‘Ekosistem Markaları’ pazarlama kurallarını nasıl değiştiriyor?

‘Ekosistem Markaları’ pazarlama kurallarını nasıl değiştiriyor?

Markalar giderek daha fazla birbirine bağımlı hale geldikçe, pazarlamacılar onları yönetmek için yeni bir yola ihtiyaç duyuyor. Bu amaçla, bu tür “ekosistem markaları” nı yönetmek için çeşitli yöntemler araştırdık.

Buzdolaplarından ısıtmaya kadar her şeyden veri toplayan akıllı evler, kullandığımız ve yaptığımız neredeyse her şeyin birbirine bağlı olduğu bir geleceğe kısa bir bakış sunuyor.

Gizlilik sorunları bir yana, bu markalar için yeni zorluklar ortaya çıkarmaktadır. Markalar, Nesnelerin İnterneti (IoT) gibi bir ekosistemdeki diğer markalara bağlandıklarında artık bağımsız olarak var olmazlar, ancak karmaşık bir ortamın parçasıdırlar.

Ekosistem Markaları

Örneğin, moda markası Levi’s, geri dönüşüm markası The R Collective ile tamamen izlenebilir bir denim koleksiyonu üretmek için ortaklık kurduğunda, her iki marka da müşteri deneyiminin bireysel kontrolünü kaybetti; paylaşılan bir sorumluluk haline geldi. Bu sorumluluk, ekosistemdeki etiket üreticisi Avery Dennison ve IoT platformu Evrythng gibi diğer ortaklara da genişletildi. İyi ya da kötü, her markanın bireysel eylemleri artık hepsi için ticari sonuçları etkiliyor.

Bir ekosistem markasını yönetirken, pazarlamacılar bir dizi zor soruyla karşılaşır:

  • Geniş çapta dağıtılan bir şeyi nasıl kontrol edersiniz?
  • Bir markanın değerini ortaya çıkarmak için diğer markalarla işbirliği yapmasını nasıl sağlarsınız?
  • Diğer markaların müşteri deneyimini iyileştirip azaltmadığını nasıl belirlersiniz?

Bu dinamikleri daha iyi anlamak için, bir marka ve işlevselliği bir ekosistemde dağıtıldığında ne olduğunu ölçmek için istatistiksel yöntemler uyguladık. Bu hesaplamalar, bir marka ekosisteminin her bileşenini nicelleştiren ve pazarlamacıların markaların değer yaratımını organize etmesini ve yakalamasını sağlayan teorik modellerin oluşturulmasını sağladı.

Ekosistem Markaları

Pazarlamacılar için önemli bilgiler

Ekosistem markaları için olan çalışmamız bir dizi önemli bulguya yol açtı:

  • Pazarlamacıların nicel bilgilere daha fazla güvenmesi gerekiyor. Ekosistemlerin karmaşıklığı nedeniyle, pazarlamacılar bir ekosistemdeki bağlantıların değer yaratıp yaratmadığını belirleme içgüdüsüne güvenemezler. Bizim geliştirdiğimiz gibi nicel tabanlı bir modele ihtiyaçları var. Bu model, pazarlamacıların müşteri deneyimine katkıda bulunan veya zarar veren markaları belirlemelerine yardımcı olan bir ortaklık belirleme aracı olarak çalışmalıdır.
  • Önemli olan sadece ortaklar değil, nasıl düzenlendikleri. Bir ekosistemde, farklı marka düzenlemeleri farklı iş sonuçları üretir. Pazarlamacılar, sonuçları markalar için optimize etmek için bir ekosistemin organizasyonunu düşünmelidir.
  • Ekosistemler, markalara rekabet avantajı sağlayabilir. Bir markanın değeri, bir markanın bağımsız olarak yaptığı şey artı bir ekosisteme ait olmaktan kazandığı değere eşittir; bu nedenle, bir marka bir ekosisteme katıldığında, değeri o ekosistemdeki ortaklıklar tarafından artar (veya potansiyel olarak azalır). Bu hem tüketici hem de B2B bağlamları için geçerlidir.
  • Bazı ekosistemler şirketler tarafından, diğerleri ise tüketiciler tarafından yaratılır. Ekosistemler farklı şekillerde doğar. Sınırsız ürün ve hizmetler sunan markalardan, özelleştirilmiş ve entegre çözümler sunan markalardan ve hatta toplumda değer yaratmaya adanmış markalardan ortaya çıkabilirler. Markaları koordineli bir şekilde kullanabilen müşteriler aracılığıyla da organik olarak ortaya çıkabilirler. Bu, yeni bir ekosisteme yol açan kasıtsız ortaklıklar yaratabilir.

