10 новых ролей в маркетинге. Кем можно стать и на кого стоит учиться

Наличие технологий изменило способ взаимодействия с  потребителем и клиентом, изменило процессы маркетинга и коммуникации, возможности расчета рентабельности и бизнес-модели. У компаний появилась возможность прямого диалога со своим клиентом, получения обратной связи и информации о его поведении и восприятии бренда. Эти процессы с одной стороны облегчили жизнь маркетологам, а с другой - заставили постоянно учиться, мониторить конкурентов, отслеживать лучшие практики в мире и своей сфере деятельности.

Технологии, которые обеспечивают "новый маркетинг" - требуют как минимум внедрения, а потом постоянного обслуживания, развития и усовершенствования.

В трех последних статьях я описывала полезные технологии, которые уже стали нормой для многих компаний и маркетологов:

• Путеводитель по цифровому маркетингу. Digital Marketing Transit Map от Gartner
• Полезные технологии для CRM: карта ума (mind map) по 13 направлениям
• Все что нужно знать маркетологу об IT: Ландшафт технологий для маркетинга (marketing technology landscape)

КТО. РОЛИ И ЛЮДИ

Пора поговорить о людях, которые будут обеспечивать эти процессы. Кто может появиться в штате маркетинга в ближайшие 10 лет:

• Chief Content Officer (Главнокомандующий контентом)
• Managing Editor (Управляющий редактор) 
• Chief Listening Officer (Главный слушатель) 
• Director of Audience (Управляющий аудиторией) 
• HR for Marketing 
• Channel Master (Администратор каналов) 
• Chief Technologist (Главный инженер)
• Influencer Relations (Менеджер авторитетов) 
• Freelancer and Agency Relations 
• ROO (Return-on-Objective) Chief

ТЕРМИНЫ: ОБЯЗАТЕЛЬНО К ИЗУЧЕНИЮ

Ключевые термины, с которыми стоит познакомиться, чтобы быть в курсе предстоящих изменений в маркетинге:

• контент, контент-план, контент-актив, внешние каналы поставки контента
• авторитетные участники, экспертные сети, WOM, эффективность WOM 
• каналы коммуникации, каналы распространения контента, персональный уровень общения
• технологии, интеграция маркетинга и технологий, ландшафт маркетинговых технологий
• маркетинговый процесс компании, контент-маркетинговый процесс 
• рентабельность маркетинга, ROI, эффект маркетингового процесса, КПД контента

Важное примечание из описания ролей: 

Управление человеческими ресурсами становится центральной частью маркетинга. 

Возможно штат маркетинга измениться не так скоро или не в таком составе, но необходимость в некоторых ролях можно наблюдать во многих компаниях. 

Уже сейчас, на мой взгляд, становится очевидной роль главного инженера по маркетингу (Chief Technologist) и  ответственного за  контент (Chief Content Officer). Эти роли сейчас чаще всего выполняются в совместительстве с другими. 

Источник описания ролей: Штатное расписание вашего отдела маркетинга на ближайшие 10 лет, 20 лет назад размещение рекламы стоило больше, чем сам контент.

Также может быть интересно:

• Что такое CRM или управление взаимоотношениями с клиентами
• Как правильно автоматизировать маркетинг? Комплексный подход и карта функциональности

Прочитать другие статьи из этой же рубрики можно прочитать здесь. 

Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Полезные технологии для CRM: карта ума (mind map) по 13 направлениям

В продолжение предыдущей статьи о технологиях для управления взаимоотношениями с клиентами сегодня предлагаю перечень технологий, полезных для построения и развития взаимоотношений с клиентами:

• Integrated Marketing Management (Комплексное управление маркетингом), подробно о функционале 
• CRM, Customer Relationship Management
• Sales Force Automation (Автоматизация продаж), подробней в "6 квадратах"
• CRM Multichannel Campaign Management, подробней в "6 квадратах"
• Marketing Resourse Management (Управление маркетинговыми ресурсами), о платформах
• Social CRM, подробней в "6 квадратах"
• Customer Analytics (Аналитика клиентов)/Customer Intelligence, подробней о Customer Insight
• Data Mining: Descriptive analytics, Predictive analytics (описательная и прогнозная аналитика), о возможностях/задачах, о вендорах
• Database Marketing (Маркетинг баз данных), о данных про клиентов для маркетинга
• Data management (Управление Данными)/ Enterprise Information Management
• Data warehouses (Хранилища Данных), подробней о ХД и вендорах
• Business Intelligence, подробней о функционале
• Visualization (Визуализация)

список можно продолжать, но именно эти технологии подтвердили свою возможность использования и эффективность во многих проектах, поэтому ограничиваюсь именно этим перечнем.

5 правил сегментации клиентов. Методология и данные

Современный клиент привередлив, избалован и все чаще высказывает недовольство по поводу того, что к нему обращаются без специального предложения, не учитывают его предпочтения и особенности поведения. Обойти этот "острый угол" и повысить лояльность можно при помощи проверенного способа - сегментации клиентов. 

Сегментация является полезным инструментом поведенческой аналитики. Она может применяться как на этапе "понимания клиентов" (customer insight), так и на этапе разработки механики работы с клиентами. Сегментация успешно сочетается с другими инструментами аналитики данных, например, с ранжированием клиентов. На основе сегментации формируются экономические расчеты, определяется отклик и строятся модели возврата инвестиций (ROI).

В сегодняшнем посте - несколько важных правил сегментации клиентов, о которых я рассказывала в рамках тренингов "Сегментация клиентов" и "Программы лояльности как центр прибыли компании", проведенных компанией IdeaFirst.

Правило №1. Прикладная сегментация

Сегментация должна быть прикладной и иметь определенную задачу, для которой клиентов необходимо поделить на группы.

Примеры задач, которые помогает решать сегментация: разработка стратегии работы с клиентским активом, оптимизации маркетингового бюджета для кампаний, разработка подхода индивидуального воздействия на клиентов (максимальное использование особенностей поведения клиентов и их предпочтений).
Об опыте такой сегментации мы рассказывали на Форуме лояльности 2014 - комплексный проект для одной из самых крупных аптечных сетей Украины.

5 useful reports about Predictive Analytics And Data Mining. Mind map and 5 pdf

Участвуя в консалтинговых и технических проектах для розницы и банковской сферы, в последнее время наблюдаю как теоретический интерес к возможностям аналитики постепенно становится реальным. Все больше компаний выбирают, сравнивают и используют решения data mining и прогнозную аналитику.

Одна из задач, часто возникающая, например, перед розничными компаниями - необходимость усиления аналитической составляющей в управлении Программой Лояльности и CRM. Здесь прогнозная аналитика может дополнять возможности простого ранжирования клиентов и решать целый ряд прикладных задач.

Predictive Analytics позволяет компаниям принимать разумные решения, снижать риски, а также создавать дифференцированные, более индивидуальные предложения, основанные на особенностях клиента. 

Data Mining и другие информационные системы
Выбор программного обеспечения data mining становится все более непростой задачей, поскольку функциональность аналитики может пересекаться с Business Intelligence, быть частью CRM, MRM, IMM  и других классов информационных систем.

Факторы, влияющие на выбор
Важными факторами, влияющим на выбор программного обеспечения Data Mining являются:

• функциональность решения, 
• особенности интерфейса (easy-to-use), 
• легкость обучения (easy-to-learn), 
• возможность подключения нужных источников данных. 

В то же время, некоторым компаниям необходимы максимальные возможности для прогнозной аналитики, включая возможности работы с big data, другим вполне достаточно приложения с определенной функциональностью data mining. 

Традиционный путь для знакомства с определенным классом решений и текущей ситуацией на рынке - воспользоваться отчетами  известных исследовательских кампаний. 
Однако, в отличие от Business Intelligence (Gartner и Forrester регулярно публикуют отчеты по  по BI, CRM и др.), ситуация с исследованиями по Data Mining выглядит по-другому. Gartner c 2008 года не проводит исследования по решениям Data Mining как отдельного решения, а Forrester опубликовал 3 отчета,  но они не повторяют друг друга, а "смотрят" на решения по прогнозной аналитике как бы с разных сторон.

