CC BY
90В статье рассматриваются проблемы становления Data Driven организаций и Data Driven маркетинга в цифровой экономике. Авторы показывают, что Data Driven организация строит процессы принятия решений не на интуиции, а на регулярном и систематическом сборе и анализе данных, а также на их продвинутой аналитике, которая должна носить прогностический характер. Создание Data Driven организаций требует предварительного формирования Data Driven культуры, которая исходит от топ-менеджеров и распространяется на всех сотрудников. Data Driven маркетинг часто является первым шагом к созданию Data Driven организации и так же построен на внедрении специализированных технологий автоматического сбора и обработки клиентских данных. В статье показаны этапы создания Data Driven организации, модель и структура элементов Data Driven маркетинга и мероприятия по его становлению в компании.
Ключевые слова: Data Driven организация; Data Driven маркетинг; Data Driven культура; цифровая революция; прогностическая аналитика.
СТАНОВЛЕНИЕ КОНЦЕПЦИИ DATA DRIVEN МАРКЕТИНГА
Юлдашева Оксана Урняковна,
д.э.н., профессор, заведующий кафедрой маркетинга, Санкт-Петербургский государственный экономический университет, член Европейской Академии маркетинга (EMAC); ул. Садовая, 21, г. Санкт-Петербург, Россия, 119571 uldasheva2006@yandex.ru
Пирогов Дмитрий Евгеньевич,
аспирант кафедры маркетинга, Санкт-Петербургский государственный экономический университет;
ул. Садовая, 21, г. Санкт-Петербург, Россия, 119571
pirogovdm@gmail.com
ВВЕДЕНИЕ
Цифровая революция — этот термин отражает переход от аналоговых технологий к цифровым, а также быстрое и повсеместное распространение коммуникационно-информационных технологий, среди которых наиболее трансформационными являются персональные компьютеры, интернет и персональные портативные коммуникационные устройства (типа смартфонов). Начавшись еще в 80-х годах, сегодня цифровая революция вступила в свою решающую фазу, а придавшая ей скорости пандемия способствовала фактически ее полной победе. Современная жизнь прочно связана с цифровым миром, роботами, искусственным интеллектом, big data и всеми другими атрибутами циф-
ровизации, что существенно меняет поведение как потребителей, так и компаний. Компании вынуждены ориентироваться на использование цифровых технологий, сбор и анализ большого количества данных для поддержания своей конкурентоспособности. Именно сектор цифровой экономики растет и создает предпосылки для роста бизнеса.
Так, цифровая экономика растет в 2,5 раза быстрее мирового ВВП. Согласно данным Аналитического центра при правительстве РФ, рост ВВП РФ на горизонте до 2030 года более чем на половину связан с цифровизацией1.
В связи с этим компании активно внедряют новое программное обеспечение, а сектор ИКТ демонстрирует опережающий рост.
В подтверждение этому, результаты 2020 года в России показывают, что отрасль информационно-телекоммуникационных технологий (ИКТ) вошла в число лидеров по динамике валовой добавленной стоимости — рост составил 2,8% (в постоянных ценах) по сравнению с 2019 годом2. Основной рост внутри сектора ИКТ продемонстрировали информационныетехнологии (12,7% роста в постоянных ценах), а также оптовая торговля ИКТ-товарами (30,9% роста). И это на фоне общего падения экономики РФ на 2,8%.
Согласно Gartner, рост сектора ИКТ продолжился и в 2021 году, достигнув по результатам года +8,4% в мировом масштабе3.
На фоне таких событий стремительно меняется мир бизнеса
1 Чукарин А. Цифровая экономика России: оценка и стратегии развития регионов, Аналитический центр при Правительстве РФ,
15.06.2021. https://itforum.admhmao.ru/upload/iblock/d2c/TSifrovaya-ekonomika-Rossii-_CHukarin-A.V._.pdf (08.12.20210).
