《矽谷思維》#3 數據思維課

前言

從上一篇的「產品思維」中,我們發現要設計一款好的產品,不單單只是「功能面」這麼簡單,仍然需要從「人性」心理層面去思考,並突顯最重要的「資訊」給用戶,每一個環節都非常的精彩。

當我們開發完產品之後,一旦上市,就會有不斷的「建議」、「回饋」、「好評或負評」飛奔而來,什麼意見是有幫助的呢?怎麼的決策是好的呢?

而且會抱怨的客戶不見得是代表大部份用戶的想法,這時候「數據思維」就是很重要的一個基準點,它幫助我們更客觀的決策,做出更有利的判斷…

這一篇我們來介紹第二個思維:「數據思維」。

在這個篇幅裡面,作者提到了「幸存者偏差」、「p值」、「標準差」、「風險對沖」、「偽陽性」、「偽陰性」…等等非常多的觀點,都是我們在學習數據使用時,必須要知道的觀點;

在這邊我們就挑一個我覺得最常用到的「A/B 測試」來做分享。

 

1. 客戶到底要什麼?

 

我們在開發產品的時候的時候,經常會收到用戶各種各樣的意見、建議,甚至是抱怨。

這時候設計師就會糾結,應該用的字級多大,放幾個按鈕,按鈕用什麼顏色等。

但是,用戶就跟女朋友一樣,難以捉摸。無論你怎樣糾結,時限一到,還是要做出決斷。

這時候我們要怎麼做出決斷呢?

最後怎樣做出決斷?當然不是靠產品經理憑主觀臆斷,也不是靠工程師和設計師談判,更不是靠高層們扔骰子(比大小)。其實,矽谷的幾乎所有企業,都在使用一套科學的數據統計方法,來幫助團隊做出最優化的決策。

簡而言之,總結起來就是一個公式:p < 0.05

 

案例重現

 

我們都知道,想要對兩個方案做出選擇,最好的方法就是做實驗。在互聯網行業,這個實驗統稱為A/B測試(A/B Test)。也就是找出一部分實驗用戶,例如10萬人,給其中一半人使用A方案,而對另一半的5萬人,使用B方案。

看看下面這個案例。

透過第一章,你現在應該已經知道了,「顏色」對於用戶的行為有著顯著的影響。於是,你們的產品團隊現在想試試,把按鈕的顏色從綠色變成紅色,是不是有更多的人點擊。於是你就簡單地設計了下面這個實驗。對於所有進入這個頁面的用戶,你讓一半人看到綠色按鈕,而另外一半人看到的,則是紅色。

實驗就這樣跑了幾天,你得到了如下的數據統計結果。

A組,綠色:100 個人看到了這個按鈕,可是卻沒人點擊,點擊量為 0。

B組,紅色:同樣有 100 個人看到,居然有 50 個人點擊。

如果是這樣完美的數據,我們容易得出結論 —— 紅色完勝,畢竟綠色組成績為 0。之後,你的產品團隊就高興地上線了紅色按鈕方案。

但現實是,我們往往得不到這麼完美的一面倒的數據,而且我們如果同時關注兩個以上的用戶指標,結論還很有可能相互矛盾,在這個時候我們應該怎麼辦呢?

再來看一個例子。

還是應用了第一章的內容,你現在應該知道,手機的「推播通知」對挽留用戶很重要吧。發一個推播,用戶說不定就會點開好久不用的App了。所以,你的團隊又有了一個想法,想和文案部門聯合,一起試試「個性化通知內容」是不是更有效。

於是,你們設計了下面這個實驗。依然是把用戶隨機分成兩組,然後你們分別給兩組人發送不一樣的推播通知。

第一組收到的是非個性的「屠龍寶刀點就送!明星都在玩!」

第二組則有一點點個性化,在開頭加上了用戶的名字,「(用戶姓名),屠龍寶刀點就送!明星都在玩!」

通知發送一天之後,得到了如下圖所示的實驗結果。

  • 第一組,有 95 個用戶接到了推播;收到通知 24 小時內,有四個人打開了 App,但是有一個人刪除了App ,可能是因為收到推播太多,太煩了。
     
  • 第二組,有 107 個用戶接到了推播;收到通知 24 小時內,有 11 個人打開了 App,但是有三個人刪除了App。

 

注意,對於上面的數據,我們並不區分用戶是直接點擊推播通知打開的App,還是看到推播後,過了一會兒,用戶自主找到App圖示打開的。

結果擺在面前,就很尷尬了,似乎是喜憂參半的悖論。如果只看讀取率,那可能是第二組更好,但是第二組的刪除率又上升了。

到底應該怎樣抉擇?還好我們有統計學。

 

p值是什麼?

 

這個事情,要是交給統計學家,會怎麼處理呢?他們會計算 p值(p-Value)。

P來自英文單詞probability(機率,又譯「或然率」)的首字母。嚴格來講,p值雖然不能直接代表機率,但是可以相對表示出實驗組方案沒有任何用處的可能性。

對於推播行動通知的實驗,我們可以先來以只計算讀取率為例。第一組用戶的讀取率,很容易計算,那就是4/95=4.21%。現在問題的關鍵是,我們需要知道,第二組這個打開人數的增長,到底是一個「恰好」出現的偶然結果,還是真的因為「個性化的通知內容」很有效而帶來的讀取率提高呢?因為,用戶即使收到了通知,其實也不一定會注意到。即使注意到了推播,可能也沒有看推播的內容。而且,用戶還有可能完全沒有看任何推播通知,也會自己打開App。

在統計方法上,我們會先來一個「虛無假設」(null hypothesis):也就是假設「個性化」通知根本沒啥用,於是我們有:如果「虛無假設」成立,那麼第二組的真實讀取率,就應該維持4.21%不變,和第一組一樣。

