Работа с данными сегодня, ведет к развитию компании завтра
Блог
Алгоритмический маркетинг (часть 3): предсказательная аналитика и оптимизационные модели
03.07.2018

Алгоритмический маркетинг (АМ) основывается на оценке результатов бизнес-действий, и полагается на базовые методы машинного обучения и экономического моделирования.

Обычно в маркетинге, основанном на данных, выделяют 3 типа аналитики: описательная (descriptive), предсказательная (predictive; предиктивная), предписывающая (prescriptive; прескриптивная). АМ использует, как правило, только часть всего инструментария этих методов.
3 типа аналитики: описательная, предсказательная и предписывающая

1) Описательная аналитика.
В рамках этого типа аналитики обычно обобщают данные, оценивают их качество и ищут связи и корреляции между переменными.

Пример: агрегирование данных продаж компании, а также данных рынка о продажах и свойствах продуктов.
Важно: Описательная аналитика не пытается объяснить те или иные результаты, или понять, как те или иные результаты можно изменить.

2) Предсказательная аналитика.

В рамках данной аналитики оценивается вероятность того или иного результата, исхода (outcome) в зависимости от значений входных переменных.

Пример: прогнозирование спроса на товар на основе рыночных данных и данных компании, прогнозирование отклика потребителей на промо-акции, банковский скоринг клиентов.
Важно: предсказываются не обязательно будущие значения переменной, а значения (выходной переменной) в зависимости от тех или иных параметров.

3) Предписывающая аналитика.
Методы данной аналитики определяют зависимости между бизнес-решениями и бизнес-результатами, для поиска оптимального решения.

Пример: прогнозирование оптимальных цен и скидок.
Важно: обычно подразумевается функциональная зависимость между различными переменными, например, прямая зависимость прибыли от цен подразумевает непосредственное влияние на готовность к покупке, и такая функция позволяет рассчитать оптимальную ценовую скидку, в том числе для разных категорий покупателей.

В АМ и программных решениях, где наиболее важна автоматизация принятия решений, главный фокус делается на предписывающую аналитику, которая, в свою очередь, опирается на предсказательную аналитику.

Экономическая оптимизация

Под экономической моделью обычно подразумевают функцию (назовем ее G), использующие данные прошлого опыта (обозначим D как данные). Выделяют пространство доступных бизнес-решений или действий, которые повлияют на результат (назовем их s ∈S). Тогда экономическая модель может быть записана следующим образом:

sopt = argmax G (s, D)
___________s ∈S

К примеру, в задаче оптимизации email-рассылок пространством доступных действий будет отправка или не-отправка писем с промо-акцией определенным клиентам, а максимизация выручки от продаж по акциям может быть целью.

Для построения модели понадобится последовательно решить следующие задачи:

1) Определить бизнес-цель и выразить ее в экономических терминах.
Чаще всего максимизируют прибыль компании, однако в этой роли могут выступать и другие переменные, такие, как выручка и рентабельность.

Важно: существует трейд-офф между получением прибыли компании и полезностью потребителем. Например, при улучшении поиска в онлайн-каталоге товаров должны быть показаны релевантные товары по запросу, но и товары в соответствии с маркетинговыми целями компании.

2) Собрать данные и учесть их в модели.

Алгоритмический маркетинг подразумевает, что данные собраны в достаточном количестве, и используются уже доступные данные или данные будут собираться в дальнейшем. Особое значение принимают технологии дата майнинга (data mining), которые призваны собрать больше данных и улучшить качество моделей.

Важно: есть трейд-офф между стоимостью данных и их ценностью. Данные рассматриваются как актив компании, и при инвестировании в данные компания может значительно улучшить свои маркетинговые результаты. Например, компания может временно пожертвовать своей экономической эффективностью, чтобы с помощью разных стратегий протестировать построенную экономическую модель, и собрать больше данных. Результатом будет улучшенная модель с более надежными прогнозами, более простая модель, и т.п.

3) Выбрать степень детализации модели и построить модель.
В зависимости от формулирования бизнес-цели может понадобиться та или иная степень детализации, или степень детализации может ограничиваться доступностью тех или иных данных и возможностью их экстраполяции.

Важно: есть трейд-офф между степенью агрегирования и более точными данными. Высокоагрегированные модели более просты в построении и больше поддаются интерпретации, однако меньше показывают зависимости между переменными и менее способны делать качественные прогнозы.К примеру , классические модели, такие, как модели совокупного спроса, характеризуются высокой степенью агрегирования данных, но показывают связь лишь небольшого числа факторов с достаточно простыми зависимостями.

Приведем пример агрегирования модели:
а) Если оптимизируются email-рассылки по всем потребителям, максимизируя выручку, то можно агрегировать месячную выручку по всем клиентам, потому что ко всем клиентам применяется одна стратегия.
б) Однако если все потребители разделены на 2 сегмента, и для каждого должна быть найдена своя стратегия рассылок, нельзя обойтись без переменных для каждой стратегии (число потребителей и затраты по рассылке данной стратегии).

Линейность модели также предполагает ее значительное упрощение, и к ним часто прибегают из-за недостатка данных. Введение фактора времени в модель также может быть упрощено: вместо построения динамической модели и запоминания текущего состояния, может быть использована статическая, простая модель, в которой значения прошлых периодов и прогнозы на их основании (продажи и их прогнозы в зависимости от скидок) будут введены как отдельные переменные.

--
По данным книги Katsov I. Introduction to Algorythmic Marketing: Artificial intelligence for marketing operations. 2018.
Алгоритмический маркетинг (часть 2): кейсы
27.06.2018

Самые известные кейсы использования алгоритмического маркетинга - это применение в размещении рекламы (Advertising Services), сборе данных о потребителях (Data Services) и управление доходами (Revenue Management).
Кейс в Интернет-рекламе (CTR, RTB): пример Google

Впервые интернет-реклама была использована в мае 1978 года, 40 лет назад, когда первая email-рассылка была сделана в компьютерной сети ARPANET, расположенной всего в 4 городах. В 1993 году, 15 лет спустя, когда ARPANET выросла до Интернета, появился рынок рекламных баннеров. Однако по мере быстрого роста числа сайтов и количества рекламы, эффективность ее стала быстро падать. В то же время рекламодателям уже стало технически сложно запускать кампании и управлять бюджетами через тысячи издателей.

В 1996 году DoubleClick запустили платформу, которая позволяла запускать рекламные кампании через широкую сеть сайтов, динамически кастомизировать кампанию и измерять результаты. Это создало пространство для автоматизированного принятия решений, поскольку измерения и корректировки могли быть сделаны автоматически.

Онлайн-поисковики тем временем также старались улучшить свои возможности по размещению рекламы. Рекламодатели платили за число показов (cost per thousand impressions, CPM), что было достаточно негибкой ценой и вызывало убытки для поисковиков, а также не было удобно с точки зрения показов неактуальной рекламы. Прорыв случился в 1998 году, когда GoTo.com ввели автоматический аукцион с 2-мя условиями:
1) рекламодатели могут назначать цену за появление в топе определенных запросов,
2) рекламодатели платят за клик, а не за показ.