2 Cектор ИКТ выработал иммунитет к COVID-перегрузкам. Исследование Института статистических исследований и экономики знаний
(ИСИЭЗ) НИУ ВШЭ. https://issek.hse.ru/news/446639217.html (08.12.2021).
3 Gartner: в 2021 году мировой рынок ИТ превысит 4 триллиона долларов, 08.04.2021. https://www.computerworld.ru/news/Gartner-v-
2021-godu-mirovoy-rynok-IT-prevysit-4-trilliona-dollarov (21.12.2021).
и, конечно, маркетинга. Так, все более популярной становится концепция Data Driven маркетинга и Data Driven организации, которые поддерживают переход в компании к более продвинутому уровню сбора и обработки данных и использованию аналитики. В чем суть данных концепций и как они внедряются в компаниях будет рассмотрено в данной статье.
DATA DRIVEN ОРГАНИЗАЦИЯ
И DATA DRIVEN МАРКЕТИНГ -
В ЧЕМ СУТЬ?
В 2021 году один из ведущих академических журналов Journal of Business Research подготовил выпуск, посвященный теме развития Data Driven маркетинга под названием «Marketing in a Data-Driven Digital World» (вып.125, 2021). В установочной статье к данному выпуску Дэниш Шах и Б. Мурси продемонстрировали эволюцию роли маркетинг-аналитики, начиная с акцента на аналитике в рекламе для создания эффективного креатива для клиентов, затем в развитии аналитики для поддержки клиентоцентрич-ности компании и продаже правильного продукта правильному клиенту и в правильное время и далее к использованию в маркетинге биг-дата и технологий искусственного интеллекта [1].
Действительно, в начале 2000-х маркетинг потребовал все больших способностей обработки возросшего объема данных о клиентах, все более актуальной стала работа с большими данными, что коренным образом изменило способ работы маркетинговой функции в организации. Быстрое проникновение Интернета, распространение смартфонов и более широкое использование социальных сетей обеспечили тройной эффект для беспрецедентного
сбора данных, большая часть которых стала поступать из цифровой сферы. Данных стало не только много, их стало легко архивировать и хранить, хранение данных стало все более цифровым, а затраты на хранение быстро снизились. Данные очень быстро превратились в большие данные, которые потребовали новых методов обработки.
Большие данные — термин, который используется для описания больших объемов сложных наборов данных, состоящих как из структурированных, так и неструктурированных данных. Большие данные требуют применения новой нетрадиционной методологии обработки данных. К современным методам обработки данных относят сложные статистико-ма-тематические модели, позволяющие не только прогнозировать будущее с определенной вероятностью, но и предсказывать конкретные последствия и исходы событий при отсутствии и наличии влияния на них со стороны управляющего субъекта. Все более важную роль сегодня играют методы обработки естественной ин-формации,которую маркетологи получают непосредственно из социальных сетей и обрабатывают с помощью современного языка программирования Python.
В современном бизнесе постоянно растут требования к оцифровке маркетинговых данных и их способности отражать влияние маркетинговых действий на прибыль организации. Рост затрат на маркетинг заставляет руководство компаний требовать окупаемости маркетинговых мероприятий. Это также приводит к совершенствованию методов маркетинг-аналитики.
Современный маркетинг 21 века построен на эффективном исполь-
зовании цифровых технологий искусственного интеллекта, машинного обучения, data mining, технологий интеллектуального анализа данных — распознавания лиц и речи, обработки изображений, выявления мошенничества и т.п. Чат-боты, виртуальные помощники и другие технологии, включенные в наши мобильные приложения, программы, клиентские сервисы, помогают покупателям справляться с огромными объемами данных для выбора той информации, которая действительно релевантна и помогает выбирать продукты, отвечающие требованиям потребителей.
Таким образом, используя свою способность собирать и обрабатывать данные для поддержки принятия клиентоориентирован-ных решений, маркетинг постепенно из функции, которая поддерживала в основном рекламный креатив, превратился в функцию, которая активно использует современные цифровые технологии для обеспечения предсказуемых и прибыльных решений для организации, которые поддерживают клиентоцентричность.
