Методы оценки конкурентов и потребителей: от классических моделей до инструментов Big Data в стратегическом управлении организацией

Введение

На современном этапе экономического развития, характеризующемся высокой динамикой рыночных изменений и повсеместной цифровизацией, способность организации оперативно и точно оценивать внешнюю среду становится критическим фактором конкурентоспособности. В условиях, когда потребительское поведение становится все более нелинейным, а конкурентные преимущества быстро нивелируются, традиционные управленческие подходы демонстрируют недостаточную гибкость. Как результат, компании, игнорирующие цифровую аналитику, неизбежно теряют долю рынка.

Актуальность темы обусловлена необходимостью разработки и внедрения комплексного методологического аппарата, который бы сочетал проверенные временем стратегические концепции с мощью современных аналитических технологий, таких как Big Data и искусственный интеллект. Именно системный подход к оценке конкурентов и потребителей позволяет трансформировать огромные массивы данных в конкретные, измеримые управленческие решения, обеспечивая устойчивое развитие предприятия.

Цель данной работы — провести глубокое академическое исследование методов оценки деятельности конкурентов и поведения потребителей, а также разработать механизмы эффективного использования полученных данных для принятия стратегических и тактических управленческих решений в организации.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Определить теоретическую базу и классические модели оценки конкурентной среды и потребительского поведения.
2. Проанализировать современные цифровые методы и инструменты (Big Data, ИИ) для сбора и анализа рыночной информации.
3. Разработать алгоритм интеграции результатов анализа в процесс стратегического и тактического планирования.
4. Представить систему метрик для оценки эффективности использования рыночной информации, подкрепленную актуальными российскими кейсами.

Структура работы построена на логическом переходе от фундаментальных теоретических основ к новейшим методологиям и их практическому применению, что обеспечивает академическую глубину и практическую значимость исследования.

Теоретико-методологические основы оценки рыночной среды

Оценка рыночной среды — это не просто сбор статистики, а, как отмечал Ж.-Ж. Ламбен, «система мышления», которая предшествует «системе действия» (операционному маркетингу). Это аналитическая рамка, определяющая стратегическую ориентацию компании и ее способность к долгосрочному выживанию и росту. В конечном счете, без этой рамки любая операционная активность становится хаотичной и неэффективной.

Сущность конкурентоспособности и стратегического маркетингового исследования

Фундаментальным понятием в контексте оценки рынка является конкурентоспособность. Согласно определению, это комплекс потребительских и стоимостных характеристик товара (или услуги), определяющих его успех на рынке, который устанавливается путем сравнения с предложениями конкурентов в привязке к конкретному рынку и времени продажи. Таким образом, конкурентоспособность — величина относительная и динамичная.

Оценка этой величины невозможна без маркетингового исследования. Это непрерывный, объективный и творческий процесс, основанный на научном подходе, используемый для оценки конкурентоспособности и перспектив продукта.

В рамках классической концепции стратегического маркетинга Ж.-Ж. Ламбена оценка рынка занимает центральное место. Стратегический маркетинг сосредоточен на анализе потребностей и долгосрочной ориентации на рынок, формируя базу для операционного маркетинга (4P).

Маркетинговые исследования тесно связаны с теорией жизненного цикла товара (ЖЦТ), которая постулирует, что каждый товар проходит через определенные фазы: внедрение, рост, зрелость и спад.

Фаза ЖЦТ	Характеристики фазы	Роль маркетингового исследования
Внедрение	Низкий объем продаж, минимальная или отрицательная прибыль.	Исследование реакции первых потребителей, тестирование концепции, мониторинг конкурентных цен.
Рост	Быстрое увеличение продаж и прибыли, появление новых конкурентов.	Оценка изменения потребительского поведения (поиск новых сегментов), бенчмаркинг конкурентов, анализ факторов роста.
Зрелость	Максимальный объем продаж, стабилизация прибыли, насыщение рынка.	Исследование возможностей дифференциации, поиск путей продления цикла, анализ лояльности и удовлетворенности клиентов (NPS).
Спад	Снижение продаж и прибыли.	Анализ причин падения, оценка возможности ребрендинга или снятия продукта с рынка.

