आर्थिक स्थितीच्या विश्लेषणासाठी माहितीचे स्रोत. विश्लेषणासाठी डेटा स्रोत

विपणन विश्लेषणाच्या गुणवत्तेचे एक महत्त्वाचे मापदंड म्हणजे प्रारंभिक डेटा. विश्लेषणासाठी डेटा संकलन हा आर्थिक आणि श्रम खर्चाच्या दृष्टीने सर्वात जास्त वेळ घेणारा टप्पा आहे. आयोजित केलेल्या संशोधनाची विश्वासार्हता आणि व्यावहारिक मूल्य त्यांच्या विश्वासार्हतेवर अवलंबून असते.

माहितीचा शोध आणि संकलन हा विपणन संशोधनाचा पहिला आणि निश्चित टप्पा आहे. हे वेळखाऊ, बहुआयामी आणि कार्यांवर अवलंबून असते. या टप्प्यावरील त्रुटीमुळे अभ्यासाच्या निकालांमध्ये त्रुटी निर्माण होतील, ज्यामुळे ते अर्ज आणि निर्णय घेण्यास अयोग्य होतील.

या संदर्भात, दोन समस्या लक्षात घेतल्या जाऊ शकतात:

• प्रारंभिक डेटाची अयोग्यता (चुकीचेपणा, अपूर्णता);
• चुकीची डेटा प्रोसेसिंग साधने.

म्हणूनच, बहुतेक गंभीर कंपन्या अशा व्यावसायिकांकडे वळणे पसंत करतात ज्यांना प्रकरणातील गुंतागुंत माहित आहे, डेटा स्त्रोतांचा अनुभव आहे आणि त्यांच्याबरोबर काम करतात.

बाजार संशोधन माहितीचे स्रोत

ते त्यांच्या स्त्रोतांवर अवलंबून प्राथमिक आणि दुय्यम असू शकतात.

प्राथमिक डेटा तो आहे जो पहिल्यांदा गोळा केला गेला होता. ते गोळा करण्याच्या प्रक्रियेला क्षेत्र संशोधन म्हणतात. ते दोन श्रेणींमध्ये असू शकतात: गुणात्मक आणि परिमाणवाचक.

दुय्यम डेटा पूर्व-अस्तित्वात असलेल्या सांख्यिकीय माहितीचा संदर्भ देते जी उपलब्ध स्त्रोतांकडून आधीच उपलब्ध आहे. त्यांच्या शोध आणि प्रक्रियेच्या प्रक्रियेला डेस्क संशोधन म्हणतात. स्वत: ला एकत्र करता येणार नाही अशा सामग्रीसह कार्य करण्याचा हा एक सोपा आणि जलद मार्ग आहे.

श्रेणीनुसार दुय्यम माहितीचे मुख्य स्त्रोत:

1. अंतर्गत: लेखा आणि आर्थिक स्टेटमेन्ट, विक्रीचे आकडे (वर्गीकरण, प्रदेश इ.), खरेदीचे प्रमाण, वेअरहाऊसमधील उत्पादन शिल्लक, विपणन आणि इतर अहवाल;
2. बाह्य: आंतरराष्ट्रीय संस्थांची आकडेवारी (WTO, IMF, इ.), राज्य आकडेवारीचे अधिकृत स्रोत, चेंबर ऑफ कॉमर्स आणि इंडस्ट्री आणि असोसिएशनची सामग्री, कॅटलॉग आणि किंमत सूची, वैज्ञानिक संशोधन, प्रकाशने, विधान आणि नियामक कागदपत्रे इ.

सामग्री अपूर्ण आणि विसंगत असू शकते, म्हणून आपण योग्य निवडा विपणन संशोधन माहितीचे स्रोत.

विपणन संशोधन डेटा गोळा करणे

स्त्रोतावर अवलंबून (प्राथमिक किंवा दुय्यम), विपणन संशोधन डेटा संग्रह.

प्राथमिक माहिती तीन प्रकारे गोळा केली जाते.

• निरीक्षण - ही पद्धत आपल्याला खरेदीदारांच्या वर्तनाचा मागोवा घेण्यास अनुमती देते. ते एखादे विशिष्ट उत्पादन कसे निवडतात, ते सुपरमार्केटमध्ये कसे फिरतात, ते हे किंवा ते उत्पादन कसे घेतात याचा तुम्ही अभ्यास करू शकता.
• एक प्रयोग हा एक अभ्यास आहे जो उत्पादनाच्या निवडीवर वैयक्तिक वैशिष्ट्ये कसा परिणाम करतो हे निर्धारित करतो. प्रतिक्रिया आणि परिणाम तसेच विक्री कार्यक्षमतेचे मूल्यमापन करण्यासाठी हे काही लोकांवर चाचणी करत असू शकते, नवीन गुणवत्तेसह (नवीन किंमत) उत्पादन बाजारात आणणे.
• मतदान आणि मुलाखती हे साहित्य गोळा करण्याचा सर्वात सरावलेला प्रकार आहे. काळजीपूर्वक डिझाइन केलेल्या प्रश्नावलीबद्दल धन्यवाद, प्राप्त माहितीवर प्रक्रिया करणे सोपे आहे. तथापि, या पद्धतीसाठी मोठ्या श्रम संसाधनांची आवश्यकता असेल.

प्रयोग ही सर्वात महाग पद्धत आहे, परंतु नवीन उत्पादन विकसित करण्यासाठी किंवा विद्यमान उत्पादन सुधारण्यासाठी ते अपरिहार्य आहे. इतर पद्धती देखील वापरल्या जातात, जसे की विक्री बाजारांचे पॅनेल संशोधन.

प्राप्त माहितीवर प्रक्रिया करणे

प्राप्त माहितीवर प्रक्रिया करणे- हे त्याचे सामान्यीकरण आणि विश्लेषण आहे, वर्णनात्मक आणि पूर्णपणे गणिती दोन्ही प्रकारे केले जाते. नंतरचे परिमाणवाचक स्वरूपाच्या संबंधात खरे आहे. विपणन विश्लेषणाच्या गणितीय पद्धतींमध्ये हे समाविष्ट आहे: सरासरी, प्रतिगमन-संबंध, कल, क्लस्टर, भेदभाव आणि इतर प्रकारचे विश्लेषण.

त्रुटींपासून माहिती "साफ" करण्याच्या पद्धती देखील महत्त्वपूर्ण आहेत. हे खालील पद्धती वापरून केले जाऊ शकते:

• ग्राफिक - उपलब्ध डेटानुसार आलेख काढणे. सामान्य ट्रेंडमधून लक्षणीयपणे दिसणारे निर्देशक टाकून दिले जातात;
• टॅब्युलर - एका विशिष्ट क्रमाने डेटाची व्यवस्था, जे एकंदर चित्रात बसत नाहीत त्यांना ओळखणे आणि टाकून देणे;
• सांख्यिकीय - सांख्यिकीय गृहीतके, सरासरीच्या आसपासचे चढउतार, भिन्नतेची गणना वापरून ही चाचणी आहे. हे विश्लेषण श्रेणीबाहेरील माहिती नाकारेल.

त्रुटी दूर केल्यानंतर, आपल्याला माहिती पद्धतशीर करणे आवश्यक आहे, म्हणजेच ती सारण्या, आलेख आणि आकृत्यांच्या स्वरूपात सादर करा. या टप्प्यावर, मुख्य नमुने आधीपासूनच दृश्यमान होतील, परंतु आपण अधिक खोलवर जाऊ शकता आणि गणितीय पद्धती वापरून विश्लेषण सुरू ठेवू शकता. विशेषतः, एम्बेडेड सूत्रांसह विशेष सॉफ्टवेअर उत्पादने वापरली जातात, उदाहरणार्थ, मॅटलॅब.

सर्वेक्षण सामग्री एन्कोड केलेल्या मॅट्रिक्ससारखी दिसते, जिथे स्तंभ उत्तरे संग्रहित करतात आणि पंक्ती अभ्यास केला जात असलेला पैलू संग्रहित करतात. . डेटा प्रोसेसिंगविश्लेषणात्मक वापरासाठी सोयीस्कर होईल अशा संक्षिप्त स्वरूपात त्यांचे भाषांतर करण्याची प्रक्रिया आहे. असे होऊ शकते की काही डेटा गहाळ आहे (प्रतिसादकर्त्याने सर्व प्रश्नांची उत्तरे दिली नाहीत), तर आपल्याला इंटरपोलेशन वापरून डेटा पुनर्संचयित करणे आवश्यक आहे.

विश्वासार्ह बाजार संशोधन परिणामांसाठी, केवळ विश्वासार्ह विश्लेषणासाठी माहितीचे स्रोत.दुसरा विश्वासार्हता घटक म्हणजे विश्लेषणात्मक साधनांची वाजवी निवड आणि त्यांचा वापर करण्याची क्षमता. आवश्यक ज्ञान आणि क्षमता असलेल्या विशेष एजन्सीमध्ये अशी सेवा ऑर्डर करणे हा सर्वात सोपा मार्ग आहे.

आर्थिक विश्लेषणासाठी, प्राथमिक स्त्रोत नेहमी लेखा डेटा असतो आणि त्यानुसार, विश्लेषण आर्थिक स्टेटमेन्टच्या आधारे केले जाते. जेव्हा एखाद्या स्वतंत्र एंटरप्राइझची आर्थिक स्थिती निर्धारित करण्याचा विचार येतो तेव्हा कोणतीही अडचण नसते: आर्थिक स्टेटमेन्ट आणि अकाउंटिंग डेटा सामान्यतः वास्तविक परिस्थिती प्रतिबिंबित करतात. मात्र, अंतर्गत उलाढालीमुळे होल्डिंगमध्ये परिस्थिती उलट आहे.

म्हणून, कंपन्यांच्या गटातील आर्थिक स्थितीचे विश्लेषण करताना, एखाद्याने व्यवस्थापन लेखा डेटावर लक्ष केंद्रित केले पाहिजे. मुख्य मुद्द्यांपैकी एक म्हणजे अंतर्गत उलाढाल वगळणे, परिणामी वास्तविक चित्र लेखा विभागात प्रतिबिंबित होणाऱ्यापेक्षा वेगळे असेल. नियमानुसार, सर्व होल्डिंग्समध्ये एक नियोजन आणि आर्थिक विभाग/वित्तीय विभाग असतो, ज्याने व्यवस्थापन आर्थिक अहवाल संकलित केले पाहिजेत. त्यांची रचना आर्थिक स्टेटमेन्टशी संबंधित आहे: उत्पन्न आणि खर्चाचे अंदाजपत्रक (फॉर्म N2 - नफा आणि तोटा विवरण), ताळेबंद (फॉर्म N 1), रोख प्रवाह बजेट (फॉर्म N 4). तथापि, व्यवस्थापन अहवालांची सामग्री लेखांकनापेक्षा वेगळी आहे.

एंटरप्राइझमधील व्यवसाय प्रक्रियांचे सतत, सतत, परस्परसंबंधित लेखांकन, देखरेख, नोंदणी आणि सामान्यीकरणाची एक प्रणाली म्हणून लेखांकन हे व्यवस्थापन निर्णय घेण्यासाठी योग्य वापरकर्त्यांना प्रदान करण्यासाठी आर्थिक माहितीचा मुख्य पुरवठादार आहे. अस्तित्व बाजार संबंधांच्या विकासासह, लेखापालांच्या विश्लेषणात्मक क्रियाकलापांचे महत्त्व वाढत आहे. वार्षिक आर्थिक विवरणपत्रे सादर करण्याआधी बरीच तयारी केली जाते. त्याची सामग्री मालमत्तेची वास्तविक उपलब्धता आणि त्यांच्या निर्मितीच्या स्त्रोतांसह लेखा डेटाच्या अनुपालनाची पुष्टी करण्याची आवश्यकता निर्धारित करते. आर्थिक प्रक्रियांचे वर्णन करण्याची प्रक्रिया दुहेरी प्रवेश पद्धतीद्वारे होते. दस्तऐवजीकरणाच्या पद्धतीचा वापर करून, सर्व व्यवसाय प्रक्रिया रेकॉर्ड केल्या जातात आणि अहवालाच्या विविध प्रकारांमध्ये सारांशित केल्या जातात.

आर्थिक स्टेटमेन्ट्सचे विश्लेषण हा सर्वात संबंधित विषय बनत आहे, ते कोणते (अंतर्गत किंवा बाह्य वापरकर्ता), कोणत्या उद्देशाने (सध्याच्या स्थितीचे संशोधन किंवा अंदाज बांधणे), कोणत्या पद्धती, मॉडेल्स आणि तंत्रांच्या मदतीने आयोजित केले जातात याची पर्वा न करता, आणि लेखा आणि आर्थिक डेटावर आधारित आहे. अहवाल. दळणवळणाचे मुख्य साधन म्हणून आर्थिक अहवालाच्या औपचारिकीकरणात महत्त्वपूर्ण योगदान, जे पश्चिमेकडील इंग्रजी भाषिक देशांमध्ये व्यापकपणे ओळखले गेले, डब्ल्यू. पॉटन, जी. स्वीनी, ए. लिटलटन यांसारख्या सुप्रसिद्ध सिद्धांतकारांनी केले. आणि इतर.

आर्थिक अहवाल ही संस्थेची मालमत्ता आणि आर्थिक स्थिती आणि त्याच्या आर्थिक क्रियाकलापांच्या परिणामांवर डेटाची एक एकीकृत प्रणाली आहे, फेडरल कायद्यानुसार, लेखा नियम आणि पद्धतशीर शिफारसींच्या आधारे संकलित केली जाते. अर्थ मंत्रालय.

