CC BY
88
ВЕСТН. МОСК. УН-ТА. СЕР. 6. ЭКОНОМИКА. 2019. № 6
ВОПРОСЫ УПРАВЛЕНИЯ
В. В. Герасименко1
МГУ имени М. В. Ломоносова (Москва, Россия)
Е. М. Слепенкова2
МГУ имени М. В. Ломоносова (Москва, Россия)
ТРАНСФОРМАЦИЯ МЕТОДОВ И ИНСТРУМЕНТОВ КОНКУРЕНТНОГО АНАЛИЗА В УСЛОВИЯХ ЦИФРОВОЙ ЭКОНОМИКИ
В статье рассматриваются процессы трансформации методов конкурентного анализа под воздействием цифровизации экономики, развития электронных рынков и коммуникаций. Показано, что для разработки рыночных стратегий необходимы новые методология и структура аналитических инструментов, позволяющие получать значимые результаты о конкурентах и потребителях на различных рынках. Предлагаемый авторами подход к проведению конкурентного анализа основан на методологии комплексного использования всех блоков бизнес-аналитики: аналитики больших данных, контент-анализа, веб-аналитики, мобильной аналитики. Оцениваются новые интернет-сервисы и платформы, которые позволяют проводить эффективный конкурентный анализ. На основе данных опросов о степени готовности российского менеджмента к использованию цифровых технологий рыночных исследований формулируются рекомендации о направлениях развития образовательных программ в российских университетах. Статья написана по итогам выступлений авторов и дискуссий в рамках научного семинара по цифровой экономике, проводившегося в 2018—2019 гг. на экономическом факультете МГУ имени М. В. Ломоносова.
Ключевые слова: цифровизация экономики, электронные рынки, цифровой маркетинг, интернет-платформы, конкурентный анализ.
Цитировать статью: Герасименко В. В., Слепенкова Е. М. Трансформация методов и инструментов конкурентного анализа в условиях цифровой экономики // Вестник Московского университета. Серия 6. Экономика. — 2019. — № 6. — С. 126-146.
1 Герасименко Валентина Васильевна, д.э.н., профессор, заведующая кафедрой маркетинга МГУ имени М. В. Ломоносова; e-mail: yv_gerasimenko@mail.ru
2 Слепенкова Елена Михайловна, к.э.н., доцент кафедры маркетинга МГУ имени М. В. Ломоносова; e-mail: selena557@yandex.ru
V. V. Gerasimenko
Lomonosov Moscow State University (Moscow, Russia)
E. M. Slepenkova
Lomonosov Moscow State University (Moscow, Russia)
TRANSFORMATION OF METHODS AND TOOLS OF COMPETITIVE ANALYSIS IN THE DIGITAL ECONOMY
The article deals with the transformation processes of competitive analysis methods under the influence of digital economy, the development of electronic markets and communications. It is shown that the development of market strategies requires a new methodology and structure of analytical tools to obtain valuable results about competitors and consumers in different markets. The proposed approach to competitive analysis is based on the methodology of integrated use of all business intelligence blocks: big data Analytics, content analysis, web Analytics, mobile Analytics. New Internet services and platforms that allow for effective competitive analysis are evaluated. On the basis of surveys about readiness of Russian management to use digital technologies in market research, recommendations on the directions of development of educational programs in Russian universities are formulated. The article is based on the results of the authors ' presentations and discussions at the scientific seminar on digital economy held in 2018—2019 at the faculty of Economics of Lomonosov Moscow state University.
Key words: digitalization of economy, electronic markets, digital marketing, Internet platforms, competitive analysis.
To cite this document: Gerasimenko V. V., Slepenkova E. M. (2019). Transformation of methods and tools of competitive analysis in the digital economy. Moscow University Economic Bulletin, (6), 126-146.
Введение
Современный маркетинг находится на передовой линии цифровой революции, он становится все более сложным. Никогда еще в распоряжении маркетологов и исследователей не было столько данных, доступных для аналитики. Это уже осознается в практическом управлении компаниями и вызывает к жизни новый взгляд на роль маркетинга в стратегическом управлении. Так, по мнению партнера компании McKinsey Джейсона Хеллера [Heller, 2019], именно главный маркетолог теперь является архитектором роста компании, играет ведущую роль в определении направления ее развития, а современный маркетинг характеризуется как растущим использованием первичных данных, так и новым подходом к управлению данными, который становится частью повседневной работы. Современные аналитические инструменты, основанные на обработке больших дан-
ных относительно всей среды жизнедеятельности компании в цифровом пространстве, доступны всем участникам рынка. Маркетинговая система любой, как большой, так и малой, компании должна стать самообучающейся на основе использования этих инструментов.
Вместе с этим в цифровой среде меняется характер конкуренции.
Во-первых, конкуренты становятся ближе друг к другу — все они находятся «на расстоянии клика» от потребителя. Такое обострение конкуренции имеет последствие в виде общего понижения уровня лояльности потребителей.
Во-вторых, развиваются новые рыночные институты — интегрированные интернет-платформы, которые принципиально меняют механизмы связи производителя с потребителем и каналы распределения. Они часто могут оказывать монопольное давление на рынок, основываясь на использовании больших данных и цифровых технологий, включая, например, динамическое ценообразование, далекое от классических научных представлений о рыночных ценах.
Наконец, в-третьих, кардинально меняется поведение потребителя и модели потребительского выбора. По мнению К. Шваба [Schwab et al., 2018], известного идеолога индустрии 4.0, интеллектуальное управление связями с потребителями, внедрение цифровых моделей самообслуживания потребителей — это технологии, которые будут приносить в ближайшем будущем значительный экономический эффект.
Вместе с тем российские управленцы еще в целом мало знакомы с цифровыми инструментами конкурентного анализа. Так, проведенные на экономическом факультете МГУ имени М. В. Ломоносова опросы 220 руководителей бизнеса, окончивших обучение на программах МВА и представляющих собой наиболее квалифицированный слой руководителей и ТОП-менеджеров российского бизнеса, показали достаточно низкую степень готовности к применению цифровых технологий в менеджменте и, в частности, в рыночной аналитике (см. рис. 1).