Шет и Келлштадт в своей статье делают важный вывод: «В прошлом техники (обработки данных) занимались поиском данных. В будущем данные будут в поиске техник(обработки данных)»[2, стр. 781]. Речь о том, что раньше развивались техники, с помощью которых можно было бы собирать данные, а сейчас нужны техники обработки огромного объема данных, которые могут помочь получить объективное знание и правильно принять решение.
Компания IBM утверждает, что только 0,5% данных о клиентах в реальности когда-либо обрабатывались. Технологии искусственного интеллекта, которые
разрабатывает IBM, нацелены на обработку данных, которые по-другому никогда не будут систематизированы и использованы в бизнесе для улучшения клиентского опыта.
Таким образом, Data driven маркетинг или маркетинг, движимый данными, нацелен на постоянное и как можно более полное и эффективное обеспечение системы принятия решений клиентскими данными, которые при грамотной обработке можно превратить в знания, а значит — в будущий маркетинговый капитал. Знания о клиентах способны приносить прибыль, а значит — клиентские знания становятся важнейшим активом, которым управляет маркетинг.
ПОДХОДЫ К СОЗДАНИЮ DATA
DRIVEN ОРГАНИЗАЦИИ
Глобальный институт McKinsey утверждает, что организации, ориентированные на данные, в 23 раза чаще приобретают клиентов, в 6 раз чаще удерживают клиентов и в 19 раз чаще становятся прибыльными4. Такие компании используют данные для поиска идей, меняющих традиционные правила игры. Новые идеи дают новые положительные результаты, такие как улучшение процесса принятия решений, улучшение бизнес-операций и усиление взаимодействия с клиентами.
Такие организации стали называть Insight Driven, а позже Data Driven. Суть этого термина в том, что организация начинает использовать продвинутую аналитику данных, которая позволяет принимать превентивные решения, основанные на предварительных прогнозах [3].
Что же такое продвинутая аналитика? Аналитику можно разделить
на: описательную, прогнозную и предписывающую (Davenport, 2013) [4].
Описательная аналитика помогает организациям анализировать то, что уже произошло или происходило в прошлом. Хранилище данных — типичный пример описательного подхода к сбору и анализу прошлых событий. Прогнозная аналитика помогает организациям обнаруживать ранее неизвестные закономерности в своих данных с помощью инструментов интеллектуального анализа данных. Предписывающая аналитика помогает организациям автоматизировать решения и тем самым извлекать выгоду из ранее обнаруженных инсайтов. Прогнозная и предписывающая аналитики и представляют собой продвинутую аналитику.
Организации обращаются к продвинутой аналитике в надежде обнаружить новые бизнес-идеи и извлечь из них выгоду. Переход к продвинутой аналитике требует навыков и специальных компетенций, которые обычно отсутствуют в организации. Их нужно создать. И тогда компании нанимают специалиста по анализу данных (data scientist), либо обращаются за помощью в специализированную компанию. Но если компания понимает, что она постоянно нуждается в такой аналитике и это становится частью ее процесса принятия решений, то компания должна ставить задачу создания Data Driven Culture (Franks, 2014) [5], следствием которой и станет Data Driven организация (Anderson, 2015) [6].
Лидеры аналитики говорят, что аналитика приносит больше пользы, когда инструменты дают представление о будущем, а не просто хорошо структурируют
прошлое. Прогнозное моделирование, особенно для поддержки инноваций, в настоящее время является наиболее продвинутой стадией эволюции аналитики. Маркетинг же может стать одним из первых подразделений компании, которое перейдет на продвинутую аналитику и таким образом будет стимулировать создание Data Driven Culture и в конечном итоге Data Driven организации.
Таким образом, ключевой компетенцией Data Driven организации являются ее аналитические способности [7].