Эффективная оценка рынка на фазе Внедрения и Роста критически важна для своевременного масштабирования и защиты конкурентных позиций. Следовательно, инвестиции в аналитику на ранних этапах ЖЦТ являются ключевым условием для достижения долгосрочного успеха, поскольку позволяют избежать ошибок в позиционировании.

Классические модели оценки конкурентной среды и стратегического позиционирования

Для систематизированной оценки внешних факторов и выбора оптимальной стратегии менеджмент использует ряд классических аналитических инструментов, которые остаются актуальными даже в цифровой век.

Модель пяти сил Майкла Портера

Основополагающим инструментом структурной концепции конкуренции является Модель пяти конкурентных сил Майкла Портера. Эта модель используется для определения современного и потенциального влияния пяти ключевых сил на отраслевую ситуацию. Портер утверждал, что прибыльность отрасли определяется не только существующими конкурентами, но и более широкой структурой:

1. Угроза появления новых конкурентов: Насколько легко или сложно новым компаниям выйти на рынок (зависит от входных барьеров).
2. Угроза со стороны альтернативных товаров и услуг (заменителей): Продукты, которые удовлетворяют ту же потребность другим способом (например, электронная книга как заменитель бумажной).
3. Способность поставщиков отстаивать свои интересы (рыночная власть): Если поставщиков мало, их товары уникальны или переключение на других поставщиков дорого, их власть высока.
4. Способность потребителей отстаивать свои интересы (рыночная власть): Если потребителей много, они нелояльны, а продукт не уникален, их власть высока, что вынуждает снижать цены.
5. Уровень внутриотраслевой конкуренции: Интенсивность борьбы между существующими игроками (ценовая война, рекламные бюджеты).

Анализ этих пяти сил позволяет предприятию понять, насколько привлекательна отрасль и где именно следует искать источники долгосрочного конкурентного преимущества. И что из этого следует? Если одна из сил, например, власть поставщиков, слишком высока, это сигнализирует о необходимости стратегического изменения системы закупок или вертикальной интеграции, чтобы снизить зависимость от внешних факторов.

Матрица БКГ и конкурентные стратегии Портера

После структурного анализа отрасли (например, с помощью Пяти Сил или PESTEL/SWOT) организация должна оценить свой текущий портфель продуктов или бизнес-единиц. Здесь незаменима Матрица БКГ (Boston Consulting Group), которая классифицирует стратегические бизнес-единицы (СБЕ) по двум осям: относительная доля рынка (горизонтальная, показатель конкурентоспособности) и темп роста рынка (вертикальная, показатель привлекательности).

Квадрант	Относительная доля рынка	Темп роста рынка	Стратегическая рекомендация
«Звезды»	Высокая	Высокий	Требуют значительных инвестиций для поддержания роста, но генерируют большие доходы. Цель – удержание доли и превращение в «Дойную корову».
«Дойные коровы»	Высокая	Низкий	Генерируют основной денежный поток (Кэш), который используется для инвестирования в «Звезды» и «Вопросительные знаки». Минимальные инвестиции, максимальный сбор прибыли.
«Вопросительные знаки»	Низкая	Высокий	Требуют больших инвестиций, но не гарантируют успеха. Необходимо решить: инвестировать и превратить в «Звезду» или ликвидировать.
«Собаки»	Низкая	Низкий	Низкий потенциал роста и минимальная прибыль. Подлежат ликвидации, продаже или минимизации инвестиций.

Выбор дальнейшего маркетингового поведения предприятия (изолирование, использование изменений или обеспечение преимуществ) должен соответствовать одной из трех базовых конкурентных стратегий Майкла Портера:

1. Лидерство по издержкам: Цель — стать самым низкозатратным производителем в отрасли (например, за счет эффекта масштаба, жесткого контроля над накладными расходами).
2. Дифференциация: Создание продукта или услуги, которые воспринимаются как уникальные в рамках всей отрасли (например, за счет бренда, качества, технологий, сервиса).
3. Фокусирование: Выбор узкого рыночного сегмента. Стратегия может быть фокусированием на издержках (низкие издержки для узкого сегмента) или фокусированием на дифференциации (уникальность для узкого сегмента).