下面,我們就要對這個假設是否成立進行驗證。

那麼,按照4.21%這個讀取率,第二組出現11個人打開App的機率是多少呢?這是一道高考難度的數學題,答案就是:

 

 

這個值,就是p值(此處進行了合理的簡化),p=0.0037。它代表了「個性化通知」沒有任何用處的機率僅為0.0037。

其實,p值就表示了實驗結果純屬巧合的可能性。所以,p值當然是愈低愈好了;更低的p值,會表明實驗組更「可能」有效(注意,不是更有效)。那麼多低是低呢?標準是什麼?在矽谷業界和學術界,目前普遍採用的p值標準線是0.05。

也就是說,如果 p < 0.05, 就代表數據有「統計顯著」(statistically significant,或譯「顯著性差異」),通常簡稱Stat-Sig。如果具有顯著性,那麼實驗結果是有意義的,可以接受(accept),虛無假設將被駁回(reject)。以上驗證過程,在統計學上稱為「假設檢驗」。

這時我們再看,讀取率的p值小於0.05,那麼就可以說「個性化」通知對於促進用戶讀取App有效。

再來看看兩組刪除率的p值,經過計算,我們得出p=0.1795,大於0.05;也就是說,刪除率上升純屬偶然。

這下好啦,產品決策清晰了。

我們現在可以得出結論,相比原來的非個性化推播,我們發現個性化的推播讀取率有顯著性提升,而刪除率則沒有顯著的統計學差異。

於是,歡快地決定上線「個性化推播」功能!

 

實驗工具

 

可以說,矽谷的互聯網產品,就是由實驗驅動著的。

無論是設計師提出的一個小小的UI變動,還是推薦引擎工程師對演算法模型的升級,抑或宣傳和公關部門的文案標題改動,大都由實驗驅動。在很多大型App裡,例如YouTube、Twitter等,往往同時運行著超級多的實驗,每個人使用的App功能甚至都不盡相同。

為了提高效率,矽谷各大企業紛紛開發了專門的實驗工具和分析系統,讓大家快速使用。

例如Google旗下Analytics產品的內容實驗(Content Experiments)工具,它可以幫助用戶,快速地通過UI創建各類實驗,添加各項實驗組。還能在實驗運行時,利用多臂吃角子老虎機(Multi-armed bandit)演算法,自動調整並分配各個實驗組的流量比例,以加快實驗速度。實驗結束後,還會自動生成智慧化報表。

Google Content Experiments工具介面

 

Uber則在公司內部推出了實驗平台XP。它不僅是實驗和分析工具,還幫助Uber安全上線和部署新功能,即時觀測數據。

 

Uber實驗平台XP工具介面

 

Airbnb內部則使用實驗框架ERF(Experimentation Reporting Framework)工具。ERF的互動設計非常好,可以批量顯示正在運行的所有實驗,還提供了美觀的報表系統,p值一目瞭然,並用不同顏色標注實驗結果,清晰快速。

 

Airbnb實驗框架ERF工具介面

 

Netflix的跨平台實驗工具則是ABlaze。它有著跨電腦和手機多平台的優良特性。借助ABlaze,Netflix得以快速疊代產品,以便滿足全球超過1億用戶的觀影需求。尤其是打開App後90秒內的黃金時間,根據統計,如果在這個時間範圍內用戶找不到自己想看的影片,他們就會關閉整個App。

 

Netflix跨平台實驗工具ABlaze

 

此外,還有很多公開的免費在線工具,如AB Testguide,就可以幫助用戶快速地計算p值。

 

更複雜的實驗方法

 

當然,A/B測試僅僅是實驗中最簡單的情況,在實際應用中,還會有非常複雜的情況。下面舉出兩個典型的例子。

 

第一個例子是社交產品。

在進行涉及兩個用戶以上的社交功能測試時,為保證實驗品質,我們需要找到兩組彼此沒有任何關聯的用戶群,否則實驗就可能被「汙染」。例如,朋友圈要測試一個新功能 —— 朋友圈搶紅包。這裡就涉及紅包發送者和搶紅包的人兩種角色。

這時,我們就不能簡單地使用隨機演算法把用戶分成兩組了,因為發紅包的人和搶紅包的人,有可能在兩個不同的測試組,這樣功能就是不完整的。為了保證控制組的人永遠不會看到這個功能,我們可以按照地區挑選。例如只有本地好友的北京用戶為一組,而把只有本地好友的廣州用戶設為一組。有時候,我們還要挑選一些偏遠地區的用戶,如海島上的居民,因為他們對外的社會關係相對更少。

 

另外一個典型的例子是廣告產品。

在做電子廣告測試的時候,我們也不能簡單地把用戶隨機分成兩組。因為每一個用戶的「價值」不同。

例如,兩個用戶同樣在使用朋友圈,其中一位用戶因為歷史消費很多,系統認定這是有高消費能力的用戶。這時各種奢侈品、車、房地產等廣告都想爭奪對他的廣告顯示機會。因為朋友圈廣告對每一個用戶每天看廣告的數量有一個上限,這樣這一條廣告就很有可能競價到很高的價格。相比另外一個「低價值」用戶,廣告主則要花費更多的錢來獲得這一次點擊。

這時,為了衡量廣告效果,不需要控制AB兩組用戶的數量絕對相等,我們應該控制的是兩組消耗掉的廣告費用相等。例如,你花費了100元,給50個「高價值」用戶看了名車廣告,有10個人完成了購買。而另一組,你花費100元,給1000個「低價值」用戶同樣看了這個名車廣告,只有一個人最終購買。這樣你就能衡量廣告效果的不同了。

 

更進一步

 