Это делает чрезвычайно актуальным изучение и систематизацию развивающихся цифровых методов конкурентной аналитики, которым посвящена эта статья. Необходимо проанализировать и оценить новые данные об инновационных цифровых инструментах мониторинга рыночных позиций фирмы и ее конкурентов.
Цель, которую ставили перед собой авторы данной статьи — обобщить новые теоретические и практические подходы к конкурентному анализу на основе инновационных цифровых инструментов мониторинга рыночных позиций компании и ее конкурентов, выявить методы и инструменты, которые обладают большей оперативностью, точностью и низкой стоимостью, чем традиционные методы сбора информации и проведения конкурентного анализа.
Рис. 1. Оценки готовности менеджеров к внедрению цифровых технологий
в управление
Источник: составлено авторами на основе данных опросов, январь 2019 г.
Постановка проблемы в академических исследованиях
Методы изучения и анализа конкурентной среды бизнеса всегда были предметом внимания в теории и практике управления, освещались в академической литературе по менеджменту и маркетингу [Портер, 2019, 2016; Рамасвами, Прахалад, 2006. Хулей и др., 2005. /а]ас, Ба/егшап, 1991].
Однако в настоящее время старые подходы перестают работать: конкурентный анализ должен быть оперативным, дешевым, не требующим больших трудозатрат, он должен быть основан на больших объемах достоверных данных, давать точные, детализированные и хорошо структурированные, максимально достоверные результаты. Грамотный конкурентный анализ в современной цифровой среде позволит избежать ошибок при запуске новых проектов, повысить конкурентоспособность компании, даст возможность быстро реагировать на рыночные изменения. Он необходим для того, чтобы менеджмент понимал текущую ситуацию и тенденции рынка, находил инсайты для продвижения в цифровой среде, ставил цели по улучшению позиций фирмы и отслеживал их достижение [Оега8шепко, 2019].
Появление и развитие интернета породило проблему больших данных, поскольку пользователи глобальной сети Интернет оставляют следы, ко-
торые представляют собой большие массивы данных. Возникает тематика конкурентной разведки и аналитики — Business intelligence and analytics (BI&A), отражающая значение проблемы больших данных. Эта тематика одинаково важна как для исследователей, так и для практиков [Chen et al., 2012]. Отмечается, что бизнес-аналитика предполагает использование информационных систем, которые трансформируют сырые данные в значимую информацию, которая помогает уменьшить неопределенность при принятии решений [Torres et а1, 2018, p. 822]. В научной литературе термин «бизнес-аналитика» понимается и как термин, описывающий процесс исследования, и как термин, описывающий концепцию и методологию исследования, проводимого для улучшения процесса принятия решений в компании [Van-Hau Trieu, 2017, p. 111].
Термин «конкурентная аналитика» предполагает «сбор и анализ данных, информации и знаний с целью понимания и предвидения стратегий и действий конкурентов» [Erickson, Rothberg, 2012, p. 37]. Выделяют следующие блоки бизнес-аналитики: аналитика больших данных, контент-анализ, веб-аналитика, сетевая аналитика, мобильная аналитика. Все аналитические блоки имеют отношение к проведению конкурентного анализа в цифровом пространстве и поэтому стали объектом внимания в настоящей работе.
В исследованиях, посвященных данной тематике, веб-аналитика понимается прежде всего как наука и искусство улучшения сайта в целях повышения его прибыльности путем улучшения опыта взаимодействия потребителя с сайтом [Waisberg, Kaushik, 2009]. Авторы выделяли следующие этапы аналитического процесса: определение целей, выбор метрик для оценки качества работы сайта, сбор данных, анализ данных, внедрение изменений. Выходя за пределы анализа данных сайта, предлагалось исследовать и анализировать следующие источники данных для бизнес-аналитики: метрики успеха блога компании, количество комментариев в социальных сетях, данные онлайн-тестирований как источники знания о потребителях, данные онлайн-опросов пользователей относительно работы сайта, данные конкурентного анализа на основе таких сервисов, как Google Trends, Compete.com, Quantcast.com, Hitwise.com, чтобы определить источники трафика на сайты конкурентов, рейтинги конкурентов по ключевым словам, описания сервисами целевой аудитории. Совокупность этих подходов к анализу сайта получила определение «аналитика 2.0».
Авинаш Кошик [Kaushik, 2009; Кошик, 2014], один из самых авторитетных ученых в области веб-аналитики, выдвигает на первое место вопросы анализа сайтов, социальных сетей, мобильного поведения клиентов, анализ эффективности видеоконтента. При этом, к сожалению, конкурентный аспект анализа ушел на задний план, а анализу поведения клиентов в мобильных приложениях отведено совсем небольшое место.
В других исследованиях [Zikopoulos et al., 2012] было показано, что главной целью контент-анализа является автоматическое извлечение знаний, идей и понимание тенденций рынка. Основными инструментами при этом являются кластерный анализ, категоризация, извлечение информации, анализ связей. Еще ранее B. Pang, L. Lee, S. Vaithyanathan [Pang et al., 2002] также анализировали процесс автоматизации контент-анализа текстов, выявления позитивной, негативной и нейтральной тональности высказываний, а также выявления степени их эмоциональности в качестве основных инструментов веб-аналитики.
На примере контент-анализа потребительского контента в социальных сетях Facebook и Twitter W. He, S. Zha, L. Li [He et al., 2013] показали, что такой конкурентный анализ имеет большую ценность для компании и создает ей конкурентные преимущества. Позднее необходимость проведения конкурентного анализа была обоснована W. He, H. Wu, G. Yan, V. Akula [Shen et al., 2015] на основе использования сервисов в социальных медиа. Авторы предлагали бенчмарки для проведения анализа настроений и отношений потребителей, проводя конкурентный анализ крупных ре-тейлеров, и разработали на этой основе предложения по совершенствованию работы компаний.