Таким образом, классические модели формируют стратегическую карту, на которой данные, полученные в результате современных исследований, находят свое управленческое применение. В конце концов, даже самая мощная аналитика Big Data бесполезна без четкой стратегической привязки.

Современные методы сбора и анализа данных о конкурентах и потребителях

Переход к цифровой экономике радикально изменил инструментарий маркетингового исследования. Если традиционные методы давали ответы на вопросы «что» и «почему», то современные цифровые инструменты, оперирующие Большими Данными, позволяют ответить на вопрос «что произойдет» (прогнозирование) и «как оптимизировать процесс» (персонализация).

Традиционные (кабинетные и полевые) методы исследования

Традиционные маркетинговые исследования остаются краеугольным камнем аналитики. Они делятся на две большие категории:

1. Кабинетные исследования (Вторичные данные): Сбор, обработка и анализ уже существующей вторичной информации (отчеты Росстата, отраслевые обзоры, публикации конкурентов, внутренние CRM-данные). Они экономичны и быстры, но могут быть устаревшими или не полностью релевантными.
2. Полевые исследования (Первичные данные): Сбор новой, оригинальной информации, необходимой для конкретной задачи.

Полевые исследования, в свою очередь, подразделяются на качественные и количественные:

Тип исследования	Цель	Методы	Преимущества
Качественные	Понять «почему», «как», выявить мотивацию, глубинные установки и скрытые потребности (исследование мотивации).	Фокус-группы, Глубинные интервью, Проективные методики.	Высокая глубина понимания потребителя, гибкость.
Количественные	Проверить гипотезы, получить статистически значимые, измеримые данные (исследование фактов).	Опросы (анкетирование), Холл-тесты (тестирование продукта), Ритейл-аудит (анализ выкладки конкурентов), Панельные исследования.	Высокая репрезентативность, возможность экстраполяции на генеральную совокупность.

Несмотря на доминирование цифры, качественные методы незаменимы для разработки Уникального Торгового Предложения (УТП), поскольку именно они выявляют эмоциональную реакцию на продукт. Однако, не стоит ли признать, что в современном мире, где потребители оставляют тысячи цифровых следов, качественные данные, полученные в фокус-группах, могут быть неточными из-за феномена социальной желательности?

Цифровая трансформация: Применение Big Data и искусственного интеллекта

В цифровой среде основным инструментом стал анализ Big Data (Больших Данных). Они характеризуются концепцией «Трех V»:

• Volume (Объем): Чрезвычайно большие объемы данных, которые невозможно обработать традиционными СУБД.
• Velocity (Скорость): Данные поступают и должны быть обработаны в режиме реального времени (например, поток кликов, транзакций).
• Variety (Разнообразие): Данные имеют разнообразные форматы – от структурированных таблиц и логов до неструктурированных текстов, видео и аудио (Social Listening).

Технологии Big Data позволяют выявлять неочевидные закономерности потребительского поведения, такие как скрытые корреляции между поисковыми запросами и реальными покупками, или реакция на ценовую политику конкурентов в различных регионах.

Для анализа этих данных используются сложные методы:

1. Машинное обучение (ML) и Искусственный интеллект (ИИ): Применяются для прогнозирования оттока клиентов (Churn Prediction), автоматической сегментации потребителей на основе их цифрового следа и персонализации предложений.
2. Графовые алгоритмы: Используются для анализа социальных сетей и выявления инфлюенсеров (лидеров мнений) и скрытых связей между конкурентами, поставщиками и потребителями.
3. Предиктивная аналитика: Построение моделей, позволяющих прогнозировать спрос на основе анализа исторических данных, погодных условий, сезонности и рекламных активностей конкурентов.

Практические инструменты: Российские BI-платформы и решения

Для эффективной работы с Big Data и интеграции результатов анализа в управленческий контур необходимо использовать специализированные платформы бизнес-аналитики (Business Intelligence, BI). В условиях импортозамещения российские компании активно развивают собственные решения:

Платформа	Назначение и функционал	Применение в маркетинге
Форсайт. Аналитическая платформа	Полный стек для построения корпоративных хранилищ данных, аналитической обработки и визуализации.	Создание интерактивных дашбордов для мониторинга доли рынка конкурентов, ROMI и эффективности рекламных кампаний.
PolyAnalyst	Платформа для интеллектуального анализа структурированных и неструктурированных данных (текст, речь).	Автоматический анализ отзывов о конкурентах и собственном продукте (Social Listening), выявление скрытых трендов потребительского спроса.
Alpha BI	Универсальная BI-система, ориентированная на быструю визуализацию данных из различных источников.	Сравнительный анализ финансовых показателей конкурентов, оценка эффективности УТП в динамике.
VK Cloud (Trino Data Lakehouse)	Облачные решения для хранения и высокоскоростной обработки больших массивов данных.	Основа для построения дата-лейков, где хранятся сырые данные о поведении потребителей в цифровых каналах.

