CC BY
9УДК / UDC 339.35
DOI: 10.24412/2071-3762-2024-5323-70-76
ИСПОЛЬЗОВАНИЕ БОЛЬШИХ ДАННЫХ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ
GO-TO-MARKET СТРАТЕГИЙ
Using big data to improve the effectiveness of go-to-market strategies
Барышков Кирилл Васильевич,
магистр финансового менеджмента, Финансовый университет при Правительстве Российской Федерации; Москва, Россия, Ленинградский проспект, д. 49/2 Baryshkov Kirill Vasilyevich,
Master of Financial Management, Financial University under the Government of the Russian Federation; 49, Leningradsky Prospekt, Moscow, Russia [email protected] https://orcid.org/0009-0004-7396-6065
В статье рассматривается влияние больших данных на стратегии выхода на рынок в сфере цифровой коммерции. Используя алгоритмы машинного обучения, такие как кластеризация k-means и деревья решений, в исследовании описывается, как большие данные улучшают стратегии выхода на рынок путём совершенствования сегментации рынка, оптимизации маркетинговых каналов и персонализации взаимодействия с клиентами. Результаты исследования показывают, что большие данные способствуют процессу принятия решений на основе данных, позволяя проводить точный анализ рынка, сегментацию и прогнозирование тенденций. Это подчёркивает важность интеграции больших данных в стратегии GTM для получения конкурентных преимуществ и устойчивого роста на цифровом рынке. Этот вклад в научный дискурс подчёркивает роль больших данных в трансформации стратегий GTM, предоставляя практические идеи для стратегического маркетинга с помощью аналитики больших данных.
Ключевые слова: большие данные; цифровая коммерция; машинное обучение; сегментация рынка; оптимизация маркетинговых каналов; предиктивная аналитика; принятие; устойчивый рост.
This paper examines the impact of big data on go-to-market strategies in digital commerce. Using machine learning algorithms such as k-means clustering and decision trees, the study describes how big data improves go-to-market strategies by improving market segmentation, optimizing marketing channels, and personalizing customer interactions. The results of the study show that big data facilitates data-driven decision-making by enabling accurate market analysis, segmentation and trend forecasting. This emphasizes the importance of integrating big data into GTM strategies to gain competitive advantage and sustainable growth in the digital marketplace. This contribution to the academic discourse emphasizes the role of big data in transforming GTM strategies by providing practical insights for strategic marketing through big data analytics.
Keywords: big data; digital commerce; machine learning; market segmentation; marketing channel optimization; predictive analytics; adoption; sustainable growth.
Введение (Introduction)
В условиях стремительно развивающегося ландшафта цифровой коммерции как никогда остро стоит вопрос разработки и реализации эффективных стратегий выхода на рынок. Стратегия выхода на рынок (GTM сокр. от go-to-market) — это комплексный план, который описывает, как компания будет запускать и продвигать новый продукт.
Глобальное распространение новых технологий — от мобильных устройств до социальных сетей и искусственного интеллекта — приводит к цифровой трансформации операционной деятельности организаций. В основе этих
* 2023: Объем глобального рынка инструментов Big Data оценен в $220,2 млрд [Электронный ресурс] - Режим доступа: https:// www.tadviser.ru/index.php (дата обращения: 29.02.2024).
46É
технологий лежат оцифрованные «большие данные».
С 2014 года на большие данные обратили внимание ведущие мировые университеты, где преподают прикладные инженерные и /T-специальности. Затем к сбору и анализу подключились /7-корпо-рации, такие как Microsoft, /BM,
Oracle, EMC, а затем Google, Apple, Facebook и Amazon. Сегодня большие данные используются крупными компаниями во всех отраслях, а также государственными учреждениями. По итогам 2023 года объем мирового рынка больших данных (Big Data) достиг $220,2 млрд* (рис. 1).
Рис.1. Динамика развития рынка больших данных в мире Pic.1. Dynamics of development of the big data market in the world
Распространение данных и аналитики больших данных (BDA — big data analytics) открывает широкие возможности для накопления знаний о рынке, определения целевых рынков и разработки маркетинговых стратегий [1]. Было доказано, что стратегическое использование больших данных улучшает результаты деятельности организаций, производительность и рост прибыли [2]. Однако, поскольку менее половины компаний рассматривают данные как бизнес-актив [3], а многие действующие компании не могут воспользоваться преимуществами этого нового ресурса, это чревато серьёзными последствиями для прибыльности и конкурентоспособности.