त्याच वेळी, आर्थिक स्थितीच्या विश्लेषणाच्या वर्तनातील माहितीचा एक महत्त्वाचा स्त्रोत, एंटरप्राइझची स्थिती आणि परिणाम दर्शविते, आर्थिक स्टेटमेन्ट आहेत. आर्थिक स्टेटमेन्टचे विश्लेषण आपल्याला मूल्यांकन करण्यास अनुमती देईल: संस्थेची मालमत्ता आणि आर्थिक स्थिती; प्रतिपक्षांना त्यांच्या जबाबदाऱ्या पूर्ण करण्याची डिग्री; व्यवसाय करण्याच्या परिस्थितीत भांडवल पर्याप्ततेची डिग्री.

त्याच वेळी, वेगवेगळ्या शास्त्रज्ञांच्या व्याख्यामध्ये आर्थिक स्टेटमेन्टचे विश्लेषण करण्याच्या पद्धतीमध्ये विश्लेषणाचा क्रम, गुणांक मोजण्याची पद्धत आणि आर्थिक स्टेटमेन्टच्या वैयक्तिक स्वरूपाचा विचार करण्याच्या वैशिष्ठ्यांशी संबंधित काही फरक आहेत.

तर, एल.व्ही. डोन्त्सोवा आणि एन.ए. निकिफोरोवा सर्व रिपोर्टिंग फॉर्मच्या सामग्रीचा सातत्यपूर्ण विचार करते आणि डेटावरील चलनवाढीचा प्रभाव विचारात घेते. शास्त्रज्ञांच्या टीमच्या कामात, एड. ओ.व्ही. एफिमोवा ताळेबंदाचे विश्लेषण, एंटरप्राइझची आर्थिक स्थिती आणि दिवाळखोरीची शक्यता यावर लक्ष केंद्रित करते, जे व्ही.व्ही.च्या शैक्षणिक प्रकाशनांसाठी देखील वैशिष्ट्यपूर्ण आहे. कोवालेवा आणि ओ.एन. वोल्कोव्ह.

वित्तीय विवरण विश्लेषण ही प्रक्रिया आहे ज्याद्वारे आपण संस्थेच्या भूतकाळातील आणि वर्तमान आर्थिक स्थितीचे आणि कामगिरीचे मूल्यांकन करतो.

या प्रकरणातील विश्लेषणाचा मुख्य उद्देश म्हणजे वेळेवर ओळखणे आणि आर्थिक क्रियाकलापांमधील कमतरता दूर करणे आणि संस्थेची आर्थिक स्थिती सुधारण्यासाठी राखीव जागा शोधणे आणि तिची समाधानकारकता.

लेखा (आर्थिक) अहवाल हा आर्थिक विश्लेषणाचा माहितीचा आधार आहे.

आर्थिक अहवालासाठी मुख्य आवश्यकता:

1. अहवालाची वारंवारता. रशियन आणि आंतरराष्ट्रीय सराव मध्ये, कंपन्या स्वतःच त्यांचा आर्थिक कालावधी संपेल तेव्हा वेळ निवडू शकतात.

2. कव्हरेजची पूर्णता. एंटरप्राइझच्या आर्थिक दस्तऐवजांमध्ये या विधानांमध्ये दर्शविलेले सर्व खर्च समाविष्ट करणे आवश्यक आहे.

3. स्पष्टता. माहिती योग्य स्तरावर सादर केली गेली पाहिजे आणि वाचकाला ती समजली पाहिजे.

4. भौतिकता. आर्थिक अहवालांमध्ये व्यवस्थापनाचे निर्णय घेण्यासाठी आवश्यक असलेली माहिती असावी आणि अनेक वापरकर्त्यांवर लक्ष केंद्रित केले पाहिजे.

5. विश्वसनीयता. आर्थिक विवरणपत्रांमध्ये दिलेली माहिती खरी आणि पूर्ण असणे आवश्यक आहे.

6. सातत्य. आर्थिक घटकाने आर्थिक गणनेच्या तुलनात्मक पद्धती वापरण्याचा प्रयत्न केला पाहिजे, जेणेकरून वेगवेगळ्या कालावधीसाठी अहवाल डेटाची तुलना करणे शक्य होईल.

7. समयसूचकता. जेव्हा वापरकर्त्याला त्याची आवश्यकता असते तेव्हा माहितीमध्ये प्रवेश.

8. महत्त्व. माहितीच्या वापरकर्त्यांनी घेतलेल्या निर्णयांवर महत्त्वपूर्ण प्रभाव पाडणारा सर्व डेटा अहवालात प्रतिबिंबित केला पाहिजे.

9. विश्वासार्हता - त्या घटनांच्या माहितीचे प्रतिबिंब ज्यासाठी ते वर्णन करायचे आहे, लेखा पद्धती आणि प्रक्रियांचे प्रकटीकरण.

10. तुलनात्मकता, जी मागील कालावधीतील समान माहितीशी तुलना करता येण्यासाठी संस्थांच्या क्रियाकलापांवरील डेटासाठी आवश्यक आहे.

निवडलेल्या लेखा धोरणावर किंवा बदल करताना, आर्थिक निर्देशक आमूलाग्र बदलू शकतात.

एक्सप्रेस विश्लेषणाच्या परिणामांवर आधारित, विश्लेषण केलेल्या एंटरप्राइझच्या आर्थिक स्थितीवर प्राथमिक निष्कर्ष काढला जातो. आर्थिक स्थितीच्या सखोल विश्लेषणाचा उद्देश म्हणजे मागील अहवाल कालावधीसाठी औद्योगिक उपक्रमाच्या आर्थिक स्थितीचे पुरेसे तपशीलवार वर्णन, तसेच अल्प आणि दीर्घकालीन बदलाच्या शक्यता. हे वैयक्तिक एक्स्प्रेस विश्लेषण प्रक्रियेचे कंक्रीटीकरण, विस्तार आणि पूरक करते आणि औद्योगिक उपक्रमाच्या आर्थिक स्थितीचे विश्लेषण करण्यासाठी पूर्वी नामांकित घटक (दिशा) नुसार चालते.

माहितीचा आधार सुधारण्यासाठीच्या प्रस्तावांचा विचार सार्वजनिक आणि अंतर्गत अहवालावरील शिफारशींमधील फरक करण्याच्या दृष्टिकोनातून देखील केला पाहिजे. आम्ही बाह्य वापरकर्त्यांच्या माहितीचा आधार काहीसा मर्यादित मानतो आणि अतिरिक्त डेटा प्रदान करण्याची शिफारस करतो:

1. एंटरप्राइझच्या सॉल्व्हेंसी स्थितीच्या वस्तुनिष्ठ मूल्यांकनासाठी, डेटा f. रोख प्रवाहाच्या विधानाचा क्रमांक 4.

2. ताळेबंदाचे विश्लेषणात्मक मूल्य वाढवा आणि अतिरिक्त माहिती प्रदान करा: निश्चित मालमत्तेची प्रारंभिक किंमत, अमूर्त मालमत्ता; भौतिकतेच्या तत्त्वानुसार (मार्गदर्शक तत्त्वांचे कलम 8), वित्तीय विवरणे तयार करताना, निश्चित मालमत्तेच्या गटांवरील डेटा अतिरिक्तपणे उघड करण्याचा सल्ला दिला जातो, ज्याचा एकूण मालमत्तेमध्ये वाटा महत्त्वपूर्ण आहे (> 5%) वाहने, साधने, इ.); "बांधकाम प्रगतीपथावर" या निर्देशकाचा भाग म्हणून निश्चित मालमत्तेच्या रकमेवर; FIFO पद्धतीनुसार इन्व्हेंटरीजच्या किमतीबद्दल, किंवा सरासरी किंमत, जर अकाउंटिंग पॉलिसीनुसार ताळेबंद LIFO नुसार इन्व्हेंटरीजची शिल्लक प्रतिबिंबित करत असेल; त्याच्या एकूण रचनेत मिळणाऱ्या थकीत खात्यांच्या रकमेवर.

3. f चे विश्लेषणात्मक मूल्य वाढवण्यासाठी. नफा आणि तोटा विवरणपत्र क्रमांक 2, यासाठी सल्ला दिला जातो: कमाईच्या रकमेची माहिती जमा आधारावर आणि रोख आधारावर उघड करा; निव्वळ नफा आणि राखून ठेवलेल्या कमाईची माहिती स्वतंत्रपणे सादर करा, कारण त्यांची रक्कम सहसा भिन्न असते.

लेखाविषयक आर्थिक माहिती मूलत: संस्थेची आर्थिक स्थिती दर्शवते आणि, योग्य विश्लेषणात्मक प्रक्रियेशिवाय, आर्थिक स्थिती व्यवस्थापित करण्याबाबत निर्णय घेण्यासाठी वापरण्यासाठी अयोग्य आहे. परिणामी, आर्थिक स्थितीचे विश्लेषण करण्यासाठी विशेष तंत्राद्वारे त्यावर प्रक्रिया केली जाते.

• 2.1. कंपनी विपणन माहिती प्रणाली, विपणन संशोधन आणि माहिती स्रोत
• 2.2. विपणन संशोधनाचे प्रकार, उद्दिष्टे आणि टप्पे
• 2.3. गुणात्मक विपणन संशोधन आणि त्याच्या पद्धती
• 2.4. परिमाणात्मक संशोधन

कंपनी विपणन माहिती प्रणाली, विपणन संशोधन आणि माहिती स्रोत

कंपनीच्या रणनीती आणि रणनीतींसंबंधीचे सर्व प्रमुख विपणन निर्णय बाजार संशोधनावर आधारित असले पाहिजेत. हे अभ्यास कंपनीच्या उत्पादन, किंमत, विपणन आणि संप्रेषण धोरणाच्या क्षेत्रातील प्रमुख व्यवस्थापन निर्णयांची वैधता वाढवणारी माहिती मिळविण्यात मदत करतात. माहितीच्या मदतीने, आपण "मार्केटिंग मिक्स" कॉम्प्लेक्सच्या क्रियाकलापांची योजना करू शकता, त्यांच्या अंमलबजावणीच्या प्रभावीतेवर लक्ष ठेवू शकता. मार्केटिंग संशोधनाचा मुख्य उद्देश बाजार धोरणाच्या क्षेत्रात चुकीचे व्यवस्थापन निर्णय घेण्याचे धोके कमी करणे आणि बाजारातील संधींचा अधिक चांगला वापर करणे हा आहे, त्यामुळे माहिती कंपनीच्या स्पर्धात्मक फायद्यांचे स्रोत बनते. चुकीचे व्यवस्थापन निर्णय घेतल्यास आर्थिक जोखमीचे प्रमाण हा शेवटी विपणन संशोधन बजेट ठरवण्याचा पाया असतो.

विपणन संशोधन म्हणजे खालील गोष्टींसाठी माहितीची ओळख, संकलन, विश्लेषण, प्रसार आणि वापर.

• 1) विपणन संधी आणि समस्या ओळखणे;
• 2) विपणन क्रियांचा विकास;
• 3) विपणन क्रियाकलापांच्या परिणामकारकतेचे निरीक्षण करणे.

क्रियाकलापांसाठी माहिती समर्थनाचे अपवादात्मक महत्त्व कंपनीच्या विपणन माहिती प्रणाली (MIS) च्या संघटनेची आवश्यकता आहे. विपणन माहिती प्रणालीमध्ये कर्मचारी, उपकरणे, विपणन निर्णय घेण्यासाठी वापरल्या जाणार्‍या ऑपरेशनल माहितीचे संकलन, वर्गीकरण, विश्लेषण, मूल्यमापन आणि वितरण यासाठी कार्यपद्धती समाविष्ट असते.कंपनीच्या MIS मध्ये दोन उपप्रणाली असतात: एक अंतर्गत लेखा आणि अहवाल प्रणाली आणि विपणन बुद्धिमत्ता प्रणाली.

"डेटा" आणि "माहिती" या संकल्पनांमध्ये फरक करणे आवश्यक आहे. डेटा म्हणजे कच्ची तथ्ये आणि आकडेवारी. डेटा संकलित केला जातो आणि माहिती तयार करण्यासाठी वापरला जातो. या क्षणापर्यंत, त्यांना काही फरक पडत नाही. मार्केटिंगचा बराचसा डेटा फर्ममध्ये आहे. त्यांच्या आधारे, कंपनीच्या डेटाबेसचे विश्लेषण करून विपणन निर्णय घेण्यासाठी माहिती मिळवता येते. मार्केटिंग माहितीचा स्रोत म्हणून जमा झालेल्या डेटाबेसच्या विश्लेषणाला मार्केटिंग डेटा मायनिंग (इंग्रजी: मार्केटिंग डेटा एक्सट्रॅक्शन) म्हणतात.सध्या, सर्वात सामान्य थेट विपणन तंत्रज्ञान ग्राहक डेटाबेस विभाजन आहे.