Модель pay-per-click (PPC) улучшила и доходы, и актуальность рекламы, потому что рекламодатели, готовые платить больше, предлагали и более качественный контент. Модель была взяли на вооружение и в Google, в 2002 году, с одним принципиальным улучшением: реклама выбиралась на основе ожидаемого заработка, равного аукционной цене Х коэффициент показов (click-through rate, CTR). Это был самообучающийся алгоритм, который также отвечал целям доходности и актуальности рекламы.
Траектории развития рекламных площадок и аукционных моделей пересеклись в 2007-2009 годах, когда началась эра с ацукционов в реальном времени (RTB, real-time bidding), где рекламодатели и издатели стали связаны с помощью ставок в реальном времени за индивидуальные рекламные показы.

Это изобретение, в свою очередь, стимулировано появление новых программных инструментов для рекламодателей - платформ управления данными (data management platforms, DMP) и платформ со стороны спроса (demand-side platforms, DSP), которые позволяли собирать данные о поведении интернет-пользователей и делать ставки на основе их ожидаемой склонности отреагировать на объявление.

Таким образом, сформировалась инфраструктура рекламного рынка, включающая рекламные сервисы, напоминающие рекламный рынок (для рекламодателей это возможность запускать кампании с помощью различных издателей) и сервисы данных, которые на основе анализа данных позволяют запускать подходящие рекламные компании и автоматически их корректировать.

Такая модель взаимодействия стала использоваться и в других отраслях. Владельцы баз данных, к примеру, ритейлеры и мобильные операторы, также коммерциализируют свои данные о клиентах и отношениях с ними, предоставляя информацию банкам, и страховым компаниям, и производителям, которые хотят знать своих покупателей лучше.

Итак, разнородность бизнес-окружения, где каждый постоянно имеет дело с данными, полученными от других, приводит к разнообразию потоков данных, и следовательно, возникновению операционных задач, где программные продукты, похоже, единственный способ их решения.
Кейс в управлении доходами (Revenue Management): пример American Airlines

В 1978 в авиаиндустрии США стремительно начало развиваться динамическое ценообразование, благодаря закону о дерегулировании действий авиакомпаний, позволившему свободно изменять цены и маршруты авиалиний. Появились лоукостеры, к примеру, People Express (1981), которые предложили цены на 70% дешевле крупных авиакомпаний. Появились и новые путешественники: студенты, приезжающие к семьям на каникулы, туристы, путешествующие на несколько дней, и многие другие. При этом, у крупных авиакомпаний не было шанса выиграть эту ценовую войну, и они всерьез опасались потерять своих клиентов - бизнес-путешественников.

Решение было найдено авиакомпанией American Airlines. Сначала, они заметили, что непроданные места по цене сравнимы с ценами лоукостов, так как маржинальные издержки таких мест были близки к нулю в любом случае. Как бы то ни было, главная проблема была помешать бизнес-путешественникам покупать билеты по сниженным ценам. Основное решение состояло в введении определенных ограничений: к примеру, билеты должны были быть куплены как минимум за 3 недели и являлись невозвратными.

Сложность состояла в том, что количество непроданных мест сильно варьировалось у различных рейсов, и оптимальное решение могло быть найдено только через динамическую оптимизацию. В 1985 году, American Airlines выпустили программу DINAMO (Dynamic Inventory Allocation and Maintenance Optimizer), чтобы управлять ценами. У People Express тоже были стратегии динамического ценообразования, но их ИТ-система была гораздо проще, чем DINAMO, и не могла сравниться с ней по эффективности. People Express начали терять деньги по 50 млн долл в месяц, вплоть до своего банкротства в 1987 году. При этом, American Airlines уже в первый год после запуска DINAMO увеличили выручку на 14,5%, прибыль на 47,8%, и в конечном итоге выиграли конкурентную борьбу с лоукостером.
Уже в начале 1990-х подход к управлению доходами (Revenue Management) был применен в ряде отраслей: индустрия гостеприимства, аренда автомобилей, и даже продажи ТВ-рекламы.

Успех применения Revenue Management для определенного рынка (в том числе, для рынка авиаперелетов) обусловлен следующими особенностями его спроса и предложения:
1) спрос сильно варьируется по потребителям, полетам, времени: покупательская способность бизнес-путешественников может быть гораздо выше, чем индивидуальных путешественников, рейсы в сезон гораздо более загружены, чем в несезон, и пр.
2) неэластичное предложение (количество доступных мест на рейсе) . Количество мест определяется количеством самолетов на рейсах, и как только рейс запланирован, количество мест не может быть изменено. От непроданных мест нельзя избавиться, так что прибыль авиалиний полностью зависит от их способности использовать потребительский спрос максимально эффективно.

Таким образом, инструменты Revenue Management приводят в соответствие негибкое предложение и гибкий спрос рынка (другими словами, подгоняют спрос под предложение), чтобы обеспечить максимальные продажи. Алгоритмические методы маркетинга уже взяты на вооружение в целом ряде отраслей, включая рекламу, отели, ритейл, где динамическое ценообразование является самым лучшим решением для управления спросом.

--
По данным книги Katsov I. Introduction to Algorythmic Marketing: Artificial intelligence for marketing operations. 2018.
Алгоритмический маркетинг (часть 1): зачем маркетологам искусственный интеллект?
22.06.2018

Под алгоритмическим маркетингом обычно понимают автоматизированный маркетинговый процесс, направленный на решение определенных бизнес-задач, что отличает его от обычного маркетингового программного обеспечения (ПО), а способность к самообучению позволяет относить его в категорию механизмов искусственного интеллекта (ИИ). В современном цифровом маркетинге данный инструмент находит всё большее распространение.

Рассмотрим, почему всё больше маркетологов обращаются к алгоритмическому маркетингу, для каких задач его обычно применяют и когда начали его использовать впервые.
Необходимость алгоритмического маркетинга (АМ)

Маркетологи обычно сталкиваются со следующими ограничениями:
1) неполнота имеющихся данных и возможные искажения,
2) сложность реального маркетингового окружения, которое сложно оценить и спрогнозировать,
3) негибкость бизнес-процессов,
4) ограничения ПО.

Особенно ограничения заметны при принятии стратегических решений, где именно оценкам эксперта, а не прогнозам ПО, придается решающее значение.

Развитие цифрового маркетинга привело к необходимости принятия большого числа микро-решений, и поставило перед маркетологами применение математических моделей и ПО для разных задач: таргетирование рекламных акций, динамическое ценообразование, поиск и рекомендации товаров в e-commerce, оптимизация онлайн-рекламы. Насыщенность рынка и его динамический рост привёл к необходимости принятия решений за микро-секунды.