Эти платформы позволяют маркетологам не только собирать, но и оперативно визуализировать паттерны поведения потребителей, превращая данные в наглядные управленческие отчеты, необходимые для принятия стратегических решений.

Интеграция результатов анализа в систему стратегического управления организацией

Получение данных — это только первый шаг. Истинная ценность маркетингового исследования проявляется в способности организации преобразовать эту информацию в конкретные, измеримые действия, которые, в свою очередь, укрепляют конкурентные позиции.

Формирование стратегических целей на основе систематизации рыночных данных

Процесс интеграции начинается с систематизации и интерпретации данных. Классические инструменты, такие как SWOT-анализ (анализ сильных и слабых сторон компании, возможностей и угроз внешней среды) и PESTEL-анализ (политические, экономические, социальные, технологические, экологические и правовые факторы), используются для структурирования информации о конкурентах и потребителях.

На основе интерпретированных данных формулируются конкретные стратегические цели, которые должны быть SMART (конкретными, измеримыми, достижимыми, релевантными, ограниченными во времени):

1. Конкурентная стратегия (на основе Портера): Если анализ выявил, что конкурент №1 имеет критически высокие издержки, стратегической целью может стать «Достижение лидерства по издержкам в сегменте B до конца 2026 года».
2. Продуктовая стратегия (на основе ЖЦТ): Если данные показывают высокую неудовлетворенность потребителей конкретной функцией продукта (слабое место конкурента), целью становится «Повышение воспринимаемой ценности продукта на 20% путем внедрения новой функции X в течение следующих 6 месяцев».
3. Рыночная стратегия (на основе БК��): Если сегмент является «Вопросительным знаком», цель — «Увеличение относительной доли рынка в сегменте X на 5% в течение года за счет агрессивных маркетинговых инвестиций».

Тактическое планирование и корректировка комплекса маркетинга (4P)

Результаты оценки конкурентов и потребителей имеют прямое, немедленное влияние на тактическое планирование — корректировку комплекса маркетинга (4P: Product, Price, Place, Promotion).

• Продукт (Product): Анализ потребностей потребителей, выявленный через Big Data (например, анализ поисковых запросов и логов), определяет, какие функции необходимо добавить или убрать.
• Цена (Price): Постоянный мониторинг ценовой политики конкурентов позволяет своевременно корректировать собственное ценообразование. Если конкурент запустил демпинговую акцию, тактическое решение может заключаться в запуске промоакции с добавленной ценностью.
• Место (Place/Distribution): Анализ геолокации и онлайн-поведения потребителей помогает определить наиболее эффективные каналы сбыта (например, переход на маркетплейсы, если потребительский трафик смещается туда).
• Продвижение (Promotion): Результаты анализа Big Data и машинного обучения позволяют создать максимально персонализированное Уникальное Торговое Предложение (УТП). УТП, согласно классической концепции, должно содержать конкретное, уникальное предложение, которое конкуренты не предлагают, и быть достаточно сильным для привлечения потребителей. Данные определяют, что именно является уникальным и важным для конкретного микро-сегмента.

Непрерывный мониторинг и адаптация стратегии

В условиях «скорости» данных (Velocity) исследование конкурентов и потребителей не может быть разовым проектом. Оно должно стать непрерывным процессом.

Стратегия, разработанная на основе данных, должна регулярно пересматриваться и адаптироваться. Руководство должно установить четкий регламент:

• Ежедневный мониторинг ключевых метрик рекламных кампаний (CTR, CR).
• Ежеквартальный анализ финансовых отчетов ключевых конкурентов и их активности (бенчмаркинг).
• Ежегодный полный пересмотр стратегической карты (анализ пяти сил Портера и Матрицы БКГ).

