Analityka marketingowa jako determinanta realnego funkcjonowania przedsiębiorstwa

Znaczącą publikacją dotyczącą analityki marketingowej jest książka T. H. Daven‑ porta i J. G. Harrisa obejmująca problemy dotyczące konkurencyjności analitycznej, modelowe ujęcie etapów konkurencji oraz podział podstawowych narzędzi wcho‑ dzących w skład szeroko definiowanego marketing intelligence47.

1.6.1. Pojęcie analityki i ocena stopnia konkurencji analitycznej

Autorzy wyżej wspomnianej publikacji przedstawili również opis pięciu etapów analitycznej konkurencji, wskazując przy tym, w jaki sposób firma niemająca pra‑ wie żadnych analitycznych zdolności może stać się poważnym analitycznym konku‑ rentem. Etapy osiągania konkurencji analitycznej to:

1) etap analitycznie ograniczony, 2) analityka ukierunkowana/lokalna, 3) analityczne aspiracje,

4) firmy analityczne, 5) analityczni konkurenci.

Analityka to najważniejszy „kierowca” w procesie osiągania efektywności i kreo‑ wania wartości, a „analityczny mistrz” oznacza pełne konkurowanie analityczne48. Istnieje możliwość szybkiego przejścia z jednego etapu do drugiego, jeśli tylko za‑ trudni się odpowiednich ludzi i kupi odpowiedni sprzęt. W trakcie takich działań najtrudniej zmienić podstawowe procesy biznesowe i zachowanie ludzi.

Używając słowa analityka, mamy na myśli wykorzystanie w szerokim zakresie da‑ nych, statystycznych i ilościowych analiz wyjaśniających oraz prognostycznych mo‑ deli i zarządzania opartego na faktach, w celu podejmowania decyzji i działań. Ana‑ lityka może być sterowana przez ludzkie decyzje lub zautomatyzowana. Jest częścią tego, co nazywamy business intelligence: zbioru technologii i procesów, które wyko‑ rzystują dane, aby ułatwić zrozumienie i analizę biznesowych wyników. Jak sugeruje rysunek 1.6, business intelligence zawiera zarówno dostęp do danych, tworzenie rapor‑ tów, jak i analitykę. Samo pojęcie business intelligence, które pojawiło się pod koniec lat osiemdziesiątych ubiegłego wieku, oznacza narzędzia oprogramowania pozwala‑ jące pracownikom identyfikować, przekształcać i zachowywać dane (w branżowym 47 T. H. Davenport, J. G. Harris, Competing on Analytics: The New Science of Winning, Harvard Bu‑ siness School Press, Boston 2007 oraz G. Golik‑Górecka, Konkurencja analityczna, [w:] S. Makar‑ ski (red.), Konsument a rynek. Efekty działań marketingowych, „Handel Wewnętrzny” 2009, nr 6, s. 306–313.

żargonie: ETL – extract, transform, load) do celów analitycznych i następnie udostęp‑ niać wyniki tych analiz w postaci raportów, ostrzeżeń i kart wyników49. Istotne jest tu przytoczenie zależności między business intelligence a analityką.

Przewaga konkurencyjna

Optymalizacja Co najlepszego może się zdarzyć?

Analityka

Prognostyczne modelowanie Co się stanie potem?

Prognozowanie/ekstrapolacja Co, jeśli te trendy się utrzymają?

Statystyczna analiza Dlaczego to się dzieje?

Alerty Jakie działania są potrzebne?

Dostęp i tworzenie raportów Zapytanie/badanie od ogółu do szczegółu Gdzie dokładnie leży problem?

Raporty ad hoc Jak wiele, jak często, gdzie?

Standardowe raporty Co się stało?

Stopień inteligencji

Rysunek 1.6. Rysunek 1.6. Business intelligence a analityka Źródło: T. H. Davenport, J. G. Harris, Competing on Analytics…, s. 8.

