Minggu, 21 November 2010

Metode Riset

REVIEW JURNAL
A STUDY ON USING BUSINESS INTELLIGENCE FOR IMPROVING MARKETING EFFORTS


Arpan Kumar Kar, Ashis Kumar Pani and Supriya Kumar De
July, 2010


Abstract: A major success criteria for the marketing department of the company is the understanding of the consumers and the success of the campaigns. Based on the outputs of certain data mining tasks, a marketer would be able to chalk out his strategy. But the major barrier against proper utilization of business intelligence is that often the marketer is unable to see the actual benefits the system can provide him in meeting his objective. Firstly this article provides a basic knowledge of the various data-mining tasks which can create value to the marketer. A major concern becomes, even if the marketer is convinced of the benefits to be obtained, he is unaware of the process involved to get it done. The data requirements are huge for a business intelligence system. This article also provides some insights on what kind of data requirements the data-mining system would require to perform such business intelligence tasks. Thirdly, this article maps how business intelligence can be collaborated with marketing strategy to create value in each stage of the product development life cycle following Kotler’s product life cycle framework. The entire paper provides these conceptualizations based on theoretical understanding of the areas under discussion.


TUJUAN PENELITIAN
Beberapa studi mulai akhir tahun 1960-an (Comanor dan Wilson, 1967) menyatakan hubungan antara kinerja laba, iklan intensitas, dan struktur pasar. Iklan memiliki biaya besar yang terus meningkat seperti yang telah ditunjukkan. Karena besarnya kemungkinan sifat jumlah konsumen, masuk akal untuk memahami iklan mana yang paling mempengaruhi konsumen. Mengetahui hal ini tidak hanya membantu dalam pemotongan biaya yang besar dalam pengeluaran iklan, tetapi juga meningkatkan pengambilan tingkat kampanye iklan. Di sinilah teknologi informasi memainkan peran penting dengan pengolahan informasi sehingga menyediakan intelijen bisnis utama untuk marketer dengan memberikan wawasan kunci. Makalah ini membahas tentang beberapa bisnis kecerdasan teknik yang membantu untuk melakukannya dan memberikan wawasan teknik mana yang paling optimal digunakan di bawah kondisi tertentu.


PEMBAHASAN
Cara pandang pemasaran tradisional, seperti itu dari Kotler dan Kelly (2006) sebagian besar
berfokus pada aspek-aspek fisik dan manusia organisasi. Tampilan informasi pemasaran mulai dapat dikonseptualisasikan dengan kontribusi dari Haeckel dan Nolan (1993), Naude dan Belanda (1995), Rayport dan Sviokla (1995). Baru-baru ini Holland dan Naude (2004) berpendapat bahwa pemasaran
harus semakin dipandang sebagai informasi penanganan masalah ketimbang transaksi dorongan klasik atau hubungan yang didorong pendekatan.
Pendekatan manajemen untuk mempelajari pemasaran dapat ditelusuri dalam konsep-konsep seperti konsep pemasaran, bauran pemasaran, siklus hidup produk dan segmentasi pasar.
Menurut Moller (1994), pendekatan manajemen dapat dicirikan dengan mencoba memecahkan masalah dari "bagaimana mengembangkan bauran pemasaran yang optimal terdiri Produk, Price, Place, dan Promotion solusi untuk preferensi bersaing dari target segmen konsumen yang dipilih, rumah tangga atau pembeli organisasi ". Konsep bauran pemasaran berfokus pada kebutuhan manajer pemasaran untuk melihat tugas pemasaran sebagai proses pencampuran atau mengintegrasikan beberapa fungsi yang berbeda secara bersamaan, seperti yang didalilkan oleh Sheth, Gardner dan Garett (1988). Untuk meningkatkan kesesuaian antara 4 P’s, memahami pelanggan menjadi penting, bukan hanya data yang diperlukan pada pelanggan, tetapi apa yang dapat dilakukan dengan informasi yang dapat memberikan wawasan kunci pada pemasaran.
Fokus pada masalah yang telah disebutkan membuka area baru dalam penelitian, yang dikenal sebagai database pemasaran. Ini menawarkan manfaat dari peningkatan pendapatan menjadi pemasar dari dua daerah, peningkatan pendapatan dengan target yang lebih baik dan meningkatkan pendapatan dengan pemahaman yang lebih baik akan kebutuhan pelanggan dan karenanya merancang promosi lebih cocok.


METODE PENELITIAN
Tugas pencarian data yang digunakan untuk tujuan ini adalah pengelompokan, klasifikasi, asosiasi pola, summarization, pemodelan prediktif, analisa jaringan dan analisis jaringan sosial.

1. Kluster / Clustering
Clustering atau analisis kelompok adalah proses pengelompokan data ke dalam kelas atau kelompok, sehingga objek dalam sebuah cluster memiliki kesamaan yang tinggi dibandingkan satu sama lain tetapi sangat berbeda dengan objek di cluster lain (Han dan Kamber, 2006).