Таким образом, маркетологи обратились к алгоритмическому маркетингу - ПО на стыке математики, статистики, экономики, инженерии, которое действует и принимает решения на беспрецедентном уровне автономии и глубины анализа.
Требования к системе АМ

Система алгоритмического маркетинга должна быть достаточно умна, чтобы:
1) "понимать" бизнес-цель высокого уровня, например, рост выручки или приобретение новых клиентов,
2) планировать бизнес-действия в соответствии с целью и последовательно их выполнять, например, планировать рекламную кампанию, подбирать цены на товары,
3) учиться на полученных результатах и корректировать свои действия.

Система должна быть высоко автономна, но ее автономность не должна быть целью: ПО должна поддерживаться инженерами, специалистами по данным, аналитиками, которые будут работать над слабыми местами ПО, повышать эффективность и расширять возможности системы. Более того, алгоритмический маркетинг и другие умные инструменты должны служить не более чем инструментом для маркетологов, и никогда не их заменой.
Задачи АМ

Предметом алгоритмического маркетинга являются задачи скорее тактического, а не стратегического маркетинга, поскольку при выполнении стратегии принимается большое количество микро-решений и многие процессы могут быть автоматизированы. Если стратегический маркетинг определит целевую аудиторию (ЦА) и предлагаемые продукты, то тактический маркетинг займется выбором ЦА для рекламы и динамическим изменением цен во времени. Другими словами, АМ больше ориентируется на процесс, чем на целеполагание, принимая цели как данность.

Программные маркетинговые сервисы (АМ) зачастую нацелены на решение следующих задач:
1) предоставить нужные предложения товаров нужным потребителям используя оптимизацию акций и рекламу,
2) упростить поиск товара в интернете, используя оптимизацию поиска и рекомендаций, для чего необходимо понимать пожелания разных потребителей,
3) определить оптимальные свойства товаров, включая цены и ассортимент, для чего необходимо прогнозировать спрос на товары в зависимости от их свойств.

----
По данным книги Katsov I. Introduction to Algorythmic Marketing: Artificial intelligence for marketing operations. 2018.
Три правила работы с Big Data
11.04.2018

Многие маркетологи допускают ошибки в работе с Big Data, имея неверные представления о работе с данными или используя неподходящие технологии. Зачастую маркетологи не имеют достаточно опыта в аналитике и всецело полагаются на собранные данные и эффективные сервисы аналитики, однако здесь есть свои "подводные камни".

Рассмотрим правила, которых нужно придерживаться, чтобы некорректно интерпретированные данные не привели к ошибочным управленческим решениям.
Правило 1. Проверьте "чистоту" данных

Избегайте неполных и противоречивых данных, чтобы не получить низкокачественную аналитику. Проверьте 5 основных свойств данных - каждое должно быть строго соблюдено. Если хотя бы одно "выпадает" - компания может совершить серьезную ошибку, сделав бесперспективные вложения или выбрав неверную стратегию.

Факторы качества больших данных:
1. Целостность и полнота
2. Согласованность и непротиворечивость
3. Точность
4. Корректность
5. Актуальность

ОШИБКА: Начинать работу с данными без предварительного анализа и обработки.
Правило 2. Приведите всю цепочку данных к единому стандарту

Получать данные только из одного источника было бы опрометчиво, - именно независимость данных и многомерность массива позволяет делать обоснованные выводы. Однако, данные из разных источников зачастую проходят через несколько "рук", прежде чем попасть в руки маркетолога.

Неизбежно возникают противоречия и проблемы с консолидацией.Системы сбора и "очистки" данных должны быть приведены к единому стандарту по всей цепочке получения больших данных.

Как прийти к единому стандарту данных для всех поставщиков информации:
1. Создать регламент по работе с данными для всех участников
2. Автоматизировать внесение данных
3. Донести обязательные стандарты для всех участников

ОШИБКА: Получать все данные из одного первоисточника.
Правило 3. Обучать сотрудников правильно работать с данными и их интерпретировать

Сейчас у многих маркетологов есть сервис аналитики. Однако при отсутствии опыта или знаний информация может быть неверно интепретирована, упущены важные выводы и переоценены второстепенные аспекты, не говоря уже о валидности полученных выводов.

Кроме того, маркетолог может твердо верить в технические возможности аналитики и даже действовать наперекор здравому смыслу - что может дорого обойтись компании. К примеру, сейчас данные опросов и анкетных исследований проверяются с помощью нейромаркетинга (см. наш блог от 07.03.2018).

Неизбежно возникают противоречия и проблемы с консолидацией.Системы сбора и "очистки" данных должны быть приведены к единому стандарту по всей цепочке получения больших данных.

Чтобы быть уверенным в том, что маркетологи принимают только грамотно обоснованные решения, лучше найти опытных профессионалов в штат или пригласить опытных консультантов. В дальнейшем нужно убедиться, что все сотрудники, работающие с Big data, знают важные нюансы по сбору, обработке, интерпретации данных - особенно те сотрудники, которые постоянно работают с big data.

Безусловно, большие данные предоставляют новые инсайты и дают хороший импульс для принятия решений, самые эффективные решения находятся на стыке грамотной аналитики и развитой бизнес-интуиции.

ОШИБКА: Полагаться на сервисы аналитики, упуская человеческий фактор ошибок

По данным Кияшко Д. https://rb.ru/opinion/big-data-marketolog/
Инфраструктуру искусственного интеллекта можно построить с помощью известных программных решений.
Карта искусственного интеллекта
28.03.2018

Современная цифровая экономика России и мира очень тесно связана с развитием искусственного интеллекта (ИИ), который уже охватил многие сферы, от банков и страхования до медицины и ритейла.

Под искусственным интеллектом (ИИ) эксперты обычно понимают отрасль знаний и технологий, на основе которых позволят компьютерные программы и системы выполняют интеллектуальные и творческие функции, самостоятельно решают задачи и принимают решения.

ИИ уже доказал свою эффективность для бизнеса зарубежом, и развивается взрывными темпами в России. Объем рынка ИИ и машинного обучения в России составил в 2017 г. около 700 млн руб. и вырастет до 28 млрд руб. к 2020 году (по данным TAdviser, Инфосистемы Джет). Драйверами этого рынка будут финансовый сектор, ритейл и промышленность.

Карта рынка искусственного интеллекта в России (Rusbase):
- речевые технологии (распознавание и синтез речи, а также голосовая биометрия)
- компьютерное зрение (распознавание лиц, жестов, ввода, а также обработка и анализ изображений и видео)
- биометрия (распознавание людей по физиологическим и поведенческим характеристикам)
- обработка естественного языка (анализ запросов и текстов, а также машинный перевод и генерация текстов)
- предиктивная аналитика (построение прогнозов)
- интеллектуальный анализ данных (поиск новых знаний).
Интеллектуальный анализ данных позволяет найти скрытые взаимосвязи данных
Выгода для бизнеса

Основным двигателем внедрения решений Big Data является осязаемая выгода для бизнеса. Веб-страницы, транзакции, клики, лайки и твиты – бизнес-ценность выжимается буквально из каждого бита доступной информации.