Низкий уровень вовлеченности в работу с большими данными часто объясняется проблемами, с которыми сталкиваются организации при использовании и извлечении выгоды из этого ресурса. Основная проблема, с которой сталкиваются компании и маркетологи, — это сложная задача просеивания, анализа и получения прикладных выводов из этих больших массивов данных. Эта сложная проблема усугубляется динамичным характером потребительских предпочтений, растущей конкуренцией на цифровых платформах и высокими темпами технологического прогресса.
Решение этой проблемы требует многогранного подхода, который использует возможности аналитики больших данных для обоснования и уточнения стратегий выхода на рынок. Интегрируя данные на этапах планирования, реализации и оптимизации GTM-ини-циатив, компании могут достичь более высокой степени точности в таргетинге, передаче сообщений и позиционировании продукта.
Это, в свою очередь, повышает эффективность и результативность усилий по выходу на рынок и экспансии, позволяя организациям лучше удовлетворять потребности целевой аудитории, оптимизируя распределение ресурсов и максимизируя отдачу от инвестиций.
Цель статьи — изучить потенциал больших данных в революционном изменении стратегий GTM. Она призвана рассмотреть процесс анализа больших данных в контексте планирования и реализации GTM, предоставляя всесторонний обзор проблем и возможностей. Благодаря тщательному изучению текущей практики, тематических исследований и новых тенденций, данная статья призвана предложить ценные идеи и практические рекомендации по использованию больших данных для разработки стратегий GTM, которые не только реагируют на динамику рынка, но и соответствуют организационным целям и ожиданиям клиентов.
Материалы и Методы (Materials and Methods)
Оцифрованные большие данные лежат в основе функциональности всех цифровых технологий, благодаря своим пяти « V» — объёму, разнообразию, скорости, достоверности и ценности. Этими характеристиками можно управлять и анализировать их для получения информации, позволяющей повысить конкурентоспособность организаций, производительность, рост прибыли и стоимость предприятия [4]. Однако несоответствие между потенциалом больших данных и готовностью организаций работать с ними, может ограничивать их способность реагировать на изменения рынка, ограничивая потенциальный рост
и подвергая риску их конкурентные преимущества.
Учёные, занимающиеся информационными системами, отмечают преимущества использования BDA и способность больших данных повышать операционную эффективность за счёт планирования ресурсов предприятия (ERP— enterprise resource planning) и управления взаимоотношениями с клиентами (CRM — clients relationships management) [5]. Однако роль BDA в маркетинге мало изучена. Некоторые работы посвящены использованию больших данных в операционном маркетинге [6], их применению в стратегическом маркетинге уделяется гораздо меньше внимания, хотя в некоторых исследованиях рассматривается их вклад в гибкость и эффективность маркетинга.
Этот пробел в знаниях является существенным и удивительным, учитывая, что стратегический маркетинг опирается на рыночную информацию, которая может быть значительно расширена за счёт больших данных о поведении и отношении клиентов, конкурентов и других заинтересованных сторон. Как показывают такие компании, как Amazon [7], такая разведка даёт важное представление о потенциальных возможностях, приоритетах таргетинга и путях достижения конкурентного преимущества, а также может привести к улучшению процесса принятия стратегических решений и разработке новых предложений.
Прежде чем перейти к конкретным аспектам использования больших данных в стратегии выхода на рынок, важно понимать, что именно подразумевается под терминами «большие данные» и «аналитика». В общих чертах, под большими данными подразумеваются
настолько большие и сложные массивы данных, что традиционные инструменты обработки данных не справляются с ними. Аналитика, с другой стороны, относится к методам и инструментам, используемым для извлечения информации из этих наборов данных [8].
Определение больших данных характеризуется их отличительными характеристиками,которые принято называть «пять V» (volume, variety, velocity, veracity, value): объем, скорость и разнообразие, достоверность и ценность. Объем означает огромное количество данных, генерируемых ежесекундно; скорость — быстрый темп производства и обработки этих данных; а разнообразие — различные типы данных, включающие структурированные, полу структурированные и неструктурированные форматы. Эти параметры подчёркивают сложность и потенциал больших данных, способных революционизировать процессы принятия решений, предоставляя всесторонние сведения, которые ранее были недостижимы [9]. Это может быть что угодно — от истории покупок клиентов до данных датчиков промышленного оборудования.
