شعار سال: برخی از معیارهای موفقیت شامل، گستره واقعی ای که MMSS بوسیله تصمیم گیران استفاده می شود، اثر MMSSبرسهم بازار و سود، دقت پیش بینی و قابل اطمینان بودن تصمیم و پذیرش توصیه های سیستم بوسیله مدیریت، می باشند. گروهی پنج عامل برای موفقیت نظام سیستم پشتیبان تصمیم بازاریابی ذکر کرده اند: ۱) تقاضا برای پشتیبانی از تصمیم. ۲) فراهم کردن پشتیبانی از تصمیم۳)تطابق میان عرضه وتقاضای موجود ۴) خصوصیات طرح MMSS و ۵) خصوصیات فرایند اجرای MMSS همراه با متغیر وابسته، موفقیت MMSSاین که عوامل عناصراصلی تشکیل دهند چارچوب ارائه شده در شکل ۲ می باشند.

تطابق بین طرف تقاضا ( فرایندهای تصمیم پشتیبانی شده) و طرف عرضه ( جنبه وظیفه ای سیستم های پشتیبان تصمیم بکار گرفته شده ) اولین شرط برای موفقیت بالقوه یک MMSS است. بین موفقیت بالقوه یک MMSS و موفقیت واقعی آن تفاوتی است که میزان این موفقیت بستگی به خصوصیات طرح MMSS و خصوصیات فرایند اجرایی MMSS دارد، روندهای مثبتی در طرف تقاضا دیده می شود ( دوره عمر کوتاه ترمحصول، سازمان های تخت تر با تصمیم گیری توزیع شده) همانگونه که در طرف عرضه (کامپیوترها، داده ها، شبکه ها و نرم افزارها) هم مشاهده می شود.

شکل۲

چارچوب یکپارچه از عوامل تعیین کننده موفقیت MMSS

دسترسی گسترده به نرم افزارهای صفحه گسترده مثل اکسل کار با نمایانگران ریاضی پدیده های بازاریابی را ساده تر کرده است. برای مثال، صفحه گسترده های بازاریابی به طور مثال، شامل هزینه های بازاریابی برنامه ریزی شده و درآمدهای خالص و ناخالص پیوسته با آن می باشد. لیکن در بیشتر موارد توسعه دهندگان مدل، ارتباطی در داخل صفحه گسترده بین ورودی های بازایابی ( مثل تبلیغات ) و درآمدهای فروش ایجاد نمی کند. بنا براین ورودی های بازاریابی تنها به عنوان یک عامل هزینه زا روی درآمد خالص اثر دارد. ما به چنین صفحه گسترده هایی به عنوان مدل های (dumb) اشاره می کنیم. آنها حس اندکی به عنوان مدل های بازاریابی ایجاد می نمایند زیرا درمورد ماهیت ارتباط بین ورودی و خروجی های بازاریابی ساکت هستند. برای اینکه مدل صفحه گسترده معنی دهد، توسعه دهنده مدل باید اهداف و متغیرها را به روشنی و وضوح تعریف کند و ارتباط بین متغیرها را مشخص سازد. در یک مدل هوشمند معادله یا الگوی پاسخگویی در یک صفحه گسترده گنجانده خواهد شد. سپس مدیر می تواند روی اثر تبلیغات برهردوی فروش و درآمدها نظر بیاندازد تا کاهش یا افزایش در تبلیغات قابل مشاهده باشد.

داده ها، نرم افزار و محیط مدیریتی، مهندسی بازاریابی را تسهیل می کنند. اما باید زمانی ازآنها استفاده کنیم که تصمیمات، واقعاً با استفاده از آنها بهبود می یابند. برای دیدن این شواهد به داده ها در جدول ۱ رجوع کنید. دراینجا مدل هایی نشان داده می شود که سازگاری تصمیمات را بهبود می دهد که به نوبه خود می تواند دقت پیش بینی ها را بهتر کند.