Предиктивная аналитика
— это методы анализа и статистики данных, с помощью которых прогнозируется будущее. Прогнозы создаются на основе изучения и анализа данных, что и позволяет предугадывать события.

Интеллектуальный анализ данных — это поиск новых знаний в базах данных. Знания — это найденные в базах новые сведения, собранные алгоритмами в полезную информацию, на основе которой принимаются решения.



Анализ больших данных активно используется в прогнозировании транспортных потоков и оптимизации складских запасов и логистики
Области применения

Первыми технологии big data и аналитики стали применять те отрасли, деятельность которых завязана на обработке больших потоков информации ежедневно, – банки, мобильные операторы, торговые сети. В основном работа с данными в этих сферах направлена на формирование портрета клиента, чтобы предложить ему наиболее подходящие для него услуги.

Предиктивная аналитика и анализ данных чаще всего применяются в следующих областях:

А) Принятие решений и прогнозирование
  1. Прогнозирование цен
  2. Прогнозирование оттока клиентов
  3. Прогнозирование свойств новых материалов и лекарств
  4. Прогнозирование отказа оборудования

B) Анализ и поиск оптимальных решений
1. Оптимизация транспортных потоков
2. Оптимизация закупок, логистических цепочек и других бизнес-процессов
3. Рекомендательные системы
4. Business Intelligence

C) Персонализация предложений
  1. Программатик-реклама и персонализация предложений
  2. Банковский скоринг
  3. Персональная медицина

--------
Источники
1. Rusbase. Карта российского рынка искусственного интеллекта. https://rb.ru/ai/
2. TAdviser. Искусственный интеллект: рынок России. http://www.tadviser.ru/
3. Агитполк. Как развивается искусственный интеллект в России. https://agitpolk.ru/3918-kak-razvivaetsya-iskusstv...
4. CHIP. Cовременные Big Data решения: где они используются и что еще им по силам? https://ichip.ru/covremennye-big-data-resheniya-gd...
5. CHIP. Большие данные: новый облик человечества. https://ichip.ru/bolshie-dannye-novyjj-oblik-chelovechestva.html/6


7 трендов 2018 года: мониторинг соцмедиа, видео, лидеры мнений, мессенджеры, истории в Инстаграме и дополненная реальность.
7 трендов социальных медиа
14.03.2018

Социальные медиа набирают обороты: в 2017 году уже 2,5 млрд человек использовали социальные медиа, в 2018 присоединятся еще 100млн человек, и в 2021 число пользователей достигнет 3 млрд (the State of Social 2018 Report).
  • Каждый 3-й пользователь соцмедиа предпочитает этот способ общения телефону или емэйлу.
  • 70% потребителей уже использовали соцмедиа для общения с компанией.
  • Потребители тратят на 20-40% больше в компаниях, с которыми общались в соцмедиа.
Какими же способами привлечь современного пользователя?
1. Мониторинг соцмедиа (Social listening)
2. Видео и прямые трансляции
3. Маркетинг с лидерами мнений (Influencer marketing)
4. Facebook продолжает задавать темп
5. Платформы для обмена сообщениями
6. Истории в Instagram
7. Дополненная реальность (Augmented reality)
1. Мониторинг соцмедиа (Social listening)

Уже недостаточно присутствовать и активно общаться и создавать контент в соцмедиа, нужно слушать, что люди говорят о бренде, о компании, о продуктах, и реагировать. Лишь малая доля откликов о компании высказывается напрямую компании, - потребители могут хвалить и ругать продукты на других площадках и каналах, однако при этом они будут ждать реакции от компании.

Точнее, 60% потребителей, публикующих жалобу в соцсетях, ожидают ответа от компании в течение 1 часа (по данным GoGlobe). У маркетологов есть 1 час, чтобы удержать клиента – 88% клиентов, оставшихся без ответа, не купят больше и не будут рекомендовать компанию.

Отслеживать на всех каналах и сайтах отзывов по ключевым фразам помогут такие специализированные сервисы, как Brandwatch, Hootsuite Insights, Mention, ReviewTrackers, Talkwalker, and TrackReddit. Самый простой сервис, с которого можно начать – Google Alerts.
2. Видео и прямые трансляции (Live streaming)

Тренд на видеопросмотры усилится в 2018 году. По данным Hubspot, 43% пользователей соцмедиа хотят видеть больше видеоконтента. Более того, они предпочитают видео другим форматам - 80% пользователей предпочитают видео любым блогам, а 82% пользователей любым другим форматам (GoGlobe). Так, видео контент повышает органический охват на Facebook на 136%, по сравнению с изображениями (Marketingwithethics.com).

При этом, прямые трансляции на Facebook смотрят в 3 раза дольше и комментируют в 10 раз больше, чем записанные видео (согласно BI Intelligence). Почему же? Пользователей вовлекает ощущение присутствия и непосредственного участия в происходящем.

Помогает ли видео продавать продукт? По данным livestream.com, 67% тех, кто посмотрел прямую трансляцию с мероприятия, более склонны приобрести на него билет.

Размещать видео можно с помощью платформ Facebook Live, YouTube Live, Periscope, Twitter, Snapchat, Twitch, and Instagram Live. И не забывать про то, что качество видео – это главное, по словам 67% пользователей (livestream.com).
3. Маркетинг с лидерами мнений (Influencer marketing)

В 2018 году приобретает значение поиск не самой популярной знаменитости, а тех, кто отражает ценности бренда, и с кем можно построить долгосрочные взаимовыгодные отношения. Так, по данным Econsultancy, 73% маркетологов признали, что выбор агента влияния – самая сложная задача.

Фактически, выбор агента влияния никогда не должен основываться на количестве его подписчиков – важнее, как он связан с отраслью компании, с продуктами и целевой аудиторией. Едва ли Ким Кардашьян подойдет для рекламы робототехники, а Дэвид Бэкхем – для рекламы детского питания.

При этом, менее известные люди могут вызвать больший отклик: аккаунты с более чем 10млн подписчиков характеризуются 1,6% лайков и 0,04% комментариев, в то время как аккаунты с менее чем 1тыс. подписчиками - 8% и 0,5%. Лучше остановиться на промежуточном варианте знаменитостей - аккаунты с 10-100тыс. подписчиков.
4. Facebook продолжает задавать темп

Несмотря на то, что Facebook на рынке с 2004 года, он не только не теряет своей популярности, но и задает новые тренды. В 2017 году на платформе было более 2,1 млрд ежемесячных активных пользователей, и 1,3 млрд ежедневно активных пользователей, при этом 91% миллениалов уже используют эту платформу (DMR Facebook Report).

