امروزه با پیشرفت‌هایی که در حوزه فن‌آوری صورت گرفته است، کاربرد داده در کسب‌وکار بیش از گذشته توسعه یافته است. این پیشرفت‌ها در ده‌های گذشته سه حوزه اصلی را شامل می‌شود. اول، پیشرفت فنّاوری باعث شده حجم انبوهی از داده تولید شود. گسترش استفاده از دستگاه‌های کارت‌خوان الکترونیکی در فروشگا‌ه‌ها، تجارت و تبلیغات در فضای اینترنت، توسعه شبکه‌های مجازی اجتماعی و بهره‌گیری از انواع دستگاه‌های الکترونیکی شخصی مانند گوشی‌های هوشمند، تلویزیون‌های تعاملی (IPTV) و … حجم انبوهی از اطلاعات را تولید کرده است. دوم، افزایش توان سخت‌افزاری برای ذخیره‌سازی این حجم از داده‌ها با قیمت‌های نسبتاً پایین است. سوم، توسعه و پیشرفت روش‌های محاسباتی و الگوریتم‌ها برای تجزیه‌وتحلیل داده‌های با حجم بالاست. این سه تحول عمده سازمان‌ها را قادر کرده است تا با سرعت و کارایی بیشتر مسائل پیچیده‌تری را حل کنند.
احتمالاً اصطلاحاتی مانند هوش تجاری (Business Intelligence)، روش‌های تحلیلی کسب‌وکار (Business Analytics)، مدیریت داده‌محور (Data Driven Management)، داده‌کاوی (Data Mining)، هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning) را شنیده باشید. اگر بخواهم در یک عبارت همه دلالت‌های این حوزه‌ها را بر کسب‌وکار خلاصه کنم، آن “بهبود تصمیم‌گیری” است. این حوزه‌ها به مدیران سازمان‌ها کمک می‌کند تا با بهره‌گیری از روش علمی داده‌ها را تبدیل به شهودی کنند که بتوانند درباره چالش‌هایی که در کسب‌وکارشان با آن مواجه هستند، تصمیمات بهتری بگیرند.
قبل از پرداختن به این‌که هوش تجاری چگونه قرار است به بنگاه‌های رسانه‌ای سنتی مانند تلویزیون، رادیو و روزنامه کمک کند باید کمی در مورد چالش‌هایی صحبت کنم که سازمان‌های سنتی رسانه‌ای با آن مواجه هستند.
چالش‌های بنگاه‌های رسانه‌ای
امروزه برخلاف قرن بیستم فضای رسانه‌ای از حالت انحصار خارج شده است و مخاطبان با حجم انبوهی از گزینه‌ها مواجه هستند. این باعث شده رفتار مخاطبان تغییر کند؛ مطالعات نشان می‌دهد تمایل مخاطبان برای دیدن برنامه‌های از قبل برنامه‌ریزی‌شده مانند سریال‌های تلویزیونی پیوسته رو به کاهش بوده است.
همچنین مخاطبان تمایل دارند محتواهای تخصصی و متناسب با نیازشان دریافت کنند. برای مثال فرض کنید من کسی هستم که به‌تازگی با هنر اوریگامی (هنر ساخت مدل‌های کاغذی تنها با استفاده از تاکردن کاغذ) آشنا و به آن به‌شدت علاقه‌مند شدم. این علاقه من را ترغیب می‌کند تا در فضاهای آنلاین محتواهایی را دنبال کنم تا بتوانم مدل‌های مختلف اوریگامی را بسازم. ممکن است در یک ماه آینده این علاقه موجب شود من روزی سه ساعت برای ساختن اوریگامی وقت بگذارم. شاید بعد از مدتی شور و هیجان من افت کند و از دنبال کردن محتواهای مربوط به اوریگامی صرف‌نظر کنم. شاید هم برعکس بخواهم تخصصی‌تر آن را دنبال کنم. در سمت دیگر افرادی هستند که سال‌ها به این هنر علاقه‌مند بودند و در آن کسب تجربه کردند. به لطف فن‌آوری، امروزه این افراد می‌توانند با هزینه بسیار پایین‌تر از رسانه‌های سنتی، انواع محتوا را به شکل خلاقانه و جذاب تولید کنند. جالب آنکه برخلاف گذشته آن‌ها می‌توانند از طریق پرداختن به علاقه‌شان پول هم دربیاورند. اگر شما بتوانید مخاطب جذب کنید از طریق تبلیغات، یا فروش محصولات مکمل محتوای شما و مانند آن می‌توانید درآمد هم برای خود ایجاد کنید. طبیعی است برای مخاطب، این محتواها خیلی جذاب‌تر و متناسب‌تر با نیازش است. این را مقایسه کنید با محتوای سنتی که یک رسانه تولید می‌کرده است؛ یک برنامه که هر هفته یک‌بار پخش می‌شده و در آن کسی توضیحات کلی در مورد نحوه ساخت اوریگامی می‌داده و نحوه درست کردن چند مدل محدود را هم آموزش می‌داده است.