उदाहरण.यूएसमधील डिपार्टमेंट स्टोअर व्यवस्थापनाकडे ग्राहकांचा डेटाबेस होता. घरगुती वस्तूंच्या विभागातील घटत्या विक्रीमुळे, खरेदी किंवा उत्पादनाच्या ऑफरसाठी देय अटी - या दोन घटकांपैकी कोणते घटक ग्राहकांकडून सर्वाधिक प्रतिसाद मिळतील याचा तपास करण्याचा निर्णय घेण्यात आला. ई-मेलद्वारे वितरणासाठी तीन प्रकारचे संदेश तयार केले गेले. पहिल्या प्रकारचा संदेश किंमती, क्रेडिट अटी आणि सोयीस्कर पेमेंट सिस्टमवर केंद्रित आहे. दुसऱ्या प्रकारातील संदेशात - प्रस्तावित ब्रँडच्या वस्तूंवर भर. तिसरा संदेश एक नियंत्रण संदेश होता - तो फक्त विक्रीची तारीख आणि वेळ सूचित करतो. अभ्यासासाठी 3 हजार ग्राहकांची निवड करण्यात आली. प्रत्येक प्रकारचे संदेश 1,000 ग्राहकांनी पाठवले होते. उत्तरदात्यांच्या नमुन्यात मागील 6 महिन्यांत घरगुती वस्तूंच्या विभागात खरेदी केलेल्या ग्राहकांचा समावेश आहे. पोस्टकार्ड सादर केल्यावर सर्व ग्राहकांना $10 सूट देण्याचे वचन दिले होते. वर्गीकरणावर लक्ष केंद्रित करून संदेशांना जास्तीत जास्त प्रतिसाद प्राप्त झाले. या गटातील ग्राहकांनी उत्पन्न, शिक्षण आणि वयाच्या बाबतीत इतर दोन गटांपेक्षा जास्त कामगिरी केली. परिणामी, डिपार्टमेंट स्टोअरने उच्च-उत्पन्न, प्रौढ ग्राहकांसाठी एक विस्तारित विपणन कार्यक्रम विकसित केला.

साहजिकच, कंपनीच्या डेटाबेसमधील प्रतिपक्ष, घटना आणि व्यवहारांचे लेखांकन जितके अधिक तपशीलवार असेल, कंपनी विपणन संशोधन करू शकते, उदाहरणार्थ, ग्राहकांचे विभाजन. कंपनीकडे योग्य क्रेडेन्शियल्स असल्यास, ग्राहकाची वर्णनात्मक, वर्तणूक, सायकोग्राफिक वैशिष्ट्ये यासारखी मापदंड विभागणीसाठी वापरली जाऊ शकतात आणि कंपनी प्रस्तावित उत्पादन किंवा सेवेच्या वापराच्या फायद्यांनुसार ग्राहकांना विभाजित करू शकते.

अंतर्गत लेखा आणि अहवाल प्रणाली एमआयएसचा आधार आहे. कंपनीच्या डेटाबेसमध्ये, केवळ ग्राहकांचा डेटाच रेकॉर्ड केला जात नाही, तर त्यांच्याशी असलेले सर्व संपर्क, ऑर्डर आणि त्यांच्या अंमलबजावणीचे टप्पे, इनव्हॉइस जारी करण्याची वेळ, त्यांच्या पेमेंटच्या अटी आणि ग्राहकांच्या वास्तविक पेमेंटवरील डेटा, शिपमेंट आणि पद्धती. मालाची डिलिव्हरी, स्टॉकची स्थिती. कंपनीच्या डेटाबेसमधून, तुम्ही वेळ, उत्पादन श्रेणी, ग्राहक इत्यादींच्या बाबतीत विक्रीवरील ऑपरेशनल माहिती काढू शकता. कंपनीच्या विक्रीचे विश्लेषण, बाजार विश्लेषणाद्वारे पूरक, कंपनीच्या उत्पादनांच्या मागणीचा अंदाज लावण्यासाठी एक चांगला पाया आहे. कंपनीच्या डेटाबेसमध्ये जमा झालेले ग्राहकांबद्दलचे ज्ञान, कंपन्यांना त्यांच्याशी नातेसंबंध विकसित करण्यासाठी प्रोग्राम्स तैनात करण्यास अनुमती देते. हे प्रकरण आहे, उदाहरणार्थ, ऍपलसाठी, जे त्याच्या किरकोळ स्टोअरच्या डेटाबेसवरील ग्राहक डेटावर तसेच iTunes द्वारे व्युत्पन्न केलेल्या डेटाबेसवर अवलंबून असते.

जर अंतर्गत लेखा आणि अहवाल प्रणालीमध्ये कंपनीमध्ये काय घडत आहे याबद्दल डेटा असेल, तर मार्केटिंग इंटेलिजेंस सिस्टममध्ये बाजारातील परिस्थितीबद्दल माहिती असते. कंपनीच्या एमआयएसच्या या उपप्रणालीसाठी डेटाचे स्रोत पुस्तके, वर्तमानपत्रे, विशेष प्रकाशने आणि डेटाबेस, विपणन संशोधन डेटा आहेत जे कंपनीद्वारे खरेदी केले जाऊ शकतात किंवा स्वतः मिळवू शकतात.

उदाहरण". त्यांच्या सर्वात महत्वाच्या स्पर्धात्मक फायद्यांपैकी एक, निसान विक्रेते एक स्वयं-निर्मित माहिती प्रणाली मानतात जी त्यांना खालील कार्ये सोडविण्यास अनुमती देते.

1. विविध प्रकारच्या विपणन माहितीचे संकलन (अंतर्गत विक्री आकडेवारीपासून संशोधन परिणामांपर्यंत) एकाच स्वरूपात.

माहिती प्रणाली निसान विक्रेत्यांना विक्री डेटा, बाजार संशोधन परिणाम, कंपनीच्या स्टोअर्स आणि वेबसाइटला भेट देण्याची आकडेवारी, ग्राहक चौकशी आकडेवारी आणि इतर विपणन डेटाचे विश्लेषण करण्यास अनुमती देते. येणार्‍या डेटाच्या आधारे, प्रत्येक व्यवस्थापकाला वर्तमान स्थितीचे मूल्यांकन करण्यात मदत करण्यासाठी एक दैनिक सारांश स्वयंचलितपणे तयार केला जातो.

2. नवीन कार मॉडेल आणि ब्रँडसाठी भविष्यातील खरेदीदारांच्या संख्येचा अंदाज लावणे.

निसानच्या विश्लेषणात्मक विभागाचे व्यवस्थापक सी. जेकोबी यांच्या नेतृत्वाखाली भविष्यातील खरेदीदारांच्या संख्येचा अंदाज लावण्याचे मॉडेल तयार केले गेले. मॉडेल विक्री आकडेवारी आणि ग्राहक संशोधन अनेक वर्षे परिणाम आधारित आहे आणि परवानगी देते

ब्रँड किंवा मॉडेल जागरूकता ते डीलर निवड आणि उत्पादन पेमेंट पर्यंत खरेदी सायकलच्या विविध टप्प्यांमधील अवलंबित्व ओळखा. परिणामी, कार निवडण्याच्या अगदी सुरुवातीच्या टप्प्यावर निसानला संभाव्य खरेदी मानणारे किती टक्के ग्राहक भविष्यात ही खरेदी करतील, हे विश्लेषक बर्‍याच प्रमाणात निश्चितपणे अंदाज लावू शकतात.

निसान माहिती प्रणालीमध्ये समाविष्ट केलेले दुसरे मॉडेल आर्थिक आणि संप्रेषण कार्यक्षमतेच्या दृष्टीने प्रत्येक जाहिरात सामग्री आणि जाहिरात माध्यमाचे यश निश्चित करण्यासाठी डिझाइन केलेले आहे. हे मॉडेल ग्राहक संशोधन डेटा, जाहिरात मोहिमेची आकडेवारी आणि विक्री आकडेवारी देखील वापरते. जाहिरातीच्या परिणामकारकतेचे मूल्यमापन करण्यासाठी माहिती प्रणालीचा परिचय कंपनीला विक्रीमध्ये स्थिर वाढ राखून जाहिरातींचे बजेट कमी करण्यास अनुमती देते.

आधुनिक एमआयएस आता आणखी एका ब्लॉकद्वारे पूरक आहेत - एंटरप्राइज फीडबॅक मॅनेजमेंट (EFM) (इंग्रजी: enterprise feedback management).हा ब्लॉक तुम्हाला कंपनीच्या संभाव्य किंवा विद्यमान ग्राहकांमध्ये विपणन संशोधनाचे नियोजन आणि संचालन करण्यास, त्यांचे परिणाम प्रक्रिया आणि संग्रहित करण्यास अनुमती देतो. या कॉर्पोरेट ग्राहक फीडबॅक व्यवस्थापनाला अशा वातावरणात विशेष महत्त्व आहे जिथे ग्राहकांचा अनुभव हा स्पर्धेचा एक महत्त्वाचा पैलू बनत आहे. आणि जर तुम्ही कंपनीच्या क्लायंट बेसच्या गतीशीलतेचे निरीक्षण करून ग्राहकांच्या वर्तणुकीशी निष्ठेचे मूल्यमापन करू शकत असाल, तर तुम्ही तुमच्या ग्राहकांना प्रश्न विचारूनच ग्राहकांच्या भावनिक निष्ठेचे मूल्यांकन करू शकता. EFM हे संशोधन व्यवसाय प्रक्रियेच्या सर्व टप्प्यांचे ऑटोमेशन आहे: नियोजन, संचालन, परिणाम प्रक्रिया. प्रणालीमध्ये विविध प्रकारच्या प्रश्नांसाठी समर्थनासह प्रगत प्रश्नावली संपादक आहे, तार्किक शाखा आणि प्रश्न आणि उत्तरांच्या क्रमाचे यादृच्छिकीकरण, नमुना कोटा, अभ्यासाचे वेळापत्रक आणि नमुना आकार निश्चित करणे. विपणन संशोधनाच्या टप्प्यावर, प्रणाली डेटाबेसमधून प्रतिसादकर्त्यांचे नमुने तयार करते (उदाहरणार्थ, CRM), ई-मेलद्वारे आमंत्रणे पाठवते आणि कंपनीच्या वेबसाइटवर ऑनलाइन सर्वेक्षणासाठी वेब अनुप्रयोग तयार करते. च्या साठी परिणामांचे विश्लेषणएक विशेष सांख्यिकीय कार्यक्षमता आहे जी तुम्हाला सारण्या आणि आलेखांच्या स्वरूपात सानुकूलित व्हिज्युअल अहवाल तयार करण्यास अनुमती देते. यंत्रणेकडे आहे प्रवेश नियंत्रण,जे तुम्हाला भूमिकांमध्ये फरक करण्यास आणि अभ्यास आणि अहवालांचे अधिकार मिळवू देते.

तर, विपणन संशोधनासाठी प्रारंभिक डेटा दोन मोठ्या गटांमध्ये विभागला जाऊ शकतो: प्राथमिक आणि माध्यमिक.

प्राथमिक डेटा हा प्राथमिक स्त्रोतांकडून विशिष्ट विपणन संशोधन समस्येचे निराकरण करण्यासाठी विशेषतः गोळा केलेला डेटा आहे.

दुय्यम डेटा - दुय्यम स्त्रोतांकडून संकलित केलेल्या विशिष्ट अभ्यासाव्यतिरिक्त इतर हेतूंसाठी व्युत्पन्न केलेला डेटा (आकृती 2.1 पहा).

आकृती 2.1. दुय्यम डेटा संरचना

अंतर्गत सिंडिकेटेड सेवा(इंग्रजी: सिंडिकेटेड सर्व्हिसेस) हे मार्केटिंग एजन्सीद्वारे स्वतःच्या खर्चाने विविध सदस्यांसाठी पुढील तरतूदीसह माहितीचे संकलन समजले जाते. अशा अभ्यासांनी संपूर्ण रशियन विपणन संशोधन बाजाराचा 30-35% व्यापलेला आहे. माहिती मुख्यतः सर्वेक्षण, दैनंदिन पॅनेल, स्कॅन आणि ऑडिटद्वारे गोळा केली जाते. उदाहरणार्थ, निल्सन मीडिया रिसर्च (www.nielsenmedia.com) द्वारे निर्मित, निल्सन टेलिव्हिजन इंडेक्सचे सदस्य, काही टेलिव्हिजन कार्यक्रम पाहणार्‍या घरातील प्रेक्षकांचा आकार आणि लोकसंख्येचा डेटा प्राप्त करतात. मार्केटिंग कंपनी ए.एस. Nielsen (www.acnielsen.com) सुपरमार्केट चेकआउट्समधून स्कॅन केलेला डेटा देखील प्रदान करते. प्राथमिक डेटाचे संकलन आयोजित करण्यापेक्षा सिंडिकेटेड सेवांचा वापर अनेकदा स्वस्त असतो.

2013 मध्ये जगातील सर्वात मोठ्या सात संशोधन कंपन्यांमध्ये स्थान मिळाले: निल्सन (त्याच्या आर्बिट्रॉनच्या अधिग्रहणासह), IMS, IRI, NPD, comScore, J.D. पॉवर आणि व्हिडिओ रिसर्च हे सर्वात वेगाने वाढत आहेत आणि प्रामुख्याने मार्केटिंग रिसर्च मार्केटमध्ये सिंडिकेटेड सेवांच्या तरतूदीमध्ये गुंतलेले आहेत. जगातील 25 सर्वात मोठ्या संशोधन एजन्सीच्या $21.5 अब्ज कमाईपैकी 58% त्यांचा वाटा आहे.

प्राथमिक (ग्राहक, पुरवठादार, स्पर्धक, तज्ञ) आणि दुय्यम स्त्रोतांकडून डेटा गोळा करण्याची प्रक्रिया श्रम तीव्रतेच्या बाबतीत लक्षणीय भिन्न आहे (तक्ता 2.1 पहा).