جدول ۱

میزان همبستگی با نتایج واقعی سه مدل مختلف، نشان می دهد که حتی مدل های تصمیم گیری ذهنی هم اولویت دارند، اما مدل های عینی بهترعمل می کنند.

* نتایجی که مستقیماً توسط متخصصان پیش بینی می شود.

** مدل تصمیم گیری ذهنی: نتایج پیش بینی شده توسط مدل رگرسیون خطی ذهنی، پیش بینی های قبلی انجام شده توسط متخصصان را اعتبار و رسمیت می بخشد.

*** مدل تصمیم گیری عینی: مدل خطی ایجاد شده مستقیم با داده ها.

جدول ۲، متغیرهایی را لیست می کند که اغلب خبرگان برای پیش بینی عملکرد فارغ التحصیلان مدیریت بازرگانی استفاده می کنند. (اولین ردیف جدول ۱ )، ادراک و شهود شکل گرفته خبرگان در یک مدل خطی ساده خلاصه شده است. دقت در اینجا از همبستگی ۱۹% برای عملکرد واقعی دانش آموزان به ۲۵ درصد افزایش یافته است. توضیحی که برای این بهبود می توان در نظر گرفت این است ک مدل های تصمیم با ثبات بیشتری تخصص خبرگان را در قضایا و مورد کاوی های جدید بکار می گیرند.

جدول ۲

مقایسه دو سیستم پشتیبانی تصمیم گیری بازاریابی : end-user و high-end

سومین ستون در جدول ۱ دقت یک مدل رگرسیون خطی هدف را نشان می دهد. برای مطالعه عملکرد آکادمیک، متغیرهای مستقل برای مدل رگرسیون همان عوامل استفاده شده بوسیله خبرگان بودند، اما متغیر وابسته یک معیار شناخته شده عملکرد آکادمیک دانشجویان فارغ التحصیل است. پیش بینی ها در این مورد بر یک نمونه بسط یافته داده هایی که در مدل هدف استفاده می شوند، انجام می گیرد. برای این مدل همبستگی پیش بینی ها با پیامدهای درست ۵۴% بود. نمودار (۳) همچنین میانگین همبستگی ها بین پیش بینی ها و پیامدها یا نتایج درست را درعرض چندین مطالعه نشان می دهد. می بینیم که مدل های تصمیم ذهنی یک میانگین همبستگی ۳۹ درصدی با نتایج درست را در مقایسه با ۳۳% برای مدل های ذهنی شهودی، نشان می دهد.

این نتایج دارای چند نکته جالب توجه می باشند که عبارتند از: (۱) هنگامی که مدیران می توانند یک مدل عینی را بر پایه داده های واقعی بسازند عموماً بهتر پیش بینی می کنند. اگر چه بسیاری از موقعیت های تصمیم گیری، داده هایی که نشان دهنده دقت یا نتایج و پیامدهای تصمیم گیری در شرایطی مشابه در گذشته را نشان می دهد، دراختیار نداریم. در چنین مواردی بهترین گزینه بعدی تدوین مدل های ذهنی می باشد که تصمیم گیرندگان برای ایجاد مدل های قبلی تصمیم گیری از آنها بهره می جویند. کالیبره کردن پاسخ مدل ها با استفاده از روش ریاضی تصمیم راهی برای شکل دادن بر مدل های ذهنی تصمیم گیران است. (۲) از میان این سه نوع مدل، مدل ذهنی کمترین دقت را دارد. اگر چه ازنظر میانگین هر سه مدل همبستگی مثبتی با واقعیت دارند، لکن همبستگی مدلی با پیش بینی های تصادفی، با واقعیت صفر است. (۳) مدیران باید توجه خود را به یافتن متغیر های سودمندی برای پیش بینی معطوف نمایند اما باید از مدل های تصمیم برای ترکیب متغیرها در شیوه ای سازگار استفاده کنند.

