پایان دوران آژانس‌های تبلیغاتی سنتی

۹۶/۰۶/۳۱

در دهه ۱۹۶۰، صنعت تبلیغات با استفاده از گروه‌های کانونی به شدت رو به تکامل و رشد بود. این گروه‌های کانونی در قالب جلساتی دور هم گرد می‌آمدند و معمولا روان‌شناسان کار هدایت جلسات را بر عهده داشتند.

هدف از تشکیل این جلسات کشف احساسات مشتری، نگرش‌ها و عقاید او در ارتباط با محصولات و گروه‌بندی محصولات بود. متأسفانه در آن دوران بیشتر توجه‌ها معطوف به ایده‌های خلاقانه بود و داده‌ها در طراحی و شکل‌دهی ایده‌ها نقش کم رنگی داشتند. همین موضوع باعث می‌شد تا گاهی آنچه از این اذهان خلاق نشأت می‌گرفت، درتضاد و تناقض با یافته‌های علمی و تحقیقاتی موجود باشد.

این روند تا سال ۱۹۹۰ ادامه داشت. به جرئت می‌توان گفت که در دهه ۹۰ نیز این دوستان در آژانس‌های تبلیغاتی یکه‌تازی می‌کردند و همه به دنبال بردن جوایز مختلف بودند تا تولید آگهی هایی که بر اساس دید و نگرش مشتریان خلق شده باشد. همه می‌خواستند جوایزی نظیر Clio را به چنگ آورند و کسی به دنبال تبلیغاتی نبود که منجر به ایجاد آگاهی، علاقه و نهایتا فروش ‌شود.

در اواسط دهه ۹۰، تغییری شگرف ایجاد شد. با بکارگیری مدل آمیخته بازاریابی در اواسط دهه ۹۰، برخی صنایع کم‌کم دریافتند که اهمیتی که برای جوایز ریز و درشت قائل بودند، بسیار نابخردانه بوده و در واقع این میزان از توجه باید معطوف به رشد برند می‌شده ‌است.

رفته‌رفته، بازاریابان با درک اهمیت داده‌ها و… توانستند به کمّی‌سازی تأثیرات وسیع تبلیغات‌شان دست یابند. و در نتیجه تغییرات عظیمی به جریان افتاد: رویکردهای خلاقانه به شدت تحت تأثیر تحقیقات بازار قرار گرفتند. و مسائل کیفی برای کشف موضوعات پیرامون برند: احساسات مشتری، چگونگی احقاق نیازهایش و نقش برند در زندگی او، مورد استفاده قرار گرفت.

این دیدگاه‌ها، در راستای استراتژی برند برای ساخت رویکردهای تبلیغاتی به کار گرفته شدند و البته قبل از ورود به بازار شرکت‌هایی مانند ASI و میلوارد براون (Millward Brown) از لحاظ میزان اثربخشی برای مشتریان به طور کّمی این رویکردهای تازه را آزمایش کردند.

نخستین بار بود که برای کسب نتایج ، فرایند خلاق در برابر داده‌های قابل سنجش قرار می‌گرفت. و بعد از آن تعداد زیادی از شرکت‌ها، از این آزمایش‌ها برای اطمینان یافتن از تأثیرگذاری تبلیغات جدید بهره بردند.

محدودیت‌های تحقیقات بازار سنتی

دوران تغییر و رشد تازه، همچنان تحت تأثیر محدودیت‌های روش‌های سنتی تحقیقات بازار قرار داشت. در واقع، تحقیقات کیفی و کّمی کماکان تحت تأثیر فقدان موضوعی اساسی بودند. این موضوع مهم چیزی نبود جز عدم درک تحقیقات نام‌برده از رفتار مشتری به شکل اساسی و ریشه‌ای. مثلا اینکه مشتریان، حقیقتا چگونه تصمیم‌گیری می‌کنند. برخی از متخصصان معتقدند که تصمیم‌گیری در ناحیه ساقه مغز اتفاق می‌افتد. یعنی ناحیه‌ای از مغز که مسئولیت انتقال اطلاعات را در دستگاه عصبی مغز بر عهده دارد. این بخش از مغز در بقا و حیات ما نقشی اساسی دارد. و جالب است که بدانید بیشتر تصمیمات ما در مغز مبتنی بر احساسات شکل می‌گیرد و نه چارچوب‌های منطقی.

و به همین خاطر، برگزاری جلسات با مشتریان در قالب گروه های کانونی، و صحبت درباره ارتباط او با برند نمی‌تواند اطلاعات دقیق و درستی درباره فرایند ناخودآگاه مغزی در اختیار محققین قرار بدهد.

صحبت از هر داده‌ای نیست…

ابَرداده‌ها را به کار بگیرید. منظور از ابر داده‌ها حجم وسیعی از داده‌ها است که برای درک‌شان باید از روش‌های محاسباتی کمک گرفته بشود. چنانچه تحلیل این داده‌ها به طور مؤثر صورت بگیرد، داده‌های بزرگ و متنوع قادر به ایجاد ارتباطی منحصربفرد میان متغیرهای مختلف خواهند بود.