तक्ता 2.1

प्राथमिक आणि दुय्यम स्त्रोतांकडून डेटा संकलनाची तुलना

दैनंदिन व्यवस्थापन निर्णयांसाठी माहिती समर्थन कंपनीच्या स्वतःच्या संसाधनांद्वारे केले जाऊ शकते (उदाहरणार्थ, प्रेस, इंटरनेट, स्वतःचे तज्ञ मूल्यांकन, स्वतःचा डेटाबेस इ. वरून डेटावर प्रक्रिया करून मिळवलेल्या माहितीद्वारे). गंभीर धोरणात्मक निर्णय घेण्यासाठी अशी माहिती पुरेशी असू शकत नाही. जेव्हा माहिती केवळ प्राथमिक स्त्रोतांकडून (ग्राहक, स्पर्धक, पोहोचण्यास कठीण तज्ञ इ.) कडून मिळवता येते तेव्हा, आपले स्वतःचे संशोधन करणे किंवा सहकार्याने संशोधन विपणन एजन्सी समाविष्ट करणे आवश्यक असू शकते.

मार्केटिंग एजन्सीचे विशेष अभ्यास, विशिष्ट ऑर्डरवर केले जातात, त्यांना तदर्थ म्हणतात.एजन्सी त्यांच्या स्वतःच्या मालकीची बाजार संशोधन साधने वापरतात. जेव्हा कंपनीची स्वतःची संसाधने आवश्यक माहिती मिळविण्यासाठी पुरेसे नसतात तेव्हा व्यावसायिक संशोधकांसोबत सहकार्य करण्याचे कारण दिसून येते. आपण एक सिंडिकेटेड अभ्यास ऑर्डर करू शकता. सिंडिकेटेड अभ्यास विविध आहेत omnibuses - परिमाणात्मक संशोधन, ज्या दरम्यान एकाच वेळी अनेक क्लायंटसाठी माहिती गोळा केली जाते.विशेष तदर्थ संशोधनाच्या विपरीत, प्रश्नावली अनेक क्लायंटसाठी प्रश्नांच्या ब्लॉकमधून तयार केली जाते, जी प्रत्येक सहभागीसाठी वैयक्तिकरित्या संशोधन आयोजित करण्याच्या खर्चात लक्षणीय घट करू शकते.

ऑटोमोबाईल कंपन्या (GM, Ford, DaimlerChrysler) आणि ग्राहकोपयोगी वस्तू कंपन्या (प्रॉक्टर अँड गॅम्बल, कोलगेट-पामोलिव्ह, कोका-कोला) पासून बँका (सिटीग्रुप, बँक ऑफ अमेरिका) पर्यंत मोठ्या संख्येने कंपन्या, विशेषत: मोठ्या कंपन्यांकडे स्वतःचे आहेत. विपणन संशोधन विभाग.

उदाहरण.प्रॉक्टर अँड गॅम्बलच्या आर्थिक संशोधन विभागाची स्थापना 1924 मध्ये करण्यात आली, अशा वेळी जेव्हा इतर कोणत्याही कंपनीने नियमितपणे कठोर लागू बाजार संशोधन केले नव्हते. मार्केट रिसर्च विकसित करणारा पहिला ब्रँड कॅमे साबण होता. गृहिणींना साबणाचा त्यांचा आवडता प्रकार निवडण्यास सांगण्यात आले. 72 डिझाइन पर्याय, प्रत्येकी 6 पर्यायांच्या 12 गटांमध्ये विभागलेले, 19,760 महिलांना दाखवले गेले. जेव्हा पर्यायांची संख्या 2 पर्यंत कमी केली गेली तेव्हा अंतिम पर्याय निवडण्यासाठी किराणा दुकानाच्या खिडक्यांमध्ये "अंतिमवादी" जोड्यांमध्ये प्रदर्शित केले गेले. 1930 ते 1942 दरम्यान, महामंदी आणि द्वितीय विश्वयुद्धाच्या संकटानंतरही, बाजार संशोधन विभागाचे बजेट $45,000 वरून $189,908 पर्यंत वाढले. याव्यतिरिक्त, संपूर्ण कंपनीच्या स्तरावर, बाजार संशोधन आणि जाहिरात परिणामकारकता संशोधनात गुंतलेले दोन स्वतंत्र गट आहेत.

असोसिएशन ऑफ मार्केट रिसर्चर्स अँड पब्लिक ओपिनियन रिसर्चर्सच्या मते, 2013 मध्ये रशियन मार्केटिंग रिसर्च मार्केटचे प्रमाण $430 दशलक्ष होते, त्याची वार्षिक वाढ यूएस डॉलरमध्ये 10% आणि रूबलमध्ये 13% आहे. विपणन संशोधनांचे रशियन बाजार जगातील 14 व्या आणि युरोपमध्ये 7 व्या स्थानावर पोहोचले आहे. 2013 मध्ये यूकेमध्ये विपणन संशोधनावर दरडोई खर्च $80.3 होता, यूएसमध्ये - $43.8, इटलीमध्ये - $12.3, रशियामध्ये - $2.1. सहा जागतिक संशोधन नेटवर्क रशियन बाजारावर 64% नियंत्रण ठेवतात, तर जागतिक बाजारपेठेत त्यांचा वाटा आहे 35%. आकृती 2.2 मध्ये सादर केलेल्या रशियन गिल्ड ऑफ मार्केटर्सच्या वार्षिक सर्वेक्षणाच्या निकालांनुसार, रशियामधील विपणन संशोधन बाजाराचा आकार $320 दशलक्षपर्यंत पोहोचला आहे, ज्यामध्ये परिमाणात्मक संशोधनाद्वारे मोजलेल्या $200 दशलक्षचा समावेश आहे.

इंटरनेटने वेग वाढवला आहे आणि संशोधनाचा खर्च कमी केला आहे, त्यांच्यासाठी एक नवीन चॅनेल प्रदान केले आहे. 2012 हा या संदर्भातला एक टर्निंग पॉइंट होता: ऑनलाइन आणि ऑफलाइन संशोधनावरील जागतिक खर्चाचा वाटा समान झाला. विपणन संशोधन उद्योगातील नवीन संधी नवीन संशोधन पद्धती आणि नवीन संशोधन वाहिन्यांशी संबंधित आहेत. इंटरनेटवरील संशोधनाबरोबरच मोबाईल तंत्रज्ञानाचा वापर करून संशोधन विकसित होत आहे. नवीन संशोधन तंत्रज्ञान देखील उद्योगासाठी विशिष्ट धोके निर्माण करतात: तंत्रज्ञान लोकांना विपणन संशोधनापासून विस्थापित करू शकते आणि संशोधन कंपन्यांना या धोक्याचा सामना करावा लागतो की ग्राहक स्वतःहून बाजार संशोधन करू लागतील.

आकृती 2.2. 2001-2013 मध्ये विपणन संशोधनाच्या रशियन बाजाराची गतिशीलता (दशलक्ष डॉलर्स)

गेल्या दशकात इंटरनेट स्वतःच बदलले आहे. सोशल मीडिया आणि वेब 2.0 ने वापरकर्त्यांना संप्रेषण आणि सामग्री जनरेटरची सक्रिय बाजू बनवून आम्ही संवाद साधण्याचा मार्ग बदलला आहे. यामुळे नवीन प्रकारच्या संशोधनाचा उदय आणि विकास आणि प्रश्नावली आणि उत्तरदात्यांशिवाय संशोधन करण्याची संधी उपलब्ध झाली - मार्केटिंग संशोधन उद्योगाची सुरुवातीपासूनच आधार.

न्यूरोसायन्स, नेटवर्क थिअरी आणि मास बिहेवियर थिअरी विकसित झाल्यामुळे लोकांच्या प्रेरणा आणि त्यांच्या वर्तनावर प्रभाव पाडणारे घटक समजून घेण्यासाठी आवश्यक गोष्टी आहेत. लोक फोटो, व्हिडिओ पोस्ट करतात, सोशल नेटवर्क्सवर विचार शेअर करतात. माहितीचा हा मुख्य भाग संशोधकांसाठी एक आव्हान बनला आणि ग्राहकांच्या वर्तनाचे विश्लेषण करण्यासाठी नवीन साधने आवश्यक आहेत.

गेल्या काही वर्षांत, बिग डेटा या संज्ञेने संशोधन समुदाय अक्षरशः ढवळून निघाला आहे. 2012 पासून कंपन्यांच्या मार्केटर्समध्ये Econsultancy आणि Adobe द्वारे दरवर्षी आयोजित केलेल्या जागतिक सर्वेक्षणानुसार, इंटरनेटवरील लोकांच्या कृतींचे वर्णन करणारा "बिग डेटा" बरेच काही करू शकतो. ते ऑफलाइन व्यवसाय प्रक्रिया सुव्यवस्थित करू शकतात, मोबाइल डिव्हाइस मालक माहिती शोधण्यासाठी त्यांचा वापर कसा करतात हे समजून घेण्यात मदत करू शकतात आणि विपणन परिणामकारकता सुधारू शकतात. 2013 मध्ये KPMG ने केलेल्या सर्वेक्षणात असे दिसून आले आहे की व्यवसाय धोरण विकसित करण्यासाठी मोठा डेटा वापरणाऱ्यांचा वाटा जगात 56% आहे."

इंटरनेटवरील लोकांच्या क्रियाकलाप आणि विधानांचे निरीक्षण केल्याने विपणन संशोधनाच्या नाविन्यपूर्ण पद्धतींचा उदय झाला आहे. ग्रीनबुक रिसर्च इंडस्ट्री ट्रेंड रिपोर्टच्या ५० सर्वात नाविन्यपूर्ण संशोधन कंपन्यांच्या 2013 च्या वार्षिक रँकिंगमध्ये खालील कंपन्यांनी अव्वल स्थान पटकावले:

• 1) ब्रेनजूसर;
• 2) दृष्टी गंभीर;
• 3) इप्सॉस;
• 4) जीएफके;
• 5) Google;
• 6) टीएनएस;
• 7) निल्सन.

2010 पासून ब्रेनज्युसर या यादीत अव्वल स्थानावर आहे. या कंपनीने DigiViduals पद्धत विकसित करून सोशल मीडिया मॉनिटरिंगचा वापर करून नवीन संशोधन पद्धती प्रस्तावित केल्या आहेत. DigiViduals हे विशिष्ट प्रकारच्या व्यक्तीचे प्रतिनिधित्व करण्यासाठी प्रोग्राम केलेले रोबोट आहेत. DigiVidual रोबोटला वय, राहण्याचे ठिकाण आणि व्यवसाय, भावना आणि मूलभूत व्यक्तिमत्त्व वैशिष्ट्ये त्याच्या निर्मितीसाठी अत्यंत महत्त्वाची आहेत, कारण तेच रोबोटला संबंधित सामग्री शोधण्याची परवानगी देतात. रोबोट फोटो, व्हिडिओ, गाणी, ब्लॉग, खरेदीसाठी स्वारस्य असलेल्या वस्तूंसाठी सोशल मीडियावर शोध घेतात - या प्रकारच्या व्यक्तिमत्त्वाला बसणारी कोणतीही गोष्ट. अभ्यास केलेल्या हजारो वस्तूंमधून, एक नकाशा तयार केला जातो जो विशिष्ट प्रकारच्या लोकांचे जीवन त्यांच्या हेतूने दर्शवतो. असा नकाशा सर्जनशील विपणन मोहिमा आणि नवीन उत्पादनांच्या विकासाचा आधार बनतो.

मूलत:, DigiViduals हा एक नवीन प्रकारचा सर्जनशील शोध इंजिन आहे जो मोठ्या प्रमाणात जटिल आणि अमूर्त डेटाला साध्या आणि समजण्यायोग्य मध्ये रूपांतरित करण्यास सक्षम आहे. ते लक्ष्यित प्रेक्षकांच्या आवडीचे भावनिकदृष्ट्या समृद्ध चित्र तयार करण्यात मदत करतात.

अशा "आभासी प्रतिसादकर्त्याचे" कार्य तीन टप्प्यात तयार केले जाते. प्रथम, रोबोट "स्वतःच्या" बद्दल, म्हणजे, संशोधकांनी निर्दिष्ट केलेल्या लक्ष्यित प्रेक्षकांबद्दल माहिती गोळा करतो. हे करण्यासाठी, तो त्याच लक्ष्यित प्रेक्षकांचा भाग असलेल्या वास्तविक लोकांद्वारे सोशल नेटवर्क्सवरील पोस्टच्या स्वरूपात सोडलेली माहिती गोळा करतो आणि त्याचे विश्लेषण करतो. मग तो "जगणे" सुरू करतो, म्हणजे. लोकप्रिय सोशल नेटवर्क्सवर पोस्ट करा. तिसऱ्या टप्प्यावर, रोबोटने नेमके काय मांडले आहे, इतर लोक त्याच्या पोस्टवर कशी प्रतिक्रिया देतात याचे विश्लेषण केले जाते. DigiVidual प्रोजेक्ट्समधील मोठ्या प्रमाणात मॅन्युअल श्रम या टप्प्यावर आहे: DigiVidual ला हलवणारी सामग्री समजून घेणे आणि त्याचा अर्थ लावणे.