Отчеты и исследования. Что почитать, чтобы быть в курсе событий

Из чего состоит Программа Лояльности. Ключевые элементы и шаги разработки

На вопрос "из чего состоит программа лояльности (ПЛ)" ИТ директор, маркетолог и клиент отвечают обычно по-разному. У маркетолога в этом смысле самая сложная задача, он должен видеть ПЛ глазами клиента, понимать технические особенности внедрения, а также знать,как создать единый механизм поддержки лояльности.

Чтобы программа лояльности заработала, в ней должны присутствовать ключевые элементы, которые могут касаться организационных, психологических или технических аспектов разработки. Как показывают многие проекты по разработке и аудиту ПЛ, очень часто важные составляющие опускаются из виду в начале разработки или же не согласовываются. Это приводит к разному виденью программы, иногда тормозит проект или же может приостановить его на неопределенное время.  

Сегодняшняя статья посвящена методической части - шагам по созданию "каркаса" ПЛ и основы для дальнейшей работы (механики ПЛ, брифа, тендера и автоматизации).

Программа лояльности - это совокупность элементов, работающих в единой системе, которые позволяют сформировать привязанность клиента к бренду или торговой марке.

Шаг 1. Методическая составляющая. Определяем базовые элементы ПЛ

Элементы, которые нужно разработать до начала внедрения ПЛ, описанные на примере одного из последних проектов из банковской сферы:

• Цель и задачи ПЛ 
• целевые показатели ПЛ (показатели, сопровождающие и контролирующие процесс управления ПЛ)
• целевая аудитория - описание клиентов банка, на которых будет распространяться Программа (те, кого есть смысл рекрутировать с точки зрения потенциала)
• продукты начисления бонусов (те продукты банка, активность/покупка которых позволяет клиенту накапливать бонусы)
• продукты- материальные привилегии (те продукты, пользоваться которыми клиент может за накопленные бонусы или же ....)
• нематериальные привилегии (например, особое обслуживание, ...)

Шаг 2. Визуализация. Строим дерево элементов ПЛ

Визуализация обычно помогает увидеть общую картину и перейти от общего к частному. Дерево элементов ПЛ в виде карты ума (mind map) по описанным элементам для банковской ПЛ:

Шаг 3. Детализация и согласование. Уточняем элементы

После принятия решения о базовых элементах ПЛ следует шаг наполнения - подробное описание каждого элемента. Здесь пригодятся как бенчмаркинг, анализ опыта конкурентов (подробней по ссылке) метод "мозгового штурма", статьи в специализированных изданиях.

Как разработать программу лояльности банка. Шаблон программы и обзор практики западных банков

Удержание клиентов банка, снижение оттока, расширение перечня продуктов, которые использует клиент - важные задачи для любой компании, в том числе и для банка. Проверенный способ, который помогает решить описанные задачи - разработка программы лояльности ПЛ или программы поощрения/удержания. Для того чтобы разработать "правильную" программу лояльности нужно учитывать как локальные особенности (желательно проанализировать проекты по ПЛ на местных рынках), так и опыт зарубежных коллег для понимания возможностей и перспектив. О "нашем" и зарубежном опыте в разработке ПЛ для банков - сегодняшняя статья.

Во многом цели банковской ПЛ похожи на ПЛ в рознице. Это повышение рентабельности клиентской базы, ценности отдельного клиента, снижение оттока и повышение удовлетворенности. Отличием ПЛ банка от программ в розничной сети является наличие банковской карты - идентификатора клиента, которые вне зависимости от вступления в Программу позволяет еще до ее старта иметь информацию о поведении клиента. Это отличие является серьезным преимуществом, поскольку позволяет банку разрабатывать программу уже с учетом поведенческих особенностей клиентов и выделенных сегментов. 