對於p值小於0.05,你可能會有一個疑問。為什麼這些矽谷企業偏偏都選0.05這個數字呢?答案就是:隨便選的。

嗯,其實這個真的就只是一個約定俗成的數值而已。這還要歸功於1920年代,一位英國人羅納德.費雪(Ronald Fisher)。他在研究肥料對農作物影響時提出了這個值,並向學術界推廣。到現在,0.05已經成為很多場合下的通用標準。

當然,很多產品為了更加可靠,也會使用更低的 p 值,例如 0.01。

可能被「汙染」。例如,朋友圈要測試一個新功能——朋友圈搶紅包。這裡就涉及紅包發送者和搶紅包的人兩種角色。

這時,我們就不能簡單地使用隨機演算法把用戶分成兩組了,因為發紅包的人和搶紅包的人,有可能在兩個不同的測試組,這樣功能就是不完整的。為了保證控制組的人永遠不會看到這個功能,我們可以按照地區挑選。例如只有本地好友的北京用戶為一組,而把只有本地好友的廣州用戶設為一組。有時候,我們還要挑選一些偏遠地區的用戶,如海島上的居民,因為他們對外的社會關係相對更少。

 

小結

 

在這個世界,我們都知道「數據」對我們來說有多重要,所以不管怎麼,我們都會努力去蒐集資料;然而蒐集完資料之後,便面臨一個大問題:〝這些數據該怎麼使用〞?或者是說,這些數據怎麼幫助我們做出更好的決策。

從一開始的「篩選用戶」,根據我們的需求進行用戶分組並進行 「AB 測試」實驗,取得用戶相關數據之後,我們可以透過 P 值計算,取得 「p<0.05」的有效假設,進而進行我們的決策。

在這一篇當中,我們理解了「A/B 測試」、「p值」、「統計顯著性」、「假設檢驗」等觀念,知道這些思維,便可以更進一步去處理數據,得到我們想要的資訊,更好的做出判斷。

《遊戲化實戰全書》

前言

《傳統式的讀書會》和《遊戲化的讀書會》,哪一種會吸引你想要參與呢?大部份的人會選擇後者,神奇的是,很多人聽到或看到〝遊戲化〞三個字,就會自動產生一種愉悦感,為什麼遊戲化會有這麼大的魔力呢?這是很值得深入探討的,因為如果我們也能將〝遊戲化〞導入工作或日常,那不是一件特別有趣的事情嗎?

 

今天想要分享的這一本書是《遊戲化實戰全書》,在這邊非常感謝《HPX 讀書會》提供寶貴的影片學習機會,可以在我在 mastertalks 上去學習作者周郁凱的《遊戲化與行為設計:創造吸引力八個核心動力》課程,看完書之後,再看影片,似乎有一種〝明朗化〞的感覺,好像頓時開悟說:「原來如此」。

 

談遊戲化,如果只是談談理論的話,總覺得沒有實際感,好像紙上談兵的感覺,因此在本篇探討上,我想要帶入一個主題,透過它來討如何進行遊戲化,似乎會更有的有趣一些。既然我本身也有大量在參與讀書會,而且也非常感謝《HPX 讀書會》帶給我的資源,因此這一篇的主題探討就拿〝讀書會〞來做思想實驗吧。

 

本篇將透過二個方式來進行討論:

  1. 什麼是遊戲化(Gamification)?什麼是八角框架(Octalysis)
  2. 讀書會-如何進行遊戲化?

 

若對第一部份〝遊戲化和八角框架〞已經熟悉的人,也可以直接閱讀第二部份即可。

 

1. 什麼是遊戲化與八角框架

 

◆ 什麼是遊戲化(Gamification)?

 

遊戲化是最近很夯的一個詞,每當我們聽到〝遊戲化〞,就有一種莫名的愉悅感,這是為什麼呢?可能原因是〝聯想〞,我們看到〝遊戲化〞三個字時,腦中就跟〝遊戲〞做連結,不管是〝線上遊戲、手遊、桌遊〞,這取決你對遊戲的經驗,在你進行遊戲過程當中產生的愉悅感,跟〝遊戲化〞三個字產生連結了。

那為什麼遊戲會讓我們產生這麼多愉悅感、興奮感呢?作者周郁凱告訴我們,人會興奮、上癮與沉迷,主要有〝八大核心動力〞,如果沒有這八大核心在支持著這個遊戲,我們就會散失興趣,一點也不想要進行遊戲,甚至都不能稱它為遊戲。

這八大核心周郁凱稱它為「八角框架核心動力」,這八大核心動力到底是什麼呢?為什麼可以帶給我們這麼大的動力?讓我們樂此不疲、廢寢忘食呢?我們將會再下段文中進行更詳細的簡單說明。

在說明之前,我們必須先搞清楚什麼是遊戲化?用簡單的一句話來說:「將遊戲的娛樂性、興奮感,融入非遊戲的無聊事。」不管是我們想融入工作中、生活中,甚至是團隊中,我們都必須先了解〝是什麼元素〞讓我們如果興奮、好玩呢?如果能萃取出這些元素,導入我們的目標,或許就能讓沉悶的工作變得更有趣一些,讓我們擁有更好的產值之餘,還能更開心的投入。

所以,接下來我們就來探討「八角框架理論」。

 

◆ 八角框架(Octalysis)

 

八角框架是用來看決定遊戲是否好玩的的決定因素。

若沒有這八角框架的核心動力在支配,你就不會有動機,也不會有行為產生。

接下來我們來做一個簡單的一一說明。

 

1. 使命 — 重大的意義與呼召(Epic Meaning and Calling):

 

重點在於「讓用戶覺得自己有義務要完成什麼使命」,進而吸引他們長期投入。

如維基百科,寫維基不是為了賺錢,也不是為了增加履歷,人們相信他們寫的維基百科,是在保存人文知識,是一項超脫自我的任務。

可運用元素:社會使命、新手運、英雄…等。

 