Какие новинки сейчас в тренде:
  • FB Messenger – платформа с аудиторией больше, чем Instagram, Snapchat и Twitter вместе взятые. 60 миллионов компаний используют это приложение, и видят потенциал в использовании ботов и искусственного интеллекта.
  • FB Spaces – эта недавно открытая платформа позволяет организовывать встречи в VR, рисовать там 3D объекты, изменять свою внешность и погружаться в VR на 360 градусов. Ожидается, что скоро будет доступна и бизнес-аккаунтам.
  • FB Watch – сервис для размещения длинного видеоконтента и шоу. Компании могут создавать видео для активного вовлечения пользователей и общения с ними.
5. Мессенджеры

Наряду с Facebook Messenger (1,2 млрд ежемесячно активных пользователей), еще два приложения лидируют на рынке: WhatsApp (1,3 млрд) и WeChat (963 млн). 89% пользователей признаются, что хотели бы общаться с компаниями именно через мессенджеры, но только 48% компаний действительно это делают (Business to Community).

Использование искусственного интеллекта в мессенджерах поможет вести персонализированные чаты с пользователями, помогая им в разных вопросах. Сложно переоценить возможности этого тренда: ведь с 2012 года пользователи стали проводить в соцсетях на 45 минут больше - 2 часа и 15 минут каждый день (Global Index).

Наиболее популярные платформы для запуска чатботов следующие: Chatfuel, Botsify, Landbot.io, Chattypeople, FlowXO, Beep Boop.
6. Истории в Инстаграме

В то время как в Инстаграме 800 млн пользователей, более 200млн уже используют размещение историй в Инстаграме. Как минимум половина компаний в Инстаграме постит истории 1 раз в месяц.

В сочетании с сервисом Instagram Shopping, который позволяет разместить изображения товаров со ссылками на их описание, показатели вовлеченности и продажи могут расти стремительно.
7. Дополненная реальность (Augmented Reality)

У виртуальной реальности есть один минус – пользователи не могут перемещаться вместе с устройством VR. Впрочем, дополненная реальность (AR) не ограничивает видимость пользователей и их мобильность. Помните игру дополненной реальности Pokemon Go? Скоро та же компания Niantic выпустит игру Harry Porter по такому же принципу.

Ожидается, дополненная реальность в соцмедиа, как и в игровой индустрии, будет иметь такой же взрывной эффект. Она не требует дополнительных устройств, что особенно нравится людям, всегда имеющим при себе смартфон.

Различные фильтры для камеры уже попадают в категорию AR. К примеру, Lens Studio в Snapchat дает каждому возможность создавать уникальные фильтры и делиться ими для «волшебных возможностей AR». В будущем, пользователи смогут также играть и с продуктами и брендами в дополненной реальности.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Что такое социальные медиа для компаний? Общение и отношения с потребителями, а также вовлеченность и продажи.

Для того, чтобы привлечь внимание потребителя, не найти лучшего способа, чем использование последних трендов. Но осторожнее, не обязательно использовать сразу все - надо выбрать подходящие компании и продукту.


Источники.
1. Canady E. "5 Social Media and Digital Marketing Trends to Watch in 2018". Business to Community. Январь 2018. https://www.business2community.com/digital-marketing/5-social-media-digital-marketing-trends-watch-2018-01981861
2. Masroor A. "Social Media Customer Service Statistics and Trends". Январь 2017. https://www.socialmediatoday.com/social-business/social-media-customer-service-statistics-and-trends-infographic
3. Patel N. " 7 Social Media Trends to Watch and Capitalize On in 2018".Февраль 2018. Kissmetrics Blog. https://blog.kissmetrics.com/7-social-media-trends/
4. Patel N. "Should You Jump on the Live Video Bandwagon?" Октябрь 2017. https://www.quicksprout.com/2017/10/02/should-you-jump-on-the-live-video-bandwagon/
5. Richman J. "Live-Streaming for Business: How, When, and Why You Should Use It" Июль 2017. https://www.salesforce.com/blog/2017/07/live-streaming-for-business.html
6. Simpson J. "The three biggest challenges in influencer marketing" Февраль 2016. https://econsultancy.com/blog/67555-the-three-biggest-challenges-in-influencer-marketing/
7. Smith C. "400 Amazing Facebook Statistics, Demographics and facts". Февраль 2018.
https://expandedramblings.com/index.php/by-the-numbers-17-amazing-facebook-stats/
Традиционные методы исследования не могут продемонстрировать первоначальные, бессознательные реакции потребителей, неявные чувства.
Нейромаркетинг:
верить ли словам потребителя?

07.03.2018

Доказано, что поведением человека управляет не разум, а эмоции. В основе его действий лежит бессознательное: человек даже озвучивает свои мысли только после того, как его бессознательное дает сигнал перевести мысли на вербальный язык.

Отсюда главная ошибка маркетологов: предположение, что человек мыслит словами и формирует идеи линейно, неверно - на самом деле, люди вообще не думают словами. При этом, стандартный способ исследования с помощью опросов работает неправильно, предлагая к выбору уже готовые мысли, в то время как первоначальные реакции потребителя, зачастую еще не успевшие оформиться словами, и определяют его решение о покупке.

Так, традиционные методы исследования, как фокус-группы и опросы не могут продемонстрировать первоначальные, бессознательные реакции потребителей, неявные чувства.

Человек сознательно воспринимает только очень узкий спектр эмоций, в его «крайностях» - связанные с удовольствием или со страданием. Остальные реакции «пробиваются» в сознание лишь частично, отсеявшись через призму прошлого опыта, характера человека, его окружения и т.п.

Основной вопрос, которым задаются интервьюеры: верить ли словам потребителя?
Маркетологи могут остаться в неведении относительно истинных реакций потребителя из-за двух причин:
1) Потребители не способны сообщить свои эмоции, потому что не знают, что они чувствуют,
2) Потребители не хотят сообщать о них, так как боятся общественного осуждения.

Лучшим решением является нейромаркетинг: если респонденты-потребители могут быть неискренними, тело никогда не будет лгать. Поскольку многие физиологические реакции не находятся под контролем человека, то результаты, полученные с использованием методов нейромаркетинга, могут быть более надежными, чем меры самоотчета.


Рассмотрим два кейса, иллюстрирующих эффективность методов нейромаркетинга.
Женщина подсыпает снеки Cheetos к чужому белью в стиральной машинке
КЕЙС 1. ПОТРЕБИТЕЛИ НЕИСКРЕННИ ИЛИ ДО КОНЦА НЕ ЗНАЮТ СВОИ РЕАКЦИИ

ЭКСПЕРИМЕНТ. Компания Cheetos (производитель снеков) провела интересный эксперимент, в котором участвовала группа незнакомых друг с другом женщин.

ОПРОС. Во время первого этапа исследования им предложили посмотреть новый ролик Cheetos, в котором женщина решила отомстить кому-то в прачечной и насыпала ярко-желтые снеки Cheetos в стиральную машину с белыми вещами.

После опроса фокус-группы выяснилось, что практически все женщины негативно на рекламу, посчитав ее довольно злобной.