Istnieje dużo różnych oprogramowań analitycznych, od relatywnie prostych sta‑ tystycznych i optymalizacyjnych narzędzi w arkuszach kalkulacyjnych (np. Excel), statystycznych pakietów oprogramowań (np. Minitab), złożonych pakietów

busi-ness intelligence (SAS, Cognos, Busibusi-nessObjects), prognostycznych, przemysłowych

aplikacji (Fair Isaac), po analityczne i tworzące raporty moduły głównych systemów przedsiębiorstwa (SAP, Oracle). Dobre zdolności analityczne wymagają wysokich zdolności zarządzania informacją, by integrować, przekształcać i uzyskiwać dostęp do biznesowych danych transakcyjnych. Niektórzy postawiliby znak równości mię‑ dzy analityką a analityczną technologią informacyjną, jednak jest to błędne zało‑ żenie, gdyż to właśnie ludzkie i organizacyjne aspekty analitycznej konkurencji na‑ prawdę ją wyróżniają/różnicują.

Davenport i Harris mocno akcentują fakt, że firmy w wielu branżach oferują podobne produkty i używają porównywalnej technologii, wysoko sprawne bizne‑ sowe procesy są zatem jednymi z ostatnich istniejących aspektów zróżnicowania. Wiele poprzednich, które były podstawą konkurencji, straciło aktualność. Przewa‑ ga unikalnej lokalizacji geograficznej nie ma znaczenia przy globalnej konkurencji, a chroniące regulacje prawne w dużej mierze nie są już dozwolone. To, co pozostało analitycznym konkurentom, to sprawienie, by ich przedsiębiorstwo funkcjonowa‑ ło z maksymalną wydajnością i efektywnością, a podejmowane w nim decyzje były najtrafniejsze z możliwych50.

49 Tamże. 50 Tamże, s. 150.

Dalej autorzy stwierdzają, że analityka może wspomóc prawie każdy proces bi‑ znesowy. Jednak każda organizacja musi mieć jakąś wyróżniającą ją zdolność – pro‑ ces biznesowy lub rodzaj decyzji. Może to być na przykład zdolność do szybszego identyfikowania najlepszych i lojalnych klientów lub zatrudnianie i promowanie najlepszych pracowników w sektorze. Z drugiej strony być może określone opera‑ cyjne procesy biznesowe nie różnią się zbytnio od innych, ale wiadomo, że moż‑ na rywalizować na polu podejmowania decyzji. Za pomocą analityki można wybrać na przykład najlepszą lokalizację dla swoich sklepów. Dobre decyzje są podejmowa‑ ne zazwyczaj na podstawie analiz i systematycznie zbieranych danych.

Tak więc analityczni konkurenci to firmy, które wybrały jedną lub kilka wyróż‑ niających je zdolności, na których opierają swoje strategie, a potem używają wielu danych, statystycznych i ilościowych analiz oraz podejmują decyzje oparte na fak‑ tach, by je wspierać i wdrażać. Kiedy w strategii kładzie się nacisk na zdolności, ana‑ lityka może przenieść je na wyższy poziom. Na przykład Capital One nazywa swoje podejście do analitycznej konkurencji „strategią bazującą na informacji”.

Każda firma w każdej branży może stać się analitycznym konkurentem. Nale‑ ży jednak zauważyć, że niektóre podmioty są bardziej „podatne” na zastosowanie analityki niż inne. Jeżeli przedsiębiorstwo generuje dużo danych transakcyjnych (np. usługi finansowe, podróże, transport, gry komputerowe, hazard), konkuro‑ wanie analityczne jest naturalną strategią (chociaż wiele firm jej nie stosuje). Jeżeli natomiast model przedsiębiorstwa jest oparty na trudnych do zmierzenia czynni‑ kach, takich jak styl (w przemyśle zajmującym się modą) czy związki międzyludz‑ kie (w branży zajmującej się poszukiwaniem osób na stanowiska kierownicze), to praca nad wdrożeniem strategii konkurowania analitycznego miałaby charakter przełomowy. Zarządzanie danymi Narzędzia i procesy transformacyjne Strażnicy/skarbnicy/składy Analityczne narzędzia i aplikacje Narzędzia i aplikacje służące do prezentacji Metadane Procesy operacyjne

Rysunek 1.7. Rysunek 1.7. Struktura business intelligence Źródło: T. H. Davenport, J. G. Harris, Competing on Analytics…, s. 158.