2. 發展與成就 ( Development & Acommplishment ):

 

讓用戶有一種精益求精、在學習和進步的感覺。例如遊戲當中大部份的分數、徽章和排行榜,都範屬這個部份。

簡單說,分數只是計量,就算重複同一件事情,也讓人覺得有進展,因為你的得分會上升。而徽章則是代表你的成就與象徵,可以擁有很多形式,例如徽章、獎杯、制服、或像武術那種黑白帶。但關鍵還是「象徵成就」這個意義。如果這個徽章很容易取得,那徽章便失去意義更成為侮辱。

例如最近網路上很多人常用的一個詞:「人生解鎖」,便是這個概念,鼓勵自己做嘗試一些挑戰,或自己沒做過的事。

可運用元素:分數、徽章、排行榜…等。

 

3. 創意培力與回饋 ( Empwoerment of Creativity & Feedback )

 

讓用戶可以在使用產品的過程中,創造自己的要素。

例如樂高積木,你給玩家基本的積木,留下無限的組合方式激發創意,讓他們嘗試不同策略,再給他們回饋讓他們回去調整。

透過自我創造,用戶會從中感到樂趣,整個過程讓人相當投入,並且也會讓人更難以離開產品。

可運用元素:自由組合、情境策略、互補與互剋…等。

 

4. 所有與佔有欲 ( Ownership & Possession )

 

用戶受到某樣事物驅動,產生想要「改進」、「保護」以及「得到更多」的渴望。

如果我們既認定一個東西為己有的意識,就會讓我們想改善、保護。

例如:扭蛋造型公仔,有些民眾會希望蒐集全套;玩遊戲時,會努力幫助角色升級等,這些行為背後都是滿足了用戶的「所有權與佔有慾」。

而且,就連虛擬貨幣也是如此,有時還跟抽象有關,例如用心經營履歷、雲端檔案,你對這些東西會更有感情。即使出現更好的東西,你也不會想換掉,因為你對現有的東西,已有了很多情感投入和佔有欲。

可運用元素:已投入資產、DIY、收集…等。

 

5. 社群影響力與歸屬感 ( Social Influence & Relatedness )

 

讓你對周遭的人有歸屬感,不管是透過邀請好友,讓朋友可以一起玩,或是透過團隊破關的機制,讓你與產品內用戶,有共同解決問題的感覺,都屬於這項動機,這項動機如果運用得好,可以讓用戶感覺和其他用戶關係緊密,更不容易離開產品。

而社群影響力基本上就是你的所言所言,皆以他人的言行為基準。諸於團隊遠征、社群媒體送禮、合作與競爭,但其中也有歸屬感在,像是懷舊感。例如讓你回想童年的東西,更有可能被你買下。遇到同鄉你也更願意去打交道。

可運用元素:團隊闖關、相互推薦、社群好友…等。

 

6. 稀缺性與迫切感 ( Scareity & Impatience )

 

生活中你可能常常感受到,某項東西不容易得到,反而會激發我們想去爭取的動機。

很多時候我們想要一個東西,純粹因為那個東西很稀有或很難取得。很多公司利用這個核心動力發行獨家產品。如早期的 Facebook 只開放給哈佛學生。

可運用元素:限量款、獨家代理、紀念意義…等。

 

7. 不可預測性與好奇心 (Unpredicability & Curiosity)

 

大部分的人都有好奇心,會有想了解自己不知道事物的動機,另一方面,人也會因為無法預測事情的發展,而不斷去想那件事。例如:博弈業。

這也是一種想讀完整本書、看完整部電影的動力,而且,這也就是為什麼大家都討厭爆雷。 著名實驗如:Skinner Box。

可運用元素:隨機性、抽獎活動、預告片(伏筆)…等。

 

8. 損失與迴避 (Loss & Avoidance )

 

源自於我們對失去的恐懼,而恐懼所帶來的動力,比我們追求獲利的動機高上一倍之多,是有效促使人們行動的動機。

這很直覺,你會去廻避損失發生,避免壞事發生,有時候就只是不想改變現狀,你很有理由去做某事但就是太懶。避免改變現狀和壞事發生,都是這個核心動力。

實際的案例像是「三天後就到期的折價券」,雖然對於用戶來說,不使用折價券,他們並沒有實際失去什麼,但他們還是會在三天內使用折價券,因為他們「不想失去原本屬於他的折扣」,這種心情背後的動機,就是源自於「損失與避免」。

如果仔細去觀察的話,會發現「損失與避免」在我們生活中很常見,效果也很好,但作者建議我們不要太常使用這項動機,因為恐懼雖然會促使用戶行動,但會帶給用戶不適感,如果過度使用恐懼去影響用戶,反而會讓他對於產品有不好的看法。

可運用元素:期限點數、折價卷、限時活動…等。

 

◆ 黑帽與白帽、左腦與右腦動機

 

作者周郁凱的八角框架其實還有很多玄機的,根據上、下、左、右 (各3),分別為:白帽、黑帽、左腦、右腦等核心動機元素,我們在這邊也簡單介紹一下這些核心動機。

 

白帽 (上三:使命、成就、賦予創造力)

帽 (下三:不確定性、稀缺、避免)

白帽讓人感覺充滿力量有主控權並感覺良好,但缺乏緊迫感。

黑帽讓人感到緊迫、迷戀甚至上癮,但長期下來感覺不好, 因為會有失去行為主控權的感覺。

白帽核心動力是讓我們覺得強大、圓滿、以及滿意的動機元素,讓我們覺得能夠控制自己的生活與行動。相較之下,黑帽核心動力讓我們覺得著迷、焦慮、以及上癮。它們對於激勵我們行為的效用強大,但是長期而言會讓我們感到不快,因為我們覺得對自己的行為失去控制。

