فایل ورد کامل هموار کردن مسیر برای بازاریابی متمایز

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل هموار کردن مسیر برای بازاریابی متمایز،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۰ صفحه

توسعه و یا کاربرد مدل‌ها و ابزارهای آماری نیز در پیشرفت دانش بازاریابی سهم دارند. برای مثال، یک مطالعه اخیر، یک توالی تست آماری را توسعه داده است که اجازه تعیین اندوژنوس تغییرات بالقوه بازار که ناشی از ورودی‌های رقابتی در بازارهای موجود می‌باشد را می‌دهد Kornelis, Dekimpe, &) Leeflang, 2008). سایر مثال‌ها شامل معرفی و استفاده از مدل‌های خطی دینامیک در بازاریابی Ataman,Mela, & Van Heerde, 2007, 2008; Ataman, Van Heerde, & Mela,) 2010; Van Heerde,Mela, & Manchanda, 2004)، مدل‌های فضایی Bronnenberg &) (Mahajan, 2001; Van Dijk, Van Heerde, Leeflang, & Wittink, 2004، تخمین نیمه پارامتریک (Rust, 1988; Van Heerde, Leeflang, & Wittink, 2001) ، و احیای فیلترینگ کالمن می‌باشد ((Osinga, Leeflang, Srinivasan, & Wieringa, 2011; Osinga, Leeflang, & Wieringa, 2010).
در بین بسیاری از روش‌های پژوهشی امیددهنده، مدل‌سازی رفتار انتخاب چندعاملی و استفاده از مدل‌سازی مبتنی بر عامل و شبیه‌سازی اجتماعی، موردتوجه ویژه ای هستند. مثال‌هایی از مدل‌هایی که چندین عامل را در نظر می‌گیرند، مطالعه تعاملات رفتاری درون خانوادگی Aribarg, Arara, & Kang, 2010;) Yang, Zhao, Erdem, & Zhao, 2010)، تعاملات بین بیمار و پزشک در انتخاب داروهای جدید (Ding & Eliashberg, 2008)، و تعاملات گسترده بین کارخانه‌ها و خرده‌فروشان Ailawadi et) al., 2005; Villas-Boas & Zhao, 2005) می‌باشد.
گلدنبرگ، لیبای، مولدووان، و مولر Goldenberg, Libai, Moldovan, and Muller)) (2007)، از یک روش مبتنی بر عامل، برای شبیه‌سازی اثرات خبرهای منفی درباره شرکت و یا تولیدات آن روی ارزش خالص فعلی آن شرکت، استفاده کردند. ترکیبی از داده‌های تجربی و داده‌های شبیه‌سازی‌شده نیز فرصت‌های کلیدی را برای مطالعه رفتار مشتری (فردی) در آینده ارائه می‌کنند (Van Eck, Jager, & Leeflang 2011a).