Шаблон для Программы Лояльности

Анализ рынка действующих программ лояльности в рамках одного из последних проектов для крупного украинского банка показал, что набор продуктов и привилегий в рамках программ поощрений на рынках СНГ является относительно стандартным.

Шаблон, который поможет понять какие варианты программ лояльности реализуются чаще всего на сегодняшний день, т.е. какие составляющие можно положить в основу ПЛ показано ниже (в виде mind map): 

Как правильно автоматизировать маркетинг? Комплексный подход и карта функциональности

Для многих компаний полным сюрпризом являются возможности  автоматизации, которые реализованы в специальном программном обеспечении для маркетологов.

Тем не менее, некоторые организации уже перешли от таблиц Excel к использованию   CRM или BI функциональности в интересах маркетинга, и, таким образом, используют отчетность, прогнозирование и сегментацию в "смежных" решениях. Следующий шаг, который дает "свободу" маркетологам и новые возможности компании - это внедрение решения по комплексному управлению маркетингом.

В предыдущих статьях на тему автоматизации маркетинга я уже рассказывала о различных решениях по автоматизации маркетинга, о том, что представляет собой концепция и технология комплексного управления маркетингом и о текущей ситуации на рынке IMM, показанного в отчете Magic Quadrant for Integrated Marketing Management.

Пришло время рассказать о функциональности решений, которые доступны маркетологу в рамках комплексного управления маркетингом.

С технологической точки зрения, продавцы на этом рынке должны обеспечить комплексный набор маркетинговых функций, которые объединяют исполнительские, операционные и аналитические процессы маркетинга. 

Набор этих трех групп функций представляет собой карту функциональности комплексного управления маркетингом (mind map):

Комплексное управление маркетингом (IMM). Стратегия, технология или ПО

В рамках одного из недавних проектов для розницы у меня возникла задача проанализировать рынок программного обеспечения с точки зрения возможностей автоматизации ряда функций отдела маркетинга, в том числе по Программе Лояльности. 

Как оказалось, проект подобного рода сложен не только в части выбора вендоров, но в части выбора класса системы. Часть работ в рамках этого проекта я описала в статье Автоматизация маркетинга или 6 "квадратов", о которых следует знать маркетологу, прочитать которую можно по ссылке. В этой статье я рассматриваю несколько классов продуктов (MRM, Multichannel Campaign Management , др) который помогают маркетологу решать самые разнообразные задачи.

Сегодня речь пойдет о самом сложном и многофункциональном решении  - комплексном управлении маркетингом или Integrated Marketing Management .

Не найдя подробного описания этого класса систем на русскоязычных ресурсах, решила сделать небольшую "шпаргалку", которая расскажет маркетологам и ИТ специалистам о том, что такое IMM, без погружения в функциональность, главная задача - донести идею комплексного управления маркетингом.

Integrated Marketing Management представляет собой совокупность программных продуктов, которые используются в качестве платформы для автоматизации маркетинговых процессов компании с целью повышения эффективности деятельности.

Достаточно понятно рынок IMM описан в отчете "Magic Quadrant for Integrated Marketing Management" (подробней об отчете 2011) от компании Gartner, по которому я сделала очередную карту ума (mind map) про идею и возможности комплексного управления маркетингом.

А теперь о составляющих IMM немного подробней:

12+1 вендоров, которых следует рассматривать при построении ИТ архитектуры компании

Редко какая компания при построении ИТ архитектуры обходит возможности business intelligence (бизнес аналитики) и data warehouse (хранилищ данных). Эти решения являются фундаментом, который позволяет управлять компанией обдуманно, принимать взвешенные и объективные решения на основе информации из собственных баз данных.

Продолжая тему выбора поставщиков, решения которых следует рассматривать при внедрении корпоративных решений, привожу список из 13 вендоров, которые предложены в статье "И снова о работе с большими данными" на сайте Компьютерное обозрение.

Рекомендуемый перечень следует учитывать всем компаниям и соотвественно их ИТ-директорам при выборе компонентов ИТ архитектуры компании (Business Intelligence, Data Warehouse, ETL), связанных с хранением, обработкой и аналитикой big data .

