ตัวอย่างของการขุดข้อมูล การวิจัยการตลาดแบบดั้งเดิม

การวิจัยการตลาดแบบดั้งเดิมมักเกี่ยวข้องกับการประเมินตลาดโดยรวมสำหรับสินค้าหรือบริการสำรวจผู้บริโภคเกี่ยวกับสิ่งที่พวกเขาชอบและไม่ชอบและดำเนินการกลุ่มเป้าหมายเพื่อวัดการตอบสนองของผู้บริโภคต่อผลิตภัณฑ์ใหม่ การเติบโตของเทคโนโลยีสารสนเทศได้เปลี่ยนแปลงการวิจัยการตลาดโดยมีนักวิเคราะห์จำนวนมากขึ้นเรียนรู้เกี่ยวกับความพึงพอใจของผู้บริโภคและพฤติกรรมการซื้อโดยการขุดข้อมูลเชิงปริมาณจำนวนมากและใช้อัลกอริทึมที่ซับซ้อนเพื่อค้นหารูปแบบและความสัมพันธ์

คุณสมบัติการขุดข้อมูล

Data mining ใช้เทคนิคทางสถิติเพื่อค้นหาความสัมพันธ์ระหว่างปัจจัยและตัวแปรต่าง ๆ ในชุดข้อมูลขนาดใหญ่ตามที่ศาสตราจารย์ Ian Ayres จากมหาวิทยาลัยเยล Yale ผู้เขียน "Super Crunchers" ชุดข้อมูลเหล่านี้มักจะวัดเป็นเทราไบต์ซึ่งมีเทราไบต์เทียบเท่ากับ 1, 000 กิกะไบต์ การขุดข้อมูลมักจะให้ข้อมูลจำนวนมหาศาลเกี่ยวกับพฤติกรรมของลูกค้าและพฤติกรรมการซื้อของลูกค้าทำให้พวกเขาสามารถทำการตลาดสินค้าได้อย่างมีประสิทธิภาพมากขึ้น

ตัวอย่างการขุดข้อมูล

Ayres อ้างถึงคุณสมบัติของผู้ค้าปลีกออนไลน์ของ Amazon.com ซึ่งบอกลูกค้าที่มีศักยภาพว่าคนที่ชื่นชอบผลิตภัณฑ์หนึ่งโดยเฉพาะเช่นรายการอื่น ๆ เป็นตัวอย่างของการตลาดผ่านการขุดข้อมูล ในอีกตัวอย่างหนึ่งผู้ออกบัตรเครดิต Capital One สร้างรายชื่อผลิตภัณฑ์และบริการที่ตัวแทนผู้บริโภคมีแนวโน้มที่จะซื้อโดยขึ้นอยู่กับลักษณะของบัญชีบัตรเครดิตของลูกค้า

การวิจัยการตลาดแบบดั้งเดิม

ในขณะที่ data mining เน้นการดึงข้อมูลที่คาดการณ์เกี่ยวกับลูกค้าและยอดขายจากฐานข้อมูลขนาดใหญ่การวิจัยการตลาดแบบดั้งเดิมเน้นที่การระบุปัจจัยที่มีอิทธิพลต่อการตัดสินใจซื้อของครัวเรือนและองค์กร ข้อมูลที่เกี่ยวข้องจะถูกรวบรวมบ่อยครั้งผ่านข้อมูลการขายการสำรวจและกลุ่มเป้าหมายตามที่ศาสตราจารย์ Roger A. Kerin ผู้เขียนหนังสือ "การตลาด" นักวิจัยการตลาดแบบดั้งเดิมระบุโอกาสรวบรวมข้อมูลที่จำเป็นจากนั้นกำหนดกลยุทธ์การขายที่เหมาะสม การขุดข้อมูลขึ้นอยู่กับข้อมูลที่มีอยู่แล้ว

การพิจารณา

การขุดดาต้าได้เปลี่ยนโฉมหน้าการวิจัยการตลาดเพื่อกระตุ้นการเติบโตของโอกาสในการทำงานในอาชีพนี้ สำนักงานสถิติแรงงานสหรัฐคาดการณ์ว่าการจ้างงานวิจัยการตลาดจะเติบโตสูงกว่าค่าเฉลี่ยโดยมีโอกาสที่ดีที่สุดสำหรับบุรุษและสตรีที่มีวุฒิการศึกษาขั้นสูงและมีทักษะเชิงปริมาณที่แข็งแกร่งซึ่งช่วยให้พวกเขาสามารถดึงความหมายจากข้อมูล