330. 341.1

маркетингові дослідження, Інтернет, соціальні мережі, міжнародні ринки

Досліджено процес збирання маркетингової інформації на зарубіжних ринках. Актуальність теми дослідження зумовлена тенденцією ринків до глобалізації. У нинішній час уже не тільки для крупних, а й для середніх підприємств постає проблема виходу на ринки інших країн. Роль маркетингових досліджень полягає в оцінюванні маркетингових ситуацій, забезпеченні інформацією, яка дає можливість розробити ефективні маркетингові програми підприємства. Запорукою якості маркетингових досліджень є отримання повної, об’єктивної, релевантної інформації про об’єкт дослідження. Головною проблемою міжнародних маркетингових досліджень є важкодоступність інформації, зумовлена географічною віддаленістю ринків та необізнаність замовника досліджень у соціокультурних особливостях місцевої аудиторії. До цього додається організаційна проблема, пов’язана з труднощами налагоджування взаємодії з потенційними можливими місцевими посередниками (агентствами зі збирання маркетингової інформації), зумовлена як географічною віддаленістю, так і наявними мовними і культурними відмінностями замовника та виконавця дослідження. Особливої гостроти перераховані проблеми набули у період карантинних обмежень. У статті для подолання перешкод для збирання інформації на зовнішніх ринках запропоновано використання можливостей мережі Інтернет. Основними перевагами маркетингових досліджень з використанням Інтернету є те, що Інтернет-опитування забезпечують найбільш широкий географічний обхват респондентів у порівнянні з усіма іншими методами, відкривають доступ до важкодосяжних респондентів, зручні для формування «цільових» вибірок на основі використання соціальних мереж, при Інтернет-опитуваннях відсутні витрати на поштові перекази, телефонні перемовини, тиражування анкет і оплату праці «польових» дослідників, що було б дуже дорого для досліджень зовнішніх ринків. Пошук респондентів відбувається автоматично. Сучасні користувачі Інтернет, об’єднані соціальними мережами, можуть легко обмінюватися контентом між собою, що доє можливість аналізувати зміст онлайн-оглядів і розмов, брати участь в онлайн-бесідах з покупцями, що крім анкетування дає змогу організовувати спільні онлайн-дискусії або експертне опитування. 

1. Ameri M., Honka, E. and Xie Y. (2019), «Word of mouth, observed adoptions, and anime-watching decisions: the role of the personal vs. the community network». Marketing Science. Vol. 38. No. 4.
   P. 567–583. https://doi.org/10.1287/mksc.2019.1155
2. Buschken J. and Allenby G. M. (2016), «Sentence-based text analysis for customer reviews» Marketing Science. Vol. 35. No. 6. P. 953–975. https://doi.org/10.1287/mksc.2016.0993
3. Chen X., van der Lans R. and Phan T. Q. (2017), «Uncovering the importance of relationship characteristics in social networks: implications for seeding strategies». Journal of Marketing Research. Vol. 54. No. 2. P. 187–201. https://doi.org/10.1509/jmr.12.0511
4. Cho Y. J., Fu P. W. and Wu C. C. (2017), «Popular research topics in marketing journals, 1995–2014». Journal of Interactive Marketing. Vol. 40. P. 52–72. https://doi.org/10.1016/j.intmar.2017.06.003
5. Evgeniou T., Pontil M. and Toubia O. (2007), «A convex optimization approach to modeling consumer heterogeneity in conjoint estimation». Marketing Science. Vol. 26. No. 6. P. 805–818. https://doi.org/10.1287/mksc.1070.0291