2. Klasifikasi
Masalah pola klasifikasi pada dasarnya adalah pemetaan pola input, direpresentasikan sebagai masukan untuk kelas atau kategori tertentu. Jadi diberikan database D = {t1, t2, ..., tn} dan satu set kelas C = {C1, ..., Cm}, masalah klasifikasi adalah untuk menentukan pemetaan f: D → C dimana setiap ti ditugaskan untuk satu kelas (Dunham, 2006).
Pola klasifikasi dapat digunakan secara efisien dalam pemasaran dan iklan dengan pertama-tama membagi seluruh basis pelanggan dan kemudian memberikan iklan selektif untuk kelas khusus pelanggan yang nanti akan berkemungkinan untuk berhubungan dengan lebih baik. Dan dalam proses ini dapat menaikkan tingkat serta meraih keberhasilan kampanye iklan tersebut.

3. Pola Asosiasi
Dari awal 1970-an, pola asosiasi terutama dipelajari dalam konteks pengembangan model penelitian pasar. Pola asosiasi digunakan untuk memprediksi pola didasarkan pada pola masa lalu atau urutan data pada alat yang telah dilatih sebelumnya.
Pola asosiasi secara luas dapat digunakan untuk memprediksi preferensi pelanggan ketika data yang tersedia tentang pelanggan sangat sedikit untuk pemasar. Alat untuk pola asosiasi akan membantu pemasar untuk memprediksi produk atau iklan mungkin menarik pelanggan dalam perilaku pembelian pelanggan dan menyesuaikannya dengan perilaku pembelian pelanggan yang sama (yang membeli produk serupa) bahkan ketika tidak ada informasi tersedia untuk pelanggan.


4. Peringkasan
Peringkasan dapat membantu pemasar mengidentifikasi keuntungan segmentasi dan kemudian memfokuskan sumber daya yang sesuai, seperti segmentasi dengan keuntungan yang lebih tinggi mendapat upaya periklanan. Dengan tugas ini, yang tidak menguntungkan dapat diabaikan sehingga menghemat banyak biaya iklan.

5. Model Peramalan
Model peramalan adalah proses dimana model dibuat atau dipilih untuk mencoba memprediksi kemungkinan terbaik dari suatu hasil. Model peramalan biasanya digunakan untuk memprediksi beberapa jenis ukuran respon untuk setiap pelanggan, sebagai fungsi dari satu set variabel penjelas (prediktor). Jika tingkat respon melebihi titik tertentu, pelanggan dipilih untuk promosi, jika tidak pelanggan ditolak. Dalam aplikasi yang paling praktis, respon diukur oleh diskrit, variabel biner ya / tidak, membeli / tidak membeli, membayar / tidak membayar, setia / tidak setia, dan sejenisnya. Tugas ini memungkinkan pemilihan yang cermat dari pelanggan untuk target iklan, dan dengan demikian menurunkan keseluruhan iklan-iklan yang cukup merugikan.

6. Analisa Jaringan/ Analisa Jaringan Sosial
Dari sudut pandang pencarian data, jaringan sosial adalah data yang heterogen dan multi-relasional yang diwakili oleh grafik. Analisa jaringan sosial adalah suatu metodologi untuk pemetaan dan mengukur arus informasi melalui interaksi antara orang-orang dalam kelompok, digambarkan sebagai node pada grafik. Juga merupakan seperangkat teknik ilmiah untuk pemodelan dan menilai hubungan sosial yang menggambarkan node dan jenis dan kekuatan hubungan antara mereka. Pemasar menggunakannya untuk mendapatkan pemahaman yang rinci tentang bagaimana orang-orang dalam kelompok berinteraksi. Tugas ini menggunakan teori grafik untuk menganalisis jaringan sosial.
Dengan tugas ini, pemasar dapat mengisolasi pengadopsi awal dan influencer dari sebuah kelompok, untuk mendorong kampanye baru. Selain itu, pemasar dapat mengidentifikasi pemikiran para pemimpin dan influencer dalam kelompok sosial, yang jika mengambil kampanye, akan mempengaruhi orang lain dalam jaringan sosial mereka untuk melakukan hal yang sama. Tugas ini juga dapat digunakan secara efektif dengan biaya rendah tetapi pemasaran viral yang sangat efektif. Jadi Analisis jaringan sosial dapat membantu perusahaan menyimpan banyak pengeluaran pemasaran dari kampanye iklan.