Celem dobrze zaprojektowanej strategii zarządzania danymi jest stworzenie prze‑ świadczenia, poczucia pewności, że organizacja dysponuje właściwymi informacja‑ mi i dobrze je wykorzystuje. Duże firmy wydają miliony dolarów na systemy, które umożliwiają zbieranie danych z każdego możliwego źródła. Systemy planowania za‑ sobów przedsiębiorstwa, zarządzanie relacjami z klientami, transakcje materiałami wspomagającymi sprzedaż itp. umożliwiają pozostawienie śladu rewizyjnego każ‑

dej transakcji czy wymiany w systemie informacyjnym. Wiele przedsiębiorstw ku‑ puje także dane z zewnątrz – od dostawców zrzeszonych w takich konsorcjach, jak IRI, AC Nielsen (w branży konsumpcyjnej) czy IMS Health (w branży farmaceu‑ tycznej).

Przeładowanie systemów informacyjnych danymi może stać się poważnym prob‑ lemem dla niektórych firm. Ale największym wyzwaniem dla efektywnego zarzą‑ dzania danymi są „brudne” dane – niespójne, fragmentaryczne, bez kontekstu. W związku z tym przedsiębiorstwa konkurujące analitycznie poświęcają dużo uwa‑ gi procesom zarządzania danymi, na przykład Capital One szacuje, że 25% czasu pracy działu IT jest poświęcone tym kwestiom.

Wobec przedstawionej przez Davenporta i Harrisa ewolucji zdolności konkuren‑ cyjnej warto przytoczyć podział podstawowych narzędzi wchodzących w skład sze‑ roko definiowanego business intelligence:

1) narzędzia finance intelligence – wykorzystywane do obsługi obszarów ekono‑ miczno‑finansowych,

2) narzędzia STEPP intelligence – wspomagające przetwarzanie informacji z za‑ kresu socjologii, technologii, ekonomii, polityki oraz czynników materialnych w perspektywie analizy słabych i mocnych stron przedsiębiorstwa w wielowy‑ miarowym otoczeniu społeczno‑ekonomicznym51,

3) narzędzia supplier intelligence – wspomagające procesy związane z działalnoś‑ cią logistyczną,

4) narzędzia marketing intelligence – odpowiadające za doskonalenie działalności marketingowej,

5) pozostałe narzędzia52.

1.6.2. Marketing intelligence i typowe aplikacje analityczne w marketingu

W marketingu wykorzystuje się przede wszystkim narzędzia wspomagające bada‑ nie rynku oraz otoczenia firmy, badanie strategii konkurencji oraz budowanie trwa‑ łych relacji z klientami. Informacje na ten temat warto przytoczyć za autorskim ar‑ tykułem pod tytułem Konkurencja analityczna53.

Zasadniczym zadaniem realizowanym podczas wprowadzania marketing

intel-ligence jest budowa systemów pozwalających na zachowanie i tworzenie odpowied‑ 51 A. Pollard, Competitive Intelligence, Pitman Publishing, New York 1998, s. 58.

52 A. Nowicki (red.), System informacyjny marketingu. Modelowanie, Polskie Wydawnictwo Ekono‑ miczne, Warszawa 2005, s. 236.

53 G. Golik‑Górecka, Konkurencja analityczna. Czynniki definiujące konkurencję analityczną oraz etapy jej rozwoju, „Handel Wewnętrzny”, czerwiec 2009, s. 306–312.

niej jakości danych. Stąd też wymienia się cztery grupy narzędzi, które umożliwiają gromadzenie i analizę danych na potrzeby użytkowników:

1) hurtownie danych i hurtownie tematyczne,

2) systemy wspomagania decyzji – narzędzia te posiadają funkcje prognostyczne i wykorzystują metody optymalizacyjne oraz możliwości konstruowania sce‑ nariuszy zdarzeń,

3) narzędzia do wielowymiarowej analizy danych (OLAP) – umożliwiające wy‑ konywanie analiz prognostycznych i hipotetycznych,

4) narzędzia typu data mining – służące do automatycznego przeszukiwania zbiorów danych pod kątem odnajdywania ukrytych wzorców, sekwencji lub związków, które są niemożliwe do zidentyfikowania przy zastosowaniu pro‑ stych analiz54.