به‌این‌ترتیب فضای رسانه‌ای امروز به‌مراتب گسسته‌تر شده و انواع بازیگران خرد در آن مشغول هستند. در کنار آن‌ها بازیگران جدید و با توان مالی فراوان نیز به عرصه آمدند. برخلاف گذشته نمی‌توان مرز دقیقی برای حوزه رسانه ترسیم کرد. درگذشته وقتی صحبت از رسانه می‌شد، نام شبکه‌های تلویزیونی و رادیویی و روزنامه‌ها به ذهن می‌آمد. امروز این طیف خیلی وسیع‌تر شده است. پلتفرم‌های ارائه‌کننده ویدئو مانند یوتیوب (YouTube) یا در کشور خودمان آپارات، پلتفرم‌های ارائه‌کننده فیلم و سریال مانند نتفلیکس (Netflix)، شبکه‌های اجتماعی و پیام‌رسان‌ها همگی از رسانه‌های جدید هستند که با مدل‌های جدید کسب‌وکارشان بنگاه‌های رسانه‌ای را به چالش کشیده‌اند. این پلتفرم‌ها خودشان نیز وارد ساخت محتواهای جذاب برای مخاطبانشان شده‌اند.
نکته آخر مربوط به مدل‌های جدید تبلیغات در رسانه‌هاست. ازآنجاکه تبلیغات همواره یکی از منابع درآمدی مهم رسانه‌های خصوصی و دولتی بوده است، فهم روندهای جاری اهمیت دارد. مدل سنتی تبلیغات در رسانه‌ها این‌گونه است که بنگاه رسانه‌ای با تولید محتوا مخاطب جذب و در کنار محتوای خود تبلیغات به آنان عرضه می‌کند. در رسانه‌های نوظهور نیز همچنان این مدل رواج دارد (Publisher Centric Ad-Networks Platforms). در این مدل شبکه‌های تبلیغاتی مجموعه‌ای از وب‌سایت‌ها و سایر رسانه‌ها را در اختیار دارند و تبلیغات را در آن‌ها منتشر می‌کنند. در ایران نمونه‌هایی مانند آی نتورک، کلیک یاب، صباویژن و … در بازار حضور دارند. در این مدل جریان نقدی و قیمت‌گذاری با تولیدکننده محتوا و شبکه تبلیغاتی است.
اما روندی که این مدل را به چالش می‌کشد ظهور مدل‌هایی است که اختیار نمایش تبلیغات را به سمت مخاطب هدایت می‌کند. با افزایش رقابت در فضای تبلیغات پلتفرم‌هایی که اختیار بیشتری به مخاطب برای دیدن تبلیغات می‌دهند رو به افزایش است (Demand Side Platforms). برای مثال مخاطب قبل از دیدن ویدئوی آنلاین موردعلاقه‌اش تصمیم می‌گیرد ترجیحش برای دیدن تبلیغ چیست. ظهور این مدل‌ها، قدرت شبکه‌های تبلیغاتی و تولیدکننده‌های محتوا را بر روی قیمت‌گذاری و نمایش تبلیغات کاهش می‌دهد.