Переход к Data Driven организации всегда связан с созданием и развитием Data Driven Culture [4], важными элементами которой являются лидерство, информационная стратегия, процессы принятия решений, основанные на данных (а не на интуиции), гибкая структура управления данными. Все это будет способствовать переходу от интуитивного принятия решений к решениям, основанным на данных и их анализе. Этот процесс может оказаться долгим для многих организаций в силу неготовности не столько персонала, сколько самого топ-менеджмента, который должен стать агентом изменений и первым перейти на принятие решений, основанных на данных. Такой пример лидерства может стимулировать других сотрудников последовать примеру руководителя и процесс сдвинется с места.
Практика формирования Data Driven Culture показывает, что обычно все начинается с внедрения в компанию агента изменений в виде нового сотрудника, который и должен создать организацию, движимую данными (цифровой директор). Вокруг этого
4 Five facts: How customer analytics boosts corporate performance. July 01, 2014. McKinsey. https://www.mckinsey.com/ (14.12.2021).
сотрудника собирается команда специалистов, которые разрабатывают информационную (цифровую) стратегию и воплощают ее в жизнь (рис.1, А).
Но так делают крупные компании, которые инвестируют существенные средства в диджитализацию и аналитику. А малый и средний бизнес начинает свой путь в анализ данных с маркетинга, поскольку маркетинг — основная функция, которая ежедневно имеет дело с данными и от того, как эти данные обрабатываются, зависят многие решения, принимаемые в компании.
В связи с этим маркетологи часто становятся зачинщиками процесса создания Data Driven Culture и Data Driven организации, внедряя Data Driven маркетинг. Data Driven маркетинг по аналогии с Data Driven организацией — это маркетинг, построенный на данных, когда все маркетинговые решения принимаются на анализе реальных данных, полученных из различных источников. Поэтому Data Driven маркетинг начинается с автоматизации процессов сбора и обработки маркетинговых данных (рис. 1, Б).
Начинают обычно с простых инструментов — Google Analytics и Яндекс Метрикс, затем внедряют CRM-систему. Многие сегодня используют Data Google Studio, позволяющий визуализировать данные из большого числа таблиц. Для анализа данных CRM-системы обычно дополнительно подключают BI системы.
Поскольку данные становятся все более разнообразными, и растет количество естественной информации (которая формируется естественным путем, а не по предварительному плану исследования), то все чаще компании исполь-
зуют специальные языки программирования типа Python, R, SQL, а также подключают специализированные программы по интеллектуальному анализу данных.
Основная задача Data Driven маркетинга — понять, сколько стоит привлечение клиента и какие каналы наиболее эффективны в этом процессе. Но если компания нацелена на удержание, а не на привлечение, то аналитика концентрируется на анализе поведения потребителей, а также определении наиболее эффективных инструментов поддержания отношений и взаимодействия с клиентом.
Вообще поведенческая аналитика становится все более актуальной для успешного бизнеса. В подтверждении этому в последние годы все активнее развивается концепция интернета поведения.
Под интернетом поведения (IoBB) понимается сбор данных (В/, Big Data, CDPs и т.д.), которые дают ценную информацию о поведении клиентов, их интересах и предпочтениях. Концепция IoBориентиро-вана на понимание данных, собранных в результате онлайн-ак-тивности пользователей, с точки зрения поведенческой психоло-
гии. Если понимание достигнуто, то следующий шаг — как применить эти знания для разработки и продажи новых продуктов, и все это с точки зрения человеческой психологии. Следующий этап 1оВ — это процесс анализа контролируемых пользовательских данных с точки зрения поведенческой психологии. Результаты этого анализа дают представление о новых подходах к проектированию пользовательского опыта (иХ), его оптимизации (ЭХО) и способах продвижения конечных продуктов и услуг, предлагаемых компаниями. Следовательно, для компании провести 1оВ технически просто, но психологически сложно. Это требует проведения статистических исследований, которые отображают повседневные привычки и поведение, не раскрывая полностью частную жизнь потребителей по этическим и юридическим причинам.