W kontekście takiej koncepcji budowy marketing intelligence warto przedstawić propozycję aplikacji analitycznych wewnętrznych i zewnętrznych, opisaną przez Davenporta i Harrisa.

Do aplikacji wewnętrznych zostały zaliczone: zarządzanie finansami i rachunko‑ wość, zarządzanie badaniami i rozwojem, zarządzanie produkcją oraz zarządzanie zasobami ludzkimi. Jako typowe analityczne aplikacje wykorzystywane w proce‑ sach wewnętrznych wymieniono: metodę ABC, statystyczne wnioskowanie Bayesa, biostymulacje, algorytmy optymalizacyjne, na przykład optymalizację portfela pro‑ duktów, symulację Monte Carlo, analizę regresji wielorakiej, analizę sztucznych sie‑ ci neuronowych i analizę treści. Ważną aplikacją marketingową jest optymalizacja w analizie portfelowej produktów.

Z kolei do procesów zewnętrznych zostały zaliczone procesy znajdujące się na pograniczu zarządzania relacjami z klientem (CRM) i zarządzania łańcuchem dostaw (SCM).

W tych zewnętrznych procesach zawierają się aplikacje marketingowe wymienio‑ ne poniżej:

1) CHAID (Chi-square automatic interaction detection) – ta technika statystyczna jest używana przy przydzielaniu klientów do określonych kategorii na podsta‑ wie wielokrotnych alternatywnych zmiennych;

2) analiza conjoint – jest ona przeważnie używana do tego, aby ocenić siłę i kieru‑ nek preferencji klienta dotyczących kombinacji atrybutów produktu i usługi; 3) analiza wartości klienta w czasie (Life Value Analisis – LVA) – w tej aplikacji

używa się analitycznych modeli, aby oszacować wielkość zysku z posiadania jednego klienta (lub kategorii klientów), osiąganego przez cały okres zawiera‑ nia z nim transakcji;

4) eksperymenty rynkowe – używając bezpośrednich maili, promocji lub zmie‑ niając stronę internetową, sprzedawcy testują zmienne w celu wyróżnienia tych, na które najsilniej reagują klienci w danej ofercie;

5) analiza regresji wielorakiej – najbardziej powszechna technika statystyczna przewidywania wartości zmiennej zależnej (np. sprzedaży) w relacji do jednej lub więcej niezależnych zmiennych (takich jak liczba sprzedających, tempera‑ tura, dzień miesiąca);

6) optymalizacja ceny (znana także jako plon zarządzania przychodem) – techni‑ ka ta zakłada, że podstawową przypadkową zmienną zachowań klienta doko‑ nującego zakupu jest cena; najważniejszą kwestią jest zwykle elastyczność cen lub odpowiedź (zmiany cieszące się powodzeniem) kupującego na wzrost lub obniżenie ceny;

7) eksperymenty na szeregach czasowych – te eksperymentalne projekty zwykły określać, czy warunki zostały zastosowane w określonym czasie i prowadziły do zmian badanych zmiennych55.

Do typowych aplikacji analitycznych w marketingu można zaliczyć także przy‑ woływane już analizy strategiczne, analizy portfelowe56, wielowymiarową analizę portfelową, czyli Nawigator Strategiczny, symulator strategiczny, pakiety Industrial and Financial Systems (IFS) Applications, plan marketingowy z wykorzystaniem ar‑ kusza kalkulacyjnego, na przykład MS Excel57.

Należy przypomnieć, iż istnieją możliwości wspomagania zarówno budowy, jak i realizacji strategii marketingowych przedsiębiorstwa przez odpowiednio dobra‑ ny zestaw analiz dynamiki jego portfela oraz wykorzystanie ich aplikacji kompute‑ rowych. Można jednoznacznie stwierdzić, że istnieje wiele zalet wykorzystywania technologii informatycznych, a nawet strategii informatyzacji wszystkich obsza‑ rów działalności przedsiębiorstw w różnych analizach portfelowych. Technologie te pozwalają prowadzić monitoring stanu równowagi portfelowej, będącej podsta‑ wą decyzji dotyczących badań i rozwoju nowych produktów, oraz monitoring re‑ alizacji strategii marketingowej przedsiębiorstwa58. Są to: pakiet do wspomagania zarządzania strategicznego (ZSP), model wielowymiarowej analizy portfelowej we‑ 55 G. Golik‑Górecka, Konkurencja analityczna…, s. 306–312.