Такой подход обеспечивает гибкость и позволяет организации оперативно реагировать на внезапные изменения в рыночной структуре. Только постоянный мониторинг данных способен предотвратить стратегическое отставание и обеспечить лидерство.

Оценка эффективности использования рыночной информации и практические кейс-стади

Эффективность любой управленческой деятельности должна быть измерима. В контексте маркетинга и стратегического управления используются как финансовые, так и нефинансовые метрики.

Система метрик финансовой и маркетинговой эффективности

Ключевыми финансовыми метриками верхнего уровня для оценки эффективности использования маркетинговой информации являются ROI и ROMI.

1. ROI (Return On Investment — Окупаемость инвестиций)

ROI показывает общую окупаемость инвестиций в бизнес-проект, включая не только маркетинговые затраты, но и операционные расходы.

Формула расчета ROI:

ROI = (Доходы - Расходы) / Расходы × 100%

Инвестиции считаются окупаемыми, когда ROI > 0%.

2. ROMI (Return On Marketing Investment — Возврат на маркетинговые инвестиции)

ROMI — более точный показатель, который изолирует эффективность маркетинговых затрат, включая затраты на исследования, Big Data-аналитику и рекламные кампании.

Формула расчета ROMI:

ROMI = (Доходы от маркетинга - Расходы на маркетинг) / Расходы на маркетинг × 100%

Инвестиции в маркетинг считаются прибыльными, когда ROMI > 100%. Если ROMI = 150%, это означает, что каждый вложенный рубль принес 1,5 рубля дохода (чистый доход — 50 копеек).

3. Метрики эффективности рекламной кампании (РК)

Для тактического уровня критически важны следующие метрики, эффективность которых напрямую зависит от точности сегментирования, основанного на анализе потребителей и конкурентов:

• CTR (Click-Through Rate): Показатель кликабельности объявления. Точный таргетинг по Big Data-сегментам повышает CTR.
• CR (Conversion Rate): Коэффициент конверсии (доля посетителей, совершивших целевое действие).
• CPA (Cost per Action): Стоимость целевого действия.
• CPL (Cost per Lead): Стоимость привлечения лида.

4. NPS (Net Promoter Score)

NPS является важнейшей нефинансовой метрикой, которая оценивает лояльность клиентов и их готовность рекомендовать компанию. Высокий NPS (отношение промоутеров к критикам) свидетельствует о том, что компания успешно реализовала стратегию дифференциации и создала высокую воспринимаемую ценность, выявленную на этапе исследования.

Успешные кейсы российских компаний, использующих Big Data для укрепления позиций (2020-2025 гг.)

Практические примеры наглядно демонстрируют, как интеграция анализа конкурентов и потребителей, усиленная Big Data, приводит к измеримым финансовым результатам.

Кейс 1: Avito Ranker 3 и повышение конверсии (2020–2022 гг.)

Avito, один из крупнейших российских классифайдов, столкнулся с проблемой оптимизации выдачи объявлений. Компания внедрила систему Avito Ranker 3, основанную на машинном обучении и анализе Больших Данных о поведении пользователей (история просмотров, клики, транзакции).

Результат: Использование поведенческих паттернов для более точного ранжирования объявлений привело к росту переходов в объявления на 17% и увеличению конверсии в покупки на 25%. Этот кейс подтверждает, что точная интерпретация Big Data о потребительском поведении позволяет достигать ROI, который может превышать 200% в цифровых каналах.

Кейс 2: МТС DSP, Divan.ru и программатик-реклама (2025 г.)

В 2025 году компания Divan.ru использовала программатик-платформу МТС DSP для таргетинга рекламных кампаний. Вместо общих сегментов применялись Big Data МТС, основанные на банковских транзакциях, геолокации и истории покупок абонентов, что позволило выделить максимально релевантную аудиторию.

Результат: Благодаря высокоточному сегментированию, основанному на данных, обеспечивался рост количества покупок на 304% и снижение доли рекламных расходов (ДРР), что прямо доказывает эффективность использования информации о потребителях для тактического планирования.

Кейс 3: «Свежее Завтра» (FMCG) и мобильная in-app реклама (2025 г.)