ही संशोधन पद्धती खालील संधी प्रदान करते:

• 1) वर्गीकरण आणि लक्ष्यित प्रेक्षकांची सखोल समज - प्रेक्षकांचे परिमाणवाचकपणे परिभाषित आणि वांशिकदृष्ट्या समृद्ध "पोर्ट्रेट";
• 2) ब्रँडचे अचूक अवतार;
• 3) ट्रेंड मॉनिटरिंग - एखाद्या व्यक्तीमधील ट्रेंडचे मूर्त स्वरूप आणि कालांतराने निरीक्षण करण्याची शक्यता;
• 4) अंतर्दृष्टीची निर्मिती;
• 5) अंतर्दृष्टी निरीक्षण;
• 6) नवीन उत्पादन विकास
• २.२. विपणन संशोधनाचे प्रकार, उद्दिष्टे आणि टप्पे

कंपन्या दोन समस्यांचे निराकरण करण्यासाठी विपणन संशोधन सुरू करतात - ओळखणे (परिभाषित करणे) आणि विपणन समस्या सोडवणे. त्यानुसार, विपणन संशोधन दोन मोठ्या वर्गांमध्ये विभागले जाऊ शकते: अन्वेषण आणि अंतिम विपणन संशोधन (आकृती 2.3 पहा).

आकृती 2.3. विपणन संशोधनाचे वर्गीकरण

समस्या ओळखण्यासाठी बाजार संशोधन हे अस्तित्त्वात असलेल्या किंवा उद्भवू शकणार्‍या गैर-स्पष्ट समस्या ओळखण्यासाठी केले जाते. ते मार्केटिंग वातावरण, कंपनीला बाजारात येणाऱ्या संधी आणि धोक्यांची माहिती देतात. अशी माहिती मिळवण्यामध्ये एंटरप्राइझच्या विपणन वातावरणातील घटकांचा अभ्यास समाविष्ट असतो.

विपणन वातावरणाच्या बाह्य घटकांमध्ये खालील गोष्टींचा समावेश होतो:

• 1) बाजार मापदंड - त्याची क्षमता, गतिशीलता, संभाव्य बाजार आणि प्रवेश बाजार, हंगाम, ट्रेंड आणि अंदाज;
• 2) लक्ष्यित प्रेक्षकांचे प्रोफाइल आणि त्याचे वर्तन;
• 3) स्पर्धा - मुख्य सहभागी आणि प्रतिस्पर्धी ब्रँड दरम्यान बाजार समभागांचे वितरण;
• 4) विधान आणि आर्थिक वातावरण.

विपणन वातावरणाच्या अंतर्गत घटकांमध्ये खालील गोष्टींचा समावेश होतो:

• 1) कंपनीची संसाधने 1 ;
• 2) निर्णय निर्मात्यांचे ध्येय;
• 3) फर्मच्या कर्मचार्‍यांचे विपणन आणि तांत्रिक कौशल्ये.

उदाहरणार्थ, जर आपण विपणन वातावरणातील बाह्य घटकांबद्दल बोललो तर,

नंतर 2014 च्या तिसऱ्या तिमाहीत असे दिसून आले की रशियन ग्राहकांनी संकटावर प्रतिक्रिया दिली नाही. निल्सन रिसर्च कंपनीच्या मते, 2014 च्या पहिल्या तीन तिमाहीत रशियन लोकांचा ग्राहक आत्मविश्वास निर्देशांक वाढत होता. रशियामधील निर्देशांकाच्या वाढीने प्रामुख्याने श्रमिक बाजाराच्या संभाव्यतेचे सूचक प्रदान केले: रशियामधील 42% प्रतिसादकर्त्यांनी अपेक्षा केली की ते असे असतील. पुढील 12 महिन्यांत चांगले किंवा उत्कृष्ट. गेल्या 6 वर्षांतील हा सर्वाधिक आकडा आहे. रशियन लोकांनी विनामूल्य रोख विल्हेवाट लावण्याबाबत त्यांचे प्राधान्यक्रम बदलले नाहीत: 45% ते कपड्यांवर खर्च करतील, 34% - कर्ज आणि कर्ज फेडण्यासाठी, 33% - सुट्टी आणि करमणुकीवर. अधिक रशियन बचतींमध्ये विनामूल्य निधी हस्तांतरित करण्याची योजना आखत आहेत - एक चतुर्थांश पूर्वी 26% विरुद्ध 31%. असे बरेच रशियन देखील आहेत ज्यांच्याकडे विनामूल्य पैसे नाहीत - एक चतुर्थांश पूर्वी 11% च्या तुलनेत 14%.

शोधक संशोधनाचे मुख्य कार्य म्हणजे संशोधकाला भेडसावत असलेल्या विपणन समस्येचे सार समजून घेणे. शोधात्मक संशोधनाचा उपयोग अशा प्रकरणांमध्ये केला जातो जेथे समस्या अधिक अचूकपणे परिभाषित करणे आवश्यक असते, कृतीची योग्य क्षेत्रे हायलाइट करण्यासाठी.

अन्वेषणात्मक अभ्यासाची उद्दिष्टे खालीलप्रमाणे आहेत:

• - संशोधन समस्येचे सूत्रीकरण किंवा स्पष्टीकरण;
• - कृतीच्या वैकल्पिक अभ्यासक्रमांची ओळख;
• - गृहीतकांचा विकास;
• - पुढील अभ्यासासाठी मुख्य चल आणि संबंध हायलाइट करणे;
• - समस्येचे निराकरण करण्याच्या दृष्टिकोनाच्या एक किंवा दुसर्या प्रकाराच्या विकासासाठी तर्क;
• - पुढील संशोधनासाठी प्राधान्यक्रम ठरवणे.

या टप्प्यावर, मार्केटरला त्याला कोणत्या माहितीची आवश्यकता आहे याची खूप अस्पष्ट कल्पना आहे आणि संशोधन प्रक्रिया स्वतःच लवचिक आणि असंरचित आहे, उदाहरणार्थ, त्यात उद्योग तज्ञांच्या वैयक्तिक मुलाखती असू शकतात. अन्वेषणात्मक अभ्यासाचे परिणाम प्राथमिक किंवा पुढील संशोधनासाठी प्रारंभिक बिंदू मानले जावेत. सामान्यतः, असे संशोधन पुढील अन्वेषणात्मक किंवा निश्चित संशोधनापूर्वी असते.

आकृती 2.4 शोध विपणन संशोधनाच्या मुख्य पद्धती सादर करते.

आकृती 2.4. विपणन संशोधन पद्धती शोधा

वरीलवरून पाहिल्याप्रमाणे, अन्वेषणात्मक संशोधन हे दुय्यम माहितीवर आधारित असू शकते. उदाहरणार्थ, कंपनीचा विकास दर 10% आहे हे जाणून, संशोधक कंपनीचा हिस्सा गमावत आहे की नाही हे समजून घेण्यासाठी संपूर्ण बाजाराच्या वाढीच्या दराविषयी माहिती शोधतो.

स्पर्धक ब्रँड्ससाठी विशिष्ट गुणधर्म शोधण्यासाठी, एक संशोधक सोशल मीडिया मॉनिटरिंग सिस्टमच्या सेवांचा वापर करून इंटरनेटवर अशा साइट्स शोधू शकतो जिथे या ब्रँडची चर्चा केली जाते आणि त्यानंतर ब्रँडच्या विशिष्ट गुणधर्मांचा उल्लेख करण्याची वारंवारता शोधण्यासाठी सामग्री विश्लेषणाचा वापर करू शकतो. अभ्यास या परिमाणात्मक पद्धती शोध उद्देश पूर्ण करतील. त्यानंतर, ऑनलाइन मंचांमध्ये, संशोधक सहभागींना त्याने शोधलेल्या गुणधर्मांवर चर्चा करण्यासाठी आणि त्यांचे महत्त्व रँक करण्यासाठी आमंत्रित करू शकतो. काही ते अनेक दहा आणि अगदी ऑनलाइन समुदायाचे शेकडो सदस्य चर्चेत भाग घेऊ शकतात. म्हणून, MROC (मार्केट रिसर्च ऑनलाइन कम्युनिटी) नावाची ही पद्धत, एक इंटरमीडिएट मार्केटिंग संशोधन पद्धती म्हणून वर्गीकृत आहे जी शोध हेतूंसाठी वापरली जाऊ शकते.

जेव्हा विपणन संशोधन समस्या तंतोतंत परिभाषित केली जाते, तेव्हा एक अंतिम विपणन संशोधन आयोजित केले जाते जे गृहीतकांची चाचणी घेते किंवा संबंध एक्सप्लोर करते. "अंतिम" हा शब्द यावर जोर देतो की या प्रकारच्या विपणन संशोधनाचे परिणाम व्यवस्थापकीय निर्णय घेण्यासाठी प्रारंभिक डेटा असल्याने अंतिम मानले जातात. असा अभ्यास स्पष्टपणे संरचित आहे आणि त्यासाठी विस्तृत योजना, संकलन आणि मोठ्या प्रमाणात डेटाची परिमाणात्मक प्रक्रिया आवश्यक आहे.

अन्वेषणात्मक आणि निश्चित अभ्यासांची तुलना तक्ता 2.2 मध्ये सादर केली आहे.

अन्वेषणात्मक आणि निश्चित अभ्यासांची तुलना

तक्ता 2.2

विपणन संशोधनाचे टप्पे तक्ता 2.3 मध्ये सादर केले आहेत.

तक्ता 2.3

विपणन संशोधनाचे टप्पे

स्टेज 1. विपणन संशोधनाच्या समस्येचे निर्धारण

बाजाराच्या विकासादरम्यान कंपन्यांना सतत विविध व्यवस्थापकीय विपणन समस्यांचा सामना करावा लागतो.

विपणन वातावरणातील घटक समजून घेणे व्यवस्थापन समस्या समजून घेण्यास हातभार लावते. व्यवस्थापकीय समस्या काय करणे आवश्यक आहे या प्रश्नाशी संबंधित आहे. ही समस्या कंपनीच्या बाजारातील प्रतिकूल स्थितीची लक्षणे दर्शवते. उदाहरणार्थ, एखाद्या कंपनीच्या मार्केट शेअरमध्ये झालेली घसरण "मार्केट शेअर पुनर्संचयित करण्यासाठी" व्यवस्थापकीय समस्या उद्भवण्याशी संबंधित आहे.

व्यवस्थापकीय समस्या, विपणन संशोधन आयोजित करण्याचे कारण म्हणून कार्य करते, संशोधनाच्या समस्येचे स्वरूप निश्चित करते. विपणन संशोधन समस्येमध्ये व्यवस्थापन समस्येचे निराकरण करण्यासाठी कोणती माहिती आवश्यक आहे आणि ती सर्वात प्रभावी मार्गाने कशी मिळवायची या प्रश्नाचे उत्तर देणे समाविष्ट आहे. एक सुव्यवस्थित समस्या आधीच अर्धी सोडवली जाते, परंतु कधीकधी ती अचूकपणे तयार करणे कठीण असते. प्रतिकूल घटना (जसे की बाजारातील हिस्सा कमी होणे) अनेक संभाव्य कारणे असू शकतात. या घटनेची कारणे स्पष्ट करणार्‍या सर्व संभाव्य गृहितकांची यादी करण्यात सक्षम होण्यासाठी अनेकदा शोधात्मक संशोधन केले पाहिजे.

उदाहरणार्थ, मार्केट शेअर पुनर्संचयित करण्यासाठी उपाय विकसित करण्यासाठी कोणता डेटा आवश्यक आहे? बाजारात कंपनीचे स्थान मजबूत करण्यासाठी उत्पादन धोरणाची पावले उचलण्यासाठी उत्पादन आणि प्रतिस्पर्धी उत्पादनांच्या वैशिष्ट्यांबद्दल माहिती गोळा करणे आवश्यक आहे का? कदाचित उत्पादन ग्राहकांपर्यंत पोहोचत नाही आणि वितरण वाहिन्यांबद्दल माहिती आवश्यक आहे? कदाचित कंपनी खराबपणे ग्राहकांना लक्ष्यित करते आणि बाजार योग्यरित्या विभाजित करणे आवश्यक आहे. या प्रकरणात, तपशीलवार ग्राहक डेटा आवश्यक आहे.

अशा प्रकारे, विपणन संशोधन समस्येची व्याख्या व्यवस्थापकीय समस्यांच्या प्रश्नांची संभाव्य उत्तरे सुचवते आणि त्यांच्या मूळ कारणांवर लक्ष केंद्रित करते (तक्ता 2.4 पहा). सर्व ओळखणे आवश्यक आहे चाचणी केली जाणारी गृहीते, तसेच सर्व प्रकारची माहितीप्रत्येक गृहीतकाची चाचणी घेणे आवश्यक आहे.

व्यवस्थापन समस्या आणि विपणन संशोधन समस्यांची उदाहरणे

तक्ता 2.4

विपणन संशोधनाच्या समस्येची सामान्य व्याख्या त्याचे उद्दिष्ट म्हणून कार्य करते आणि समस्येच्या विशिष्ट घटकांची व्याख्या - संशोधन कार्ये म्हणून जी उद्दिष्ट साध्य करण्यासाठी सोडवणे आवश्यक आहे. समस्येचे विशिष्ट घटक शोध प्रश्नांमध्ये रूपांतरित केले जातात. ते संशोधन समस्येचे निराकरण करण्यासाठी आवश्यक असलेल्या विशिष्ट माहितीची श्रेणी परिभाषित करतात.