В последнее время появились работы, посвященные проблемам аналитики мобильных приложений. Так, исследование S. P. Han, S. Park, W. Oh [Han et al., 2015] интересно тем, что на основе теории предельной полезности создана модель потребления мобильных приложений. На базе большого статистического материала проанализированы зависимость предпочтений в потреблении приложений и модели потребления приложений от демографических факторов потребителя. Показано, что предельная полезность мобильного приложения существенно различается в зависимости от категории приложения и демографических данных потребителя. Эти выводы полезны с точки зрения исследований рынка мобильных приложений.
В контексте нашего исследования заслуживают упоминания современные попытки предложить сложную систему конкурентного анализа, основанную на программах сканирования интернета, обработки текстов и машинного обучения, снабжающую менеджеров компании информацией о ее конкурентах, представленные Liang Guo, Ruchi Sharma, Lei Yin, Ruodan Lu, Ke Rong [Guo et al., 2017]. Важно, что такая система имеет не только описательное, но и прогностическое значение и позволяет определять рыночные позиции мобильного приложения. Авторы предложили также методологию выявления прямых и непрямых конкурентов на рынке мобильных приложений.
Бурное развитие инструментов рыночной аналитики в интернете, основанных на обработке больших данных, открывает широкие возможности для их использования в конкурентном анализе. К тому же практика
показывает, что использование аналитических интернет-сервисов в деятельности компаний влечет снижение затрат на исследования и повышение обоснованности принятия управленческих решений [Omiyale, 2017]. Действительно, рынок маркетинговых технологий уже достаточно развит, программное обеспечение можно приобретать по подписке, технологии на основе искусственного интеллекта стоят относительно недорого. Заметим также, что сервисы маркетинговой аналитики часто являются бесплатными либо имеют бесплатные периоды тестирования, поэтому могут также успешно использоваться и в учебном процессе в вузах при изучении дисциплин, связанных с современным маркетингом в цифровой среде.
Понимание роли аналитических сервисов растет в современном практическом маркетинге. Уже сейчас расходы на использование маркетинговых аналитических технологий в компаниях США и Великобритании превышают их рекламные бюджеты. Так, в ежегодном исследовании компании Gartner «CMO Spend Survey for 2018-2019» указывается, что самая большая доля маркетинговых бюджетов — 29% — была потрачена в 2018 г. на маркетинговые и аналитические сервисы. По сравнению с 2017 г. рост доли инвестиций в технологии составил 7%, тогда как доля расходов на платное продвижение снизилась с 25% в 2017 г. до 23% в 2018 г. [Pemberton, 2019].
Термин «аналитика больших данных» предполагает нахождение значимых закономерностей в массивах данных, исследовательскую процедуру в целях принятия управленческих решений. Такая процедура включает целый ряд последовательных шагов: постановку целей, сбор и подготовку данных, построение, оценку и интерпретацию маркетинговой модели, внедрение результатов в практику бизнеса и мониторинг эффективности использования рекомендаций [Gray, 2016].
Исходя из современных подходов и технологических возможностей, в настоящей статье речь пойдет об инструментах сбора данных для целей конкурентного анализа с помощью сервисов маркетинговой аналитики в российском интернет-пространстве, основанных на технологиях сбора и обработки больших данных. Отличительной чертой предлагаемого авторами подхода к проведению конкурентного анализа является его методология, которая предполагает комплексное использование блоков бизнес-аналитики: аналитики больших данных, контент-анализа, веб-аналитики, мобильной аналитики. Авторский подход в настоящей работе не ограничивается и каким-либо одним каналом коммуникации компаний с клиентами в цифровом пространстве: в статье рассматривается и конкурентный анализ сайтов, и конкурентный анализ в социальных сетях, и конкурентный анализ мобильных приложений. Такой интегральный подход должен быть характерен для стратегического маркетингового анализа, он соединяет классические аналитические подходы и современный инструментарий.
Методы определения конкурентов и пространства конкуренции
с помощью сервисов веб-аналитики
Алгоритм подбора конкурентов для аналитики в цифровой среде определяется как спецификой рынка, так и степенью знания этого рынка. Если вторичных данных, заслуживающих доверия, нет, а рынок не знаком исследователю, можно начинать с анализа первых страниц поисковой выдачи. Изучая сайты конкурентов, можно узнать много информации о том, в чем компании видят свои конкурентные преимущества, как преподносят позиционирование, проанализировать ассортимент, цены, условия обслуживания. Процесс подбора конкурентов может быть упрощен, если воспользоваться такими сервисами, как SimilarWeb, SerpStat, SpyWords, Megaindex, SimilarSites, SemRush, Advse.ru. При этом конкуренты подбираются по общим ключевым запросам как из органической, так и из платной поисковой выдачи. Результаты подбора сервисов нужно подвергнуть проверке, поскольку в список могут войти информационные, некоммерческие и неработающие сайты, которые надо исключить из списка конкурентов. Практика использования сервисов в проводившемся авторами анализе показала, что лучшие результаты при подборе конкурентов демонстрирует сервис SimilarSites.
Очень важным шагом для проведения конкурентного анализа является определение пространства конкуренции, т.е. границ рынка, на котором идет конкурентная борьба. Малькольм МакДональд [Mcdonald, 2011] отмечал, то для определения границ бизнеса нужно определить не то, какие продукты/услуги компании продают, а то, какие потребности удовлетворяют. В цифровой среде для этого требуется провести анализ ключевых запросов потребителей.