Бренд «Свежее Завтра» при продвижении молочных новинок использовал мобильную in-app рекламу с таргетингом по Big Data-сегментам. Эти сегменты были сформированы на основе анализа истории покупок, транзакций и геолокации.

Результат: Высокая точность таргетинга позволила превысить запланированный показатель кликабельности (CTR) в 1,8 раза (фактический CTR 1,45% при плане 0,8%). Это означает, что информация о потребителях была использована для создания более релевантного рекламного сообщения, что привело к снижению CPA и повышению ROMI.

Эти кейсы наглядно иллюстрируют, что современное стратегическое управление требует синтеза классической аналитической мысли (Портер, Ламбен) с возможностями Big Data, где точность оценки потребителей и конкурентов становится главным неценовым конкурентным преимуществом.

Заключение

Проведенное исследование подтверждает, что эффективная оценка конкурентов и поведения потребителей является не просто вспомогательной функцией маркетинга, а фундаментальной «системой мышления» (по Ламбену), определяющей стратегическую устойчивость организации. Мы видим, что способность компании анализировать и адаптироваться к рынку — это ключ к выживанию в условиях цифровой экономики.

Основные теоретические выводы:

1. Фундаментальные концепции (конкурентоспособность, ЖЦТ) и классические модели (Пять сил Портера, Матрица БКГ) остаются актуальными, предоставляя надежную методологическую рамку для структурного анализа отрасли и выбора базовой конкурентной стратегии (лидерство по издержкам, дифференциация, фокусирование).
2. Цифровая трансформация привела к доминированию технологий Big Data («Трех V») и методов машинного обучения, которые позволяют переходить от анализа фактов к предиктивной аналитике, выявляя неочевидные закономерности поведения потребителей и конкурентов.
3. Для обеспечения методологической корректности в работе с цифровыми данными российским компаниям необходимо интегрировать отечественные BI-платформы (например, «Форсайт. Аналитическая платформа», PolyAnalyst) в свой управленческий контур.

Основные практические выводы и рекомендации:

1. Интеграция данных в управление: Результаты анализа должны систематизироваться через SWOT/PESTEL и трансформироваться в конкретные, измеримые стратегические цели, а также оперативно влиять на корректировку комплекса маркетинга (4P), в частности, на разработку уникального торгового предложения (УТП).
2. Непрерывный мониторинг: Оценка конкурентной среды должна быть непрерывным процессом, а не разовым проектом, что требует регулярного обновления данных и адаптации стратегии.
3. Оценка эффективности: Эффективность использования рыночной информации необходимо оценивать через систему метрик, где критически важны ROI (общая окупаемость) и ROMI (возврат на маркетинговые инвестиции). Российские кейсы (Avito, МТС/Divan.ru) убедительно показывают, что использование Big Data-аналитики обеспечивает ROMI, значительно превышающий 100%, за счет повышения CR и снижения CPA.

Таким образом, для повышения эффективности управления современная организация должна освоить синтез академического стратегического планирования с высокоточной цифровой аналитикой, превращая массивы информации в измеримое конкурентное преимущество.