به‌هرحال، توسعه مدل‌ها و روش‌هایی برای پشتیبانی از تصمیم‌گیری، بدون مشکل نمی‌باشد و چندین مسئله، پاسخ‌های کافی بیشتری را مطالبه می‌کنند. اول، تعداد زیادی از شرکت‌ها تصمیمات بازاریابی خودشان را بر اساس داده‌ها نمی‌گیرند، که اغلب به دلیل ظرفیت‌های محدود آن‌ها (به‌عنوان‌مثال زمان، پول، توانایی‌ها) برای جمع‌آوری داده‌هایی در رابطه استانداردهای مربوطه می‌باشد. بیشتر شرکت‌ها روابط بین استانداردهایی (معیارهایی) که دارند را برآورد نمی‌کنند. روش‌های تخمین ذهنی، ابزار مفیدی در این موارد خواهد بود. توسعه روش‌های نسبتاً ساده برای ایجاد ارتباطاتی بین تلاش‌های بازاریابی و اندازه‌گیری‌های کارایی بازاریابی برای این شرکت‌ها به مقدار زیادی خوشایند خواهد بود.
به‌علاوه، حتی شرکت‌هایی که می‌توانند داده‌های مناسبی را جمع‌آوری کنند نیز با مشکل مواجه می‌شوند. مشکلات مدل‌سازی که به‌خوبی شناسایی‌شده‌اند، شامل مشکلاتی مانند خطا در متغیرها، ناهمگنی (غیرقابل مشاهده)، و اندوژنیتی می‌باشد (Shugan, 2006). باوجود پیشرفت ستودنی در مسائل چالش‌برانگیز اندوژنیتی، (Gupta & Park, 2009; Kuskov & Villas-Boas, 2008; Petrin & Train, 2010)، هنوز بسیاری از راه‌حل‌ها، بغرنج و مدل ویژه، باقی‌مانده‌اند.
به‌علاوه، ایجاد مدل بازاریابی معمولاً بیشتر روی تعیین و کالیبره کردن جنبه موردتقاضا تمرکز دارد تا جنبه عرضه. اخیراً، همزمانی روابط عرضه و تقاضا که توجه بیشتری را در مدل‌های به‌اصطلاح ساختاری دریافت کرده‌اند (Dubé et al., 2002; Chintagunta, Erdem, Rossi, &Wedel, 2006 و همچنین گزارش‌های موجود در علم بازاریابی، نسخه ۲۵، شماره ۶ را ببینید)، روی نظریه‌های اقتصادی و یا بازاریابی یا رفتار شرکتی برای تحریک تعیین مشخصات اقتصادسنجی تکیه دارند که می‌توانند به‌عنوان داده در نظر گرفته شود (Chintagunta et al., 2006, p. 604).
برای مثال، دراگانسکا و جین (Draganska and Jain) (2004) مدل‌های تعادل بازار را تخمین زده‌اند. کیم و همکارانش (Kim et al) (2010)، تقاضای کاربران را برای محصولات رقابتی ارزیابی کردند، لیو (Liu) (2010) استراتژی‌های قیمت‌گذاری جایگزین را بررسی کرده است، درحالی‌که موسالم، الیوار، برادلو، تارویش، و کورستن ( Musalem, Olivares, Bradlow, Terwiesch, and Corsten ) (2010) به دنبال اندازه‌گیری اثرات موقعیت‌های خارج از بورس بودند. این مدل‌ها برای بهینه کردن رفتار عوامل، سازندگان، عمده‌فروشان، خرده‌فروشان، و مشتریان تلاش می‌کنند. بنابراین، مدل‌های ساختاری، فرصت‌های عالی را، حداقل در اصول، (۱)، برای تست فرضیه‌های رفتاری، (۲) برای بررسی استراتژی‌های جایگزین از طریق سیاست شبیه‌سازی و (۳) برای حذف یا کاهش مشکلات اندوژنیتی، ارائه می‌کنند. همان‌طوری که قبلاً به‌طور خلاصه بیان شده بود، این روش واقعاً جدید نیست. به‌علاوه، شینتاگونتا و همکارانش (Chintagunta et al.) (2006) درخواست کردند که ما موانع مدل‌های ساختاری، مانند شناسایی دقیق آن‌ها از روی فرض‌های پارامتریک، را شناسایی کنیم چون در غیر این صورت، هیچ رفتار بهینه‌ای نمی‌تواند تعیین شود. به‌علاوه، سازندگان مدل‌های ساختاری بازاریابی، باید روی ناکافی بودن تئوری‌های توسعه‌یافته تکیه داشته باشند. مدل تقاضای ساختاری توسعه‌یافته توسط ویلاس بوس و زائو (Villas-Boas and Zhao) (2005) یکی از موانع را نشان می‌دهد. آن‌ها درجه‌ی رقابت سازندگان، تعاملات سازندگان – خرده‌فروشان، و گروه‌های محصول خرده‌فروشی که در بازار سس گوجه‌فرنگی آمریکا قیمت‌گذاری می‌شوند را بررسی کردند. مدل آن‌ها شامل چندین سازنده و مشتری می‌باشد اما تنها یک خرده‌فروش چند محصولی دارد. این مدل همچنین روی چندین فرض محدودکننده و غیرواقع‌بینانه‌ی دیگر برای راه‌حل‌های تحلیلی نهایی تکیه دارد.
با فرض این کمبودها، یک رقابت بین مدل‌های به شکل کاهش‌یافته (reduced form) و ساختاری یک حوزه پژوهشی جالب را ارائه می‌کند. اسکیرا (skiera) (2010) هر دو مدل را مقایسه کرد (برای بهبود تصمیم‌گیری در مورد قیمت‌گذاری) و نتیجه گرفت که هریک دارای خصوصیات منحصربه‌فردی هستند و امیدی را برای حوزه‌های کاربردی مختلف ارائه می‌کنند. حتی یک آنالیز عمیق‌تر ممکن است منجر به یک ارزیابی بهتر از مزایای مدل‌های ساختاری در مقایسه با معادلات به شکل کاهش‌یافته (ساده‌شده) شود.
درنهایت، من روی فرصت‌های بسیاری که برای پیشرفت دانشمان در رشته بازاریابی بین‌رشته‌ای با استفاده از نظریه‌های توسعه پیدا کرده در سایر علوم، مانند اقتصاد و روانشناسی وجود دارد، تأکید کردم. حتی بازتاب تئوری‌ها و مدل‌هایی که دهه‌های پیش توسعه یافته بودند نیز ممکن است ابزارهای مفیدی در این زمینه باشند.
برداشت‌های کلیدی:
۱- تصمیم‌گیری در بازاریابی سودمندتر از دانشی است که مبتنی بر پیامدهای پژوهشی خاص، تعمیم دانش، و توسعه مدل‌ها و روش‌ها باشد. اگر تصمیم‌گیری در بازاریابی بر اساس چنین دانشی باشد، آن در جهت بازاریابی متمایز حرکت می‌کند.
۲- تعمیم دانش می‌تواند توسط پیدا کردن قواعد، با استفاده از داده‌های پانل، اجرای آنالیزهای متا، و انجام آزمایش‌های شبیه‌سازی، ایجاد شود.
۳- ایجاد مدل‌های اولیه به مقدار زیادی بر اساس تئوری اقتصادی می‌باشد.
۴- دانشمندان بازاریابی نباید همیشه چرخ را مجدداً اختراع کنند، آن‌ها می‌توانند از تئوری‌ها، روش‌ها و تکنیک‌هایی که دارای ارزش اثبات‌شده در سایر رشته‌ها می‌باشند، استفاده کنند.