ظهور ابرداده‌ها نتیجه پیشرفت تکنولوژی در زمینه ذخیره اطلاعات و عملکردهای رایانه‌ای است. حضور همه‌جانبه و گسترده شبکه جهانی اینترنت نیز از سوی دیگر، ابزاری به شدت قوی برای دست‌یابی به حجم وسیعی از داده‌ها در اختیار می‌گذارد.

البته بسیاری از متخصصین داده، این حجم وسیع از اطلاعات را در ظاهر بی‌استفاده می‌بینند. زیرا معمولا این داده‌های بزرگ و حجیم بدون در نظر گرفتن بخش‌های اریب و مخدوش موجود هستند و در تحلیل دقیق وضعیت بازار نمی‌توانند مؤثر عمل کنند. اما زمانی‌که این داده‌ها دقیق و عمیق باشند، دیدگاهی غنی در درک رفتار و نحوه تصمیم‌گیری مشتری شکل خواهند داد.

داده‌های کلی، در واقع به تلفیق داده‌ها از منابع داخلی و خارجی می‌پردازد. برای مثال، سازندگان خودرو را در نظر بگیرد. در این مورد، گستره مجموعه داده‌ها باید شامل داده‌های جغرافیایی–جمعیت‌شناختی، مالی، سبک و سطح زندگی، شیوه استفاده از رسانه، عادات و شیوه خرج کردن مشتریان، پیوندهای مذهبی و شهری، نگرش‌ها و سایر داده‌های موجود باشد.

با وجود چنین حجمی از داده‌ها، علیرغم وجود داده‌های کلیِ بسیار، همچنان ضعف در رسیدن به نگرشی درباره هر یک از مشتریان به طور جداگانه وجود دارد. و این جا است که اهمیت عمق داده‌ها مشخص می‌شود. مثلا سازندگان خودرو باید با توجه به مشتریان اخیر خود این داده‌های مختلف را مدیریت کنند.

داده‌های اخیر مشتریان مانند: مدل و قیمت خودروهایی که به تازگی خریداری شده‌اند، گزینه‌های مختلف منتخب از سوی مشتریان، ضمانت‌ها و بازدید از خدمات، امتیاز و نمره رضایت از مشتریان. این داده‌ها باید در کنار داده‌هایی که در بیشتر خودروهای مدرن موجود است، مدیریت و بررسی بشوند. منظور از داده‌های خودروهای مدرن، مواردی نظیر سرعت، کاهش سرعت، شتاب، وزن مسافران، طول مدت سفر، موقعیت صندلی خودرو، دما و… است. تلفیق داده‌های نام‌برده موجب دسترسی به دیدگاهی عمیق درباره میزان ارتباط و مشارکت مشتریان با برند می‌شود.

در هر صورت، داده‌ها فقط آغاز سفری برای تبلیغات بهتر هستند. و پس از جمع‌آوری داده، حتما وجود کارشناسی برای تحلیل و مدیریت آنها لازم است. این کارشناسان باید با علم و هنر خود فرایند پیچیده تحلیل داده‌ها را مدیریت کنند. ظهور و تولد یادگیری ماشین (machine Learning) به محققین امکان تعریف الگوهای بسیار پیچیده‌ای را داده است که قبلا با روش‌های تحقیقات بازار سنتی به هیچ‌وجه میسر نبود.

برای نمونه در مثالی که درباره تولیدکننده خودور عنوان شد، الگوهایی به شدت پیچیده می‌توان در نظر گرفت. فرضا در یک الگو ممکن است لزوم توجه به مواردی چون نبود پدر در خانواده، عقاید مذهبی محافظه‌کارانه در تلفیق با سطح تحصیلات و عادات مصرف‌کننده در رانندگی را در نظر گرفت.

همه این موارد عنوان شده می‌توانند رفتار و فرایند خرید یک مدل خاص از خودرو را پیش‌بینی کنند. این دیدگاه‌های غیرشهودی و عمیق، تأثیرگذاری زیادی بر اثربخشی تبلیغات داشته‌اند. امروز، امکان مطالعه رفتار مشتری از نقطه‌نظر داده‌های گوناگون ممکن شده است. و به مدد آنها می‌توان درباره رفتار خودآگاه و ناخودآگاه مشتریان با مدل‌های پیچیده مختلف پیش‌بینی‌هایی داشت.

آژانس‌های تبلیغاتی سنتی چه بپذیرند و چه مقاومت به خرج بدهند، آینده تبلیغات در مسیر تغییراتی عظیم و چشم‌گیر است. برندها دیگر، با فرایندهای صرفا خلاقانه و بی‌مطالعه و بدون توجه به داده‌ها موفق و راضی نخواهند بود. اگر آژانس‌ها بتوانند با این تغییرات خود را تطبیق بدهند، از این مسیر جان سالم به در خواهند برد و در صورتی‌که تغییر را نپذیرند، قطعا از قافله جا خواهند ماند.