Как показано на схеме ниже (рис. 2), сбор и интеграция разнообразных данных имеют решающее значение для комплексного аналитического подхода в аналитике. Источники данных часто выдают результаты в разрозненных форматах с уникальными параметрами, что исключает возможность простой консолидации в единую базу данных. Например, рассмотрим розничный магазин, который работает в офлайне, через онлайн-площадки и прямые интернет-продажи. Чтобы получить полное представление о мо-
делях продаж и потребительском спросе, необходимо объединить множество типов данных: чеки кассовых аппаратов, уровни складских запасов, онлайн-зака-зы, транзакции на рынке и т. д. Как правило, эти данные поступают в различных форматах и должны быть объединены в единую структуру для эффективного использования. Для решения этой проблемы используются процессы смешивания и интеграции данных, позволяющие собирать разнородную информацию в единую форму.
Однако доступ к большим данным мало что значит, если нет возможности использовать их для принятия более эффективных бизнес-решений. Именно для этой цели на помощь приходит аналитика. Применяя статистические методы и алгоритмы машинного обучения к большим массивам данных компании могут получить сведения, которые невозможно было бы увидеть с помощью традиционных методов анализа. Это, в свою очередь, может привести к принятию более обоснованных решений и улучшению результатов.
Методология анализа больших данных из различных источников
включает в себя ряд преобразовательных действий:
♦ Сбор данных. Для сбора структурированных, частично структурированных и неструктурированных данных используется множество источников в Интернете, на мобильных платформах и в облаке. Собранные данные отправляются на хранение в ре-позиторий (Базы данных NoSQL или Hadoop), чтобы пройти обработку в процессе подготовки.
♦ Обработка данных. На этапе обработки хранимые данные проверяются, сортируются и фильтруются в рамках подготовки к дальнейшему использованию. Все это позволяет повысить эффективность запросов.
♦ Очистка данных. После обработки данные подвергаются очистке. Конфликтующие и избыточные элементы, недопустимые или незаполненные поля, ошибки форматирования в наборе данных — все это исправляется и очищается.
♦ Анализ данных. Теперь данные готовы к анализу. Для анализа больших данных используются такие инструменты и технологии, как интеллектуальный анализ данных, ИИ, прогнозная аналитика, машинное обучение
Рис. 2. Сбор и интеграция различных данных Fig. 2. Collection and integration of various types of data
и статистический анализ. Все они позволяют выявить и спрогнозировать закономерности и поведение на основе данных**.
В целом, сочетание больших данных и аналитики приобретает все большее значение в современном бизнес-ландшафте. С развитием цифровых технологий и увеличением объёма генерируемых данных компании ищут способы лучше понять своих клиентов и получить конкурентное преимущество. Именно здесь на помощь приходят решения на основе больших данных и аналитики.
Одним из примеров использования больших данных в действии является сфера здравоохранения. В последние годы все большее распространение получают электронные медицинские карты (EHR — electronic health records), позволяющие врачам и исследователям получать доступ к огромным объёмам данных о пациентах. Эти данные можно использовать для выявления закономерностей и тенденций, которые, возможно, не были очевидны при использовании традиционных методов. Например, анализируя электронные медицинские карты, исследователи смогли выявить факторы риска таких заболеваний, как диабет и болезни сердца, что позволило разработать более целенаправленные стратегии профилактики и лечения.
В свою очередь стратегии go-to-market — это план, который помогает предприятиям позиционировать новый продукт или услугу для запуска, определить своих идеальных клиентов и координировать обмен сообщениями. Успешный запуск нового продукта или услуги требует планирования и страте-
гического мышления. Для достижения наилучшего успеха выхода на рынок используют следующие шаги:
1. Определение конкретных рынков, на которые компания будет ориентироваться. Это может быть что угодно — от конкретных отраслей до предприятий определённого размера. Важно иметь чёткое представление о болевых точках, с которыми сталкиваются эти рынки, а также о потенциальной ценности, которую может обеспечить решение компании.
2. Определение ценностного предложения компании (Например: на какую бизнес-задачу отвечает решение компании и как оно обеспечивает ценность для целевого рынка?) Важно уметь чётко сформулировать это ценностное предложение, чтобы эффективно продвигать своё решение на рынке.