白帽遊戲化的好處非常明顯,大部分學習八角框架架構的公司都會馬上想到:「好,我們需要執行白帽!」它們大致上是對的,除了白帽動機有個關鍵弱點:不會馬上創造急迫感。

舉例來說,如果我充滿熱誠地對你說道:「今天就動手開始改變世界!」你或許會對這個第一項核心動力觸發機制感到非常興奮,回應道:「是的!我要動手開始改變世界!但是先讓我吃頓早餐、刷牙、然後準備出門!」如你所見,此一等級的白帽興奮沒有急迫性。

但是如果我拿槍指著你的頭,小聲說:「去改變世界,否則就殺了你!」你有可能去改變世界,不先享受早餐或刷牙,因為你受到第八項核心動力:損失與避免所迫。一旦能脫離我的掌握,你可能就不再關心,除非重大使命與呼召從你內心重新生出來。

黑帽遊戲化創造出系統設計師所需要的實現目標、改變行為的緊迫性。這通常不可能由白帽遊戲化單獨辦到。

如果有家公司僅僅執行白帽遊戲化,同時使用者卻不斷暴露在電子郵件、邀約、或者臉書干擾等其他黑帽刺激之下,他們很可能沒有機會試用體驗。當然,使用者也會覺得很糟,因為他們把去做更有意義、讓他們覺得愉悅的事情不斷延後。不幸的是,出於黑帽動機的本質,他們仍然會一直重複這樣的行為。

 

左腦 — 邏輯、外在動機(左三:成就、所有權、稀缺):

右腦 — 感性、內在動機 (右三:賦與創造力、社會影響力、不確定性)

在這邊要說明一下,這邊的左腦和右腦,並不是指我們人類大腦裡的真正功能,只是用來引喻。

左腦是為了獎勵和目標而去做,但不一定自己喜歡這一件事。例如:上班族的為了薪酬而工作。

右腦則是純喜歡做的事,甚至願意花錢體驗這些活動。例如跟朋友出去玩,或是花錢去打遊戲。

假如連續按四個小時的按鈕,你能拿到錢,你可能會為了報酬而去按。 但如果假如連續按四個小時的按鈕,不一定能拿到錢,有時候是獎金,有時候可能是扣款,這個就變成賭博,但我們卻願意付大錢給賭場,來體驗這種感覺,這是來自內在的動機,不是為了成果,而是為了體驗。

因此外在動機是在〝成果導向〞,而內在動機是在〝體驗導向〞。

在這邊要注意的事,雖然內在動機是出自於我們的意願,做我們喜歡的事,但是外在動機卻可能會扼殺內在動機。例如我愛畫畫,而且是無償,但如果先給我薪水,之後不斷減薪,到某個時間點我就會放棄畫畫。

  

2. 讀書會-如何進行遊戲化?

 

讀書會,在沒有參與過的人的心目中,一直認為讀書會是很嚴肅的事情,大家共同探討學問,似乎要有點墨水才能參與的活動。

但參與過的人都知道,讀書會的進行方式百百種,可以很認真,也可以很娛樂有趣,比我們想像中的還要千變萬化,樂此不疲。但刻板印象,就一開始的時候就已經拒人於千里之外了。

所以當我們懂了基本的八角框架核心之後,我們就嘗試可以來套入場景,來思考一下我們如何讓遊戲化讓讀書會變得更加的有趣,我們一樣透過八角框架來循序思考,可以加入什麼元素。

由於我本身是資訊背景,為了方便我來思考遊戲化的部份,所以這邊先定義一個假設,透過建置一個〝讀書會線上系統〞,透來幫助讀書會融入〝遊戲化〞的部份,讓整個氛圍更有趣化、透明化。

 

1. 使命 — 重大的意義與呼召(Epic Meaning and Calling):

 

很多人參與讀書會,動機是為了〝增強自己的技能〞,透過學習來共同成長;然而參與久了之後,就會油然而生一種〝使命感〞,就是想要營造〝更好的讀書環境、氛圍〞,讓更多人可以一起參與進來,共同讀書,讓這個讀書氛氣愈滾愈大。

我身邊有時候,也會有人請教我,他想辦讀書會,但不知道怎麼去辦?有什麼注意事項,通常我都會先推薦《HPX 讀書會》,這邊的體制相對完整,遇到問題也有人可以請教,真的不知道怎麼開始,也可以先參與其他團的讀書會,先磨練自己的經驗值。

可惜的是,《HPX 讀書會》 目前還不是全台各縣市都有,有些縣市沒有,例如最近有新竹的學生問題,他想辦讀書會,我們只能談到一些經驗談和注意事項;不過在討論的過程當中,我發現一件有趣的現象,他們其實是有想法的,但不知道什麼〝方式〞最適合他們而已,所以想了解更多〝讀書會可以進行的方式〞。

這忽然啟發我,讀書會應該也可以像 Wiki 一樣,擁有自己的知識庫,光《HPX 讀書會》進行的讀書會,少說也有成百、上千場,若大家可以分享自己對〝某本書〞的〝進行方式〞來做分享,那麼這便是一個非常有用的〝讀書會進行的寶典手冊〞,每個人可以上去編輯,修改、增加,讓這一本書變得更加豐富。

舉例來說,《遊戲化實戰全書》這本書其實在讀書會非常的有名,很多小組都有讀過這一本書,但每一組在進行的時候,總是又重頭再思考:〝這本書該怎麼進行〞比較好呢?如果這時候有讀書會的 Wiki,在上面就可以看到幾十組〝進行的方式與心得〞,主揪人就可以從這些進行方式,選擇一個適合團隊的,來嘗試進行,降低讀書會閱讀門檻。