Анализ ключевых запросов для сайтов конкурентов выполняется в рамках анализа семантического ядра их сайтов. В среде российского интернета сформировался институт аналитических сервисов, позволяющих вести анализ рынка. Сервисы, проводящие цифровую аналитику, не имеют прямого доступа к статистике сайтов, используя информацию из поисковых систем. От того, как часто сервис заносит эту информацию в свою базу данных, зависит и ее качество. Как правило, это происходит один раз в месяц. Все перечисленные выше сервисы имеют опцию анализа семантического ядра сайта. Этой же функцией обладает на российском рынке и сервис Keys.so. Во вкладках «Подбор и кластеризация запросов» сервиса Megaindex и сервиса Keys.so есть возможность сбора запросов по регионам, разбивки семантики в групповые отчеты. Приложение подбирает список ключевых запросов, кластеризуя их по группам, что облегчает анализ потребностей на рынке, давая возможность понять их рейтинг по количеству запросов. Еще один бесплатный сер-
вис — Xtool.ru показывает также и видимость сайтов в поисковых системах по ключевым запросам.
Анализ запросов позволяет выявить как пространство конкуренции — через общие ключевые слова, по которым сайты конкурентов продвигаются, так и пространство их позиционирования — специфические ключевые слова, используемые для продвижения (см. пример на рис. 2).
На рис. 2 показано, что сервис SpyWords, который осуществляет поиск ключевых слов для систем Яндекс и Google раздельно, во вкладке «Битва доменов» сравнивает трех конкурентов. При наведении курсора на соответствующие области диаграммы выдает списки как общих для конкурентов ключевых слов, так и списки специфических для конкурирующих компаний ключевых слов.
После того как были выявлены основные потребности, которые удовлетворяют конкуренты на выбранном для исследования рынке, аналитики могут воспользоваться принципом построения модели BCG «Темп роста — доля рынка» и построить матрицу для анализа ассортимента лидеров рынка либо рынка в целом.
Рис. 2. Выявление общих и уникальных ключевых запросов для конкурентов «Азбука вкуса», «Утконос» и «Метро» для поисковой системы Яндекс с использованием сервиса spywords.ru Источник: составлено авторами на основе https://spywords.ru (дата обращения: 13.06.2019).
Для этого можно воспользоваться бесплатными сервисами Wordstat Yandex и Google Trends, которые покажут долю и динамику упоминаний
по ключевым словам. Сервис Wordstat Yandex анализирует динамику упоминаний за последние два года, сервис Google Trends — за пять лет. В осях «динамика упоминаний» и «доля упоминаний» можно проанализировать перспективность инвестиций в те или иные ассортиментные позиции на исследуемом рынке в зависимости от квадрантов матрицы, в которые попадут те или иные ключевые запросы потребителей исследуемого рынка по аналогии с методологией матрицы BCG.
Контент-анализ: выявление параметров ценности
рыночного предложения
Поскольку конкуренция идет за мнения в головах потребителей, очень полезным с точки зрения конкурентного анализа является выявление отдельных параметров ценности рыночного предложения, имеющих наибольшую важность для потребителей. Инструментом такого анализа выступает контент-анализ. Контент-анализ можно проводить вручную, а также можно использовать системы мониторинга социальных сетей.
Для проведения ручного контент-анализа существует возможность использовать сайты отзывов в интернете, среди которых можно отметить ресурсы с большими базами отзывов:
— otzovik.com — это самая большая в Рунете база отзывов;
— irecommend.ru — крупный проект с отзывами обо всем;
— market.yandex.ru — содержит отзывы о товарах и интернет-магазинах;
— booking.com — крупный сервис с отзывами о гостиницах;
— torg.mail.ru — маркетплейс, аналог Яндекс.Маркета;
— migreview.com — сервис с отзывами обо всем.
При проведении ручного контент-анализа полезным методическим приемом может служить составление таблицы, в которой фиксируются названия фирм-конкурентов и параметры ценности, которые важны для потребителей при покупке на исследуемом рынке в формулировке самих потребителей. Внутри таблицы указывается количество упоминаний параметра, а также тональность упоминания или оценка компании по этому параметру. При подведении итогов можно проанализировать как общее количество упоминаний тех или иных параметров ценности рыночного предложения, что позволит составить их рейтинг, так и их оценку/тональность упоминания авторами отзывов в разрезе конкурентов, что позволит провести конкурентное сравнение поставщиков по отдельным параметрам ценности рыночного предложения.
Улучшает качество проведения контент-анализа использование систем мониторинга социальных медиа, рейтинг которых представлен в табл. 1.
Таблица 1
Рейтинг систем мониторинга социальных медиа AdIndex «Technology Index 2018»1
Технология/платформа Интегральная оценка
Brand Analytics 10.00
Медиалогия 8.12
JagaJam 7.97
Амплифер 7.74
YouScan 7.33
Socialbakers 6.73
IQbuzz 6.69
Wobot 6.36
Представленные в табл. 1 системы осуществляют мониторинг следующих социальных медиа: социальные сети, блоги, форумы, сайты отзывов, каналы и открытые чаты в мессенджерах, комментарии в СМИ. В рамках мониторинга происходит сортировка сообщений по различным признакам (авторы, группы, тематика, география, слова, ссылки, геолокация), автоматически определяется тональность высказываний (рис. 3). Такие системы мониторинга, как Brand Analytics и Youscan, предоставляют автоматическую аналитику с подсчетом интегральных показателей и статистики, осуществляют автоматический конкурентный анализ по основным метрикам (например, по тональности упоминаний), а также в демографическом и географическом разрезе. При этом YouScan — единственная российская система, которую включили в международный рейтинг продвинутых аналитических и мониторинговых систем G2 Crowd. Система умеет распознавать изображения и проводить анализ найденных в сети изображений.
Регулярный мониторинг соцмедиа помогает не только найти целевую аудиторию, но и определить ее интересы и предпочтения, выявить тенденции спроса и новые потребности. Мониторинг дает возможность более эффективно управлять репутацией компании, выявляя тематику и места публикации негативных отзывов, позволяет поблагодарить адвокатов бренда, поучаствовать в тематических дискуссиях, вовремя ответить на вопросы потребителей. По критерию частоты употребления ключевых слов можно узнать адреса тех мест в цифровом пространстве, где находятся потенциальные клиенты компании и ее конкурентов. Можно отслеживать реакцию аудитории на продукты и кампании продвижения конкурентов, что позволит фирме совершенствовать свои продукты и кампании продви-
1 Участие в онлайн-опросе (май 2018) приняли 533 эксперта из 393 компаний. Интегральный рейтинг рассчитывался как взвешенная по важности сумма оценок доли сервиса на рынке (25%) и качества сервиса (75%), Оценки давались экспертами по 10-балльной шкале. URL: https://adindex.ru/rating3/tech/172078/index.phtml (дата обращения: 13.06.2019).