उदाहरणार्थ, ग्राहकाची ब्रँड निष्ठा वाढवण्यासाठी कोणती कृती करावी हे ठरवणे ही व्यवस्थापकीय समस्या आहे. विपणन संशोधनाची समस्या म्हणजे लक्ष्यित प्रेक्षकांबद्दल माहिती गोळा करणे. अभ्यासाची विशिष्ट उद्दिष्टे म्हणजे ग्राहकांचे वय आणि लिंग रचना, त्यांचे राहण्याचे ठिकाण, रोजगाराची स्थिती आणि उत्पन्नाची पातळी, त्यांची वर्तणूक आणि मनोवैज्ञानिक वैशिष्ट्ये आणि हा ब्रँड खरेदी करताना त्यांच्या प्रेरणांचा अभ्यास करणे.

विपणन संशोधनाच्या सर्वात सामान्य समस्या, उद्दिष्टे आणि उद्दिष्टे तक्ता 2.5 मध्ये सादर केली आहेत.

तक्ता 2.5

रशियन मार्केटिंग एजन्सी 1 ने केलेल्या विपणन संशोधनाच्या सर्वात सामान्य समस्या, उद्दिष्टे आणि उद्दिष्टे

1 पहा: http://www.nordl.ru/tmi.htm.

टेबलचा शेवट. 2.5

स्टेज 2. विपणन समस्या सोडवण्याच्या दृष्टिकोनाचा विकास

विपणन समस्या सोडवण्याच्या दृष्टिकोनाचा विकास

तक्ता 2.6

संशोधनाचा सैद्धांतिक आणि पद्धतशीर पाया वैज्ञानिक साहित्याच्या अभ्यासावर आधारित आहे: पाठ्यपुस्तके, जर्नल्स आणि मार्केटिंगवरील मोनोग्राफ, गणितीय सांख्यिकी, अर्थमिति. सैद्धांतिक विचारांवर केवळ कोणते चल तपासले जावे हे ठरवत नाही, तर त्यांची प्रक्रिया आणि मोजमाप कशी करावी, अभ्यासाची रचना कशी करावी आणि नमुना कसा तयार करावा हे देखील ठरवले जाते. सिद्धांत देखील एक आधार म्हणून कार्य करते ज्यावर संशोधक प्राप्त डेटा गोळा करतो आणि त्याचा अर्थ लावतो - "चांगल्या सिद्धांतापेक्षा अधिक व्यावहारिक काहीही नाही."

मॉडेल -ही एक प्रणाली आहे (म्हणजे, घटकांचा एक संच जो एक विशिष्ट अखंडता बनवतो जो एकमेकांशी संबंध किंवा नातेसंबंधात असतो), ज्याचा अभ्यास दुसर्या प्रणालीबद्दल माहिती मिळविण्यास अनुमती देतो.

बर्‍याच वास्तविक प्रक्रिया आणि घटना जटिल असल्याने (मोठ्या संख्येने पॅरामीटर्सचे वैशिष्ट्य दर्शविल्यामुळे), मॉडेलिंग (म्हणजे एखादे मॉडेल तयार करणे) गुणधर्म आणि नमुन्यांची अभ्यास करणे सोपे करते, कारण मॉडेल सहसा केवळ सर्वात आवश्यक वैशिष्ट्ये विचारात घेते. वस्तू आणि त्यांच्यातील संबंध. अशा प्रकारे, मॉडेल हे वास्तविक प्रक्रियेचे किंवा घटनेचे सरलीकृत प्रतिनिधित्व आहे.

नियमानुसार, वास्तविक प्रक्रिया आणि घटना (विशेषतः, आर्थिक) औपचारिक केल्या जाऊ शकतात, म्हणजे, परस्परसंबंधित औपचारिक-तार्किक आणि गणितीय अभिव्यक्तींच्या संचाच्या रूपात सादर केल्या जाऊ शकतात. अशा प्रस्तुतीला गणितीय मॉडेल म्हणतात.

स्पष्टतेसाठी, गणितीय मॉडेलिंगचे परिणाम एका आलेखाच्या रूपात सादर केले जाऊ शकतात जे दुसर्‍या किंवा वेळेनुसार एका वैशिष्ट्यात बदल दर्शवितात.

उदाहरणार्थ, ऍपल आयफोन मार्केटमध्ये गेल्या 6 वर्षांमध्ये वाढीचा दर वाढला आहे आणि मागणी स्पष्ट हंगामी स्वरूपाची आहे. आयफोन 6 मॉडेल्सचे यशस्वी लाँचिंग पाहता, 2015 मध्ये जागतिक बाजारपेठेचे प्रमाण 189 दशलक्ष ते 200 दशलक्ष युनिट्स दरम्यान असेल. एक

आकृती 2.5 मॉर्गन स्टॅन्लेच्या अल्फा वाईज स्मार्टफोन ट्रॅकरचा वापर करून ऍपल आयपोनच्या मागणीचे गणितीय मॉडेलिंगचे परिणाम दाखवते, जे इंटरनेट मॉनिटरिंग सिस्टम वापरून वॉल स्ट्रीटच्या सर्वसहमतीच्या अंदाजापेक्षा अधिक अचूक आहे.

आकृती 2.5. 2008-2014 मध्ये आयफोनसाठी अंदाज आणि मागणी.

1 पहा: http://bgr.com/2014/10/06/apple-iphone-6-sales-200m/

गृहीतके- अभ्यासाधीन वस्तूंमधील संबंधांची रचना आणि स्वरूप आणि विपणन समस्यांच्या संभाव्य कारणांबद्दल हे वाजवी गृहितक आहेत. कोणत्याही यशस्वी गृहीतकाने पूर्ण करणे आवश्यक असलेली मुख्य आवश्यकता म्हणजे त्याची चाचणीक्षमता. गृहीतक मांडण्यासाठी एक आवश्यक अट म्हणजे त्यात वापरलेल्या सर्व संकल्पनांची कठोर व्याख्या.

समजा “सरासरी उत्पन्न असलेले ग्राहक घरगुती वाइनला प्राधान्य देतात” ही गृहीतक मांडली आहे. अभ्यासापूर्वी, हे स्पष्टपणे परिभाषित केले पाहिजे की "ग्राहक" अशा व्यक्ती आहेत जे दरमहा किमान 1 लिटरच्या प्रमाणात वाइन घेतात; "सरासरी उत्पन्न" म्हणजे कुटुंबातील प्रति सदस्य 300 ते 500 डॉलर प्रति महिना उत्पन्न; "प्राधान्य" म्हणजे ते आणीबाणीच्या परिस्थिती वगळता बहुतेक प्रकरणांमध्ये खरेदी करतात; "घरगुती वाइन" ही रशियन द्राक्षे किंवा रशियामध्ये बाटलीत तयार केलेली वाइन आहे.

विपणन संशोधन उदाहरण

XXI शतकाच्या सुरूवातीस. हार्ले डेव्हिडसन व्यवस्थापनाने 1980 च्या दशकात विक्रीत दीर्घ घट झाल्यामुळे मोटरसायकल उत्पादनाच्या विस्तारासाठी गुंतवणूक करण्याबाबत शंका व्यक्त केली. कंपनीच्या व्यवस्थापनाला स्वारस्य असलेला मुख्य प्रश्न होता: दीर्घकाळात मागणी जास्त असेल की ग्राहक आणखी कशाने वाहून जातील?

विपणन समस्या स्पष्ट करण्यासाठी एक अन्वेषणात्मक अभ्यास केला गेला.

अभ्यासादरम्यान, तज्ञांनी ब्रँडच्या उच्च प्रतिमेची पुष्टी केली. त्यांनी 2010 पर्यंत विश्रांती आणि मनोरंजनावरील खर्चात वाढ होण्याची शक्यता वर्तवली.

दुय्यम डेटा दर्शवितो की मोटरसायकल मालकांकडे दुसरे वाहन होते.

फोकस गट आयोजित केल्याने असे दिसून आले की मोटरसायकल हे मनोरंजन आणि करमणुकीचे साधन म्हणून फारसे वाहन नाही. याव्यतिरिक्त, ब्रँड निष्ठा वारंवार खरेदीसह पुष्टी केली गेली.

आयोजित केलेल्या शोध संशोधनामुळे आम्हाला विपणन समस्या आणि संशोधन समस्या तयार करण्याची परवानगी मिळाली.

व्यवस्थापन समस्या: कंपनीने मोटरसायकलचे उत्पादन वाढवण्यासाठी गुंतवणूक करावी का?

बाजार संशोधन समस्या: ग्राहक दीर्घकाळात एकनिष्ठ राहतील का?

पुढील संशोधन उद्दिष्टे (शोध प्रश्न) तयार करण्यात आली.

• 1. ग्राहक कोण आहेत?
• 2. बाजाराचे विभाजन करणे शक्य आहे का?
• 3. सर्व विभागांचे खरेदीचे हेतू समान आहेत का? त्यांना त्यांच्या हार्ले मोटरसायकली कशा समजतात?
• 4. त्यांची ब्रँड निष्ठा काय आहे?

पुढील गृहीतके पुढे मांडली आहेत.

• 1. सायकोग्राफिक वैशिष्ट्यांवर आधारित बाजाराचे विभाजन केले जाऊ शकते.
• 2. हार्ले मोटरसायकल घेण्यामागे प्रत्येक विभागाचे स्वतःचे हेतू आहेत.
• 3. सर्व विभागांमध्ये ब्रँड निष्ठा जास्त आहे.

निर्धारित ध्येय साध्य करण्यासाठी आणि कार्ये पूर्ण करण्यासाठी खालील पद्धती वापरल्या गेल्या.

• 1. फोकस गटांचा अभ्यास केला:
  • - वास्तविक मालक;
  • - संभाव्य मालक;
  • - इतर ब्रँडच्या मोटरसायकलचे मालक.
• 2. हार्ले मोटरसायकलचे ग्राहक प्रोफाइल आणि त्यांचे मूल्यांकन मिळविण्यासाठी 16,000 प्रश्नावली पाठवण्यात आल्या होत्या.

परिणामी, कंपनीला खालील परिणाम प्राप्त झाले.

सात विभाग ओळखले गेले आहेत (परिकल्पना 1 पुष्टी आहे):

• "साहसी पुराणमतवादी";
• "संवेदनशील व्यवहारवादी";
• "अनुयायी शैली";
• "निवांत पर्यटक";
• "नमुनेदार भांडवलदार";
• "थंड रक्ताचा एकटा";
• "धैर्य गमावणारा".

गृहीतक 2 चे खंडन केले आहे: खरेदी करताना, सर्व खरेदीदार या वस्तुस्थितीपासून पुढे गेले की हार्ले शक्ती, स्वातंत्र्य आणि स्वातंत्र्याचे प्रतीक आहे.

गृहीतक 3 (दीर्घकालीन ग्राहकांची निष्ठा) पुष्टी झाली आहे.

निधी गुंतवला आहे.

स्टेज 3. संशोधन योजनेचा विकास

विपणन संशोधन योजनात्याच्या यशासाठी आवश्यक. हे विपणन संशोधन समस्येची रचना किंवा निराकरण करण्यासाठी माहिती मिळविण्यासाठी आवश्यक पद्धती प्रकट करते. अभ्यास योजना समस्या सोडवण्यासाठी पूर्वी विकसित केलेल्या सामान्य दृष्टिकोनाचा तपशील देते. ही विपणन संशोधन योजना आहे जी त्याची अंमलबजावणी अधोरेखित करते. चांगली योजना उच्च कार्यक्षमता आणि संशोधनाची गुणवत्ता हमी देते.

योजना मुख्यत्वे आयोजित केल्या जात असलेल्या विपणन संशोधनाच्या प्रकाराद्वारे निर्धारित केली जाते. नियमानुसार, त्यात खालील गोष्टींचा समावेश आहे:

• - आवश्यक माहितीचे निर्धारण;
• - शोधाचा विकास, वर्णनात्मक आणि (किंवा) अभ्यासाचे कार्यकारण टप्पे;
• - मोजमाप आणि स्केलिंग प्रक्रियेची व्याख्या;
• - प्रश्नावली (मुलाखत फॉर्म) किंवा योग्य डेटा संकलन फॉर्म तयार करणे आणि पूर्व-तपासणी;
• - सॅम्पलिंग प्रक्रियेचे निर्धारण आणि त्याचा आकार;
• - डेटा विश्लेषण योजनेचा विकास.

त्यानंतरच्या चरणांमध्ये विविधांची निवड आणि अर्ज यांचा समावेश होतो

संशोधन पद्धती, ज्याचा आम्ही आता अधिक तपशीलवार विचार करतो.

सर्व प्रकारच्या संशोधनासाठी, प्रत्यक्ष आणि अप्रत्यक्ष विभागणी लागू केली जाऊ शकते:

• - प्रत्यक्ष - प्रतिसादकर्त्यांना अभ्यासाच्या उद्देशाची जाणीव आहे;
• - अप्रत्यक्ष - संशोधनाचा उद्देश प्रतिसादकर्त्यांपासून लपलेला आहे.

विपणन संशोधनाची गुणात्मक आणि परिमाणात्मक विभागणी देखील लागू केली जाते:

• - गुणात्मक - लहान नमुन्यांवर केलेले अभ्यास;
• - परिमाणवाचक - मोठ्या नमुन्यांवर केलेले अभ्यास.