這個讀書會版的 Wiki ,將成為大家的資產,讀過的人也可以回去再看別人讀的方式,心得,也會有不一樣的啟發,或許還有第二次、第三次也有可能。

或許〝使命感〞還有很多可以發想的地方,但是因為篇幅的關係,我們先列舉〝讀書會 Wiki〞成為我們的項目。

 

2. 發展與成就 ( Development & Acommplishment ):

 

發展與成就在讀書會進來就是〝強項〞,因為大部份的人都是為了〝精進自我〞而來參與讀書會,像《HPX 讀書會》就有所謂的徽章,覺得就是一個很棒的應用,讓參與的人想拿到徽章,甚至蒐集徽章,來滿足自己的成就感。

在這一個部份,若也能有一個系統,〝自動化統計〞每一個人的參與次數、所讀過的書、參與時間、甚至排行版,這些累計數據會讓人更有參與動力,同時也滿足自己的成就感。

在職涯發展方面,這或許也可能成為一個很好的求職輔助,幫助受試著提供證明自己的學習積極性,這一塊有很多的發想空間。

 

3. 創意培力與回饋 ( Empwoerment of Creativity & Feedback )

 

這一個核心目標,我也是我參與讀書會一直想做的事。我們人總有〝慣性〞,我們在讀一本書的時候,常常會用自己〝習慣的、擅長的〞方式來進行讀書會,一旦時間久了,就會一直處在自己的舒適圈,也會變得無趣。

透過〝讀書會 Wiki〞,若上面提供各種進行讀會的方式,甚至還有〝破冰活動〞、〝暖場小招〞、〝互動遊戲〞…等等的方式,就可以啟發我們,或許這些方式,適合用在〝讀哪些書呢?〞

激發各創意組合,找到一個讀這本書〝方式組合包〞,也是一個很有趣的話題;而且,不只是組合包,或許還能激發更多種的方法衍生而出,彼此回饋、討論,活絡社團。

 

4. 所有與佔有欲 ( Ownership & Possession )

 

若我們積極參與讀書會,系統便會幫我們統計所有的參與資訊,包含:「讀過的書、擔任幹部、活動照片、心得筆記、相互回饋、進行方式…等等」,這些都是我們的重要的資產,不只是充滿我們的回憶,也是我們重要的知識庫和求職素材。

而努力參與之後,也能獲得各式各樣得來不易的徽章,各式類型書籍的閱讀數量,這些都是自己努力得來的,值得留存紀念,也再激勵自己不斷成長,或許更進一步的成就。

 

5. 社群影響力與歸屬感 ( Social Influence & Relatedness )

 

參與讀書會最有趣的部份,就是可以認識不同領域的朋友,大家互相交流、一起啃書,一起揪團、一起玩樂。讀書會在這個核心項目也是強項之一,畢竟讀書會本身就是社群的方式來進行。

很多時候我們會一直參與讀書會,是因為對這個讀書會有了一種「歸屬感」,尤其參與久了,認識了愈來愈多人,跟不同讀書過書之後,就會覺得跟各自不同的人去讀不同的書,是一件非常有趣的事。

透過讀書會系統,系統可以逐一列出〝目前所有組別〞,包含:「招募中、進行中、已結束」等等,讓主揪人和參與人,可以透過參與記錄、讀過書籍、自我介紹,先認識這個團隊的人,再來決定是否要一起共讀,資訊透明化,有時候會找到更適合彼此的人選。

當然玩法還有很多,都很值得我們一一去深思細想,讓參與讀書會變成一件特別有趣的事。

 

6. 稀缺性與迫切感 ( Scareity & Impatience )

 

讀書會參與一段時間,或許你會發現,某些組別一成團,根本就是〝秒殺團〞,想要加入也不是一件簡單的事,這種就是優秀團或與想優秀人才共讀,而所產生的「稀缺性與迫切感」。

除此之外,讀書會系統也可以創造一些〝限量版的活動〞來活絡大家的參與度,例如,在10 – 12 月之間,大家全體來共同一本書,前 100 名完成閱讀,而且寫出多少有效字的文章,就即可獲得〝限量版的徽意〞之類的。

但總而言之,若自己是積極學習型的,總會想跟優秀人才一起共讀,我覺得這個就是讀書會最大的資源和稀缺性。

 

7. 不可預測性與好奇心 (Unpredicability & Curiosity)

 

隨機性和不可預測性,本身就很好玩。諸如我在《台中HPX 讀書會》成了一團〝寫作團〞,由於組員數比較多,同時彼此交流就是一件很費時的事情,所以我們每一次的聚會,組員們各自〝隨機〞分成 3 組,每一次都有可能跟不同的組員合作與學習,光是這個〝隨機分組〞元素,就讓我們充滿了期待,期待與各自不同的組合激盪出不同的火花。

另外,系統或許也可以提供,依照你興趣、擅長的方向,透過資料庫的組合,隨機幫您配對適合的人選來進行讀書會揪團,或許也是一件特別有趣的事情。大家會很好奇,這些人會是怎樣的人呢?跟他們能激發怎樣的火花呢?這都是很誘人的地方。

 

8. 損失與迴避 (Loss & Avoidance )

 

凡事進行一個活動,會有好的部份,肯定也會有不好的部份,尤其是有些人參與了太多組別之後,或是工作一忙了之後,出席率就漸漸變低了,讓某些小組運行受到一些組礙。

若沒有任何的統計資訊,意即不出席其實也不會怎樣,反正還可以參加其他團,這對他而言,其實沒有任何的損失,因此出席記錄就是像交易平台的〝評價機制〞,人們會避免降低自己的信用分數,而盡量出席活動。