3. Также стоит обращать внимание на конкуренцию среди компаний, предлагающих подобные решения. Важно понимать конкурентов, включая их сильные и слабые стороны. Это поможет компании разработать более эффективную маркетинговую стратегию и выделиться на переполненном рынке.
4. Разработка комплексного маркетингового плана для достижения этих рынков. Это процесс продвижения и продажи товаров или услуг клиентам. Хорошо выполненный маркетинговый план поможет повысить узнаваемость бренда, привлечь клиентов и, в конечном счёте, стимулировать продажи.
5. Разработка стратегии продаж и план реализации. Хорошо ре-
ализованная стратегия продаж поможет заключать больше сделок, увеличивать доход и развивать бизнес.
Таким образом,типичная стратегия ОТМ, предназначенная для снижения риска вывода нового продукта на рынок, включает в себя профили целевого рынка, маркетинговый план и конкретную стратегию продаж и дистрибуции. Следовательно, какой план и тактику использует компания для продвижения и продажи своей продукции клиентам, имеют решающее значение для достижения конкурентного преимущества и успеха на рынке.
Традиционно эти стратегии разрабатывались на основе исторических данных и маркетинговых исследований. Однако появление аналитики больших данных изменило этот подход, позволив компаниям использовать данные в режиме реального времени для динамичного формирования стратегии.
Значение интеграции больших данных в стратегии ОТМ ещё более возрастает в связи с усложняющейся конкурентной рыночной средой. Предприятия, которые могут эффективно анализировать большие данные и действовать на их основе, имеют больше возможностей для определения нишевых рынков,прогнозирования потребностей потребителей и предоставления персонализированного опыта, который повышает удовлетворённость и лояльность клиентов. Следовательно, изучение того, как большие данные могут быть использованы для оптимизации стратегий ОТМ, не только своевременно, но и необходимо для компаний, стремящихся сохранить
** Что такое аналитика больших данных? [Электронный ресурс] - Режим доступа: https://azure.microsoft.com/ru-ru/resources/cloud-computing-dictionary/what-is-big-data-analytics (дата обращения 05.04.24).
актуальность и добиться устойчивого роста в цифровую эпоху.
Результаты и обсуждения (Results and Discussions)
Применение больших данных в стратегиях GTMозначает трансформационный сдвиг в сторону процессов принятия решений на основе данных в маркетинге и стратегическом планировании. Эта эволюция использует объемные,разнообразные и скоростные характеристики больших данных для оптимизации всех аспектов GTM-стратегий, от анализа и сегментации рынка до привлечения клиентов и инноваций в продуктах.
Основное применение больших данных для совершенствования стратегий выхода на рынок заключается в сложной идентификации и понимании целевых рынков, преодолевая ограничения традиционных методов сегментации. Традиционные подходы, использующие преимущественно широкие демографические данные, часто не в состоянии отразить динамичную и многогранную природу потребительских сегментов. В отличие от них, аналитика больших данных при помощи инструментов, как Apache Hadoop и Spark, облегчает анализ обширных массивов данных, позволяя выявлять нюансы потребительских сегментов с помощью передовых алгоритмических анализов.
Методология, как правило, предполагает применение алгоритмов машинного обучения, таких как кластеризация k-means или деревья решений, построенных на основополагающих принципах статистического анализа и распознавания образов. Эти алгоритмы анализируют различные типы данных, включая поведение в Интернете, историю покупок,
взаимодействие с социальными сетями и данные датчиков 1оТ-устройств, чтобы разделить потребителей на отдельные сегменты на основе общих характеристик и поведения.
Например, алгоритм кластеризации k-means разделяет потребителей на k различных кластеров на основе сходства точек данных, где «к» заранее определено исходя из целей бизнеса и анализа данных (рис. 3). Этот процесс помогает выявить глубокие знания о предпочтениях, образе жизни и потребностях потребителей, которые не видны при использовании обычных методов сегментации.
Наглядный пример такого применения в реальном мире можно увидеть в сфере розничной торговли. Компания розничной торговли может использовать аналитику больших данных для сегментации своей клиентской базы, анализируя данные о транзакциях, активности в социальных сетях и данные датчиков в магазине (например, маячков, отслеживающих перемещения покупателей). Благодаря такому анализу ритейлер может определить конкретные сегменты, например, семьи, ори-
ентированные на ценности или технологически подкованные молодые люди, и понять их уникальное поведение и предпочтения. Такое детальное представление позволяет ритейлеру соответствующим образом адаптировать свои стратегии ОТМ: разрабатывать персонализированные маркетинговые кампании, настраивать рекомендации по товарам и оптимизировать планировку магазинов, чтобы удовлетворить потребности и предпочтения каждого сегмента.