Кроме того, концепция 1оВ объединяет существующие технологии, которые ориентированы непосредственно на человека, такие как распознавание лиц, отслеживание местоположения и большие данные. Таким образом, это сочетание трех областей: технологий, анализа данных
А) Б)
Рис. 1. Формирование Data Driven culture в крупных компаниях и в МСП
и поведенческой психологии5. Например, компания — разработчик программного обеспечения BMC разработала приложение для смартфонов, которое отслеживает диету, режим сна, частоту сердечных сокращений или уровень сахара в крови. Приложение может предупреждать о неблагоприятных ситуациях со здоровьем пользователя и предлагать изменения в поведении для достижения более положительного результата.
Gartner прогнозирует, что к концу 2025 года более половины населения мира будет задействовано хотя бы в одной программе IoB.
КЕЙС С КОМПАНИЕЙ KIA MOTORS
Киа Моторс — крупнейший производитель автомобилей в мире и производитель с самой крупной рыночной долей в России. Компания активно использует маркетинговую аналитику для развития своей конкурентоспособности и кли-ентоориентированности.
Интервью с одним из ключевых сотрудников позволило выявить ряд особенностей по построению data driven организации, которые представлены на рисунке 2.
Киа Моторс некоторое время назад поставила задачу создать организацию, движимую данным. Для этого прежде всего она провела аудит всех источников данных и их валидизацию. Дело в том, что исследования в компании сильно децентрализованы. К примеру, продакт-менеджеры компании проводят регулярные клинические тесты до запуска новой модели в производство и тем более в продажу. Клинический тест представляет собой микс количественных и качественных методов, объединяя проверку работы технических
параметров автомобиля, его систем безопасности, включая использование цифровых двойников.
Сотрудники отдела развития оценивают покупательские ожидания относительно дизайна автомобиля, цены и т.п. Отдел маркетинга (коммуникаций) тестирует все, что связано с брендом нового автомобиля: бренд-трэкинг, бренд-воронка — оценка узнаваемости, фамильярити, мнение о бренде, лояльность бренду. Также анализируется полная веб-аналитика интернет-ресурсов, он-лайн-воронка. Для оценки потенциала рынка привлекаются синдикативные исследования — панельные исследования по автомобильному рынку, которые проводят исследовательские компании. Помимо этого, используется статистика ГИБДД для получения данных о регистрации автомобилей. Отдельное направление исследований — опросы aftersale (Voice of the customer) и опросы для определения CSI на разных стадиях покупки, а также результаты использования техники исследования качества обслуживания — Mystery shopper off и online.
Дистрибьюторы также проводят свои исследования и накапливают огромную базу данных
в своих CRM-системах о клиентском трафике и предпочтениях покупателей.
Рост онлайн продаж позволяет очень качественно оценивать эффективность рекламы и идентифицировать похожих пользователей для их последующего тарге-тирования.
Все эти данные могут оказаться разрозненными и не очень согласовываться, что требует проведения процедуры их валидизации, то есть оценки их объективности. Эта процедура может занять много времени.
Следующим шагом является интеграция данных, создание общих БД для предоставления доступа к ним всех заинтересованных лиц, чтобы исключить дублирование и повысить эффективность использования данных.
Наличие интегрированных БД позволяет нанимать специалистов по анализу данных — data scientists. Эти сотрудники являются основными проводниками data driven culture, поскольку внедряют культуру обязательного использования данных в процессе принятия решений.
Дальнейшим шагом к созданию движимой данными организации является оснащение автомобилей
Аудит всех источников данных и их валидизация
Интеграция данных (автоматизация и внедрение ПО)
Формирование Data Driven культуры и внедрение Data scientists
Установка телематики на автомобили и анализ данных по каждому пользователю
Рис. 2. Мероприятия в рамках создания Data Driven организации
5 What is the internet-of-behaviour job and why is it the future? 17.02.2021. Vector (consulting company). https://www.vectoritcgroup.com/ en/tech-magazine-en/ (19.11.2021)
телематикой, которая позволит изучать специфику их использования (или модели потребления). Эти данные помогут компании лучше управлять спросом для обеспечения повторных продаж иуправ-ления жизненным циклом покупателя.