مدل سوم، تبادل تبلیغات (Ad-Exchange) نام دارد. در این روش که گوگل (Google) و مایکروسافت (Microsoft) از آن استفاده می‌کنند، پلتفرم انبوهی از مخاطب را به خود جلب می‌کند و به‌جای فروش تبلیغات، توجه مخاطب است که به بنگاه‌های تبلیغاتی فروخته می‌شود. به‌این‌ترتیب که بر اساس رفتار مخاطب در فضای وب و جستجویی که انجام می‌دهد، الگوریتم‌های هوشمند شناسایی می‌کنند که مخاطب در حال حاضر به چه چیزی نیاز دارد و بهترین تبلیغی که متناسب با نیازش است از بین انبوهی از تبلیغات موجود به او نشان داده می‌شود. این روش امکان می‌دهد بازاریابی و تبلیغات به شکل دقیق‌تری مخاطب را هدف قرار دهد.
انتظارات کسب‌وکارها از رسانه‌ها
یکی از مهم‌ترین منابع درآمدی بنگاه‌های رسانه‌ای از تبلیغاتی است که کسب‌وکارها به آن‌ها سفارش می‌دهند. بنابراین اهمیت دارد که مدیران رسانه از انتظارات کسب‌وکارها آگاه باشند. زمانی بسیاری از شرکت‌ها از این‌که تبلیغاتشان در پربیننده‌ترین ساعت پخش تلویزیونی به نمایش درمی‌آمد خیلی خوشحال می‌شدند. این انتظارات در حال تغییر است. من با مدیرانی صحبت کردم که با محاسبه هزینه تمام‌شده جذب مشتری و مقایسه آن با کانال‌های رسانه‌ای دیگر متوجه شدند لزوماً نمایش یک تبلیغ تلویزیونی در ساعات اوج به نفعشان نیست. امروزه دیگر کافی نیست که مدیر بازاریابی یک شرکت بداند مخاطبان یک برنامه ورزشی بیشتر از جوانان هستند. او می‌خواهد بداند توزیع سنی، جنسیت، درآمد، محل زندگی، ترجیحات خرید و … مخاطبان آن برنامه چگونه است. ضمن این‌که برای مدیران کسب‌وکارها صرفاً دیده شدن مهم نیست، تبدیل بیننده تبلیغ به خریدار کالا یا خدمات و برآورد نرخ‌های تبدیل هم اهمیت دارد. این اطلاعات به او کمک می‌کند تا هدفمندتر بودجه محدود تبلیغاتی خود را به کانال‌های رسانه‌ای تخصیص دهد. در یک‌کلام فضای بازاریابی و تبلیغات از رویکردهای کیفی به سمت رویکردهای کمّی در حال حرکت است.
از دید مخاطب
مخاطبان نیز با حجم انبوهی از تبلیغات مواجه هستند. بر اساس گزارشی که شرکت آی. بی. ام (IBM) در سال ۲۰۱۵ منتشر کرده است ۵۰ درصد مخاطبان گفتند نبود تبلیغات برایشان بسیار اهمیت دارد و ۳۰ درصد حتی تمایل دارند که پول بدهند تا تبلیغات را نبینند. بنابر این گزارش ۴۰ درصد مخاطبان حاضرند فعالانه در انتخاب تبلیغاتی که قرار است برایشان به نمایش دربیاید مشارکت کنند و ۳۰ درصد هم تبلیغات سفارشی‌شده را می‌پسندند. پیام گزارش این است که گرچه مخاطبان از تبلیغات انبوه خسته شدند اما تبلیغات متناسب با نیازشان امر مطلوبی درک می‌شود.
کاربرد هوش تجاری در بنگاه‌های رسانه‌ای
بنگاه‌های رسانه‌ای مانند هر بنگاه دیگری از بخش‌های عملکردی مختلفی تشکیل شده‌اند. تمرکز من در کاربرد هوش تجاری بر روی ارتباط بنگاه رسانه‌ای با مخاطبش است. در سایر حوزه‌های عملیاتی مانند هر سازمان دیگری ظرفیت‌های خوبی برای استفاده از هوش تجاری وجود دارد که در این مقاله بحث شده است.