• 2 रशियन मार्केटिंग एजन्सीचे सीईओ एम. डिमशिट्झ यांच्या मते, “आवश्यक मार्केटिंग माहितीपैकी 80% माहिती संस्थेमध्ये असते, आणखी 15% खुल्या स्त्रोतांकडून मिळवता येते किंवा स्वतः मिळवता येते आणि फक्त 5% माहिती. बाह्य कंत्राटदारांच्या सहभागासह योग्य विपणन संशोधन आवश्यक आहे”. विपणन विश्लेषण आणि संशोधन, http://www.p-marketing.ru/publications/applied-marketing/research-methods/m-rktinovyy-n-liz-i-issledov -निया
पहा: http://www.r-trends.ru/opinion/opinion_895.html

एंटरप्राइझमध्ये विश्लेषणात्मक कार्य विशेष गटाद्वारे केले जाते. ते स्वायत्त किंवा कोणत्याही विभागात समाविष्ट केले जाऊ शकते. अलीकडे, कंट्रोलिंग युनिट्स तयार केली गेली आहेत, ज्यांच्या कार्यांमध्ये ही क्रियाकलाप मुख्य म्हणून समाविष्ट आहे. काही, विशेषतः कठीण परिस्थितीत, ते सल्लागारांच्या सेवा वापरतात. लहान उद्योगांमध्ये, हे काम उपप्रमुख किंवा तज्ञांपैकी एकास नियुक्त केले जाऊ शकते.

IAS ची कार्ये समजून घेण्याचा दिवस, विश्लेषणात्मक कार्याशी संबंधित माहितीच्या देवाणघेवाणीचा अभ्यास करणे आवश्यक आहे. सर्वसाधारणपणे, विश्लेषण हे माहितीच्या प्रक्रियेवर आधारित असते जी विश्लेषकांनी कुठूनतरी मिळवली पाहिजे आणि स्वारस्य असलेल्या व्यक्ती किंवा संस्थात्मक एककांना माहिती जारी केली पाहिजे. व्यवस्थापनाशी संबंधित इतर प्रक्रियांच्या साखळीतील विश्लेषणात्मक प्रक्रियेचे स्थान आकृती 5 मध्ये दर्शविले आहे.

आकृती 5. व्यवस्थापकीय निर्णय घेण्याच्या साखळीतील विश्लेषणाचे स्थान

विश्लेषणासाठी माहितीचे सर्व स्त्रोत अंतर्गत आणि बाह्य विभागले जाऊ शकतात.

अंतर्गत स्त्रोतांचा समावेश आहे:

लेखांकन, विश्लेषणात्मक आणि वेअरहाऊस अकाउंटिंगसह;

सांख्यिकीय लेखा;

· व्यवस्थापन लेखा;

· व्यावसायिक पत्रव्यवहार;

· एंटरप्राइझमध्ये केलेल्या विविध अभ्यास आणि सर्वेक्षणांची सामग्री;

· वर्तमान दस्तऐवजीकरण, पुनरावृत्ती आणि लेखापरीक्षण इत्यादींच्या सामग्रीसह;

रेकॉर्ड केलेले सर्वेक्षण डेटा

मौखिक माहिती;

एंटरप्राइझ EIS आणि स्वायत्त वर्कस्टेशन्स (AWS) वर ऑपरेट केलेल्या डेटाबेसमधून माहिती;

लेखांकनाच्या सूचीबद्ध प्रकारांपैकी, लेखा आणि सांख्यिकीय लेखांकन हे अनिवार्य प्रकारचे लेखा आहेत.

माहितीच्या बाह्य स्त्रोतांमध्ये हे समाविष्ट आहे:

राज्य संस्था आणि उच्च संस्थांकडून (आश्रित उपक्रमांसाठी) स्थापना माहिती ही कायदेशीर आणि प्रशासकीय दस्तऐवज, सूचना इत्यादी आहेत जी ऑपरेटिंग परिस्थिती निर्धारित करतात,

विशेष माहिती संस्था आणि त्यांच्या माहिती भांडारांची माहिती, यामध्ये विविध निधी, आर्थिक आणि विनिमय इ.

· ग्रंथालय संग्रह आणि माहिती साठवण;

मास मीडिया आणि विशेष माहिती;

जागतिक माहिती संसाधने, जसे की इंटरनेट आणि इतर;

व्यवसाय बुद्धिमत्ता डेटा आणि माहितीचे इतर संभाव्य स्रोत.

दुसरीकडे, विश्लेषण सेवा इच्छुक ग्राहकांना माहिती प्रदान करते. त्याचे मुख्य ग्राहक निर्णय घेणारे (DM) आहेत.

एंटरप्राइझने त्याच्या विशेष मूल्यामुळे आणि कधीकधी गोपनीयतेमुळे अशा माहितीमध्ये प्रवेश करण्यासाठी एक प्रक्रिया स्थापित केली पाहिजे.

विश्लेषणात्मक प्रणालीच्या दृष्टिकोनातून, माहितीचे विभाजन केले जाऊ शकते:

एकत्रित डेटा

ऐतिहासिक माहिती,

· अंदाज डेटा.

एकत्रित डेटा. विश्लेषण वापरकर्त्यास तपशीलवार डेटामध्ये क्वचितच स्वारस्य असते. शिवाय, वापरकर्त्याची पातळी (व्यवस्थापक, व्यवस्थापक, विश्लेषक) जितकी उच्च असेल, निर्णय घेण्यासाठी त्याने वापरलेल्या डेटाच्या एकत्रीकरणाची पातळी जितकी जास्त असेल. उदाहरण म्हणून कार डीलरशिप घेऊ. अशा कंपनीच्या व्यावसायिक संचालकांना या प्रश्नात फारसा रस नाही: "झिगुलीचा कोणता रंग त्याच्या व्यवस्थापकांपैकी एकाद्वारे सर्वात यशस्वीरित्या विकला जातो - पेट्रोव्ह: पांढरा किंवा लाल?" दिलेल्या प्रदेशात कोणते मॉडेल आणि कोणत्या रंगांना प्राधान्य दिले जाते हे त्याच्यासाठी महत्त्वाचे आहे.

ऐतिहासिक माहिती. विश्लेषणात्मक समस्यांमधील डेटाची सर्वात महत्वाची मालमत्ता म्हणजे त्यांचे ऐतिहासिक चरित्र. जून 2004 मध्ये पेट्रोव्हची नोंद झाल्यानंतर. 2 व्होल्गा कार आणि 12 झिगुली कार विकल्या गेल्या, या इव्हेंटचा डेटा एक ऐतिहासिक (पूर्ण) तथ्य बनला. आणि या वस्तुस्थितीची माहिती प्राप्त झाल्यानंतर, सत्यापित केल्यानंतर आणि डेटाबेसमध्ये प्रविष्ट केल्यानंतर, ते तिथून कितीही वेळा वाचले जाऊ शकते, परंतु ते बदलले जाऊ शकत नाही आणि करू नये.

ऐतिहासिक डेटाची आणखी एक अंतर्निहित मालमत्ता म्हणजे डेटा ज्या वेळेशी संबंधित आहे त्याचे अनिवार्य तपशील. शिवाय, वेळ हा केवळ सर्वात सामान्यपणे वापरला जाणारा निवड निकष नाही, तर मुख्य निकषांपैकी एक आहे ज्याद्वारे वापरकर्त्याला प्रक्रिया आणि सादरीकरणादरम्यान डेटा ऑर्डर केला जातो.

बर्‍याच संस्था पारंपारिक आणि त्यांचे स्वतःचे कॅलेंडर चक्र दोन्ही वापरतात (आर्थिक वर्ष कॅलेंडर वर्ष म्हणून जानेवारीमध्ये सुरू होऊ शकत नाही, परंतु, उदाहरणार्थ, जूनमध्ये); जवळजवळ कोणत्याही विश्लेषणात्मक, सांख्यिकीय किंवा आर्थिक कार्यामध्ये वेळ हा एक मानक मापदंड आहे (अंदाज, एकूण धावणे, रोलिंग स्टॉक, मूव्हिंग सरासरी इ.).

अंदाज डेटा. जेव्हा आपण विश्लेषणात्मक प्रणालींमधील डेटाच्या अपरिवर्तनीयता आणि स्थिर स्वरूपाबद्दल बोलतो, तेव्हा आमचा अर्थ केवळ ऐतिहासिक डेटाची अपरिवर्तनीयता (आधीच घडलेल्या घटनांचे वर्णन करणारा डेटा) असा होतो. कोणत्याही परिस्थितीत हे गृहितक भविष्यसूचक डेटा (अद्याप न झालेल्या इव्हेंटबद्दलचा डेटा) पर्यंत विस्तारित होत नाही. आणि हा क्षण खूप महत्त्वाचा आहे.

उदाहरणार्थ, आम्ही जून 2005 साठी विक्रीचा अंदाज बांधत असल्यास. व्यवस्थापक पेट्रोव्हसाठी, नंतर, 2004 साठी वास्तविक (ऐतिहासिक) डेटा उपलब्ध होताच, ही आकृती वारंवार बदलली आणि शुद्ध केली जाऊ शकते. शिवाय, बर्‍याचदा अंदाज आणि मॉडेलिंग केवळ भविष्यात घडलेल्या घटनांवरच परिणाम करत नाही तर यापूर्वी घडलेल्या भूतकाळातील घटनांवर देखील परिणाम करतात. उदाहरणार्थ, विश्लेषण: "काय होईल (होईल)..., जर (असेल) असेल...?", भूतकाळातील डेटासह, काही डेटाची मूल्ये भिन्न आहेत या गृहीतावर आधारित आहे. वास्तविक लोकांकडून.

पहिल्या दृष्टीक्षेपात, जेव्हा आम्ही विश्लेषणात्मक प्रणालीची मूलभूत मालमत्ता म्हणून डेटाच्या अपरिवर्तनीयतेबद्दल बोलतो तेव्हा आम्ही स्वतःला विरोध करतो. पण ते नाही. हा स्पष्ट विरोधाभास, त्याउलट, ऐतिहासिक डेटाच्या अपरिवर्तनीयतेसाठी आवश्यकतेच्या महत्त्वावर जोर देतो आणि मजबूत करतो. जून 2004 च्या विक्रीच्या मूल्यासह आम्ही कितीही सराव केला (उदाहरणार्थ, विश्लेषण करताना: "काय... तर..?"), ऐतिहासिक (वास्तविक) डेटाची मूल्ये अपरिवर्तित राहिली पाहिजेत.

तांत्रिक दृष्टिकोनातून, विश्लेषणासाठी डेटा स्रोत खालील मुख्य फॉर्ममध्ये सादर केले जाऊ शकतात:

· एका विशिष्ट स्वरूपाच्या फायलींच्या स्वरूपात (पूर्वी सर्वात सामान्य स्वरूप डीबीएफ फाइल्स होते, परंतु आता एक्सएमएल स्वरूप वाढत्या वाटा व्यापू लागले आहे);

बहुतेक तज्ञांना परिचित रिलेशनल डेटाबेसच्या स्वरूपात, ज्यामध्ये प्राथमिक किंवा एकत्रित माहिती संग्रहित केली जाते;

डेटा वेअरहाऊसच्या स्वरूपात जे विविध विषयांच्या व्यवहार डेटाबेसमधून माहिती गोळा करतात आणि त्याचे एकत्रीकरण आणि पद्धतशीरीकरण तयार करतात;

अहवालांमधून मिळवलेल्या माहितीच्या स्वरूपात, जेव्हा विश्लेषणात्मक कार्य करण्याच्या प्रक्रियेत, एका अहवालाचे परिणाम (एकत्रित) इतर अहवालांसाठी डेटा स्रोत बनतात, ज्यामुळे विश्लेषणातील एकूण तांत्रिक साखळीचा एक स्रोत घटक असतो;

विश्लेषणात्मक उपप्रणाली किंवा अगदी माहिती प्रणालीवर दूरस्थ प्रक्रियेवर कॉल करून थेट प्राप्त केलेली माहिती. हे तंत्रज्ञान बर्‍याच प्रोग्रामिंग भाषांमध्ये, बहुतेक तांत्रिक प्लॅटफॉर्मवर लागू केले जाते आणि रिमोट प्रोसिजर कॉल (RPC - रिमोट प्रोसिजर कॉल) च्या जटिल विचारसरणीवर आधारित आहे;

· विविध मीडिया, वृत्तसंस्था आणि सामान्य कंपन्यांच्या पारंपारिक इंटरनेट साइट्स, आवश्यक माहितीच्या प्रकार आणि सामग्रीवर अवलंबून;

· "WEB सेवा", परस्परसंवाद जे SOAP आणि XML प्रोटोकॉलवर आधारित आहे आणि जे मूलभूत संकल्पनेनुसार, कॅटलॉगमध्ये नोंदणीकृत असले पाहिजे आणि UDDI प्रोटोकॉलद्वारे उपलब्ध असावे - या संकल्पनेचे मुख्य लक्ष्य एकल लवचिक तयार करणे आहे. पारंपारिक इंटरनेटद्वारे कोणतीही - किंवा माहिती सेवा (सेवा) प्रदान करण्यासाठी विविध कंपन्यांच्या माहिती प्रणालींच्या स्वयंचलित परस्परसंवादासाठी पायाभूत सुविधा. म्हणून स्वतःचे नाव - WEB सेवा (WEB सेवा).

विषय 3. आर्थिक विश्लेषणासाठी एक साधन म्हणून माहिती आणि विश्लेषणात्मक प्रणाली

1. माहिती-विश्लेषणात्मक प्रणालीची सामान्य संकल्पना.