56 Wykorzystywane do planowania i realizacji strategii marketingowych, takie jak BCG, DPM (di-rectional policy matrix – macierz kierunków polityki – GE) czy też do sporządzania planów marke‑ tingowych, do przeprowadzenia których stosuje się między innymi pakiet do wspomagania zarzą‑ dzania strategicznego przedsiębiorstwem (ZSP).

57 J. Rybicki, Wielowymiarowy model analizy…

58 G. Golik‑Górecka, Analizy portfelowe podstawą realizacji strategii marketingowych wspomaga-nych technologiami informatycznymi przedsiębiorstwa, [w:] J. Kall, B. Sojkin (red.), Zarządzanie pro-duktem w warunkach globalizacji gospodarki, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań 2004, s. 74–80.

dług Rybickiego wraz z Nawigatorem Strategicznym59, symulator strategiczny i IFS Application 2001.

W świetle powyższych rozważań można stwierdzić, że zdolności analitycz‑ ne i przewaga konkurencyjna osiągana dzięki tym aplikacjom pozwalają na efek‑ tywne wykorzystywanie wskaźników marketingowych oraz zrozumienie ich wza‑ jemnych relacji. Zagadnienia te będą przedmiotem zainteresowania w kolejnym rozdziale niniejszej pracy, traktującym o wskaźnikach marketingowych wykorzy‑ stywanych w analityce marketingowej. Najnowsza publikacja Davenporta60 zawie‑ ra szczegółowe opracowanie ramowej koncepcji tworzenia skutecznej strategii do‑ tyczącej danych, którą można stosować we wszystkich branżach i na wszystkich poziomach dojrzałości systemów zarządzania danymi. Zarządzanie danymi widzia‑ ne „od kuchni” może nie wydawać się tak atrakcyjne jak opracowane za ich pomocą kolorowe tablice wskaźników i modele prognostyczne, jednak ma istotne znaczenie dla ich wysokiej efektywności. Jako takie powinno być przedmiotem zainteresowa‑ nia nie tylko dyrektora do spraw danych. Zapewnienie mądrego zarządzania dany‑ mi jest obowiązkiem wszystkich członków ścisłego kierownictwa firmy, w tym rów‑ nież jej prezesa.

Wprawdzie publikacji na temat gospodarowania danymi w przedsiębiorstwach jest bardzo dużo, ale wiele z nich ma charakter techniczny i koncentruje się na nad‑ zorze, najlepszych praktykach, narzędziach i tym podobnych kwestiach. Niewiele ramowych koncepcji zarządzania danymi skupia się na biznesowej działalności fir‑ my. Koncepcja zarządzania danymi prezentowana w niniejszym opracowaniu nie tylko sprzyja efektywnemu wykorzystywaniu danych i właściwej alokacji zasobów, ale też pomaga zaprojektować czynności z zakresu zarządzania danymi w taki spo‑ sób, aby wspomagały one ogólną strategię organizacji.

Zdaniem Druckera surowe dane, którym przypisano znaczenie i cel, takie jak wskaźniki zatrzymania klientów, wielkość sprzedaży i koszty dostaw, mają ograni‑ czoną wartość, dopóki nie zostaną zintegrowane z innymi danymi i przekształcone w informacje, którymi mogą się kierować decydenci61. Dane o wielkości sprzedaży przedstawione na tle historycznym lub rynkowym także nagle nabierają znaczenia – wskaźniki mogą rosnąć lub maleć w relacji do benchmarków albo też w wyniku wdrożenia konkretnej strategii.