6. Godes D. and Mayzlin D. (2009), «Firm-created word-of-mouth communication: evidence from a field test» Marketing Science. Vol. 28. No. 4. P. 721–739. https://doi.org/10.1287/mksc.1080.0444
7. Grewal L. and Stephen A. T. (2019), «In mobile we trust: the effects of mobile versus nonmobile reviews on consumer purchase intentions». Journal of Marketing Research. Vol. 56. No. 5. P. 791–808. https://doi.org/10.1177/0022243719834514
8. Grewal D., Bart Y., Spann M. and Zubcsek P. P. (2016), «Mobile advertising: a framework and research agenda». Journal of Interactive Marketing. Vol. 34. P. 3–14. https://doi.org/10.1016/j.intmar.2016.03.003
9. Hoffman D. L. and Novak T. P. (2018), «Consumer and object experience in the internet of things: an assemblage theory approach». Journal of Consumer Research. Vol. 44. No. 6. P. 1178–1204. https://doi.org/10.1093/jcr/ucx105
10. Kannan P. K. and Li H. S. (2017), «Digital marketing: a framework, review and research agenda». International Journal of Research in Marketing. Vol. 34. No. 1. P. 22–45. https://doi.org/10.1016/j.ijresmar.2016.11.006
11. Li H. S., Kannan P. K., Viswanathan S. and Pani A. (2016), «Attribution strategies and return on keyword investment in paid search advertising». Marketing Science. Vol. 35. No. 6. P. 831–848. https://doi.org/10.1287/mksc.2016.0987
12. Novak T. P. and Hoffman D. L. (2019), «Relationship journeys in the internet of things: a new framework for understanding interactions between consumers and smart objects». Journal of the Academy of Marketing Science. Vol. 47. No. 2. P. 216–237. https://doi.org/10.1007/s11747-018-0608-3
13. Novak T. P., Hoffman D. L. And Yung Y. F. (2000), «Measuring the customer experience in online environments: a structural modeling approach». Marketing Science. Vol. 19. No. 1. P. 22–42. https://doi.org/10.1287/mksc.19.1.22.15184
14. Olenski S. (2018), «Data science is the key to marketing roi – here’s how to nail it», Forbes.
15. URL: www.forbes.com/sites/steveolenski/2018/03/06/data-science-is-the-key-to-marketing-roi-heres-how-to-nail-it/#237ed7131c3b/ (accessed: 20 August 2019).
16. Ramsoy T. Z. (2019), «Building a foundation for neuromarketing and consumer neuroscience research: how researchers can apply academic rigor to the neuroscientific study of advertising effects». Journal of Advertising Research. Vol. 59. No. 3.
17. Roubaud J. (2018), «Will data teams replace marketing teams in the near future?». Adweek. URL: www. adweek.com/digital/will-data-teams-replace-marketing-teams-in-the-near-future/.
18. Timoshenko A. and Hauser J. R. (2019), «Identifying customer needs from user-generated content». Marketing Science. Vol. 38. No. 1. P. 1–20.
19. Tirunillai S. and Tellis G. J. (2014), «Mining marketing meaning from online chatter: strategic brand analysis of big data using latent Dirichlet allocation». Journal of Marketing Research. Vol. 51. No. 4. P. 463–479.
20. Wang, X., Bendle N. T., Mai F. and Cotte J. (2015), «The journal of consumer research at 40: a historical analysis». Journal of Consumer Research. Vol. 42. No. 1. P. 5–18.

1. Ameri M., Honka E. and Xie Y. (2019), “Word of mouth, observed adoptions, and anime-watching decisions: the role of the personal vs. the community network”, Marketing Science. Vol. 38. No. 4.