2. IAS ची कार्ये आणि व्याप्ती.

3. विश्लेषणात्मक प्रणालींचे वर्गीकरण .

4. IAS बनवण्याच्या संकल्पना.

5. माहिती विश्लेषणात्मक प्रणालीची सामान्य रचना.

1. माहिती-विश्लेषणात्मक प्रणालीची सामान्य संकल्पना.

रशियन अर्थव्यवस्थेतील बाजार संबंधांच्या विकासाचा सध्याचा टप्पा आर्थिक पुनर्प्राप्तीच्या प्रारंभाद्वारे दर्शविला जातो. आज, वाढत्या संख्येने संस्थांना हे समजले आहे की बाजाराच्या स्थितीबद्दल वेळेवर आणि वस्तुनिष्ठ माहितीशिवाय, त्याच्या संभाव्यतेचा अंदाज न घेता, त्यांच्या स्वत: च्या संरचनेच्या कार्यक्षमतेचे सतत मूल्यांकन करणे आणि व्यावसायिक भागीदार आणि प्रतिस्पर्ध्यांशी संबंधांचे विश्लेषण करणे, त्यांचा पुढील विकास. जवळजवळ अशक्य होते. चालू आर्थिक प्रक्रियांबद्दलचे ज्ञान निर्णायक महत्त्व प्राप्त करू लागले आहे. व्यवसाय करण्याच्या यशावर वस्तुनिष्ठ आणि व्यक्तिनिष्ठ दोन्ही घटकांचा प्रभाव असतो. उद्दीष्ट घटकांमध्ये हे समाविष्ट आहे:

व्यवसाय प्रक्रियांचे नमुने,

कायदेशीर वातावरण

व्यवसाय करण्याचे अलिखित नियम आणि परंपरा,

· आर्थिक परिस्थिती इ.

एंटरप्राइझच्या कर्मचार्‍यांच्या आणि विशेषतः निर्णय घेणार्‍या (डीएम) च्या व्यावसायिक प्रक्रियेच्या प्रक्रियेवर होणारा प्रभाव हा व्यक्तिनिष्ठ घटक आहे.

सद्य परिस्थितीशी सुसंगत निर्णयांचा विकास आणि अवलंब करण्यासाठी, संपूर्णता, विश्वासार्हता, समयबद्धता (प्रासंगिकता), उपयुक्तता या आवश्यकता पूर्ण करण्यासाठी माहिती आवश्यक आहे.

निर्णय घेण्याच्या तयारीमध्ये मूलभूत भूमिका निर्णय घेणाऱ्याला उपलब्ध असलेल्या माहितीच्या आधारे त्याच्या पुष्टीकरणाद्वारे खेळली जाते. हे सहसा विविध अंतर्गत आणि बाह्य स्त्रोतांकडून प्राप्त केले जाते. पुरेसे समाधान विकसित करण्याच्या हितासाठी, अंतर्गत माहिती संसाधने वापरली जातात, ज्यात दस्तऐवजांमध्ये ऑब्जेक्टची क्रियाकलाप (कार्यरत) प्रतिबिंबित करणे, इतर प्रकार आणि माहिती गोळा करणे, प्रक्रिया करणे, संग्रहित करणे या पद्धती असतात. तसेच ऑब्जेक्टच्या बाहेरील माहिती संसाधने, उदाहरणार्थ (जर तो एक एंटरप्राइझ असेल) - कॉर्पोरेशन, उद्योग, प्रदेश, तसेच जागतिक - मीडिया, विशेष साहित्य, इंटरनेट इ.

अशा प्रकारे, एंटरप्राइझच्या क्रियाकलापांचे प्रतिबिंब आणि बाह्य वातावरणासह त्याच्या परस्परसंवादाचे प्रतिबिंब म्हणून माहितीच्या जागेच्या सीमा, ज्यामध्ये निर्णय घेतले जातात, एंटरप्राइझच्या सीमांच्या पलीकडे जातात.

या परिस्थितीमुळे सध्या उपलब्ध असलेले अत्यंत विकसित सॉफ्टवेअर आणि हार्डवेअर वापरणे आवश्यक आहे. या साधनांचा व्यापक आणि प्रभावी वापर हा अत्यंत स्पर्धात्मक वातावरणात एंटरप्राइझचे अस्तित्व आणि यशाचा एक घटक बनला आहे. स्वयंचलित माहिती प्रणाली व्यापक बनल्या आहेत.

निर्णय घेण्यासाठी प्रारंभिक माहितीचे विश्लेषण करण्याची समस्या इतकी गंभीर झाली की एक वेगळी दिशा किंवा माहिती प्रणालीचा प्रकार दिसू लागला - माहिती-विश्लेषणात्मक प्रणाली (IAS).

व्यवस्थापन निर्णय घेण्यात मदत करण्यासाठी माहिती आणि विश्लेषणात्मक प्रणाली (IAS) रीअल-टाइम डेटाच्या आधारे तयार केल्या आहेत. व्यवहाराच्या स्थितीचे विश्लेषण करण्यासाठी आणि व्यवस्थापन निर्णय घेण्यासाठी जबाबदार असलेल्या वापरकर्त्यांना सर्व आवश्यक डेटा सेटच्या दृश्य आणि तत्पर तरतुदीवर आधारित धोरणात्मक, रणनीतिक आणि ऑपरेशनल व्यवस्थापन निर्णयांचा अवलंब करण्यास समर्थन देण्यासाठी IAS हे एक आधुनिक अत्यंत प्रभावी साधन आहे. माहिती आणि विश्लेषणात्मक प्रणालींचे कॉम्प्लेक्स संपूर्ण व्यवस्थापनावर परिणाम करते: कॉर्पोरेट अहवाल, आर्थिक आणि आर्थिक नियोजन आणि धोरणात्मक नियोजन.

सहसा, विपणन संशोधन आयोजित करताना, प्राथमिक आणि दुय्यम डेटाच्या आधारे प्राप्त केलेली माहिती वापरली जाते.

विशिष्ट विपणन समस्येचे निराकरण करण्यासाठी विशेषतः केलेल्या तथाकथित फील्ड मार्केटिंग संशोधनाच्या परिणामी प्राथमिक डेटा प्राप्त केला जातो; त्यांचे संकलन निरीक्षणे, सर्वेक्षणे, प्रायोगिक अभ्यासाद्वारे केले जाते, नियमानुसार, अभ्यासाखालील वस्तूंच्या एकूण संचाच्या भागावर केले जाते - एक नमुना.

तथाकथित डेस्क मार्केट रिसर्चच्या आचरणामध्ये वापरण्यात येणारा दुय्यम डेटा म्हणजे मार्केट रिसर्च व्यतिरिक्त इतर उद्देशांसाठी अंतर्गत आणि बाह्य स्त्रोतांकडून पूर्वी गोळा केलेल्या डेटाचा संदर्भ आहे. दुसऱ्या शब्दांत, दुय्यम डेटा हा विशेष बाजार संशोधनाचा परिणाम नाही. दुय्यम संशोधनासाठी (फर्मच्या संबंधात) बाह्य आणि अंतर्गत स्त्रोत वेगळे करा. माहितीचे अंतर्गत स्त्रोत म्हणून, तेथे असू शकते - विपणन आकडेवारी (उलाढालची वैशिष्ट्ये, विक्रीचे प्रमाण, विक्रीचे प्रमाण, आयात, निर्यात, तक्रारी), विपणन खर्चावरील डेटा (उत्पादन, जाहिरात, जाहिरात, विक्री, संप्रेषणांद्वारे), इतर डेटा ( इंस्टॉलेशन्स, उपकरणे, कच्चा माल आणि सामग्रीसाठी किंमत सूची, स्टोरेज सिस्टमची वैशिष्ट्ये, ग्राहक नकाशे इ.) च्या कामगिरीवर.

बाह्य स्रोत आहेत:

• - राष्ट्रीय आणि आंतरराष्ट्रीय अधिकृत संस्थांची प्रकाशने;
• - राज्य संस्था, मंत्रालये, नगरपालिका समित्यांची प्रकाशने;
• - चेंबर ऑफ कॉमर्स अँड इंडस्ट्री आणि असोसिएशनची प्रकाशने;
• - सांख्यिकीय माहितीची वार्षिक पुस्तके;
• - उद्योग कंपन्या आणि संयुक्त उपक्रमांचे अहवाल आणि प्रकाशन;
• - पुस्तके, मासिके आणि वर्तमानपत्रांमधील संदेश;
• - शैक्षणिक, संशोधन, डिझाईन संस्था आणि सार्वजनिक वैज्ञानिक संस्थांची प्रकाशने, परिसंवाद, काँग्रेस, परिषद.

दुय्यम संशोधनाचे मुख्य फायदे आहेत:

• - डेस्क रिसर्च आयोजित करण्याची किंमत फील्ड रिसर्च वापरून समान संशोधन आयोजित करण्याच्या खर्चापेक्षा कमी आहे;
• - बहुतेक भागांसाठी, संशोधन सोडवण्यासाठी फक्त दुय्यम माहिती पुरेशी आहे, म्हणून प्राथमिक संशोधन अनावश्यक होते;
• - क्षेत्रीय संशोधनाची उद्दिष्टे, त्याचे नियोजन आणि नमुना पद्धतीचा वापर निश्चित करण्यासाठी, मार्केटिंग संशोधनाचे उद्दिष्ट साध्य न झाल्यास डेस्क संशोधनाचे परिणाम वापरण्याची शक्यता.

ज्या प्रकरणांमध्ये दुय्यम अभ्यास इच्छित परिणाम देत नाही, प्राथमिक (फील्ड) अभ्यास केला जातो.

प्राथमिक डेटा मिळविण्याच्या मुख्य पद्धती म्हणजे सर्वेक्षण, निरीक्षण, प्रयोग आणि पॅनेल. सर्वेक्षण आणि मुलाखत ही सर्वात जास्त वापरली जाणारी पद्धत आहे. प्रत्येक पद्धतीचा वापर इतरांसह संयोजनात केला जाऊ शकतो, फील्ड संशोधन डेस्क संशोधनापेक्षा नेहमीच महाग असते. म्हणून, ते अशा प्रकरणांमध्ये वापरले जातात जेथे:

• - दुय्यम संशोधनाच्या परिणामी, आवश्यक परिणाम प्राप्त झाला नाही आणि योग्य विपणन कार्यक्रम आयोजित करणे शक्य नाही;
• - क्षेत्रीय संशोधनासाठी उच्च खर्च संबंधित समस्येचे निराकरण करण्याच्या महत्त्व आणि आवश्यकतेद्वारे भरपाई केली जाऊ शकते.

क्षेत्रीय अभ्यास पूर्ण किंवा सतत असू शकतो जर तो संशोधकाला स्वारस्य असलेल्या उत्तरदात्यांच्या संपूर्ण गटाला कव्हर करत असेल आणि काही टक्के उत्तरदात्यांचा समावेश असेल तर आंशिक. डेस्क किंवा फील्ड रिसर्च आयोजित करण्याच्या सर्वसाधारण बाबतीत, हे लक्षात घेतले पाहिजे की संशोधन प्रक्रियेतील डेटाचे संकलन आणि प्रक्रिया अशा पद्धतींद्वारे केली जाते ज्या मार्केटिंग सिद्धांताने गणित, सांख्यिकी, मानसशास्त्र आणि सामाजिक समाजशास्त्र यांच्याकडून घेतलेल्या आहेत. अर्थशास्त्र विपणन संशोधनाच्या प्रक्रियेत प्राप्त केलेला डेटा प्रक्रिया, सामान्यीकरण आणि व्याख्या या प्रक्रियेतून जाणे आवश्यक आहे. या प्रकरणात, तीन क्षेत्रे ओळखली जातात: ऑर्डरिंग, स्केलिंग (स्केलिंग), सामान्यीकरण आणि विश्लेषण. डेटा ऑर्गनायझिंगमध्ये डेटाचे वर्गीकरण, परिणाम संपादित करणे आणि कोडिंग करणे आणि डेटा सारणी करणे समाविष्ट आहे. संपादन म्हणजे डेटा पाहणे, याचा अर्थ त्यांच्या वापराची शक्यता. पाहिल्या गेलेल्या डेटा सामग्रीचे सारणीच्या स्वरूपात सादरीकरण म्हणजे त्यांचे सारणी. स्केलिंग म्हणजे विशिष्ट निकषांनुसार डेटाचे वर्गीकरण करणे. सराव मध्ये, एक नाममात्र स्केल (वर्गीकरण), एक क्रमिक स्केल (रँक) आणि परिमाणवाचक (मेट्रिक) वापरले जातात. डेटाचे विश्लेषण आणि सामान्यीकरण मॅन्युअल, संगणक (अर्ध-संगणक), पॉकेट संगणक वापरला जातो तेव्हा आणि इलेक्ट्रॉनिक (वैयक्तिक किंवा मोठ्या संगणकाचा वापर करून) प्रक्रियेद्वारे केले जाते. प्रक्रियेसाठी, वर्णनात्मक आणि विश्लेषणात्मक दोन्ही पद्धती वापरल्या जातात. मार्केटिंगमधील विश्लेषणात्मक पद्धतींपैकी बर्‍याचदा वापरल्या जातात: ट्रेंड विश्लेषण, नॉन-लिनियर रिग्रेशन आणि सुधारणा पद्धती, भेदभाव विश्लेषण, क्लस्टर विश्लेषण, घटक विश्लेषण आणि इतर.