Strategie firm powstawały w celu sprostania wyzwaniom płynącym z otoczenia i pokazania sposobów osiągania przewagi konkurencyjnej w sytuacji dostosowywa‑ nia się do tych wyzwań. Im bardziej złożone stawało się otoczenie, im bardziej doj‑ 59 Rybicki J., Wielowymiarowy model analizy…

60 L. Dallemule, T. H. Davenport, Skuteczna strategia korzystania z danych, „Harvard Business Re‑ view Polska”, wrzesień 2017, s.78–79.

rzałe i rozwinięte firmy, tym bardziej doskonalono system planowania, przewidy‑ wania i poszukiwania pewności dla przyszłych działań.

Jak już wspomniano, w latach pięćdziesiątych i sześćdziesiątych ubiegłego wieku zarządzanie strategiczne w przedsiębiorstwach było ukierunkowane na planowanie. Dominowało w nich planowanie biznesowe i budżetowe, koncentrowano się przede wszystkim na planowaniu rozwoju, pozyskiwaniu kapitału i sporządzaniu budżetu operacyjnego oraz na kontroli finansowej. Jako podstawowe narzędzia zarządzania strategicznego wykorzystywano planowanie inwestycji, budżetowanie finansowe, prognozy ekonomiczne oraz programowanie liniowe. Sam proces zarządzania stra‑ tegicznego odbywał się w ramach formalnych struktur i procedur, z preferowaniem perspektywy zarządzania finansowego jako najbardziej właściwym podejściem62.

1.6.3. Współczesne wykorzystanie analityki marketingowej

Systematyczne wykorzystywanie danych w marketingu rozpoczął Ch.C. Parlin około 1910 roku – było to związane z jego pracą nad reklamą dla Curtis Publish‑ ing Company w Bostonie63.W latach dwudziestych i trzydziestych ubiegłego wie‑ ku na świecie powstały firmy zajmujące się marketingiem, takie jak Nielsen, Burke i GFK, korzystające z analityki, aby wspierać decyzje marketingowe swoich klien‑ tów. W latach siedemdziesiątych w marketingu zaczęto stosować duże dane (big

data) i wprowadzono urządzenia do skanowania w punktach sprzedaży produk‑

tów IBM. Dostępność danych cyfrowych wzrosła w 1990 roku, kiedy powstała sieć WWW i Google, a wraz z uruchomieniem Facebooka, YouTube’a i wyprodukowa‑ niem iPhone’a w latach 2000–2010 rozpoczęła się ewolucja analityki. Te nowe źród‑ ła danych są obecnie szeroko stosowane w analizach marketingowych ujmowanych także w dashboardach.

Prezentacja wskaźników w postaci dashboardów spotkała się z dużym zaintere‑ sowaniem. Podstawowym zamysłem wydaje się to, że sposób prezentacji złożonych danych może wpłynąć na zdolność kierownictwa do ponownego zapoznania się z kluczowymi wzorcami, zachowaniami i trendami rynkowymi.

Poprzednia dekada była okresem wstępnego zarządzania analitycznego wspoma‑ ganego komputerowo pojedynczymi programami. Obecnie pojawiły się możliwo‑ ści bardziej precyzyjnego pozyskiwania danych i informacji. Można też spodziewać się, że kolejne dziesięć lat będzie okresem przełamywania wielu barier technologicz‑ 62 T. H. Davenport, M. Leibold, S. Voelpel (red.), Strategic Management in the Innovation Economy. Strategy Approaches and Tools for Dynamic Innovation Capabilities, Publics Publishing and Wiley‑ ‑VCH, Erlangen 2006, za: M. Duczkowska‑Piasecka, M. Poniatowska‑Jaksch, K. Duczkowska‑ ‑Małysz, Modele biznesu…, s. 80.

nych i wykorzystania całościowych rozwiązań, jakimi są big data, chmury oblicze‑ niowe, marketing balance scorecard (MBSC) i dashboardy – zarówno menedżerskie, jak i analityczne.

Dashboardy, tablice wyników i to, co określane jest mianem promieni rentge‑ nowskich, to zbiory wskaźników marketingowych i finansowych, które, zdaniem kierownictwa przedsiębiorstwa, są ważnym wskaźnikiem kondycji biznesowej. Dashboardy (inaczej deski rozdzielcze) są zaprojektowane tak, aby zapewnić dogłęb‑ ne zrozumienie marketingowych aspektów biznesu.

