Ahogy minden más területen, úgy a marketingben is egyre meghatározóbb szerepet töltenek be a mesterséges intelligencia, gépi tanulás és az adattudományokra, fejlett analitikus módszerekre épülő technológiák. A digitális marketing már évtizedek óta megjelent és többek között ezeket a digitális marketing eszközöket intelligenciával felvértezve jutottunk el a marketing automatizációig (amely már legalább annyira szól az algoritmusokról és adatokról, mint magáról a marketingről).

Ha ez a téma szóba kerül, akkor valószínűleg sokakban felmerül a mostanában gyakran emlegetett, "a robotok elveszik a munkánkat" frázis. A marketing területén ez talán kevésbé igaz, sokkal inkább jellemző - legalábbis egyelőre - hogy a marketingesek munkáját ezek a megoldások nem elveszik, hanem átalakítják és hatékonyabbá teszik. Érdemes lehet ezt úgy is közelíteni, hogy ha egy olyan vállalat példáját nézzük, ahol a marketing inkább egy stratégia alkotó és megrendelő, koordináló szerepet tölt be: ilyenkor a konkrét megvalósítást általában alvállalkozók, külső szakértők hajtják végre. Ebben a megközelítésben a robotok és automaták azok az "alvállalkozók", akik a célfeladatot elvégzik.

Ugyanakkor a modern marketing szakembereknek ismernie kell és tudni kell használni ezeket az eszközöket, tisztában kell lenni a datanalytics módszerekkel (hogy mit érdemes tanulni, arról itt írtunk).

Hogyan épül fel a gyakorlatban egy tipikus adatelemzési / adatbányászati projekt? Milyen lépései vannak, mire kell figyelni, mik a fő fókuszok? A bejegyzésben röviden összefoglaljuk, amit érdemes tudni a folyamatról.

2019 áprilisban a magyar ötös lottó történetének 3. legnagyobb nyereményét lehet megnyerni, amely a 16. héten már közel 4.2 milliárd forint. Ilyenkor jelentősen megnő az eladott lottószelvények száma, sokan számolnak mit csinálnának a nyereménnyel és vannak, akik "stratégiákat" is alkotnak.

A lottóval kapcsolatos esélyekről, annak matematikai hátteréről számos cikk született már. Mi arra voltunk kívácsiak egy hétköznapi, sokakat érintő és lázba hozó példán keresztül, hogy az adatok és az esélyek statisztikai mérlegelése nélkül, bizonyos hiedelmek - pontosabban korlátozott számú megfigyelésre alapozott "stratégiák" - miként befolyásolják a döntést. Ennek érdekében még a párhuzamos univerzumok világába is elkalauzoljuk az olvasót!

Szögezzük le rögtön az elején, hogy nincs helyes stratégia, sőt! Ha a valószínűségekkel súlyozott várható nyereményt nézzük (nyerési esély és várható nyeremény szorzata), akkor az a helyes, ha nem lottózunk.  Egyébként annak belátásához, hogy hosszú távon az átlagos játékos nem nyerhet még csak különösebb statisztika tudás sem szükséges: elég ha csak az adatok felől közelítünk és megnézzük a Szerencsejáték Zrt. éves beszámolójában a bevételek és nyeremények kifizetésére fordított összegek különbségét.

A 21. században - akárcsak az élet más területein - az üzleti életben is kiemelt figyelmet kaptak az automatizáció, a mesterséges intelligencia és tanuló algoritmusok, valamint az adatok. A nagy mennyiségben rendelkezésre álló adatok lehetővé teszik, hogy a vállalkozások azokat különböző adatbányászati módszerekkel elemezve, értékes tudásra tegyenek szert és növeljék az üzleti hatékonyságukat.

„Amit nem tudsz mérni, azt nem tudod jobbá tenni!”

Az adatok mellett egy másik aktuálisan - és a jelenlegi munkaerőpiaci környezetben különösen indokolta - felkapott téma a munkáltatói márkaépítés. Bár még az adatokkal foglalkozó szakemberek sem gondolnak mindig rá, de az employer branding is egy olyan terület, ahol a márkaépítést adatalapú megközelítéssel mérhetővé és sikeresebbé lehet tenni! 

Azon szakemberek, akik rendszeresen és nagyobb mennyiségű adattal dolgoznak, jó ha több különböző területre kiterjedő tudással rendelkeznek. Az értékesítési és marketing, vagy egyéb üzleti adatok megértéséhez, illetve az adatokban rejlő üzleti tudás kinyeréséhez nemcsak a statisztikai-matematikai alapokkal és analitikus módszerekkel szükséges tisztában lenni! Megfelelő technikai vénával (IT/programozási ismeretek) és végül - de nem utolsó sorban - az adott szakterületre vonatkozó ismeretekkel is rendelkezni kell.

A bejegyzésben az előbb említett 3 fő csoportba rendezve összefoglaljuk, hogy melyek a legfontosabb elemei a modern üzleti adatelemzők és döntéshozók "fegyvertárának".

Az adatokra épülő modellek felépítése - kicsit "trendibb" megfogalmazással élve a modell tanítása vagy tréningezése - az 5 fő lépésre bontható, amely lépéseket akár többször is meg kell ismételni:

Fontos azt is látni, hogy ezek a lépések még csak modell tanítására vonatkoznak, miközben egy komplett adatbányászati projektnek ez csak egy "állomása", mivel maga az adatbányászati projekt is több lépésből áll (erről egy másik bejegyzésben).

Kik vagyunk?

A SonicData Kft. az üzleti képzésekkel és tanácsadással, adatalapú kutatásokkal, mérésekkel segíti a partnereit az intelligensebb üzleti döntések meghozatalában.

A tevékenységünk elsősorban marketing, értékesítési illetve pénzügyi kérdésekre fókuszál, de akár más - például HR vagy társadalmi - tematikájú projektekben is közreműködünk, ahol szükség van az adatok megértésére, mérésére, elemzésére és a döntések támogatására. 

Mivel foglalkozunk?

• üzleti adatelemzésekkel, mérésekkel és döntéstámogatással kapcsolatos képzések – workshop, 1-4 alkalmas kurzusok
• nagy volumenű üzleti adatok elemzése, prediktív analitikai modellek felállítása – például értékesítési hatékonyság, jövedelmezőség vagy sales tölcsér analízis, ügyfél szegmentáció
• üzleti KPI-ok definiálása, mérése, elemzése – az adott üzleti környezet, iparág és működési modell függvényében a javasolt mérési pontok, ehhez szükséges adatok
• meglevő üzleti adatvagyon feltérképezése és javaslatok az adatvagyon fejlesztésére – üzleti célok függvényében mit és hogyan lenne érdemes gyűjteni, milyen adatforrások szükségesek
• piackutatás, egyéb üzleti kutatási/mérési feladatok - stratégiák kialakítása, adatgyűjtés, kérdőívek összeállítása és a kapott eredmények kiértékelése

Hol érhetsz el minket?

Címünk: 1035 Budapest, Vihar u. 18

Honlap: sonicdata.hu

Email: info[kukac]sonicdata.hu