در گذشته مخاطبان به شکل یک توده انبوه دیده می‌شدند. امروزه منابع داده‌ای مختلف این امکان را به بنگاه‌های رسانه‌ای می‌دهند که مخاطبان را به شکل افرادی با ترجیحات متفاوت ببیند. منابع داده‌ای سنتی، منابع داده‌ای ساختاریافته و منابع داده‌ای غیرساختاریافته کمک می‌کند تا یک نمای ۳۶۰ درجه از مخاطب به دست بیاید (شکل-۱).
به‌طور مشخص هوش تجاری در چهار حوزه اصلی کمک می‌کند:
اول، اجازه می‌دهد که ترجیحات و رفتارهای مخاطبان روشن شود. به‌این‌ترتیب به‌جای مخاطب عام، با بخش‌بندی‌های دقیق‌تر و جزئی‌تر از مخاطبان روبرو هستیم. برای مثال فن‌آوری HbbTV (Hybrid Broadcast Broadband TV) این امکان را به بنگاه‌های رسانه‌ای می‌دهد که مخاطب خدمات ارزش‌افزوده مانند آرشیو برنامه‌های تلویزیونی، بازی، نتایج مسابقات ورزشی، خبر و … را بر روی گیرنده خود دریافت کند. همچنین او می‌تواند با برنامه به تعامل بپردازد، در نظرسنجی‌ها شرکت کند و یا محتوای صوتی، تصویری و یا نوشته برای برنامه بفرستد. تحلیل داده‌هایی که از تعامل مخاطب با خدمات ارزش‌افزوده تولید می‌شود علایق، سلیقه‌ها و مشخصات جمعیت‌شناختی مخاطب را روشن‌تر می‌کند. این به بنگاه رسانه‌ای اجازه می‌دهد متناسب با نیاز و سلیقه گروه‌های مخاطبان تبلیغات را به نمایش بگذارد.
دوم، هوش تجاری این امکان را به بنگاه رسانه‌ای می‌دهد که میزان درگیرشدن مخاطب (Engagement) با برنامه را تقریباً به شکل بلادرنگ (Real-Time) بسنجد، نرخ ریزش (Churn Rate) مخاطب را در طول مسیر یک برنامه تلویزیونی یا رادیویی محاسبه کند و با استفاده از بازخوردهایی که از مخاطبان می‌گیرد کیفیت برنامه را بهبود دهد. به‌طور سنتی بنگاه‌های رسانه‌ای برای مثال در پایان یک سریال از طریق نظرسنجی و بررسی یک نمونه آماری محدود تا حدی میزان اقبال مخاطبان به برنامه را سنجش می‌کردند. علاوه بر تحلیل داده‌های تولیدشده از تلویزیون‌های تعاملی که در بالا اشاره شد، امروزه بنگاه‌های رسانه‌ای می‌توانند از تحلیل رفتارهای مخاطبان و بررسی نظرات و واکنش‌های آنان در شبکه‌های اجتماعی اطلاعات ارزشمندی از کمیت و کیفیت درگیر شدن مخاطب با برنامه به دست آورند.
سوم، شناخت بیشتر مخاطب این امکان را می‌دهد که متناسب با نیاز او محتوا تولید شود. به نظر می‌رسد هرچه جلوتر می‌رویم مخاطبان به برنامه‌های تخصصی‌تر علاقه‌مندتر می‌شوند. شناسایی بخش‌های مختلف بازار و تقسیم آن به گروه‌های کوچک‌تر این امکان را می‌دهد تا سلایق و نیازهای هر گروه مشخص‌تر و برنامه‌های سفارشی‌شده‌تر تولید شود. به این توجه شود که فن‌آوری‌هایی مانند HbbTV این امکان را فراهم می‌کند که تولیدکنندگانِ خُردِ محتوا در پلتفرم تلویزیون حضور یابند و به تولید برنامه بپردازند. در سمت دیگر پلتفرم مخاطبانی هستند که به دنبال محتوای هماهنگ با سلایقشان می‌گردند. چنین پلتفرمی می‌تواند نرخ درگیری مخاطب با تلویزیون را افزایش دهد و به دنبال آن بنگاه رسانه‌ای بتواند تبلیغات بیشتری جذب کند و درآمدش را افزایش دهد.