жения. Можно автоматизировать процесс выявления параметров (рис. 3), по которым потребители сравнивают конкурентов.
Выявление доли упоминаний различных брендов в медиапростран-стве помогает уточнить представление о знании и пользовании брендами, сравнение тональности высказываний — о сравнительном имидже конкурирующих на рынке брендов. Попутно можно выявить самые эффективные каналы коммуникации с потребителями для данного рынка (см. пример на рис. 4).
Рис. 3. Выявление тональности высказываний о банке и тематики негативных упоминаний о нем системой Brand Analytics (период мониторинга — январь 2019 г.) Источник: https://br-analytics.ru/sample_report/%D0%92%D0%9D%D0%A2.pdf
Рис. 4. Мониторинг бренда Starbucks весной 2019 г. позволил выявить основные каналы, в которых встречаются англоязычные и русскоязычные упоминания о бренде (период мониторинга — март-апрель 2019 г.) Источник: https://youscan.io/2019/06/kak-ne-perestat-lubit-raboty/
Главное преимущество контент-анализа — это выявление отдельных параметров ценности рыночного предложения, что позволяет провести конкурентный анализ по этим параметрам. Для общей оценки потребителями предложений конкурентов аналитики проводят онлайн-опросы, в которых стремятся уточнить, с одной стороны, насколько данные параметры важны для потребителей, с другой — как они оценивают своих предпочитаемых поставщиков по этим параметрам.
Средневзвешенная по показателям важности сумма оценок потребителями параметров ценности рыночного предложения своих поставщиков даст рейтинг конкурентов по параметру «воспринимаемое качество» рыночного предложения.
Сетевая и мобильная веб-аналитика:
конкурентный анализ трафика
Сетевая аналитика — портрет целевой аудитории сайта. Многие сервисы, например, такие как SimilarWeb или Alexa, позволяют получить достаточно точный портрет аудитории, посещающей сайты конкурентов. Так, Alexa во вкладке «Интересы аудитории» покажет тематику сайтов, которые посещает аудитория исследуемого сайта, вероятность их посещения и процент аудитории сайта, который интересуется данной тематикой. Расширить представление об интересах аудитории поможет вкладка Audience Overlap — сервис подберет площадки, которые посещает аудитория исследуемой компании. С другой стороны, этот продукт может обнаружить новых, неизвестных конкурентов компании, определить потенциальные возможности для рекламных кампаний, направления развития партнерских отношений, выявить инфлюенсеров, которые помогут в установлении новых контактов компании с целевой аудиторией.
Анализ ссылочного трафика тесно сопряжен с анализом интересов аудитории сайтов, поскольку ссылки в порядке внешней оптимизации сайтов размещаются компаниями на тех ресурсах в цифровом пространстве, где может находиться целевая аудитория сайта. Такой анализ поможет снизить затраты на поисковую оптимизацию сайта компании, сконцентрировав ресурсы на выявленных эффективных направлениях [Сле-пенкова, 2017].
Особый интерес представляет анализ входящего ссылочного трафика на сайты конкурентов. Этот анализ поможет выявить наиболее популярные страницы на сайтах конкурентов, контент, который вызывает наибольший интерес у аудитории, источники ссылочного трафика для лидеров рынка.
Пример анализа распределения долей конкурентов в трафике из поисковой системы Яндекс на сайты продуктовых интернет-ретейлеров приведен на рис. 5. Компании важно не просто использовать выявленные домены для размещения своих ссылок. Необходимо понять профиль
ссылочного трафика лидеров и воспользоваться им как моделью для совершенствования ссылочного профиля собственного сайта.
Competitive Traffic Share
• utkonos.ru
41.7%
• globusgurme.ru
1.7%
• av.ru
9.2%
• instamart.ru
14.3%
perekrestok.ru
33.1%
Рис. 5. Распределение входящего ссылочного трафика на сайты продуктовых интернет-ретейлеров из поисковой системы Яндекс Источник: составлено авторами на основе similarweb.com (дата обращения: 21.06.2018).
Мобильная аналитика в конкурентном анализе. В настоящее время более 50% трафика приходится на мобильные устройства, и эта доля будет расти. Поисковая система Google использует именно мобильную версию страниц сайта для индексирования и ранжирования в поисковой выдаче. Согласно данным компании ComScore, пользователи проводят более чем в 2 раза больше времени в интернете, используя мобильные устройства, чем десктопы. При этом более 80% времени пользователи проводят не в мобильном браузере, а в мобильных приложениях [ Global digital future, 2019]. В отчете «State of Mobile 2019» компании App Annie указывается, что расходы потребителей в магазинах мобильных приложений составили 101 млрд долл. в 2018 г., что на 75% больше, чем в 2016 г. [The State of Mobile, 2019].
Конкурентный анализ приложений можно делать вручную на основе данных магазинов мобильных приложений и описаний функционала приложений на сайтах конкурентов. Сервисы мобильной аналитики автоматизируют и значительно расширяют возможности для проведения конкурентного анализа. Сервисы мобильной аналитики условно можно разделить на два сегмента: внешняя и внутренняя аналитика, связанная с поведением пользователя внутри мобильного приложения. В рамках конкурентного анализа нас интересует внешняя аналитика с точки зрения сравнения приложений в целях конкурентного анализа. Этот функционал характерен для таких сервисов, как App Annie, Appfollow, APPLyzer, Mobile Action, Priori Data, SensorTower.