В представленный список включены вендоры рынка Business Intelligence из различных категорий с точки зрения  по классификации Gartner:

• мега-вендоры BI, независимые поставщики, data discovery вендоры (с точки зрения квадрата Gartner)

• лидеры,  претенденты (Challengers), нишевые игроки (с точки зрения категорий поставщиков business intelligence )

а также поставщики решений в области хранения и обработки данных:

• DW (Data Warehouse - хранилища данных),
• ETL  (Extract, Transform, Load — дословно «извлечение, преобразование, загрузка»)
• DI (Data Integration - интеграция данных).

Для упрощения восприятия список  из статьи представлен в виде mind map (с указанием категории вендора и места в магическом квадрате Gartner).

Сегодняшнюю тему можно считать продолжением "Mind map по Business Intelligence. Лидеры vs мега-вендоры, претенденты vs data discovery" и статьи про "Big Data"

Software for Data Mining: IBM SPSS Modeler. Overview of Modeling Nodes

Когда компания всерьез задумывается об использовании аналитики и технологии Data Mining, один из первых вопросов, который следует решить, касается выбора "правильного" программного продукта. 

Вопрос этот непростой уже потому, что выбранное решение должно стать тем инструментом, который поможет преобразовать сырые данные компании в полезные знания, и соответственно поможет принимать более правильные решения. Такому инструменту нужно доверять и воспринимать как средство поддержки принятия решений.

При сравнении и выборе инструмента Data Mining  важно оценить "достаточность" математического инструментария для решения не только текущих задач компании, но и таких, которые могут возникнуть в перспективе, т.е. посмотреть на потребности аналитики на несколько шагов вперед.

Сегодняшняя тема - продолжение предыдущей статьи "Data Mining: типы закономерностей в данных", но рассмотренная в этот раз через призму программного обеспечения  IBM SPSS Modeler.

Использую этот программный продукт уже много лет, и думаю, что это действительно одно из лучших решений для Data Mining. Сегодня расскажу только об одной стороне решения - о методах и алгоритмах, доступных для извлечения закономерностей.

IBM SPSS Modeler (ранее Clementine) включает набор методов, которые позволяют извлекать из данных закономерности классификации, кластеризации и ассоциации (более детально о закономерностях и примерах использования можно прочитать по ссылке).   

На каждой "ветке" карты показаны возможности для решения задач классификации, кластеризации и поиска ассоциаций в программном продукте IBM SPSS Modeler, математический аппарат включают методы и алгоритмы машинного обучения, искусственного интеллекта и статистики.

Если немного раскрасить и структурировать карту, то информация про modeling node (узлы для моделирования) в IBM SPSS Modeler выглядит вот так

Каждый метод имеет определенные сильные стороны и подходит для определенного типа прикладной задачи и особенностей данных на входе.

Описание узлов IBM SPSS Modeler для решения задач классификации, кластеризации и ассоциации:

1 Classification

1.1 The Auto Classifier node

1.2 The Auto Numeric node

1.3 The Classification and Regression (C&;R) Tree node

1.4 The QUEST node

1.5 The CHAID node

1.6 The C5.0 node

1.7 The Decision List node

1.8 Linear regression models

1.9 The PCA/Factor node

1.10 The Feature Selection node

1.11 Discriminant analysis

1.12 Logistic regression

1.13 The Generalized Linear model

1.14 The Cox regression node

1.15 The Support Vector Machine (SVM) node

1.16 The Bayesian Network node

1.17 The Self-Learning Response Model (SLRM) node

1.18 The Time Series node

1.19 The k-Nearest Neighbor (KNN) node

2 Segmentation/Clustering

2.1 The Auto Cluster node

2.2 The K-Means node

2.3 The Kohonen node

2.4 The TwoStep node

2.5 The Anomaly Detection

3 Association

3.1 The Apriori node

3.2 The CARMA model

3.3 The Sequence node

Скачать документацию "IBM SPSS Modeler 14.2 User’s Guide" по можно по ссылке

Также может быть интересно:

• 5 useful reports about Predictive Analytics And Data Mining. Mind map and 5 pdf
• Список задач для Data Mining. Карта ума/Mind Map
• Trends in Data Mining. Опрос на KDnuggets

• Кто и как использует аналитику/Data Mining. Результаты опросов 2011
• Сравнение решений Data Mining  IBM Vs SAS

Прочитать другие статьи из этой же рубрики можно прочитать здесь

Все статьи блога можно увидеть здесь

Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Data Mining: Mind map по 4 ключевым трендам

Продолжаю тему программного обеспечения для аналитики. Сегодня - вторая часть статьи "Trends in Data Mining. Опрос на KDnuggets", в которой описаны основные результаты недавнего опроса о популярности программных продуктов для Data Mining.  Я решила сделать карту ума, которая в одном рисунке показывает основные изменения и тренды.

Mind map о рынке программного обеспечения для Data Mining  сделана по следам результатов опроса "What Analytics, Data mining, Big Data software you used in the past 12 months for a real project", проведенного на KDnuggets в мае 2012.

Другие Mind map (карты ума), которые также могут быть интересны:

• Mind map по Business Intelligence. Лидеры vs мега-вендоры, претенденты vs data discovery
• Категории вендоров Business Intelligence. Таблица и mind map
• Список задач для Data Mining. Карта ума/Mind Map
• Mind map по KPI. Характеристики и правила отбора показателей
• Искрографики (sparklines): особенности применения и способы создания

Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Прочитать другие статьи из этой же рубрики можно прочитать здесь

Все статьи блога  можно увидеть здесь

Также может быть интересно:

• Конференции по Data Mining 2011
• Trends in Data Mining. Опрос на KDnuggets
• Кто и как использует аналитику/Data Mining. Результаты опросов 2011

• Business Intelligence и Data Mining. Ищем точки пересечения
• Interesting People in Data Mining
• Список задач для Data Mining. Карта ума/Mind Map (most popular в категории)
• Data Mining: типы закономерностей в данных

Mind map по KPI. Характеристики и правила отбора показателей

Термин KPI сейчас становится все популярней, наборы KPI включают в самые разнообразные проекты, будь то разработка Проекта мотивации сотрудников, Хранилища Данных или Программы Лояльности. Под этим термином часто подразумеваются совершенно разные понятия, и достаточно часто это приводит к горячим спорам и дискуссиям.

На тему KPI написано немало учебников и статей. И для того, чтобы немного разобраться, что же такое KPI и какими характеристиками они обладают, предлагаю обратиться к нескольким авторитетным источникам и составить шпаргалку на тему "Какие показатели являются KPI и помогают отслеживать эффективность и оптимизировать управление чем либо".

Что такое KPI
Вот что пишет про KPI Википедия

Ключевые показатели эффективности (англ. Key Performance Indicators, KPI) — система оценки, которая помогает организации определить достижение стратегических и тактических (операционных) целей. Использование ключевых показателей эффективности даёт организации возможность оценить своё состояние и помочь в оценке реализации стратегии. 

KPI — это инструмент измерения поставленных целей. 

Ключевые показатели эффективности от CobiT 

KPI - это метрики, которые определяют, насколько хорошо бизнес-процессы выполняются с точки зрения их потенциала для достижения конкретной цели. 

Структура метрик/показателей. KPI и другие

Одним из наиболее авторитетных первоисточников по KPI является учебник  "Ключевые показатели эффективности: Разработка, внедрение и применение решающих показателей", автор Дэвид Парментер (David Parmenter).

Именно в этой книге можно увидеть структуру метрик компании, в которой в виде "луковицы" показано, что метрики/показатели делятся на три группы: KPI, RI&PI, KRI.

Business Intelligence: ищем альтернативы и резервы внутри компании

Любая компания хочет быть конкурентоспособной, принимать правильные решения и опережать конкурентов. Один из проверенных рецептов -  это использование программных продуктов, которые помогают принимать правильные решения, другими словами - решений Business Intelligence.
Однако несмотря на популярность темы аналитики, внедрение   Business Intelligence решений пугает многие компании своими сроками, стоимостью или сложностью использования. 
При этом есть альтернатива внедрению отдельного решения Business Intelligence, которая существует внутри компании, и об этом - сегодняшняя статья.