مطالعات فهرست شده در جدول ۱ تنها بر وظایف پیش بینی متمرکز می باشند. سایر مطالعات، عملکرد مدیریتی را در وظایفی مثل تخصیص منابع با استخدام کارکنان مورد آزمون قرار داده اند. اگرچه بسیاری از این مطالعات نشان می دهد که عموماً استفاده از ابزارهای پشتیبان تصمیم، عموماً عملکرد را ارتقاء می بخشند، ولی همیشه قضیه این نسیت. در حقیقت برخی مطالعات نشان می دهد که کیفیت تصمیم، در نتیجه استفاده از ابزارهای پیشتیبان تصمیم، بدتر می شود. ما به مطالعات بیشتری در زمینه مدل های تصمیم گیری و بویژه شناسایی چگونگی و چرایی تأثیر آنها بر فرایند تصمیم گیری نیاز داریم.

مدیران می توانند تشخیص دهند که مدل ها کامل نیستند، و بنابراین به درستی بر این باورند که نتایج مدل ها بدون اصلاح شدن بوسیله قضاوت ها نمی توانند اجرا شوند. چنانچه مدل بوسیله قضاوت های شهودی میزان شوند چرا از ابتدا به آنها اعتماد نکنیم؟ ” هنگام رانندگی در شب اگر چراغ های جلوی خودرو را روشن کنید، جلوی خود را نخواهید دید. اگر چه اگر آنها را خاموش هم کنید وضعیت بهتر نخواهد شد.”

ابزارهای پشتیبان تصمیم و مدل های ذهنی باید با هم مورد استقاده قرار گیرند تا مکمل یکدیگر باشند و نقاط ضعف یکدیگر را پوشش دهند. مدل های ذهنی می توانند. جنبه های خاص و ویژه یک موقعیت تصمیم گیری را یکی کنند و به هم بیپوندند، اما همچنین آنها حالات و مسائل جدید را با الگوهای قدیمی تطبیق می دهند.

از سوی دیگر مدل های تصمیم سازگار و بدون تورش هستند، اما جنبه های خاص یک تصمیم را کمتر از آنچه هست در نظر می گیرند. در مورد وظیفه پیش بینی، بلات برگ و هوخ دریافتند که دقت پیش بینی از طریق ترکیب پیش بینی های انجام شده بوسیله مدل های تصمیم با پیش بینی های مدل های ذهنی می تواند بهبود یابد. بعلاوه بیان داشتند که ترکیب ۵۰- ۵۰ این پیش بینی ها ( با وزن های مساوی) بالاترین دقت پیش بینی را به همراه خواهند داشت.

ابزارهای پشتیبان تصمیم استفاده شده درمهندسی بازاریابی می توانند هم داده گرا و هم دانش گرا باشند. یک ابزار پشتیبان داده گرا به سئوالات چه- اگر بر اساس یک مدل پاسخ بازار کمی شده پاسخ دهد. یک ابزار پشتیبان تصمیم دانش گرا، دانش کمیّ ای را که درباره ی موضوع خاص در دسترس است را تسخیر می کند. یک مثال در این مورد یک سیستم خبره ADCAD برای طراحی تبلیغات است.

برای نگرش مهندسی بازاریابی منافع دیگری نیز وجود دارد، مثل اجازه کشف گزینه های تصمیم بیشتر، گزینه های تصمیمی که دور از ” راه حل های اولیه پایه ای ” باشند، ارزیابی تأثیرنسبی متغیرهای تصمیم بازاریابی مختلف، تسهیل تصمیم گیری گروهی و به روز رسانی مدل های ذهنی غیر عینی (L & R). با وجود شواهد زیاد برای منافع بکارگیری مهندسی بازاریابی، استفاده از آن هنوز جهانی نشده است. در بخش بعدی در مورد امکان های موجود برای تغییر این وضعیت بحث خواهیم کرد.

شعار سال، با اندکی تلخیص و اضافات برگرفته از وبسایت IBC-CO، تاریخ 21 دی 97، کد مطلب: -:www.weblogibc-co.com