   P. 567-583. https://doi.org/10.1287/mksc.2019.1155
2. Buschken J. and Allenby G. M. (2016), “Sentence-based text analysis for customer reviews”, Marketing Science. Vol. 35. No. 6. P. 953–975. https://doi.org/10.1287/mksc.2016.0993
3. Chen X., van der Lans, R. and Phan T. Q. (2017), “Uncovering the importance of relationship characteristics in social networks: implications for seeding strategies”. Journal of Marketing Research. Vol. 54. No. 2. P. 187–201. https://doi.org/10.1509/jmr.12.0511
4. Cho Y. J., Fu P. W. and Wu C. C. (2017), “Popular research topics in marketing journals, 1995–2014”. Journal of Interactive Marketing. Vol. 40. P. 52–72. https://doi.org/10.1016/j.intmar.2017.06.003
5. Evgeniou T., Pontil M. and Toubia O. (2007), “A convex optimization approach to modeling consumer heterogeneity in conjoint estimation”. Marketing Science. Vol. 26. No. 6. P. 805–818. https://doi.org/10.1287/mksc.1070.0291
6. Godes D. and Mayzlin D. (2009), “Firm-created word-of-mouth communication: evidence from a field test”. Marketing Science.Vol. 28. No. 4. P. 721–739. https://doi.org/10.1287/mksc.1080.0444
7. Grewal L. and Stephen A. T. (2019), “In mobile we trust: the effects of mobile versus nonmobile reviews on consumer purchase intentions”. Journal of Marketing Research. Vol. 56. No. 5. P. 791–808. https://doi.org/10.1177/0022243719834514
8. Grewal D., Bart Y., Spann M. and Zubcsek P. P. (2016), “Mobile advertising: a framework and research agenda”. Journal of Interactive Marketing. Vol. 34. P. 3–14. https://doi.org/10.1016/j.intmar.2016.03.003
9. Hoffman D. L. and Novak T. P. (2018), “Consumer and object experience in the internet of things: an assemblage theory approach”. Journal of Consumer Research. Vol. 44. No. 6. P. 1178–1204. https://doi.org/10.1093/jcr/ucx105
10. Kannan P. K. and Li H. S. (2017), “Digital marketing: a framework, review and research agenda”. International Journal of Research in Marketing. Vol. 34. No. 1. P. 22–45. https://doi.org/10.1016/j.ijresmar.2016.11.006
11. Li H. S., Kannan P. K., Viswanathan S. and Pani A. (2016), “Attribution strategies and return on keyword investment in paid search advertising”. Marketing Science. Vol. 35. No. 6. P. 831–848. https://doi.org/10.1287/mksc.2016.0987
12. Novak T. P. and Hoffman D. L. (2019), “Relationship journeys in the internet of things: a new framework for understanding interactions between consumers and smart objects”. Journal of the Academy of Marketing Science. Vol. 47. No. 2. P. 216–237. https://doi.org/10.1007/s11747-018-0608-3
13. Novak T. P., Hoffman D. L. and Yung Y. F. (2000), “Measuring the customer experience in online environments: a structural modeling approach”. Marketing Science. Vol. 19. No. 1. P. 22–42. https://doi.org/10.1287/mksc.19.1.22.15184
14. Olenski S. (2018), “Data science is the key to marketing roi – here’s how to nail it”. Forbes.
15. URL: www.forbes.com/sites/steveolenski/2018/03/06/data-science-is-the-key-to-marketing-roi-heres-how-to-nail-it/#237ed7131c3b/ (accessed: 20 August 2019).
16. Ramsoy T. Z. (2019), “Building a foundation for neuromarketing and consumer neuroscience research: how researchers can apply academic rigor to the neuroscientific study of advertising effects”. Journal of Advertising Research. Vol. 59. No. 3.
17. Roubaud J. (2018), “Will data teams replace marketing teams in the near future?”, Adweek. URL: www.adweek.com/digital/will-data-teams-replace-marketing-teams-in-the-near-future/.
18. Timoshenko A. and Hauser J. R. (2019), “Identifying customer needs from user-generated content”. Marketing Science. Vol. 38. No. 1. P. 1–20.
19. Tirunillai S. and Tellis G. J. (2014), “Mining marketing meaning from online chatter: strategic brand analysis of big data using latent Dirichlet allocation”. Journal of Marketing Research. Vol. 51. No. 4. P. 463–479.
20. Wang X., Bendle N. T., Mai F. and Cotte J. (2015), “The journal of consumer research at 40: a historical analysis”. Journal of Consumer Research. Vol. 42. No. 1. P. 5–18.