Следующим преимуществом применения больших данных является оптимизации маркетинговых каналов и коммуникационных стратегий подчёркивается их способностью анализировать взаимодействие в различных точках контакта, тем самым определяя наиболее эффективные каналы для привлечения конкретных сегментов потребителей. В этом аналитическом процессе часто используется предиктивная аналитика — подмножество аналитики данных, использующее статистические алгоритмы и методы машинного обучения для прогнозирования будущих рыночных тенденций
260 240 220 200 ISO 160 140 120 100 SO
/
1 a ♦ ♦ )
Cluster 0 4 V ♦ ♦ « )
i
®
Cluster 2 ►
ж 'Ш ■■ Duster 1
♦
55
60
65 70
Height (indití}
75
Рис. 3. Кластерные данные и центры масс Fig. 3. Cluster data and centers of masses
SO
и поведения потребителей на основе исторических данных.
Одним из основных алгоритмов, используемых в предиктивной аналитике, является модель прогнозирования временных рядов, например ARIMA (AutoRegressive Integrated Moving Average), которая предназначена для анализа и прогнозирования будущих точек ряда с учётом временных зависимостей между точками данных (рис. 4). Эта модель особенно эффективна при прогнозировании тенденций потребительского поведения путём анализа закономерностей во времени, например частоты покупок в определённые периоды.
Пример практического применения можно наблюдать в секторе электронной коммерции. Онлайн-ритейлер может использовать аналитику больших данных для изучения взаимодействия с клиентами на своём сайте, в рассылках по электронной почте и на платформах социальных сетей. Применяя предиктивную аналитику, ритейлер может спрогнозировать, какие товары будут в тренде в предстоящем сезоне, и определить наиболее предпочтительные каналы коммуникации для различных сегментов покупателей. Например, анализ может показать, что более молодые потребители предпочитают взаимодействие через социальные сети для модных товаров, в то время как более взрослые сегменты могут лучше реагировать на маркетинг по электронной почте для товаров для дома.
Вооружившись этими данными, ритейлер может скорректировать свои маркетинговые стратегии, выделив больше ресурсов на кампании в социальных сетях, ориентированные на более молодых потребителей с персонализиро-
ванными рекомендациями по моде. Одновременно можно оптимизировать маркетинговые кампании по электронной почте для товаров повседневного спроса, ориентируясь на потребителей старшего возраста с помощью персонализированных предложений и рекомендаций по товарам. Аналитика больших данных в режиме реального времени позволяет ри-тейлеру постоянно отслеживать эффективность этих кампаний, внося коррективы в ответ на отзывы и показатели вовлеченности в режиме реального времени.
Ещё одним преимуществом применения больших данных является повышение качества обслуживания клиентов с помощью персонализированного маркетинга — важнейший аспект современных стратегий выхода на рынок, в значительной степени зависящий от аналитических возможностей. В основе процесса персонализа-ции лежат передовые алгоритмы машинного обучения, в частности рекомендательные системы, которые анализируют индивидуальные данные клиентов для создания индивидуальных предложений, рекомендаций и контента.
Центральное место в этом подходе занимают рекомендательные системы, такие как совмест-
ная фильтрация и фильтрация на основе контента. Алгоритмы кол-лаборативной фильтрации предсказывают предпочтения покупателя на основе предпочтений похожих пользователей. Этот метод основан на принципе, что люди, которые согласились с ним в прошлом, согласятся и в будущем в отношении других предпочтений. Например, если клиент А и клиент Б купили одну и ту же книгу, а клиент А также купил определённый журнал, система может порекомендовать этот журнал клиенту Б. И наоборот, фильтрация на основе содержания реко-мендуеттовары,сравнивая содержание товаров и профиль пользователя, который содержит предпочтения и интересы, явно указанные пользователем.
Практический пример такого применения можно наблюдать в индустрии онлайн-стриминга. Потоковые сервисы, такие как Netflix или Spotify, используют аналитику больших данных для персонализации просмотра и прослушивания. Анализируя огромные объёмы данных о зрительских привычках, жанровых предпочтениях и истории поиска в сочетании с алгоритмами машинного обучения, эти платформы могут предсказывать и рекомендовать фильмы,
лН
jvAr
г
i in 1 A Г
I г
May
.bin
Аи?