БИОМЕТРИКА. Вторая часть эксперимента состояла в том, чтобы исследовать реакцию мозга этих женщин на эту же рекламу. Как ни странно, но истинные чувства по отношению к этому ролику оказались противоположными. Данные исследования показали, что сюжет и образы показались им забавными. То есть, боясь предстать перед другими участниками эксперимента в негативном свете, женщины попросту соврали о своих эмоциях, или же до конца не поняли своих ощущений.
КЕЙС 2: ОПТИМИЗАЦИЯ РЕКЛАМЫ
C помощью нейромаркетинга можно фиксировать реакции потребителя и соответствующим образом улучшать изображение.
Вариант 1. Изначальный вариант рекламы

Много месседжей: и шампунь, и его свойства, и красивая девушка, и ее безупречные волосы.
Айтрекинг: акцент на лице, а не на сообщении. К тому же, нет фокуса на продукте
.

Вариант 2. Реклама доработана по принципам нейродизайна, более простая версия
Месседж: контента меньше, простоты больше. Поскольку меньше отвлекающих факторов и текста, можно увеличить шрифт.

Айтрекинг: фокусирование идет на лице девушки и на сообщениях. Поскольку внимание сосредоточено на продукте, эта реклама более успешна с точки зрения передачи сообщения потребителю.

Источники:
1. Babiloni F. и др. Psychophysiological measures: last developments in marketing research // EMAC-European Marketing Academy. , 2014.
2. Broadbent, T. 2004. Why pre-testing is obsolete. Admap,October,150. Binet, L. & Field, P. 2007. Marketing in the era of accountability, World Advertising Research Centre.
3. Colomer A. и др. Biosignal analysis for advertisement evaluation // XXIX Simp. Nac. Unión Científica Int Radio. 2014.
4. Northover H.S. Assessing the value of neurophysiological measurement for advertising pre-testing: Are byometrics better? // Июнь, 2012. Dissertation for Phd degree. Erehnberg-Bass Institute of marketing Science, University of South Australia.
5. Reitano A., Calomino P. On the use of physiological tests in consumer research // Int. J. Manag. Cases. 2008. Т. 10. № 3. С. 495–504.
6. Trabulsi J., Garcia-Garcia M., E. Smith M. Consumer neuroscience: A method for optimising marketing communication // J. Cult. Mark. Strategy. 2015. Т. 1. № 1. С. 80–89.
7. Zaltman G. How Customers Think: Essential Insights Into the Mind of the Market. : Harvard Business Press, 2003. 356 с.
8. Трайндл А. Нейромаркетинг: визуализация эмоций. Москва: Альпина Бизнес Букс, 2007. 114 с.
9. Нейромаркетинг: как это работает на самом деле [Электронный ресурс]. URL: http://www.sostav.ru/publication/nejromarketing-ka... (дата обращения: 15.02.2018).
10. Все, что вы не знали о нейромаркетинге: методы, примеры, популярные книги по теме // Кир Уланов Цифровой Маркетинг. 2017.
11. «Neuro Design And Importance Of Simplicity» Blog DesignNeuro. Дата доступа 15‑02-2018. https://designneuro.com/blog/en/neuro-design-and-importance-of-simplicity/
Большие данные в большой фарме? Большое дело!

01.03.2018

Компании в фармацевтической промышленности всё больше наводняются потоками данных, которые зачастую не используются или недоиспользуются. Однако, если применять аналитику Big Data, компании смогут получить своевременную информацию для принятия более эффективных бизнес-решений.


Аналитика big data - простая концепция, сложная реальность

Важные элементы стратегии Big Data аналитики Большой фармы следующие: это организационная структура, талант, технология, управление данными (data management) и операционная ориентация на саму программу big data.

1. Организационная структура.
Такие факторы организации компании, как используемые модели финансирования (например, центральной, бизнес-единицы или совместной) и финансовая ориентация (например, центр прибыли или центр затрат) играют роль в выборе правильной структуры для внедрения мощностей аналитики big data.
Многие компании предпочитают организовать Center or Excellence (CoE), чтобы координировать работу подразделений по big data.
Как правило, 4 структуры наиболее успешны при внедрении big data:
1) Децентрализованные:
Бизнес-юниты (БЮ) имеют разные наборы данных, и каждый БЮ принимает свои собственные решения с big data относительно самостоятельно.
2) Децентрализованные с ведущим БЮ:
Каждый БЮ принимает собственные решения, но один БЮ играет ведущую роль в установлении стандартов.
3) Центр передового опыта (СoЕ):
Независимый Центр контролирует программу аналитики big data, а БЮ проводят инициативы под руководством Центра.
4) Централизованные:
Корпоративный центр берет на себя прямую ответственность за создание и приоретизацию инициатив и их реализацию.

2. Талант.
Программы аналитики big data являются ресурсоемкими, и для поддержки таких программ требуются серьезные инвестиции в квалифицированные ресурсы. Следующие профессии представляют собой минимально необходимый комплекс навыков:
- менеджер программ,
- менеджер инфраструктуры,
- архитектор больших данных,
- управляющий данными,
- аналитик домена,
- финансовый аналитик,
- специалист по данным (data scientist),
- инженер данных,
- аналитик данных,
- и аналитик визуализации данных.
Фармкомпания может выбрать различные технологические решения по каждой области или выбрать комплексные решения.
3. Технология.
В любой фармацевтической компании должны параллельно и непрерывно присутствовать три функции big data: сбор, обработка и презентация данных. В рамках этих функций есть также функции по безопасности, такие как шифрование данных и маскирование, а также управление данными и рабочими потоками.

1) Сбор данных включает в себя не только интеграцию данных из множества источников (что особенно актуально в фарме), разного объема и разной скорости поступления, но и их предварительную обработку (например, измерение качества, нормализации). По этой функции много предложений с открытым исходным кодом, включая Flume, Sqoop, Oracle Data Integrator и SAP BODS.

2) Обработка данных.Способность обрабатывать данные со скоростью их ввода, дает явное преимущество, особенно там, время принятия решений имеет большую ценность. По этой функции есть много платформ с исходным кодом, таких, как SAP Hana, IBM Netezza, AsterData и Hadoop, а также есть доступны инструменты глубокого аналитического поиска, такие как R и SAS.

3) Представление данных направлено на то, чтобы заинтересованные пользователи действительно поняли имеющиеся данные, чаще всего, с помощью отчетов и панелей мониторинга. Предложения по этой функции включают Tableau, Qlikview, Microsoft BI Platform, Spotfire и Birst.

4. Управление данными.
В медицинских и фармацевтических учреждениях существуют жесткие требования к конфиденциальности данных и соблюдению нормативных требований. Управление данными на платформе big data, помимо сбора данных, также требует:
- Создать план управления данными во всей организации
- Создать стандарты данных и установить права доступа
- Поддерживать согласованность ссылочных данных,
- Устранять проблемы целостности данных и т.п.
По мере роста спроса на возможности программы big data специалисты увеличивают ее возможности и эффективность ее работы.
5. Установка и доработка.
Стратегия внедрения системы анализа big data развивается по мере развертывания мощностей системы, и включает две фазы «созревания»: фаза Поиска и фаза Улучшения.