W niniejszym opracowaniu podjęto przede wszystkim rozważania na temat mar‑ ketingu i finansów w ujęciu wskaźników cząstkowych oraz złożonych danych i mier‑ ników w postaci dashboardu marketingowego (będzie to przedmiotem ostatniego rozdziału pracy). Ich celem jest dogłębne poznanie istoty interfejsu marketingowo‑ ‑finansowo‑informatycznego (MFTI), rozwiązania umożliwiającego lepsze zrozu‑ mienie i interpretację różnorodnych wskaźników, a także danych przedstawiających osiągnięcia firm i stwarzających szansę prognozowania dalszych trendów ich roz‑ woju. R. Venkatesan, P. Harris, R. T. Wilcom64 bardzo trafnie określili, że wskaźni‑ ki marketingowe wraz ze wskaźnikami finansowymi dają możliwość dokładniejsze‑ go zrozumienia prowadzonej działalności biznesowej. Przytoczenie tego tematu jest tu konieczne, ponieważ przeanalizowanie wszystkich „promieni rentgenowskich” w pełnym zakresie wskaźników pozwala na kompleksową diagnozę i umożliwia po‑ dejmowanie trafnych decyzji.

Przeglądając literaturę dotyczącą analityki marketingowej, można było odnieść wrażenie pewnego zastoju, w sensie braku istotnie nowych propozycji, jakie pojawi‑ ły się wcześniej w publikacjach Davenporta i Jeffery’ego. Obecnie ta sytuacja uległa zmianie, pojawiło się kilka ważnych, interesujących publikacji anglojęzycznych i ro‑ dzimych. Niektóre z nich zostaną omówione poniżej.

Według Venkatesana, Harrisa i Wilcoma65 analityka marketingowa nie jest nowym obszarem. Pozwala firmom wyjść poza zakres standardowych informa‑ cji zawartych w raportach finansowych, dostarczając wszechstronnych informacji o prowadzonej przez nie działalności oraz pozwalając właściwie zrozumieć model biznesu, w tym także działania marketingowe, na przykład na podstawie regresji, eksperymentów, testowania, przewidywania i optymalizacji. Nowością natomiast jest szersze korzystanie przez specjalistów z narzędzi analityki marketingowej. Do‑ stępność szczegółowych danych klientów zmodyfikowała podejmowanie decyzji do‑ tyczących wydatków na marketing w firmach. Wyrafinowana ekonometria, w połą‑ czeniu z bogatymi danymi o klientach i instrumentami marketingu mix, umożliwia 64 R. Venkatesan, P. Harris, R. T. Wilcom, Cutting-Edge. Marketing Analytics. Real World Cases and Data Sets for Hands on Learning, Pearson Education, New Jersey 2015, s.12

przedsiębiorstwom wprowadzanie osiągnięć nauki w dziedzinie, która tradycyjnie opierała się na intuicji menedżerów.

Venkatesan, Harris i Wilcom sugerują, że po przeczytaniu ich książki będzie można:

1) zrozumieć znaczenie analizy marketingowej w celu przewidywania, systema‑ tycznego podziału i przydzielania zasobów marketingowych,

2) wskazać, którzy analitycy będą mogli zajmować się tworzeniem predykcyjnych dashboardów dla organizacji,

3) zrozumieć wątpliwości dotyczące analityki opartej na danych wtórnych, a tak‑ że zaakceptować kompromis w analizie kosztów i zysków oraz równowagi między analizą a intuicją,

4) dowiedzieć się, jak prowadzić analizę danych, wykorzystując regresję liniową, regresję logistyczną lub analizę klastrów, aby sprostać strategicznym wyzwa‑ niom marketingowym.

Przywołani autorzy podkreślają ważność wszystkich trzech aspektów analizy marketingowej: analizy statystycznej, eksperymentów i intuicji menedżerskiej.

W kolejnej istotnej publikacji poświęconej analityce marketingowej, autorstwa M. Grigsby’ego66, stwierdza się między innymi, że analiza marketingowa pozwala