Sep Date
Jar. 2021
Рис. 4. Прогнозирование будущих точек с помощью ARIMA Fig. 4. Predicting future points with ARIMA
шоу или песни, которые, скорее всего, понравятся отдельным пользователям.
Например, рекомендательная система Netflix построена на сложном алгоритме, который учитывает сотни сигналов и предпочтений, включая время суток, в которое смотрят сериал, устройства, используемые для потокового вещания, и даже темп потребления контента. Такой уровень детализации позволяет Netflix создавать максимально персонализированный опыт просмотра для каждого пользователя, что значительно повышает вовлеченность и лояльность клиентов. Система постоянно обновляет свои рекомендации на основе взаимодействия в режиме реального времени, гарантируя, что контент остаётся актуальным и интересным для каждого зрителя.
Таким образом, применение больших данных в стратегиях ОТМ предлагает комплексную основу для улучшения анализа
рынка, сегментации, оптимизации каналов сбыта, привлечения клиентов. Благодаря стратегическому анализу огромных массивов данных компании могут получить конкурентное преимущество за счёт разработки более обоснованных, гибких и ориентированных на клиента стратегий GTM. Такой подход не только способствует более эффективному проникновению на рынок и росту, но и формирует культуру инноваций и постоянного совершенствования в ответ на меняющиеся условия рынка и ожидания потребителей.
Заключение (Conclusion)
Изучение применения больших данных в стратегиях выхода на рынок позволило выявить трансформационный потенциал, способный пересмотреть парадигмы анализа рынка, привлечения клиентов и инновации продуктов. Благодаря детальному изучению роли больших данных в повышении точности определения целево-
го рынка, оптимизации маркетинговых каналов, персонализации клиентского опыта и разработке продуктов, данное исследование показало многогранные преимущества, которые аналитика больших данных предлагает современным бизнес-стратегиям.
В перспективе пересечение больших данных и стратегий ОТМ обещает оставаться благодатной почвой для академических и практических исследований. Будущие исследования должны быть направлены на расширение понимания роли больших данных в развивающихся рынках и отраслях, изучение новых аналитических методологий и технологий, которые могут еще больше повысить эффективность стратегий ОТМ. Кроме того, постоянная эволюция потребительского поведения и технологический прогресс, несомненно, откроют новые возможности и вызовы для использования больших данных в маркетинге и стратегическом планировании.
ИСТОЧНИКИ (References)
1. Quinn, L.; Dibb, S.; Simkin, L.; Canhoto, A.; Analogbei, M. (2016) Troubled waters: the transformation of marketing in a digital world // European Journal of Marketing, Vol. 50 No. 12, pp. 2103-2133. https://doi.org/10.1108/EJM-08-2015-0537.
2. Wang, Y.; Kung, L. A.; Byrd, T. A Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations // Technological forecasting and social change. — 2018. — Т. 126. — Pp. 3-13.
3. Willetts, M.; Atkins, A. S.; Stanier, C. Big data, big data analytics application to smart home technologies and services for geriatric rehabilitation // Smart home technologies and services for geriatric rehabilitation. — Academic Press, 2022. — Pp. 205—230.
4. Wamba, S. F. et al. How 'big data'can make big impact: Findings from a systematic review and a longitudinal case study / / International journal of production economics. — 2015. — Т. 165. — Pp. 234—246.
5. Matarazzo, M. et al. Digital transformation and customer value creation in Made in Italy SMEs: A dynamic capabilities perspective // Journal of Business Research. — 2021. — Т. 123. — Pp. 642—656.
6. Martin, K. D.; Murphy, P. E. The role of data privacy in marketing // Journal of the Academy of Marketing Science. — 2017. — Т. 45. — Pp. 135—155.
7. Napier, L.; Liberty, B.;De Vries, K. D. Changing culture is central to changing business models // MIT Sloan Management Review, 2020.
8. Aljumah, A. I.; Nusair, M. T.; Alam, M. M. Traditional marketing analytics, big data analytics and big data system quality and the success of new product development // Business Process Management Journal. — 2021. — Т. 27. — No. 4. — Pp. 1108—1125.
9. Manyika, J. et al. Big data: The next frontier for innovation, competition, and productivity, 2011.