另一方面,全勤記錄的勳章、總全年度 9 成以上的出席率…等等,都是很好鼓勵人們參與的動機,避免損失這些榮譽,與成就感互補,讓人們有緊迫性增加積極性。

 

光是透過這些核心元素,覺得就可以想出很多有趣的項目出來,若其他人還有更多的想法,也歡迎在下面留言,一起討論哦。

 

3. 總結

 

遊戲化八角框架是一個非常有用的框架,它幫助我們思考,也幫助我們聚焦,以上只是一個簡單的場景練習,大家或許也可以透過這樣的方式來更進一步的去思考,如何讓自己的項目變得更加有趣。

當然,這個八角框架只是〝基礎版的”,還能有更多的應用,例如結合〝產生的生命周期〞、〝場景〞、〝人物設定〞,各個階段的八角框架元素也會不太一樣,若覺得有興趣的,可以去買《遊戲化實戰全書》這一本書,或是透過《MasterTalk》去看看〝創造吸引力的八個核心動力〞課程,相信都會有很大的收獲。

 

八角框架,只是一個開始,持續不斷的反饋與修正,才能真正掌握到〝遊戲化〞的本質,調動大家彼此的積極性,更有趣的投入。

Business

[W2] 《大數據玩行銷》撰寫心得總結

在我第一次讀完《大數據玩行銷》這本書的時候,看到 「NES 模型」、「動態標籤」…等等新概念的時候,我覺得受益匪淺,因為這些概念真的對我們資訊人員來說,很有實作性,但這一本書我試著從普通人的角度來分享,發現這本書似乎有一點在探討專業性的東西,導致我寫出來的效果也不是太好,太文縐縐的述事方式,讓人會不太想讀完的感覺。

一樣,今天就來分享《大數據玩行銷》的總結和撰寫心得與反饋。

  

一、總結:《大數據玩行銷》:


《大數據玩行銷》這本書主要告訴我們〝數據〞不是最大的重點,只有〝觀點〞才能勝負的關鍵,而觀點必須透過〝人〞才能〝問對問題〞,才能找得到答案;我們必懂得化繁為簡、設定動態標籤、建立模型,進而預測客戶行為,取得更高的營收。


本書提出 NES 模型,讓我們只關注 5 個狀態和 10 個關鍵指標,而這些複雜的數據蒐集 ( Log 偵測 ) 和動態偵測用戶狀態只需交給機器來〝自動化〞處理即可,人應該專注在決策、調整模型和問對問題上面。


設定目標,多維度的無形偵測蒐集資料,透過模型轉換成我們所需的關鍵資料,進而進一步分析和預測,以解決我們的問題;把複雜的事情簡單化,讓我們人專注在該做的事情上,變更這本書主要的觀點。

  

■ 學習框架 ( 心智圖 )

  

二、執行後的反思與改進:


■ 冗長而無趣


雖然根據上一本書的省思,一本書我只打算輸出三個觀點,但通常為了解釋某一個觀點,就又會加入另一個觀點,導致整篇文章讀起來是有一點累人的,加上試著想要講得更多,讓我覺得輸出的太多,反而很難讓人看完的慾望。
  

□ 增加圖表


所以我覺得比較好的方式,應該是多透過圖解的方式來帶入,會讓人比較想看下去,而且在網路上看文章,我發現會有一種疲勞感,容易導致別人分心,無法長時間的專注;所以比較好的方式,就是每一段主題要明確,最好一小段文字,就透過圖來做一個分隔,而如果又能透過圖表的歸納、總結或引導,則效果可能更佳。

  
□ 投影片式的引導文案


最近發現投影片式的文案撰寫,也蠻吸引人的,因為投影片的特性就是不適合寫太多,所以每一張都盡量清楚的只表達一個重點即可,這或許也是我可以搭配用來寫文案的好方式。


■ 一個觀點與新風格呈現:


在本周撰寫之後,我覺得或許一個主題也沒有必須寫到三個觀點,因為三個觀點有時候想解釋的太多,或舉例的太多,就容易寫得特別冗長,所以下一本書開始,試嘗試不一樣的寫作風格,搭配投影片式的圖表,來嘗試看看效果。

以上就是我第二周的總結與檢討,還有許多需要學習或努力的地方。


系列文章快速連結:

《大數據玩行銷》4:數據行銷實際應用與應用場景

我們的前二篇講了數據的精準、 NES 模型和人機分工,與人和機器各自做擅長的事;把複雜的計算與資料處理交給機器,我們行銷人只需要做模型調整與決策,找到對的問題,才能解決對的解決方案。


今天這一篇我們來講,數據行銷實際應用與應用場景,透過現在現實中的實例和應用,來更進一步的了解大數據的概念。

  

一、大數據的應用


我懂了一些大數據的基本概念,但目前有哪些方面可以應用呢?

ー ー  大數據可以應用的場域非常多,我們在這邊舉三個層面來探討:「掌握客戶、輔助決策及風險評估」


我們每天都可以看到大數據的一些新奇的應用,從而幫助人們從中獲取到真正有用的價值。然而大數據可以拿來的應用比比皆是,篇幅有限,所以我們就在這邊提出最常見的三個層面的應用:「掌握客戶、輔助決策及風險評估」來探討,大家也可以思考看看,自己的所在行業是否能夠透過大數據來進行更多的應用。

  

■ 掌握客戶:理解客戶、滿足客戶服務需求


通常我們想到大數據,第一想到就是理解客戶的部份,這是我們最常見的大數據應用,重點是如何應用大數據更好的了解客戶以及他們的愛好和行為。


商家最常在這一方面蒐集客戶的資訊,包含:「社交數據」、「網路瀏覽日誌 ( log )」、「所去地點的資訊 ( 打卡與 GPS定位 )」…等等,為了都是更加全面的了解客戶,在資訊可以「更多維度」時,就能透過數據模型進行預測。