چهارم، روش‌های هوش تجاری به بنگاه رسانه‌ای قدرت پیش‌بینی می‌دهد. تحلیل داده‌های گذشته این امکان را می‌دهد که بنگاه بتواند پیش‌بینی کند برنامه جدیدی که می‌خواهد ارائه کند چقدر بیننده خواهد داشت و یا میزان درآمد حاصل از تبلیغات در بین برنامه چقدر خواهد بود. همچنین به او کمک می‌کند تصمیم بگیرد چه آمیزه‌ای از کانال‌های رسانه‌ای مختلف (تلویزیون، رادیو، وب‌سایت، شبکه اجتماعی، پیام‌رسان و …) را برای انتشار محتوایش بکار گیرد چراکه لزوماً همه کانال‌ها برای انتشار هر محتوایی مناسب نیست.
در زیر من به سه موردکاوی موفق از کاربرد هوش تجاری در رسانه‌های سنتی اشاره می‌کنم.
موردکاوی اینتراویژن (Entravision)
اینتراویژن یکی از اولین‌ها در صنعت رسانه است که به روش‌های تحلیلی در حوزه رسانه روی آورد. اینتراویژن بزرگ‌ترین شبکه رسانه‌ای برای اسپانیایی‌زبانان در آمریکاست. اینتراویژن شامل کانال‌های رسانه‌ای متنوع مانند رادیو، تلویزیون، وب‌سایت و … است. مدیران این بنگاه رسانه‌ای در سال ۲۰۱۲ پروژه‌ای به نام لومینار (Luminar) را آغاز می‌کنند. هدف پروژه این بود تا به بنگاه‌های تبلیغاتی و بازاریابی کمک کند تا دید دقیق‌تری نسبت به مصرف‌کنندگان اسپانیایی‌زبان به دست آورند. اسپانیایی‌زبان‌ها در آمریکا حدود ۱۸ درصد جمعیت آمریکا را تشکیل می‌دهند و برآورد می‌شود قدرت خرید آنان ۱٫۵ میلیارد دلار است. تا آن زمان اطلاعات دقیق و جامعی از فرهنگ، ترجیحات و رفتار آنان در دست نبود. این در حالی بود که اینتراویژن سال‌ها برای اسپانیایی‌زبانان محتوا تولید کرده بود و آنان را به‌خوبی می‌شناخت. ضمن این‌که به منابع داده‌ای دسترسی داشت و یا می‌توانست داشته باشد که به شکل کمّی نمای خوبی از این بخش از بازار ارائه کند.
چهار عامل اصلی باعث شد تا مدیران این بنگاه رسانه‌ای پروژه لومینار را آغاز کنند. اول، این پروژه محرکی بود برای این‌که سازمان به سمت داده‌محور بودن سوق داده شود. مدیران اینتراویژن به‌درستی فهمیدند که استفاده از داده برای تصمیم‌گیری‌های سازمان، روند رو به رشدی در دنیای کسب‌وکار دارد. فرهنگ‌سازمانی اینتراویژن داده‌محور نبود. این پروژه آزمونی بود تا سازمان مزایای داده‌محور بودن را درک کند و به حرکت به این سمت تشویق شود. دوم، بازار اسپانیایی‌زبان‌ها پتانسیل بالایی برای شرکت‌ها داشت درحالی‌که از این پتانسیل به‌طور کامل استفاده نشده بود. لومینار قرار بود تا دید بهتری از این بخش از بازار به شرکت‌ها بدهد. سوم، این پروژه می‌توانست به منبع درآمدی جدیدی برای بنگاه تبدیل شود. خدمات لومینار به شرکت‌ها پس از گذشت پنج سال از فعالیتش ۱۰ درصد درآمد اینتراویژن را ایجاد می‌کند.