Список использованной литературы

1. Аванесова Г.А. Сервисная деятельность: Историческая и современная практика, предпринимательство, менеджмент : учебное пособие для студентов вузов. Москва : Аспект Пресс, 2009. 318 с.
2. Акулич М.В. Исследование рынков в практике международного бизнеса // Маркетинг в России и за рубежом. 2007. № 5.
3. Багиев Г.Л., Алексеев А.А. Основы проведения маркетинговых исследований. Санкт-Петербург : СПУЭФ, 2006. 93 с.
4. Беляевский И.К. Маркетинговые исследования: информация, анализ, прогноз. Москва : Финансы и статистика, 2009. 320 с.
5. Вертоградов В.А. Управление продажами. Санкт-Петербург : Питер, 2005.
6. Глушакова Т. Замеры удовлетворенности потребителей и управление предприятием // Лаборатория рекламы, маркетинга и public relations. 2008. № 5.
7. Дойль П. Маркетинг-менеджмент и стратегии. 3-е издание. Санкт-Петербург : Питер, 2003. 544 с.
8. Котлер Ф. Маркетинг менеджмент. Анализ, планирование, внедрение, контроль. Санкт-Петербург : Питер, 2005. 896 с.
9. Котлер Ф., Армстронг Г., Сондерс Дж., Вонг В. Основы маркетинга : 2-е европейское изд. Москва ; Санкт-Петербург ; Киев : Вильямс, 2003. 944 с.
10. Крылова Г.Д., Соколова М.И. Практикум по маркетингу. Москва : ИНИТИ, 2009.
11. Минцберг Г., Альстрэнд Б., Лэмпел Дж. Школы стратегий. Санкт-Петербург : Питер, 2001. 336 с.
12. Портер М. Конкуренция. Москва : Вильямс, 2003. 496 с.
13. Пригожин А.И. Методы развития организаций. Москва : МЦФЭР, 2008. 864 с.
14. Стоун М., Вудкок Н., Мэчтингер Л. Маркетинг, ориентированный на потребителя. Москва : Фаир-пресс, 2008. 561 с.
15. Томпсон А.А., Стрикленд А.Дж. Стратегический менеджмент. Искусство разработки и реализации стратегии : учебник для вузов. Москва : Банки и биржи, ЮНИТИ, 1998. 576 с.
16. Фатхутдинов Р.А. Конкурентоспособность: экономика, стратегия, управление. Москва : ИНФРА-М, 2000. 312 с.
17. Хили Дж. Статистика: Социологические и маркетинговые исследования. Москва : ДиаСофт, 2005. 637 с.
18. Шепель В. Коммуникационный менеджмент : учебное пособие. Москва : Гардарика, 2009.
19. Что такое «стратегический маркетинг»? URL: https://cyberleninka.ru (дата обращения: 23.10.2025).
20. Стратегический маркетинг. Ж.Ламбен. URL: https://krao.kg (дата обращения: 23.10.2025).
21. Big Data как must-have: новый стандарт интернет-рекламы в России. URL: https://incrussia.ru (дата обращения: 23.10.2025).
22. Жан-Жак Ламбен «Стратегический маркетинг. Европейская перспектива». URL: https://marketologi.ru (дата обращения: 23.10.2025).
23. Маркетинговая эффективность: метрики и формулы расчета. URL: https://adventum.ru (дата обращения: 23.10.2025).
24. 18 основных метрик маркетинга. URL: https://digital-academy.ru (дата обращения: 23.10.2025).
25. Кейс МТС DSP и Divan.ru: как получить CR Lift более 30% с помощью программатик-рекламы. URL: https://adindex.ru (дата обращения: 23.10.2025).
26. Анализ конкурентов: что это, как провести, примеры. URL: https://yandex.ru (дата обращения: 23.10.2025).
27. Трактовка термина «маркетинговое исследование» различными авторами. URL: https://vvsu.ru (дата обращения: 23.10.2025).
28. Методы сбора информации и инструменты анализа. URL: https://marketing.spb.ru (дата обращения: 23.10.2025).
29. Теоретические основы исследования конкурентной среды. URL: https://theoreticaleconomy.ru (дата обращения: 23.10.2025).
30. О важности интеграции рыночного и ресурсного подходов к разработке конкурентной стратегии предприятия. URL: https://cyberleninka.ru (дата обращения: 23.10.2025).
31. Учебник ‘Маркетинговые исследования’. URL: https://marketing.spb.ru (дата обращения: 23.10.2025).
32. Big Data в маркетинговых исследованиях: от теории к практике. URL: https://webhuk.ru (дата обращения: 23.10.2025).
33. Кейс BYYD и «Свежее Завтра»: как продвигать молочные новинки через in-app. URL: https://adindex.ru (дата обращения: 23.10.2025).
34. СИСТЕМА СБОРА И АНАЛИЗА ИНФОРМАЦИИ ИЗ РАЗЛИЧНЫХ ИСТОЧНИКОВ В УСЛОВИЯХ BIG DATA. URL: https://cyberleninka.ru (дата обращения: 23.10.2025).
35. ИСПОЛЬЗОВАНИЕ BIG DATA ДЛЯ ФОРМИРОВАНИЯ МАРКЕТИНГОВЫХ СТРАТЕГИЙ. URL: https://bsuir.by (дата обращения: 23.10.2025).