МОДЕЛЬ DATA DRIVEN
МАРКЕТИНГА
Обзор подходов к становлению Data Driven маркетинга позволяет обрисовать его контуры в виде вербальной модели с выделением наиболее важных элементов.
На рисунке 3 представлен процесс принятия маркетинговых решений в рамках концепции Data Driven маркетинга. Начинается все с источников данных, которые использует компания. Источниками данных могут выступать как внутренние данные компании (например, данные CRM-системы, клиентских сервисов, которыми пользуются покупатели, приложений и т.п.), так и внешние данные, находящиеся в общем доступе — например, данные из социальных сетей, различных интернет-ресурсов. Очевидно, что источниками данных могут являться и классические опросы,а также вторичные данные, полученные от исследовательских компаний, служб статистики и т.п. Важно, чтобы данные охватывали как процесс принятия решения о покупке, то есть когда покупатель только ищет и сравнивает информацию для принятия решений, используя при этом различные источники данных, так и процесс потребления. Процесс потребления фиксируют датчики и сенсоры, установленные на смарт-продуктах, которыми пользуются потребители. В этом смысле получают доступ к данным, а значит — и потенциально выигрывают те компании, которые
первыми оснастят свои продукты таким оборудованием.
Следующий этап процесса принятия маркетинговых решений в Data Driven компании — это обеспечение этого процесса технологиями сбора, обработки, хранения и использования данных. Этот этап требует наличия четкой цифровой стратегии и понимания приоритетов в закупке и внедрении тех или иных технологий. Дело в том, что многие компании, внедряя самое современное программное обеспечение, обнаруживают, что не используют все его возможности, что существенно удлиняет сроки окупаемости. Даже внедрение дорогостоящих и многофункциональных CRM-си-стем не всегда оправдано. К примеру, в последнее время неким более продвинутым аналогом CRM-системы является платформа клиентских данных (CDP). Gartner в своем обзоре отмечает, что CDP — это многообещающая технология, но многие маркетологи, внедрившие ее, признают, что фактически используют ее в качестве CRMсистемы и только [8]. Таким образом, в попытке быть первыми в увеличении своих цифровых компетенций компании-лидеры замораживают в качестве инвестиций огромные средства,
которые могли бы использовать с большей отдачей, если бы внедряли только тот функционал цифровых технологий, который реально необходим в соответствии с цифровой стратегией.
Помимо этого, все более насущным становится вопрос использования клиентских данных — вопрос этики. Потребители все более негативно реагируют на использование компаниями персональных данных без их разрешения. Опасения также происходят из того, что основную массу персональных данных контролируют всего несколько цифровых гигантов. Отсюда любая компания, использующая продвинутую аналитику, должна строго соблюдать законодательство в отношении персональных данных и заботиться о сохранении доверия потребителей в отношении использования их данных.
Следующий этап процесса принятия маркетинговых решений — предикативная аналитика, которая требует как использования технологий искусственного интеллекта, так и специальных сотрудников — data scientists, которые самостоятельно строят модели, позволяющие предсказывать результаты тех или иных решений.
Наконец, последним этапом процесса принятия маркетинговых
Рис. 3. Элементы Data Driven маркетинга
решений является выбор окончательного решения на основе аналитики, а не интуиции. Те компании, которые выстроят процессы таким образом, как показано на рисунке 3, и будут являться движимыми данными.
ЗАКЛЮЧЕНИЕ
Становление компаний и маркетинга, движимого данными, является частью цифровой зрелости организации. Согласно исследованиям консалтинговой фирмы UXSSR, 83% российских компаний находятся на 1-м и 2-м уровне цифровизации, когда у них все еще нет CRM-системы, организо-
ванного сбора и анализа данных, а также возможностей анализировать свою аудиторию и ее нужды6. Такая ситуация свидетельствует о том, что в России все еще можно вести бизнес, не обращая внимания на революцию в области цифровых технологий.