1) фаза Поиска
На ранних стадиях, таких, как разведка и пилотирование программы, нужно сфокусироваться на поиске ключевых пользователей и правильных вариантов использования системы. Основная тактика заключается в том, чтобы повысить гибкость операционной деятельности и сильно повысить осведомленность организации (т. е. продемонстрировать возможности и создать активность среди конечных пользователей).

2) фаза Улучшения
По мере роста спроса на возможности программы, например, по мере роста обращений пользователей с просьбами о включении дополнительных возможностей ее использования, начинается фаза Улучшения. На этом этапе важно увеличить эффективность работы (например, увеличить масштабы развертывания и развертывания программы), поскольку сразу заметен эффект для пользователей.
Кейсы - какие из них брать на вооружение?

Конечная цель использования системы big data – это извлечение ценности для клиентов, деловых партнеров и акционеров для принятия управленческих решений. Для того, чтобы определить варианты использования программы, лучше всего пригласить заинтересованные стороны сообщить идеи о том, как анализ big data поможет в их предметной области. Также это продемонстрирует, что аналитические потребности всех заинтересованных сторон решаются и тем самым способствует созданию широких возможностей для анализа данных в масштабах всей компании.

Как только исходный набор вариантов использования был найден и описан на высоком уровне, он подвергнется фильтрации и кластеризации, чтобы сузить список вариантов.

Каждый из этих вариантов использования будет дополнительно доработан для понимания основных аспектов, таких как: кто владелец процесса, как процесс влияет на остальные, каковы KPI процесса, каковы потребности в данных и каковы преимущества big data в этом процессе для бизнеса. Кроме того, каждый случай использования также должен быть оценен по:
1) стоимости для бизнеса и
2) осуществимости исполнения.

Окончательное определение вариантов использования идеальной формы поиска зависит от бизнес-модели компании, ее потенциала для решения бизнес-задачи (например, получение дохода, снижение затрат, улучшение работы, удовлетворенность клиентов, конечный результат и т. д.).
Аналитика big data может использоваться для разработки прогностических моделей для предсказания сбоев в поставках
Примеры использования big data

Для производителей фармацевтических брендов, занимающихся R&D, аналитика big data, обладающая способностью быстро определять ассоциации между большими объемами разнообразных данных, может быть использована в исследованиях и разработках.
Предсказательное моделирование также может быть использовано для прогнозирования результатов, связанных с эффективностью молекулы, побочными эффектами и т. д. Использование аналитики big data ускорит процесс создания и разработки лекарств и сократит расходы на них, а также сократит время выхода на рынок новых лекарств.

Для фармацевтических оптовых дистрибьюторов аналитика Big data может использовать большие объемы доступных данных, чтобы лучше понимать клиентов и развивать точную сегментацию клиентов.
Более того, аналитика обеспечит понимание индивидуального поведения клиентов, объединяя данные сегментации клиентов наряду с другими внутренними и внешними данными, такими как данные колл-центра, данные опроса клиентов, программ лояльности, данных соцсетей. Затем могут быть составлены программы продаж для конкретных клиентов и оценена эффективность имеющихся программ, и составлены программы перекрестных и дополнительных продаж.

Для тех участников в фарме, которые много закупают у поставщиков, нарушения поставок приводят к снижению выполнения заказов клиентов и к потерям продаж.
Аналитика big data может использоваться для разработки прогностических моделей для предсказания сбоев в поставках, на основе как внутренних данных (например, заказы на поставку, производительность поставки поставщика, инвентарь, историю продаж, правила замены продуктов и пр.), так и внешних (например, региональные СМИ, прогнозы погоды, нормативные объявления и пр.). Такое проактивное планирование поможет заказывать дополнительные партии у альтернативных поставщиков или заказывать товары-заменители, обеспечивая выполнение заказов и достижения планов по продажам.

-------------------------------------------------------------------------------------------------------------------------------------------------------------
Аналитика Big data позволяет использовать данные, не связанные с заемными средствами и недостаточными ресурсами, и получить своевременную информацию для принятия более эффективных бизнес-решений. Все чаще компании в фармацевтической отрасли внедряют программы big data и получают значительные выгоды от ее использования.

По данным: Desay S.S., Peer B. Big Data, Big Pharma - Big Deal? Yes, Really! // Infosys, 2017. https://www.infosys.com/consulting/insights/Docume...

Big data помогает бизнесу экономить затраты и приносить прибыль в разных направлениях: внедрение инноваций, исследования и испытания, коммуникации участников рынка.
Как Big Data произведет революцию в фармацевтическом R&D

22.02.2018

Возможности, которые дает использование Big data в современном мире очень велики, от нового импульса к развитию компаний и отраслей, замедлившим свой рост, до открытия новых вариантов диверсификации бизнеса и переориентации на зарождающиеся рынки. Одной из таких отраслей является фармакология, где big data внедряется не только в сферах продаж и маркетинге, но и в исследованиях и разработке (R&D).

В фарме данные поступают из разнообразных источников — от процесса R&D до оказания услуг пациентам в больницах. Полученный объем информации позволяет быстрее и лучше разрабатывать лекарственные препараты и выводить их на окупаемость.

Эффект проявляется в экономии затрат по разным направлениям: оптимизация процесса внедрения инноваций, проведение исследований и клинических испытаний, использование новых digital инструментов для врачей и пациентов, регуляторов и страховщиков. Так, по оценке McKinsey Global Institute — потенциальный эффект Big Data может оцениваться до $ 100 млн в год для системы здравоохранения только в США.

Уже не за горами будущее R&D, где возможно следующее:
- Предиктивные модели биологических процессов на основе молекулярных и клинических данных позволят разрабатывать наиболее эффективные таргетированные лекарства.
- Отбор пациентов будет осуществляться с учетом данных соцсетей и учитывать их генетические характеристики, чтобы достаточный размер выборки при испытаниях был сведен к минимуму.
- Испытания будут корректироваться в реальном времени, реагируя на возможные побочные эффекты и сокращая время ненужных задержек.
- Сбор данных в реальном времени и их перемещение по типу потока от отдела к отделу и к компаниям-партнерам, к примеру, врачам и исследовательским организациям (CRO), анализ которых принесёт практическую пользу бизнесу.
Так с чего же начать работу с Big Data для фармацевтического R&D?

1) Организовать процесс работы с данными
Для того, чтобы системы данных использовались максимально эффективно и приносили пользу в долгосрочной перспективе, нужны изменения в самой организации. Мышление, ориентированное на данные, подразумевает, что для каждого типа собираемых данных определяется их жизненный цикл, а также определяется владелец данных, чей опыт работы с данными может помочь при их анализе.

2) Интегрировать все имеющиеся данные
Одна из самых больших сложностей R&D фармы — это получить полностью согласованные, связанные между собой, надежные данные. Эффективная сквозная интеграция данных, которая аккуратно связывает разрозненные источники данных, позволяет использовать «умные» алгоритмы аналитики, которые приносят максимальную выгоду компании.