KESIMPULAN
Informasi memainkan peran utama pada saat ini dalam meningkatkan proses bisnis. Untuk menjadi terlibat secara produktif dalam kegiatan penemuan pengetahuan, manajer pemasaran harus memiliki pemahaman yang baik tentang terdiri dari apa kegiatan ini. Untuk melakukan hal yang sama, harus ada pemahaman yang baik tentang berbagai tugas, persyaratan dan output mereka, untuk dapat menghargai relevansinya dalam konteks bisnis. Makalah ini memberikan pemahaman dasar dari berbagai tugas dan menunjukkan bagaimana tugas masing-masing dapat memberikan nilai kepada pemasar berdasarkan pemahaman teoritis dari kedua wilayah di bawah diskusi. Hal ini juga memetakan tugas pengumpulan data dengan tahap-tahap siklus hidup produk dan juga memberikan wawasan tentang manfaat bisnis beberapa kemungkinan dimanfaatkan dengan terlibat dalam tugas. Makalah ini juga memberikan wawasan yang menarik tentang bagaimana teknologi informasi dapat digunakan untuk memungkinkan proses bisnis dan strategi yang lebih baik dengan menggunakan wawasan yang ingin dikembangkan dari informasi pengolahan.


REFERENSI
Agrawal R, Imielinski T, Swami A (1993). Mining association rules between sets of items in large databases. ACM, SIGMOD Intl. Conf. Management of Data, Washington.
Brooks NAL (1989). Marketing technology: new marketing information systems enhance service and profitability. Bank Administration. 65(5): 52-54.
Comanor WS, Wilson TA (1967). Advertising, Market Structure, and Performance. Review of economic statistics. 49 (4): 423-440.
DeSarbo WS, Hildebrand DK (1980). A Marketer’s Guide to Log-Linear Models for Qualitative Data Analysis. Journal of Marketing. 44 (summer): 40-51.
Duda RO, Hart PE, Stork DG (2001). Pattern Classification. Wiley publications.
Dunham MH (2003). Data mining: Introductory and advanced topics. Pearson Education.
Gartner Research (2008). Findings: Social Network Analysis Is coming into the Limelight. ID Number: G00157280.
Green PE (1978). An AID/Logic Procedure for Analyzing Large Multi-way Contingency Tables. Journal of Marketing Research. 42(4): 92-100.
Gronroos C (1990). Service Management and Marketing: Managing the Moments of Truth in Service Competition. Lexington Books, Lexington, MA.
Haeckel SH, Nolan RH (1993). Managing by wire. Harvard Business Review. pp. 122 – 132.
Han J, Kamber M (2001). Data Mining: Concepts and Techniques. 2nd edition, Morgan Kaufmann Publishers.
Holland PC, Naude P (2004). The metamorphosis of marketing into an information-handling problem. The Journal of Business & Industrial Marketing. 19(3): 167-178.
Holsheimer M, Kersten M, Mannila H, Toivonen H. (1995). A perspective on databases and data mining. In 1st Int. Conf. Knowledge Discovery and Data Mining.
Houtsma M & Swami A (1995). Set-oriented mining of association rules in relational databases. Proceedings, 11th Int. Conf. Data Engineering.
Kaldor N, Silverman R (1948). A Statistical Analysis of Advertising Expenditures and of the Revenue of the Press. Cambridge University Press.
Kotler P, Keller KL (2006). Marketing Management. 12th Edition, Prentice hall, New York.
Levin N, Zahavi J (1999). Continuous predictive modeling - A comparative analysis. Journal of Direct Marketing. 12(2): 5-22.
Moller KE (1994). Inter-organizational marketing exchange: Meta-theoretical analysis of current research approaches. Research Traditions in Marketing. Kluwer Academic Publishers, Boston.
Moriarty RT, Swartz GS (1989). Automation to boost sales and marketing. Harvard Business Review. 67(1): 100-108.
Naude P, Holland CP (1996). Business to business marketing. Relationship marketing, theory and practice. Paul Chapman Series, 40-54.
Peacock PR (1998a). Data mining in marketing: Part 1. Marketing Management. 6(4): 8-19.
Peacock PR (1998b). Data mining in marketing: Part 2. Marketing Management. 7(1): 14-26.
Perreault WD, Barkswale HC (1980). A Model-Free Approach for Analysis of Complex Contingency Data in Survey Research. Journal of Marketing Research. 17: 503-515.
Rayport JR, Sviokla JJ (1995). Exploiting the virtual value chain. Harvard Business Review. Nov-Dec: 75-85.
Sheth JN, Gardner DM, Garrett DE (1988). Marketing Theory: Evolution and Evaluation. John Wiley & Sons, New York.
Telser GL (1961). How Much Does it Pay Whom to Advertise. American Economic Review. 51: 194-205.
The World Advertising Research Center (2001). World advertising expenditure. International Journal of Advertising. 20: 266 – 268.
Webster FE (1988). The rediscovery of the marketing concept. Business Horizons. 31: 29-39.
Webster FE Jr. (1992). The changing role of marketing in the corporation. Journal of Marketing. 56(4): 1-17.

Tidak ada komentar:

Posting Komentar