Данные сервисов о загрузках и доходах позволят исследователю найти самые быстрорастущие рынки по всему миру, оценить рыночную долю конкурентов по метрикам загрузок, доходов в определенной категории
приложений, сравнить конкурентов по метрикам использования приложений и вовлеченности. Анализ динамики этих показателей в разрезе категории может выявить конкурентные угрозы и возможности для компании. Динамика таких показателей, как вовлеченность и удержание пользователей приложений, динамика рейтинга по категориям, странам, платформам становятся доступны для анализа. Сервисы позволяют отслеживать появление нового функционала в приложениях конкурентов и его влияние на показатели загрузок и вовлеченности, отслеживать, как меняются отзывы и оценки пользователей после выхода новых версий приложений конкурентов. Таким образом, открываются перспективы для совершенствования собственного приложения компании и стратегии его продвижения.
Следует отметить, что полезно наблюдать за приложениями компаний, не входящих в число конкурентов, но которыми пользуются потребители компании, так как в них можно проводить рекламные кампании. Такая метрика, как доля показов конкурентов в рекламных сетях, также важна для конкурентного анализа. Если отслеживать рекламную активность конкурентов с помощью сервисов мобильной аналитики, можно понять, какие их действия вызвали ее активизацию, что также может подвигнуть компанию на совершенствование своего продукта.
Создание визуальных средств, которые вызовут у потенциального пользователя желание загрузить приложение, — очень сложный вопрос, требующий постоянного проведения экспериментов. Изучение значков приложений, снимков экрана и подписей к ним, видеороликов у конкурентов — необходимый аналитический этап для создания компанией своих визуальных средств для приложений.
При продвижении приложения необходимо анализировать позиции конкурентов в результатах поиска по определенному ключевому слову, изучить приложения, занимающие высокие места по тому же слову. Один из лучших способов подбора ключевых слов — выбирать их из отзывов пользователей. Изменения ключевых слов существенно влияют на замет-ность приложения.
На основе анализа российского интернет-пространства ниже сформулированы новые возможности современной мобильной аналитики на примере нескольких сервисов.
1. Мониторинг магазинов мобильных приложений, рейтинг приложений по ключевым словам, статистика по приложениям компании (пример — сервис App Annie) обеспечивают:
— конкурентный анализ приложений по загрузкам и доходам;
— предоставление статистики по использованию приложений (активные пользователи, проникновение на рынок, продолжительность, частота использования, удержание клиентов, описание потребителей, их сегментация);
— предоставление статистики использования мобильных сайтов;
— предоставление статистики рекламных метрик (в том числе таких, как органическая и платная загрузка приложений);
— предоставление аналитики (в том числе по доле на рынке);
— широкие возможности по поддержке пользователей.
2. Статистика приложений в режиме ежедневного обновления данных на основе анализа магазинов приложений. Пример: сервис Priori Data который отслеживает следующие метрики: рейтинг приложений (см. рис. 6) и его динамика, загрузки, выручка, DAU (Daily Active Users) — ежедневные активные пользователи, MAU (Monthly Active Users) — уникальные пользователи, которые посещают приложение хотя бы раз в месяц, ARPDAU (Average Revenue Per Daily Active User) — средняя выручка на ежедневно активного пользователя, рейтинги по ключевым словам, обновление версий. Продукт Data App Intelligence позволяет проводить полноценный конкурентный анализ, получать уведомления об изменениях конкурентного ландшафта, получать еженедельные отчеты на email о деятельности конкурентов.
Position Bank Downloads D1 Retention D30 Retention MAUs
1 Ф Barclays 788k 30% 4.2% 1.46m
2 Я Natwest 677k 24% 1.8% 1.43m
3 & Lloyds 677k 29% 3.2% 1.24m
4 д Halifax 646k 28% 3.0% 1.09m
5 «1 Nationwide 555k 18% 1.2% 854k
6 HSBC 563k 22% 2.0% 640k
7 □ Monzo 749k 24% 4.0% 566k
8 в Revalut 341k 28% 1.8% 360k
9 пае» Tesco Bank 174k 24% 3.5% 354k
10 □ First Direct 76k 21% 3.0% 304k
Рис. 6. Мировой рейтинг приложений банков по результатам мониторинга
сервиса Priori Data январь-июнь 2019 г.) Источник: https://blog.prioridata.com/who-leads-the-mobile-banking-market (дата обращения: 30.06.2019).
Аналитические сервисы, такие как, например, Appfollow, определяют возраст, пол, доход и уровень образования пользователей успешных в изучаемой категории приложений. Это может позволить исследователю:
— выбрать целевую аудиторию (ЦА), с которой не работают конкуренты;
— выбрать содержание, способ подачи и формат контента приложения, подходящий для ЦА;
— выбрать дизайн, навигацию и социальные функции приложения, предпочитаемые ЦА;
— выбрать схему монетизации приложения, удобную для ЦА.
3. Предоставление информации по рейтингам ключевых слов и категорий приложений, что полезно знать для продвижения нового приложения. Пример — сервис Appfollow, который отслеживает стратегии конкурентов в отношении монетизации приложений. Если выяснить модель монетизации — бесплатное приложение с рекламой, платное приложение, покупки внутри приложения, модель Freemium1, модель по подписке, спонсорство2, — можно использовать эти идеи для монетизации приложения компании. Сервис дает возможность изучить обзоры и отзывы пользователей приложений, что полезно для разработки нового приложения в категории. А также предоставляет информацию об обновлениях и релизах новых приложений конкурентов, что крайне важно для разработки собственного приложения компании, поскольку нельзя отставать от конкурентов в этом отношении.
4. Систематизация и анализ приложений конкурентов. Например, таким функционалом в отношении конкурентного анализа обладает сервис Mobile Action. Во вкладке «Конкурентный анализ» (Competitor Analysis) сервис представит список приложений конкурентов. В той же вкладке слева находится раздел «Данные конкурентов» (Competitor Insight) с информацией о конкурирующих мобильных приложениях. Похожий функционал — у сервиса SensorTower.