عنوان انگلیسی:Paving the way for “distinguished marketing”~~en~~

The development and/or application of statistical methods and tools also contribute to advance marketing knowledge. For example, a recent study developed a statistical testing sequence that allows for the endogenous determination of potential market changes from competitive entries in existing markets (Kornelis, Dekimpe, & Leeflang, 2008). Other examples include the introduction and use of dynamic linear models in marketing (Ataman, Mela, & Van Heerde, 2007, 2008; Ataman, Van Heerde, & Mela, 2010; Van Heerde, Mela, & Manchanda, 2004), spatial models (Bronnenberg & Mahajan, 2001; Van Dijk, Van Heerde, Leeflang, & Wittink, 2004), semi-parametric estimation (Rust, 1988; Van Heerde, Leeflang, & Wittink, 2001), and the “revival” of Kalman filtering (Osinga, Leeflang, Srinivasan, & Wieringa, 2011; Osinga, Leeflang, & Wieringa, 2010). Among the many promising research avenues, the modeling of the choice behavior of multiple agents and the use of agent-based modeling and social simulation are of particular interest. Examples of models that consider multiple agents are the studies of intrahousehold behavioral interactions (Aribarg, Arara, & Kang, 2010; Yang, Zhao, Erdem, & Zhao, 2010), interactions between physicians and patients in the choice of new drugs (Ding & Eliashberg, 2008), and extended interactions between manufacturers and retailers (Ailawadi et al., 2005; Villas-Boas & Zhao, 2005). Goldenberg, Libai, Moldovan, and Muller (2007) use an agentbased approach to simulate the effects of negative news about the firm and/or its products on the net present value of a firm. Combinations of empirical data and simulated data also offer key opportunities to study (individual) customer behavior in the future (Van Eck, Jager, & Leeflang, 2011a). The development of models and methods to support decision making is not without problems, however, and several issues demand more adequate answers. First, vast numbers of firms do not make data-driven marketing decisions, often because of their limited capacities (e.g., time, money, capabilities) to collect data about relevant metrics. Nor do most firms estimate relationships between the metrics they have. Subjective estimation methods would be useful tools in these cases. The development of relatively simple methods to establish connections between marketing efforts and marketing performance measures for these firms would be widely welcomed. Furthermore, even firms that can collect appropriate data face problems. Well-known modeling issues include error-in-variables, (unobserved) heterogeneity, and endogeneity (Shugan, 2006). Despite commendable progress in challenging endogeneity problems (Gupta & Park, 2009; Kuskov & Villas-Boas, 2008; Petrin & Train, 2010), many solutions remain complicated and model specific. In addition, marketing model building usually centers more on the specification and calibration of the demand side rather than the supply side. More recently, the simultaneity of demand and supply relations has received greater attention in so-called structural models (Dubé et al., 2002; Chintagunta, Erdem, Rossi, & Wedel, 2006; see also commentaries in Marketing Science, vol. 25, no. 6), which “rely on economic and/or marketing theories of consumer or firm behavior to derive the econometric specification that can be taken to data” (Chintagunta et al., 2006, p. 604). For example, Draganska and Jain (2004) estimate market equilibrium models. Kim et al. (2010) assess user demand for competing products. Liu (2010) investigates alternative pricing strategies, whereas Musalem, Olivares, Bradlow, Terwiesch, and Corsten (2010) seek to measure the effects of out-of-stock situations. These models attempt to optimize the behavior of agents, manufacturers, wholesalers, retailers, and customers. Structural models therefore offer excellent opportunities, at least in principle, (1) to test behavioral assumptions, (2) to investigate alternative strategies through policy simulations, and (3) to eliminate or reduce endogeneity problems. As outlined previously, this approach is not really new. Moreover, Chintagunta et al. (2006) demand that we recognize the drawbacks of structural models, such as their strong identification of mostly parametric assumptions, because otherwise no optimal behavior can be determined. Furthermore, builders of structural marketing models must rely on insufficiently developed theories. The structural demand model developed by Villas-Boas and Zhao (2005) illustrates one of the drawbacks. They investigate the degree of manufacturer competition, retailer–manufacturer interactions, and retailer product category pricing in the U.S. ketchup market. Their model includes multiple manufacturers and individual customers, but only one multiproduct retailer. The model also relies on several other restrictive and non-realistic assumptions to find analytical solutions. Given these shortcomings, a comparison between structural and reduced-form models offers an interesting research area. Skiera (2010) has compared both models (to improve pricing decisions) and concluded that each has unique characteristics and offers promise for different areas of application. An even more profound analysis may lead to a better evaluation of the advantages of structural models compared with reduced-form equations. Finally, I emphasize the many opportunities to advance our knowledge in the interdisciplinary marketing discipline using theories developed in other sciences, such as economics and psychology. Even flashbacks to theories and models that were developed decades ago may be useful tools in this respect. Key takeaways:

۱ Decision making in marketing benefits from knowledge that is based on specific research outcomes, generalized knowledge, and the development of models and methods. If decision making in marketing is based on such knowledge, it moves in the direction of distinguished marketing.

۲ Generalized knowledge can be created by finding regularities, using panel data, conducting meta-analyses, and performing simulation experiments.

۳ Early model building was based heavily on economic theory.

۴ Marketing scientists should not always reinvent the wheel; they can use theories, methods, and techniques that have proven value in other disciplines.

$$en!!