لومینار امروز شامل چندین سامانه مبتنی بر وب است که به متقاضیان داده‌های مربوط به مشخصات رفتاری و ترجیحات مصرف‌کنندگان اسپانیایی‌زبان را می‌دهد. برای دسترسی به وب‌سایت این پروژه به آدرس زیر بروید:
http://www.luminarinsights.com/
موردکاوی شبکه فاکس (Fox Networks)
شبکه فاکس مشتمل بر بیش از ۳۰۰ کانال رسانه‌ای در حوزه ورزش، فیلم و سریال، مستند و خبر است که به زبان‌های مختلف دنیا برنامه پخش می‌کند. در سال ۲۰۱۶ شبکه فاکس یک پروژه آزمایشی با شبکه اجتماعی فیس‌بوک (Facebook) اجرا می‌کند. شبکه فاکس تصمیم می‌گیرد تا سریال جدید Outcast را دو هفته جلوتر از پخش تلویزیونی، برای دنبال کنندگان صفحه اجتماعی خود در فیس‌بوک از طریق امکان پخش زنده نمایش دهد (شکل-۲).
چرا فاکس این کار را می‌کند؟ برای این‌که به او اجازه می‌دهد تا رفتار مخاطبانش را تحلیل کند. به‌طور سنتی رسانه‌ها پس از پخش یک سریال یا در حین پخش آن به‌صورت دوره‌ای از طریق نظرسنجی از میزان رضایت مخاطبان و دیدگاه آنان مطلع می‌شدند. این در حالی است که در شبکه اجتماعی شما به داده‌های غنی‌تر و به‌هنگام‌تری دسترسی دارید، رفتار واقعی مخاطبان را می‌بینید و از ترجیحات و علایق آنان در سایر حوزه‌ها اطلاع به دست می‌آورید (نمای ۳۶۰ درجه از مخاطب). همین‌طور می‌توانید افراد اثرگذار (Influencers) را که در جهت‌دهی افکار عمومی به محتوا نقش مهمی بازی می‌کنند، شناسایی کنید. با تحلیل احساسات (Sentiment Analysis) و آنالیز نظرهای کاربران می‌توانید به شکل کمّی از واکنش آن‌ها آگاه بشوید. درنهایت با این کار فاکس توانست تصویر برند خود را بهبود بخشد و به شکل کمّی نیز میزان اثرگذاری بهبود برند خود را سنجش کرد.
موردکاوی شبکه دو (TV2) نروژ
در سال ۲۰۱۴ شبکه دو نروژ که یک شبکه تجاری است حق پخش المپیک زمستانی روسیه را به دست آورد. در نروژ به‌طور سنتی پخش رویدادهای مهم ورزشی از شبکه دولتی نروژ (NRK) صورت می‌گرفت. پخش یک رویداد ملی از یک شبکه تجاری بحث و نظرات مثبت و منفی زیادی در سطح جامعه نروژ ایجاد کرد. با استفاده از تحلیل رفتار مخاطبان شبکه‌های اجتماعی، محققان به بررسی واکنش مخاطبان در طول پخش این رویداد پرداختند. ساختار اجرایی پروژه داده‌کاوی را در شکل-۳ ملاحظه می‌کنید. در این پروژه از دو منبع عمده داده‌ای استفاده شد. یکی، نظرسنجی‌های سنتی که از مخاطبان دو شبکه تلویزیونی صورت گرفت و دیگری، تحلیل داده‌های کاربران شبکه اجتماعی فیس‌بوک. نکته جالب‌توجه در شکل-۳ این است که حجم نمونه نظرسنجی در حدود ۴۶۰۰ نفر است و حجم نمونه در شبکه اجتماعی بیش از ۶ میلیون و پانصد هزار کاربر است. جالب است بدانید که جمعیت نروژ در حدود ۵ میلیون نفر است.