5. Анализ показателей конкурирующих продуктов. Так, APPLyzer, сервис анализа рынка приложений, позволяет отслеживать показатели конкурирующих продуктов и выявлять наиболее релевантные ключевые слова, составляет в ежедневном режиме рейтинги популярности программных продуктов по 155 странам. Пример рейтинга приложений в России по категории «Финансы» представлен на рис. 7.
Заключение
Приведенный выше комплекс интернет-сервисов и показателей, которые служат цифровыми инструментами анализа конкурентов и источ-
1 Ргеетшт — модель, где приложение имеет набор бесплатных базовых и дополнительных платных функций.
2 Если рекламодатель — партнер приложения вознаграждает пользователя за выполнение определенных действий внутри приложения, то разработчик получает процент от этого вознаграждения, а приложение освобождается от рекламы.
никами данных для повышения конкурентной позиции, выводит конкурентный анализ на принципиально новый уровень по доступности и детальности информации, а также по возможностям влияния на рыночную позицию компаний.
В результате проведенного исследования было показано, что конкурентная аналитика является одним из блоков бизнес-аналитики, которая содержательно предполагает стратегический маркетинговый анализ компании в цифровой среде.
Тор 1500 Finance of ¡Phone Apps in Russia
13th Jun 2019
Expenses OK - expenses tracker Mobion LLC. Mobioo # Сбербанк Онлайн Sbabank of Russia. Сбербанк России
Income OK - income & expenses Mobtoo LLC, Mobtoo ÉT Тинькофф TinkoffBank ^
ш. Money Pro: Personal Finance iBen LLC Co., QIW1 Кошелек - Всё проще Q1WI Bank. JSC Po
IE Alzex Finance Pro Спасибо от Сбербанка Sbefbank of Russia, Сбербанк России m>
... MoneyWiz 2 - Personal Finance SilverWiz Lid ^^ +2 Штрафы ГИБДД с фото Payment Systems LLC, Payment Systems ш
Со-« Comoney NATAL1YA SMKNOVA. Igrectray Шь* ВТБ-Онлайн VTB Bank (PJSC) Co
Ео. Lilecoinpool Viewer JOSE CARLOS LOPEZ P: Альфа-Банк AOALFA-BAKK #b
CoinKeeper: spending Hacker
Moneon - My budget & expenses
CB MdBk Lioutcd. CB McMe Ltd
Дзен-мани: учет расходов
Ллюл Fcdosin
Cost Track • Expense Tracker
fuKria. и.о. Annie, LLC
Деньги OK - мои личные финансы
Monefy ■ Money Manager
AimbnyAS
YNAB (You Need A Budget)
Уоо Need A Bndia LLC
Рис. 7. Рейтинг AppLyzer мобильных приложений на 13.06.2019: тип ежедневный; магазин App Store; категория «Финансы»; страна Россия Источник: https://www.applyzer.com/7mmenu (дата обращения: 14.06.2019).
Для эффективного конкурентного анализа необходимо использование цифровых технологий для обработки больших массивов данных: контент-анализа, анализа социальных медиа, веб-аналитики, мобильной аналитики. Использовании любого инструмента конкурентного анализа связано с применением сервисов цифровой маркетинговой аналитики, характеристика и результаты применения которых были представлены в статье.
Интегральный подход к проведению конкурентного анализа предполагает исследование всех каналов коммуникаций поставщиков с потребителями в цифровой среде на рынке. Конечно, охватить в одной статье все многообразие аспектов содержательной работы в рамках конкурентного анализа невозможно. В настоящей статье не нашли отражения такие блоки этой работы, как мониторинг цен конкурентов, сравнение конкурентов в платном продвижении, которые представляют собой направления для дальнейших исследований.
Современные темпы развития новых технологий и цифровизации экономики убеждают: трансформация многих аспектов управления компаниями под влиянием новой среды предпринимательства неизбежна. Для си-
стемы образования в экономических вузах возникает в связи с этим новая задача — подготовки менеджеров и маркетологов, обладающих новыми компетенциями и знаниями, учитывающими закономерности развития электронных рынков, изменения в моделях поведения и способах потребительского выбора, методах конкуренции и способах конкурентного анализа в цифровой рыночной среде.
Список литературы
1. Видеореальность социальных медиа 2019: Brand Analytics. URL: https://br-analytics.ru/blog/video-in-social-media/ (дата обращения: 13.06.2019).
2. Кошик А. Веб-аналитика 2.0 на практике. Тонкости и лучшие методики. — Вильямс, 2014.
3. Портер М. Конкурентная стратегия: методика анализа отраслей и конкурентов. — Альпина Диджитал, 2016.
4. Портер М. Конкурентное преимущество. Как достичь высокого результата и обеспечить его устойчивость. — Альпина Паблишер, 2019.
5. Рамасвами В., Прахалад К. К. Будущее конкуренции. Создание уникальной ценности вместе с потребителями. — М.: Олимп-Бизнес, 2006.
6. Рейтинг систем мониторинга социальных медиа AdIndex «Technology Index 2018. URL: https://adindex.ru/rating3/tech/172078/index.phtml (дата обращения: 13.06.2019).
7. Система мониторинга социальных медиа и социальных сетей: Youscan. URL: https://youscan.io/product/ (дата обращения: 13.06.2019).
8. Слепенкова Е. М. Использование аналитических интернет-сервисов в маркетинговом анализе // Маркетинговый анализ компаний в российском сегменте интернета / под ред. Е. М. Слепенковой. — М., 2017. — С. 8-28.
9. Хулей Г., Сондерс Д., Пирси Н. Маркетинговая стратегия и конкурентное позиционирование. — Днепропетровск: Баланс Бизнес Букс, 2005.
10. Chen H., Chiang R.H. L., Storey V. C. Business intelligence and analytics: From big data to big impact // MIS Quarterly. — 2012. — Vol. 36. — No. 4. — P. 11651188.
11. Erickson G. S., Rothberg H. N. Intelligence in action: Strategicallymanaging knowledge assets. — London, England: Palgrave Macmillan, 2012.