Bu son nokta, pazarlamacıların markalarının bir IoT ekosistemi tarafından absorbe edilip edilmeyeceğini her zaman tahmin edemeyeceğini veya dikte edemeyeceğini öne sürdüğü için önemlidir. Bu, bir ekosistem markasının kendisi gibi çözülemeyen, yalnızca yönetilen bir zorluktur.

Buna benzer yazıları bu linkten takip edebilirsiniz:

https://blog.bariskanlica.com/category/barisin-gunlugu/

Bu sistemler hakkında daha fazla bilgi almak için:

https://mawens.com

İngiltere’de IT Sektörü

Bu hafta sevgili Uğur Umutluoğlu’nun programına konuk olup sorularını yanıtlamaya çalıştım.

Yaklaşık 7 yıldır İngiltere’de yaşayan, burada yazılım geliştirici olarak çalışıp aynı zamanda şirket yöneticiliği de yapan Barış Kanlıca, İngiltere’ye gidiş hikayesinden, Ankara Antlaşması’ndan, İngiltere’deki iş fırsatlarından ve yaşam şartlarından bahsetti.

Supervised Machine Learning

Supervised-Machine-Learning

Machine Learning konusuna ilgi duyanlar guzel bir kaynak.

It is a great resource for Machine Learning.

Machine learning gives computers the ability to learn without being explicitly programmed for the task at hand. The learning happens when data is combined with mathematical models, for example by finding suitable values of unknown variables in the model.

The most basic example of learning could be that of fitting a straight line to data, but machine learning usually deals with much more flexible models than straight lines.

The point of doing this is that the result can be used to draw conclusions about new data, that was not used in learning the model.

If we learn a model from a data set of 1000 puppy images, the model might — if it is wisely chosen — be able to tell whether another image

Machine Learning for Everyone

ml-for-everyone

Machine Learning for Everyone makina ogrenmesinin temellerine inen ve konuyu basitçe anlatan güzel bir e-kitap.

Machine Learning for Everyone is a good ebook that goes to the basics of machine learning and simply tells the subject.

Classical machine learning is often divided into two categories – Supervised and Unsupervised Learning.

In the first case, the machine has a “supervisor” or a “teacher” who gives the machine all the answers, like whether it’s a cat in the picture or a dog. The teacher has already divided (labeled) the data into cats and dogs, and the machine is using these examples to learn.
One by one. Dog by cat. Unsupervised learning means the machine is left on its own with a pile of animal photos and a task to find out who’s who. Data is not labeled, there’s no teacher, the machine is trying to find any patterns on its own. We’ll talk about these methods below.
Clearly, the machine will learn faster with a teacher, so it’s more commonly used in real-life tasks.
There are two types of such tasks:
classification – an object’s category prediction, and
regression – prediction of a specific point on a numeric axis.

You can find the details in the book.

Big Data Case Study Collection

big-data-case-study

Machine Learning use cases in Google, Facebook, Amazon, Microsoft, Kaggle, General Electric, and Cornerstone…

Big Data is a big thing and this case study collection will give you a good overview of how some companies really leverage big data to drive business performance.

They range from industry giants like Google, Amazon, Facebook, GE, and Microsoft, to smaller businesses which have put big data at the centre of their business model, like Kaggle and Cornerstone.

This case study collection is based on articles published by Bernard Marr on his LinkedIn Influencer blog.

Machine Learning Yearning

Machine-Learning-Yearning

Makine ogrenmesi konusunda teknik stratejileri anlatan 100 sayfalik bir kitap…

A 100-page book describing technical strategies for machine learning …

Machine learning is the foundation of countless important applications, including web search, email anti-spam, speech recognition, product recommendations, and more. I assume that you or your team is working on a machine learning application, and that you want to make rapid progress. This book will help you do so.

Example: Building a cat picture startup
Say you’re building a startup that will provide an endless stream of cat pictures to cat lovers.


You use a neural network to build a computer vision system for detecting cats in pictures.
But tragically, your learning algorithm’s accuracy is not yet good enough. You are under tremendous pressure to improve your cat detector. What do you do?
Your team has a lot of ideas, such as:
• Get more data: Collect more pictures of cats.
• Collect a more diverse training set. For example, pictures of cats in unusual positions; cats with unusual coloration; pictures shot with a variety of camera settings; ….
• Train the algorithm longer, by running more gradient descent iterations.
• Try a bigger neural network, with more layers/hidden units/parameters.
• Try a smaller neural network.
• Try adding regularization (such as L2 regularization).
• Change the neural network architecture (activation function, number of hidden units, etc.)
• …
If you choose well among these possible directions, you’ll build the leading cat picture platform, and lead your company to success. If you choose poorly, you might waste months.
How do you proceed?
This book will tell you how. Most machine learning problems leave clues that tell you what’s useful to try, and what’s not useful