На функциональность и возможности Business Intelligence можно смотреть с разных сторон. И одна из таких сторон - это возможности бизнес-аналитики, встроенные в другие информационные системы и решения (не BI).
С этой точки зрения достаточно  интересным является отчет компании Aberdeen (источник - сайт компании Citia).
Визуализация отчета Aberdeen в виде mindmap

Методика SWOT анализа Программы лояльности. 3 шага для достижения цели

!!!!! On February 24, 2022, Russia started a war in Ukraine. The aggressor country is committing atrocities in our country and killing our civilians, including children. I call on all countries to tighten sanctions against Russia.

My family and I were forced to become refugees. 

We hope that all those responsible for this war will be punished.

I condemn all russians who support the war. To me, they are "subhumans" and orcs. I don't accept the neutrality of some russians. Neutrality is a silent stance that allows the killing to continue.

Настоящие путешественники знают, что правильно организовать поездку - это нешуточное занятие, и от того, насколько правильно все предусмотрено и продумано, зависит успешность всего мероприятия. 
По аналогии с организацией путешествия, в одной из статей для журнала "Новый Маркетинг", я рассказываю о разработке "маршрута для программы лояльности".
Эта идея возникла в результате сотрудничества со многими розничными сетями стран СНГ по проектам внедрения, оценки эффективности и реинжиниринга бизнес-процессов Программ Лояльности. 

Первую часть статьи "Пункт назначения – лояльность клиента", в которой описаны советы по разработке "правильного маршрута" для Программ лояльности, можно прочитать по ссылке.
В результате первого этапа оценки эффективности Программы  получаем понятные и интуитивные значения показателей эффективности (правила отнесения показателей к KPI), которые характеризуют достижения Программы на определенном временном промежутке.

Сегодня публикую вторую часть статьи  - описание трех последовательных шагов, которых достаточно чтобы оценить состояние Программы Лояльности на «сегодня», определить возможные варианты ее развития через сильные и слабые стороны. 
Интуитивно понятной эту оценку делает системный взгляд на Программу Лояльности с использованием SWOT анализа и визуализация при помощи карт ума (mind map).

Базовые принципы SWOT анализа, традиционно призванного для решения задач стратегического планирования и управления, достаточно лаконично вписываются в решение задачи системного взгляда на эффективность Программы лояльности.

Mind map по Business Intelligence. Лидеры vs мега-вендоры, претенденты vs data discovery.

Взгляд на любую тему с нескольких сторон всегда является более информативным, чем с одной. Сегодняшняя статья поможет разобраться  с Business Intelligence при помощи карт ума, посмотрев на BI одновременно с точки зрения  лидерства и категорий вендоров на этом рынке. 

А поскольку при раскрытии темы буду использовать визуализацию, то завершу статью несколькими полезными советами по правильной  организации графических элементов в mind map.

Думаю, что сегодняшняя тема будет интересна всем, кто интересуется  картами ума (mind map), визуализацией и бизнес-аналитикой (Business Intelligence).

Когда речь заходит о бизнес аналитике (Business Intelligence), чаще всего мы обращаемся к Магическому Квадрату и отчету за определенный период (например, 2011, 2012).

У Business Intelligence есть еще одна сторона, о которой говорят намного реже - это категория вендора, подробней об этом можно прочитать в статье Категории вендоров Business Intelligence. Таблица и mind map.

Итак, сегодняшняя статья - о категориях вендоров BI с точки зрения их места в Магическом Квадрате Gartner с использованием графического подхода для систематизации и упрощения понимания информации.

Как известно, графическое представление информации имеет большое преимущество перед текстовым, а иногда и перед табличным. Поэтому сегодня вся информация о вендорах BI - только в рисунках.

Рисунок 1. Mind Map "Вендоры BI. Категории vs Magic Quadrant"