12. Gerasimenko V. Value Creation through Digital Technologies in Product Development on Russian Telecommunication Markets. - Innovation Management, Entrepreneurship and Sustainability, Proceedings of the 7th International Conference, Department of Entrepreneurship Faculty of Business Administration University of Economics. — Prague, 2019. — С. 220-228.
13. Global digital future in focus 2019-2018 international edition, comScore. — P. 5, 8. URL: https://www.comscore.com/Insights/Presentations-and-Whitepapers/2018/ Global-Digital-Future-in-Focus-2018 (дата обращения: 13.06.2019).
14. Gray K. (2016) Analytical Tools For Researchers and Data Scientists. URL: https://greenbookblog.org/2016/03/14/an-analytics-tookit/ (дата обращения: 12.06.2019).
15. Han S. P., Park S., Oh W. Mobile app analytics: A multiple discrete-continuous choice framework — Management Information Systems Quarterly (MISQ), 2015. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2676823
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
He W, Zha S, Li L. Social media competitive analysis and text mining: a case study in the pizza industry // International Journal of Information Management. — Vol. 33. — No. 3б. — P. 464-472.
He W., Wu H., Yan G., Akula V., Shen J. A novel social media competitive analytics framework with sentiment benchmarks // Information & Management. — November 2015. — Vol. 52. — Issue 7. — P. 801-812.
Heller J. How to unlock marketing-led growth: Data, creativity, and credibility The McKinsey Podcast, June 2019. URL: https://www.mckinsey.com/business-functions/marketing-and-sales/our-insights/how-to-unlock-marketing-led-growth-data-creativity-and-credibility?
Kaushik A. Web Analytics 2.0, The Art of Online Accountability and Science of Customer Centricity, 2009. URL: https://www.amazon.com/ Avinash-Kaushik/e/B001JSCHP8/ref=dp_byline_cont_pop_book_1 Liang Guo, Ruchi Sharma, Lei Yin, Ruodan Lu, Ke Rong. Automated competitor analysis using big data analytics: Evidence from the fitness mobile app business // Business Process Management Journal. — 2017. — Vol. 23. — Issue: 3. — P. 735762.
McDonald М. Marketing Plans. — Hugh Wilson, 2011. — P. 42.
Omiyale W. Big Data in a Post-Digital Age. URL: https://www.greenbook.org/
images/GRIT/2017/GRIT2016-Q3-4.pdf
Pang B., Lee L., Vaithyanathan S. Thumbs up: sentiment classification using machine learning techniques. Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing. — 2002. — Vol. 10. — Association for Computational Linguistics. — Philadelphia, PA. — P. 79-86. Pemberton С. 8 Top Findings in Gartner CMO Spend Survey 2018-19. November 5, 2018. URL: https://www.gartner.com/smarterwithgartner/8-top-findings-in-gartner-cmo-spend-survey-2018-19/ (дата обращения: 18.08.2019). Schwab K., Davis N., Nadella S. Shaping the Future of the Fourth Industrial Revolution: A Guide to Building a Better World. World Economic Forum, 2018. The State of Mobile in 2019 — The Most Important Trends to Know. URL: https:// www.appannie.com/ru/insights/market-data/the-state-of-mobile-2019/ (дата обращения: 13.06.2019).
Torres R., Sidorova A., Jones M. Enabling firm performance through business intelligence and analytics: A dynamic capability perspective // Information & Management. — 2018. — Vol. 55. — Issue 7. — November. — P. 822-839. Van-Hau Trieu. Getting value from Business Intelligence systems: A review and research agenda Getting value from Business Intelligence systems: A review and research agenda // Decision Support Systems . — January 2017. — Vol. 93. — P. 111-124.
WaisbergD. KaushikA. Web Analytics 2.0: Empowering Customer Centricity — Part II. 2009. URL: https://online-behavior.com/sites/default/files/web-analytics-ii. pdf — The original Search Engine Marketing Journal. — 2009 SEMJ.org. — Vol. 2 Issue 1. — No. 1. — P. 5-11.
ZajacE., Bazerman M. Blind spots in industry and competitor analysis: implicationsof interfirm (mis)perception to strategic decisions // Academy of Management Review. — 1001, Vol. 16. —No. 1. — P. 37-46.
Zikopoulos P, Parasuraman K, Deutsch T, Giles J, Corrigan D. Harness the power ofbig data: the IBM big data platform. — New York, NY: McGraw Hill Professional, 2012.
The List of References in Cyrillic Transliterated into Latin Alphabet
1. Videoreal'nost' social'nyh media 2019: Brand Analytics. URL: https://br-analytics. ru/blog/video-in-social-media/ (data obrashhenija: 13.06.2019).
2. Koshik A. Veb-analitika 2.0 na praktike. Tonkosti i luchshie metodiki. — Vil'jams, 2014.
3. Porter M. Konkurentnaja strategija: Metodika analiza otraslej i konkurentov. — Al'pina Didzhital, 2016.
4. Porter M. Konkurentnoe preimushhestvo. Kak dostich' vysokogo rezul'tata i obespechit' ego ustojchivost'. — Al'pina Pablisher, 2019.
5. Ramasvami V., PrahaladK. K. Budushhee konkurencii. Sozdanie unikal'noj cennosti vmeste s potrebiteljami. — M.: Olimp-Biznes, 2006.
6. Rejting sistem monitoringa social'nyh media AdIndex «Technology Index 2018. URL: https://adindex.ru/rating3/tech/172078/index.phtml (data obrashhenija: 13.06.2019).
7. Sistema monitoringa social'nyh media i social'nyh setej: Youscan. URL: https:// youscan.io/product/ (data obrashhenija: 13.06.2019).
8. Slepenkova E. M. Ispol'zovanie analiticheskih internet servisov v marketingovom analize // Marketingovyj analiz kompanij v rossijskom segmente interneta / pod red. E. M. Slepenkovoj. M., 2017. — S. 8-28.
9. Hulej G, Sonders D., Pirsi N. Marketingovaja strategija i konkurentnoe pozicionirovanie. — Dnepropetrovsk: Balans Biznes Buks, 2005.