Россия — консервативная страна, и большинство компаний только приглядываются и прицениваются к новым цифровым технологиям. Однако времени остается все меньше, поскольку важны не столько технологии, сколько опыт их применения для создания совершенного клиентского опыта и формирования капитала марке-
тинговых знаний. А опыт невозможно получить быстро, он требует времени, которого остается все меньше и меньше.
В заключении добавим, что цифровые технологии уже завоевали мир, и игнорировать этот факт не удастся никому, особенно бизнесу. Поэтому чем раньше компании примут и будут развивать Data Driven культуру, тем скорее они адаптируются и получат возможность заменить процессы принятия решений, построенные на интуиции и высокой неопределенности, на процессы принятия решений, построенные на продвинутой аналитике.
ИСТОЧНИКИ / REFERENCES
1. Shah D., MurthiB.P.S. (2021) Marketing in a data-driven digital world: Implications for the role and scope of marketing, Journal of Business Research, March, 125, pp. 784-795.
2. Sheth J., Kellstadt C. (2021) Next frontiers of research in data driven marketing: Will techniques keep up with data tsunami? Journal of Business Research, Marcch 2021, 125, pp. 780-784.
3. De Saulles M. (2018) What exactly means data Driven Organization? CIO, October 28, 2018. https://www.cio.com/ article/3449117/what-exactly-is-a-data-driven-organization.html (23.12.2021).
4. Davenport T.H. (2013) Analytics 3.0. Harvard Business Review (December).
5. Franks B. (2014). The Analytics Culture The Analytics Revolution: Wiley.
6. Anderson C. (2015) Creating a Data-Driven Organization: O'Reilly Media.
7. Brown S. (2020) How to build a data driven company? Sloan School of Management, Sept. 24, 2020. https:// mitsloan.mit.edu/ideas-made-to-matter/how-to-build-a-data-driven-company.
8. Omale G. Top 5 Trends Drive Gartner Hype Cycle for Digital Marketing, 2020, September 1, 2020. https:// www.gartner.com/en/marketing/insights/articles/top-5-trends-drive-gartner-hype-cycle-digital-marketing-2020 (15.12.2021).
DOI: 10.24412/2071-3762-2021-11297-3-9
Data Driven Marketing: Concept Development Yuldasheva Oksana Urnyakovna,
Doctor of Economics, Professor, Head of the Department of Marketing, St. Petersburg State University of Economics, member of the European Academy of Marketing (EMAC), Sadovaya street 21, St. Petersburg, Russia, 119571 (uldasheva2006@yandex.ru)
Pirogov Dmitry Evgenievich,
post-graduate student of the Department of Marketing, St. Petersburg State University of Economics, Sadovaya street 21, St. Petersburg, Russia, 119571 (pirogovdm@gmail.com)
The article deals with the problems of the formation of Data Driven organizations and Data Driven marketing in the digital economy. The authors show that a Data Driven organization builds its decision-making processes not on intuition, but on regular and systematic data collection and analysis, as well as on their advanced analytics, which should be predictive in nature. Creating a Data Driven organization requires the preliminary formation of a Data Driven culture that comes from top managers and extends to all employees. Data driven marketing is often the first step towards creating a data driven organization and is also built on the introduction of specialized technologies for the automatic collection and processing of customer data. The article shows the stages of creating a Data driven organization, the model and structure of the elements of Data Driven marketing and measures for its formation in the company.
Keywords: Data Driven Organization; Data Driven Marketing; Data Driven Culture; Digital Revolution; Predictive Analytics.
6 Пять уровней цифровизации бизнеса: как в России стать компанией будущего, 31.05.2021. https://trends.rbc.ru/trends/innovation/ (02.12.2021)