Компании обычно придерживаются 2-этапного подхода к построению систем big data, с целью получения как можно более быстрого эффекта: сначала включают в систему самые «нужные» данные (например, клинические испытания), а потом уже постепенно добавляют остальные данные по мере их важности (временные ряды, сценарный анализ и т. д.).

3) Обеспечить техническое оснащение
Фармкомпании часто используют устаревшие системы с азрозненными и разнородными данными. Возникает необходимость увеличить возможности обмена данными и подключить эти системы, для чего требуются узкие технические специалисты и определенное оборудование.

4) Сотрудничать внутри и внешне
Максимальные выгоды могут быть достигнуты при получении инсайтов на стыке областей, таких как клиническая разработка и медицинские исследования. Так исследования могут быть улучшены с помощью предсказательных моделей, предлагающих рекомендации на основе симуляций или клинических данных.

Для создания фармкомпаниями собственных сетей данных для сбора, анализа, обмена данными крайне важны партнерские отношения с плательщиками, поставщиками и другими учреждениями. Некоторые фармкомпании развивают свой «круг доверия», подключая внешних партнеров и предлагая доступ к данным, как привилегию для них: сначала показывая данные в режиме реального времени, и дальше двигаясь к совместному исследованию и использованию данных, таких как быстрое реагирования на реальные результаты и данные претензий.

5) Использовать новые ИТ-технологии
Системы Big data помогают принимать управленческие решения, основанные на данных быстро и без задержек. Для этого могут использоваться приложения с визуализацией, смарт-панели для мониторинга высокого уровня, которые глубоко анализируют данные и показывают подробную оперативную информацию, повышая прозрачность активов компании.

Среди передовых инструментов R&D в фарме — такие высокопроизводительные технологии обработки данных, как секвенирование генома, которое позволит в течение 18−24 месяцев секвенировать весь геном человека примерно за 100 $. Персонализированная медицина и диагностика требует также новых технологий аналитики: интеграция данных генотипа человека с данными клинических испытаний для идентификации чувствительных пациентов.
Рынок переносимых устройств достиг 4 млрд долл. в 2017 году, и прогнозируется его рост на 35% к 2019 году.
6) Добавить данные с биометрических устройств
Удаленный мониторинг пациентов с помощью биометрических датчиков и устройств представляет собой огромные возможности. Такие данные, собираемые в реальном времени, могут быть использованы для содействия исследованиям и разработкам, анализу эффективности лекарственного средства и улучшению будущих продаж лекарств.

Устройства удаленного мониторинга также могут добавить ценность, увеличивая следование пациентов их рецептам. Примеры разрабатываемых устройств включают смарт-таблетки, которые могут выпускать лекарства и передавать данные пациента, а также смарт-бутылки, которые помогают отслеживать использование лекарства.

7) Использовать дополнительные источники данных для мониторинга безопасности лекарств
Мониторинг безопасности лекарств открывает новые сложные методы, позволяющие отследить редкие побочные эффекты. Так ранние сигналы о проблемах доступности и репутации лекарств могут быть обнаружены из ряда источников: запросы пациентов в интернете, интернет-сообщества врачей, электронные медицинские записи и потребительские СМИ. Байесовский анализ, который идентифицирует неблагоприятные события из входящих данных, мог бы выявлять редкие или неоднозначные сигналы безопасности более быстро и точно.
____________________________________________________________________________________________________

Еще не так много компаний в фарме полностью внедрили системы big data, однако остается несомненным, что инвестиции в big data будут стремительно расти и приносить неоценимую пользу.
По данным: McKinsey & Company. How big data can revolutionize pharmaceutical R&D.
https://www.mckinsey.com/industries/pharmaceutical...
Жизненный цикл товаров: от производителя до полки супермаркета

15.02.2018

Применимо ли понятие (ЖЦТ) к продуктовым линейкам в FMCG, например йогурту из козьего молока или хлебу с добавлением сухофруктов? Как понять производителю и самой торговой сети, что через полгода-год данная категория продукции перестанет пользоваться спросом и нет смысла создавать запасы и продлевать соглашения по поставкам?

Этап выведения товара на рынок

● В сфере продуктов питания данный этап занимает примерно год и характеризуется очень высокой степенью неопределенности результатов, поскольку заранее трудно определить будет ли иметь успех новый товар, возьмет ли сеть его на реализацию напрямую или необходимо будет искать дистрибьюторов.
● Запускаются маркетинговые исследования и активности, направленные на информирование потребителей что "теперь и банановыыый".
● Проводится дополнительная активность в онлайн и оффлайн для выхода из "шумового поля" и привлечения внимания к уникальным свойствам продукта, да хоть к той же упаковке или сроку годности.
● На данном этапе ни о какой прибыли и речи не идет, производитель только вкладывает в продвижение, надеясь, что расчет рисков оправдается и продукт будет пользоваться спросом у населения.

Этап роста

● Здесь, как говорится, поперло! Когда продукт распробовали и продажи растут с каждым днем.
● Растет объем производства, затраты производителя начинают снижаться, все как и хотелось.
● Можно играть с ценой и различными акциями - "купи второй и участвуй в акции" или "два по цене одного". Данная активность позволяет постепенно охватить весь потенциальный рынок.
● Тем не менее маркетинговые затраты продолжают оставаться высокими
● И на этом этапе могут появиться конкуренты с таким же вкусом, объемом и даже вкуснее и объемнее.

Этап зрелости

● На этом этапе объем спроса достигает максимума и рынок потребителей и производителей сильно сегментирован. Компании стараются удовлетворить любые потребности потребителей - удобная крышка, ложка в комплекте с баночкой и пр.
● Наступает момент, когда необходимо заботиться не о внешних свойствах продукта, а вносить усовершенствования в состав, технологию производства и т.д. Например, "теперь в два раза больше молока", "еще больше персиков" и все возможные характеристики, которые позволят по новому взглянуть на уже итак популярный и востребованный продукт.
● Это необходимо, чтобы дольше оставаться на данной стадии зрелости, когда продукт узнали, полюбили и "по сторонам" еще не смотрят.
● Главная задача компаний — сохранить, а по возможности расширить свою долю рынка и добиться устойчивого преимущества над прямыми конкурентами.

Этап упадка

● Вот тот момент, когда потребитель сменил свои вкусовые предпочтения, модели потребления или вообще переключился на совсем другую товарную категорию, например на кумыс, после обычного коровьего молока, потому что по ТВ говорят что это полезнее.
● И в этот период необходимо принять решение производителю - искать новые рынки для сбыта товара, если он продолжит его производить или переориентироваться на другую продуктовую линейку, которая будет востребована у потребителей, например йогурт со вкусом кумыса.

Оставьте Ваши контакты, и мы позвоним Вам, чтобы договориться о встрече
Контактная информация
Контакты
+7 916 729 07 16

Если мы не взяли трубку сразу — мы вам обязательно перезвоним!
Написать нам
Приехать к нам
Москва, Протопоповский переулок, 19 стр.13, офис 43