آمد. (و معلوم شد که اگر نسبت به مدل، شناخت و درک بیشتری داشتند سود حدوداً دو برابر می‌شد).

مدل پاسخ قضاوتی که در سینتکس بکار رفت در شرکت C-Tek هم که تأمین‌کننده مواد صنعتی است و می‌خواهد اندازه مناسب و تخصیص نیروی فروش خود در آمریکا را بررسی کند مورداستفاده قرار گرفت.

وضعیت جاری شرکت C-Tek این است که فروشش حدود ۱۰۰ میلیون دلار است و حدود ۷۸ نفر از کارکنان فروش را از ۱۴ شعبه خود اخراج کرده است.

یک جلسه یک‌روزه پاسخ قضاوتی تشکیل شد که در آن مدیران ارشد فروش، مدیران فروش ملی، مدیران بازاریابی و تحلیل گران تحقیقات بازاریابی آن شرکت حضور داشتند. بعد از یک و نیم ساعت جلسه معرفی، گروه را به ۴ زیرگروه که هرکدام وظیفه بررسی پاسخ به سه چهار شعبه را داشتند تشکیل دادیم که ضرورتاً به سؤالات زیر پاسخ دهند:

در طی سه سال گذشته فروش این شعبه با شرایط زیر چگونه بررسی می‌شد؟ هیچ نیروی فروش، یک نفر کمتر، همان نیروی فروش، یک نفر بیشتر، افزایش زیاد در تعداد نیروی فروش.

با این ورودی‌ها یا ورودی‌های دیگر (اندازه‌های بازار، نرخ‌های رشد، حاشیه‌های سود) مدل‌های مختلفی ایجاد شد که نشانگر موارد زیر بود:

• به دو شعبه از ۱۴ شعبه به‌طور معنی‌داری بیش‌ازحد نیرو اختصاص داده‌شده بود و ۳ شعبه هم کمتر از حد نیاز نیرو داشتند.
• چنانچه افراد را از شعبه‌هایی که بیش از نیاز نیرو داشتند به آنجاها که کمتر از حد نیاز نیرو داشتند منتقل کنیم به‌سادگی سود ۴% افزایش خواهد یافت.
• و چنانچه ۳۰- ۲۵ نفر به فروشندگان این شعبات اضافه شود ۷% رشد در سود محاسبه خواهد شد که درمجموع ۱۱% سود رشد خواهد کرد.

بر اساس این تجربه، گروه تصمیم گرفت رشد قابل‌توجهی را در نیروهای فروش صفی پیشنهاد کند. قضیه C-Tek به یک گروه از دانشجویان MBA (بعد از قضیه Syntex) برای نشان دادن ارزش عملی نگرش مهندسی بازاریابی ارائه گردید. چنین کاربرد مستقیمی اعتبار و انگیزه دانش جویان را که در آینده با موقعیت‌های تصمیم پیچیده مواجه خواهند بود و با ابزارهایی که با بهینه‌سازی غیرخطی در ارتباط می‌باشند را بالا خواهد برد.

۳- مهندسی بازاریابی در اینترنت

 انتظار می‌رود که روند افزایش سیستم های کاربر نهایی با استفاده گسترده از اینترنت بیشتر شود. همچنان که بیشتر مدیران برای تصمیم‌گیری روزانه خود استفاده از اینترنت را به‌عنوان یک منبع آغاز کرده‌اند (فعالیت‌های مثل گرفتن اطلاعات و …) به‌احتمال‌زیاد آن‌ها استفاده از مدل‌های تصمیم که در شبکه در دسترس هستند را افزایش خواهند داد. با افزایش استفاده از زبان Java مدل‌سازی تعاملی پیچیده‌تر در شبکه‌ها ظاهرشده است. در حالی که بسیاری از مدل‌های موجود در شبکه بر مسائل ساده‌ای تأکیددارند، محاسبه‌ای مثل ارزش سهام، در آینده با مدل‌های پیچیده‌تری برای مسائل پیچیده‌تر در شبکه‌ها ۲۴ ساعت در روز مواجه خواهیم بود. در حقیقت بیشتر مدل‌های L & R در سال ۲۰۰۰ در اینترنت قرار خواهند داشت و به چیزی جز یک جستجوگر برای دسترسی و استفاده نیاز نخواهند داشت.

چشم انداز مهندسی بازاریابی (در بخش های آینده بخوانید)

[۱] Wharton

[۲] Syntex labs