Google Trends -massadata päivittäiselintarvikkeiden tiedonhaun ja ostopäätösten ajoittamisessa sekä myynnin ennustamisessa
Teräväinen, Hanne (2020)
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020060216346
https://urn.fi/URN:NBN:fi:amk-2020060216346
Tiivistelmä
Vasta viidesosa suomalaisista yrityksistä hyödyntää massadataa liiketoiminnassa, ja harva yritys näkee sen mahdollisuutena kasvattaa liiketoimintaa. Kuitenkin massadataa syntyy koko ajan ympärillämme kiihtyvällä vauhdilla muun muassa Internetin käytöstä. Esimerkiksi hakukoneiden tuottamaa dataa on avoimesti saatavana, mutta yrityksiltä puuttuu osaamista sen keräämiseen ja jalostamiseen arvoa tuottaviksi analyyseiksi ja palveluiksi.
Tämä opinnäytetyö tehtiin osana Business Finlandin rahoittamaa Big Data – Big Business -hanketta, jonka tavoitteena on luoda arvoa yritysten liiketoiminnalle massadatan avulla. Tarkoituksena on kehittää uutta datalähtöistä liiketoimintaa ja parantaa yritysten globaalia kilpailukykyä. Kehittämisprojekti toteutettiin yhteistyössä kansainvälisen yrityksen kanssa, joka toimii B2B-sektorilla kodin ulkopuolisen mainonnan parissa.
Tutkimuksen tavoitteena oli selvittää, mitä yrityksen ulkoista dataa on saatavana kuluttajan ostopäätösprosessin tiedon etsimis- ja ostopäätösvaiheista, miten dataa voi kerätä ja milloin kuluttajat etsivät tietoa ja tekevät ostopäätöksen. Lisäksi tavoitteena oli selvittää, onko Google-hakuintensiteetin ja myynnin välillä riippuvuus, ja voiko niiden perusteella ennustaa myyntimääriä. Tutkittaviksi tapauksiksi valittiin päivittäiselintarvikeryhmistä meijerituotteet, valmisruoat, kasviproteiinit ja sesonkituotteet.
Tutkimus toteutettiin vuodenvaihteessa 2019–2020 noudattaen CRISP-DM-prosessia. Datat kerättiin Google Trends ja Ubersuggest -hakukoneanalytiikkatyökaluilla ja avoimista myyntitilastoista. Tutkimusmenetelminä käytettiin muun muassa hakutrendi-, korrelaatio-, regressio- ja tilastollista analyysiä. Tutkimuksessa mallinnettiin ostopäätösajankohta viivelukujen avulla ja tehtiin Google Trends -dataa hyödyntävä yksikertainen regressiomalli myyntimäärien ennustamiseen. Analyysit tehtiin IBM SPSS -tilasto-ohjelmalla.
Kuluttajien ostopäätösprosessin tiedon etsiminen -vaiheesta on saatavana avointa hakukonedataa lukuisten ilmaisten analytiikkatyökalujen avulla. Sen sijaan ostopäätösvaiheen tietojen hankkiminen on haastavaa, koska B2B-yrityksellä ei ole käytettävissä asiakkaidensa asiakasdataa myynneistä. Mallinnuksessa käytetyn punaviinin Google Trends -hakuindeksien ja myynnin välillä oli voimakas positiivinen korrelaatio Suomessa. Viiveluvuista nähdään, että myynti oli suurinta hakua seuraavan kuukauden aikana. Ennustemalli selitti 49,1 % myynnin vaihtelusta hakuintensiteetin vaihtelulla.
Google Trendistä saatavan massadatan ja tutkimuksessa käytettyjen mallien avulla kohdeyritys tunnistaa trendit ja sesongit, kuluttajien kiinnostuksen kohteet ja ajankohdat, ennustaa hakuintensiteetin perusteella myyntimäärät ja ostopäätösajankohdat sekä mittaa altistumista mainonnalle. Näiden avulla yritys voi kehittää toimintaansa tietoon perustuen: optimoida myynnin asiakasyhteydenottojen ajoituksen ja mainonnan ulostulot kuluttajan ostopolun varrella sekä parantaa kilpailukykyä.
Tämä opinnäytetyö tehtiin osana Business Finlandin rahoittamaa Big Data – Big Business -hanketta, jonka tavoitteena on luoda arvoa yritysten liiketoiminnalle massadatan avulla. Tarkoituksena on kehittää uutta datalähtöistä liiketoimintaa ja parantaa yritysten globaalia kilpailukykyä. Kehittämisprojekti toteutettiin yhteistyössä kansainvälisen yrityksen kanssa, joka toimii B2B-sektorilla kodin ulkopuolisen mainonnan parissa.
Tutkimuksen tavoitteena oli selvittää, mitä yrityksen ulkoista dataa on saatavana kuluttajan ostopäätösprosessin tiedon etsimis- ja ostopäätösvaiheista, miten dataa voi kerätä ja milloin kuluttajat etsivät tietoa ja tekevät ostopäätöksen. Lisäksi tavoitteena oli selvittää, onko Google-hakuintensiteetin ja myynnin välillä riippuvuus, ja voiko niiden perusteella ennustaa myyntimääriä. Tutkittaviksi tapauksiksi valittiin päivittäiselintarvikeryhmistä meijerituotteet, valmisruoat, kasviproteiinit ja sesonkituotteet.
Tutkimus toteutettiin vuodenvaihteessa 2019–2020 noudattaen CRISP-DM-prosessia. Datat kerättiin Google Trends ja Ubersuggest -hakukoneanalytiikkatyökaluilla ja avoimista myyntitilastoista. Tutkimusmenetelminä käytettiin muun muassa hakutrendi-, korrelaatio-, regressio- ja tilastollista analyysiä. Tutkimuksessa mallinnettiin ostopäätösajankohta viivelukujen avulla ja tehtiin Google Trends -dataa hyödyntävä yksikertainen regressiomalli myyntimäärien ennustamiseen. Analyysit tehtiin IBM SPSS -tilasto-ohjelmalla.
Kuluttajien ostopäätösprosessin tiedon etsiminen -vaiheesta on saatavana avointa hakukonedataa lukuisten ilmaisten analytiikkatyökalujen avulla. Sen sijaan ostopäätösvaiheen tietojen hankkiminen on haastavaa, koska B2B-yrityksellä ei ole käytettävissä asiakkaidensa asiakasdataa myynneistä. Mallinnuksessa käytetyn punaviinin Google Trends -hakuindeksien ja myynnin välillä oli voimakas positiivinen korrelaatio Suomessa. Viiveluvuista nähdään, että myynti oli suurinta hakua seuraavan kuukauden aikana. Ennustemalli selitti 49,1 % myynnin vaihtelusta hakuintensiteetin vaihtelulla.
Google Trendistä saatavan massadatan ja tutkimuksessa käytettyjen mallien avulla kohdeyritys tunnistaa trendit ja sesongit, kuluttajien kiinnostuksen kohteet ja ajankohdat, ennustaa hakuintensiteetin perusteella myyntimäärät ja ostopäätösajankohdat sekä mittaa altistumista mainonnalle. Näiden avulla yritys voi kehittää toimintaansa tietoon perustuen: optimoida myynnin asiakasyhteydenottojen ajoituksen ja mainonnan ulostulot kuluttajan ostopolun varrella sekä parantaa kilpailukykyä.