این مطالعه به جنبه‌های مختلفی از رفتارهای کاربران در حین پخش المپیک زمستانی روسیه اشاره می‌کند. من تنها به چند نکته جالب اکتفا می‌کنم. اول، مطالعات نشان داد علیرغم جنجال‌های ایجادشده، درمجموع مخاطبان نظر مثبتی نسبت به پخش این رویداد از شبکه دو نروژ داشتند. بنابراین تصمیم خرید حق پخش تصمیم درستی بوده است و باید ادامه یابد. دوم، به دلیل اختلاف ساعت بین نروژ و روسیه، زمانی از تلویزیون برنامه به‌طور مستقیم پخش می‌شد که بیشتر افراد سرکار بودند. بنابراین آنان تصمیم گرفته بودند بازپخش رویدادهای ورزشی را در ساعات اوج بیننده به نمایش دربیاورند. تحلیل داده‌ها نشان داد این تصمیم مناسبی نبوده است و بیشتر بازپخش‌ها از اقبال زیادی برخوردار نشدند. سوم، پس از اتمام یک مسابقه ورزشی حجم فعالیت کاربران در شبکه‌های اجتماعی مانند نظر دادن، لایک کردن و نوشتن مطلب بسیار افزایش می‌یابد. این در حالی بود که شبکه دو استراتژی مشخصی برای بهره بردن از این مومنتوم برای ترویج خود نداشت. چهارم، تحلیل احساسات کاربران نشان داد بین احساسات خشم و عصبانیت و باخت تیم نروژ و پخش آگهی تلویزیونی همبستگی معنی‌داری وجود دارد. توصیه محققان این بود تا جای ممکن زمان‌هایی که تیم ورزشی کشور باخته است تبلیغات پخش نکنید، این تبلیغات نه‌تنها اثر مثبت نمی‌گذارد بلکه مخاطبان را خشمگین‌تر هم می‌کند.
جمع‌بندی
فن‌آوری‌های حوزه رسانه تأثیر عمیقی بر روی مدل‌های کسب‌وکار این صنعت گذاشته است بطوریکه مدیران رسانه با چالش‌های جدی مواجه شده‌اند. خلاصه آنکه دیگر صنعت رسانه نمی‌تواند خود را در مواجهه با مخاطب انبوه تصور کند. امروزه شناختن بخش‌بندی‌های کوچک از بازار اهمیت دارد. اما به‌موازات این چالش‌ها، فرصت‌های جدیدی هم برای نوآوری خلق شده است. به‌طور مشخص من در این مقاله به کاربرد هوش تجاری از منظر مخاطب محوری در صنعت رسانه پرداختم. من مدیران رسانه را دعوت می‌کنم تا به‌صورت جدی‌تر به روندهای فن‌آوری در حوزه رسانه فکر کنند. به نظر می‌رسد جعبه پاندورا بازشده و راه برگشتی نیست. استفاده از ظرفیت‌های جدید نه‌تنها می‌تواند از روند ریزش مخاطبان بکاهد، بلکه می‌تواند بنگاه‌های رسانه‌ای سنتی را قدرتمندتر کند.
من محتوای این مقاله را در قالب سخنرانی در پانزدهمین کنفرانس رسانه در تهران ارائه کردم. فایل ارائه را می‌توانید در زیر دریافت کنید.
Analytics for the Broadcasting Industry
منابع:
Brandwatch (2018). “How New Technologies and Social Intelligence are Revolutionizing the Media Industry“, www.brandwatch.com
EY (2013). “Future of Television”, www.ey.com
Ferguson, R. B. (2014). “Luminar Insights: A Strategic Use of Analytics”, Sloan Review, https://sloanreview.mit.edu/case-study/luminar-insights-2
Hennig, A. , Åmodt, A. S., Hernes, H., Nygårdsmoen, H. M., Larsen, P. A., Mukkamala, R. R., Flesch, B., Hussain A., Vatrapu, R. (2016). “Big Social Data Analytics of Changes in Consumer Behavior and Opinion of a TV Broadcaster”, International Conference on Design Science Research in Information Systems
IBM Corporation (2015). “IBM Audience Insight for Broadcast/Cable Networks”, www.ibm.com
Lugmayr, A. (2011). “Current Issues in Broadcasting from a Market Perspective”, Project Report: Digital Television and Motion Picture Production Technology
OFCOM (2018). “Public Service Broadcasting in the Digital Age”, https://www.ofcom.org.uk