例如: Amazon ( 亞馬遜 ) 不僅從每個用戶的購買行為中獲得訊息,還將每個用戶在其網站上的所有行為都記錄下來:頁面停留時間、用戶是否查看評論、每個搜索的關鍵詞、瀏覽的商品等等。這種對數據價值的高度敏感和重視,以及強大的挖掘能力,使得亞馬遜早已遠遠超出了它的傳統運營方式。


Amazon 透過這些資訊數據來進行客戶的行為引導與預測,我們下面用列點式的來看看 Amazon 的實際應用:

  • 亞馬遜推薦:在亞馬遜上買過東西的朋友可能對它的推薦功能都很熟悉,「買過 X 商品的人,也同時買過 Y 商品」的推薦功能看上去很簡單,卻非常有效。
  • 亞馬遜預測:對於書、手機、家電這些東西——亞馬遜內部叫硬需求的產品,預測是比較準的,甚至可以預測到相關產品屬性的需求。

對於亞馬遜來說,大數據意味著大銷售量。數據顯示出什麼是有效的、什麼是無效的,新的商業投資項目必須要有數據的支撐。對數據的長期專注讓亞馬遜能夠以更低的售價提供更好的服務。

  

■ 輔助決策:提高醫療和研發

目前大數據應用在於醫療是未來大家非常看好的一個部份,由於人工 AI 和大數據的快速發展,所以醫療行業也是最快速增長的行業之一。


大數據分析應用除了透過病患描述自身症狀的傳統方法,再加上生物醫學檢測,並將家族病史、種族等個人資料透過人體基因資料庫進行比對分析,從中選出最適合病患的治療方式,同時也能精簡醫事成本。同時可以更好的去理解和預測疾病。就好像人們戴上智能手錶等可以產生的數據一樣,大數據同樣可以幫助病人對於病情進行更好的治療。


舉例來說,Close the Loop 計畫是在病人手術之前,提供醫事人員完整的資訊,幫助他們決定應先處理哪部分的創傷,或是在開刀時該注意的事情;以車禍造成命危的傷患為例,當病人被送到醫院時,醫事人員會先幫他做放射掃描,了解身體內部是否也有受創,再依嚴重與緊急程度決定要先治療身體的哪一部分。此時,醫院的臨床資料與診斷報告便會匯入 UDA,UDA 能以每秒兩百萬份資料的速度,掃描比對不同來源的資料庫,找出病人可能潛在的病史,幫助醫生做出最後的決定。


不過雖然大數據在醫療有快速發展的趨勢,但隱私權、資訊外流等資安議題也是發展醫療大數據應用時的挑戰。以精準醫學為例,其中涉及的訊息包括臨床及保險理賠、人口統計、基因等數據;也可能會有姓名、生日、戶籍地址與聯絡方式等私人資料。因此,人們也會擔心這些醫療數據會被不當的利用。

  

■風險評估:銀行與保險


這個也是大家最常提起大數據,就是談到的銀行與保險,因為這個對他們來說,可以幫助他們降低資訊不對等,進行提高他們評估貸款信用、保險費用…等等,這些幫助實在太大了。


我們來看看保險業,風險的本質是〝未知〞,跟賭場一樣,保險公司無法挑選客戶,至少是無法充分挑選客戶。 因為我們沒有辦法知道每個人的健康狀況,這只有客戶他自己最清楚,所以保險公司只能透過每個年齡段人群的健康狀況、平均預期壽命、得各種常見大病的概率,來進行風險評估來制定收費標準。


所以壽險公司就是根據你在哪個年齡段,收你相應水平的保費。它不必知道每個人的健康狀況,生意的保障是大數定律,問題是:「有人的地方就有人鑽漏洞」。我們可以預期有些人投保之後,有些人煙會抽得會更兇,有些人車會開得更彪悍,反正有保臉的保險。這就叫道德風險 ( moral hazard ) ,其實它與道德關係不大,主要是激勵錯配,保險反而激勵了原來不想激勵的行為。


羊毛出在羊身上,買保險所獲得的保障來自保費。道德風險使不負責任的那些人佔用了較多的保障,結果要嘛是提高保費,要嘛是別人的保障減少。沒人想當冤大頭。規矩人就會退出保險,結果是逆向選擇 ( adverse selection) 。投保人中規矩的越來越少,不規矩的越來越多,只好保費越提越高,直到有一天高到沒人投保,除了就是想來騙保的,生意到此就算做砸了。


今天,大數據時代到來,這些情形就直接 180 度反轉。個人的健康數據、行為數據、信用教據能見度越來越高,道德風險、逆向選擇這兩大武器現在站到了保險公司一邊。


以前,保險公司了解你的訊息顆粒度只到你在哪個年齡組,現在則可以精確到個人:你的病史、家族病史、買藥記錄等等,無所循形。別以為你不想佔保險公司的便宜就可以,現在是保險公司想佔你的便宜。他們可以精挑細選,挑出那些健康客戶,那些不太健康的客戶只能付出更高的價格,至於那些特別不健康的客戶,直接拒之門外。

  

二、大數據的隱私與安全

雖然大數據帶給我們這麼多的好處,但我們的穩私權呢?

ー ー  這是一個新技術帶來的後遺症,因為政策對應不上新技術造成的缺陷,所以目前網路上的隱私權真實上是非常被猖狂濫用的。


上述講完了應用的部份,還有一個「議題」也是大家最關心的,那就是大數據的隱私與安全;雖然大數據能提升我們許多的便利性,但沒有人喜歡自己的穩私被到處濫用。


最近我自己就看過網上一個真實好笑的案例,有人在網上詢問說:「為什麼我總是看到情色和情趣用品廣告,是不是這些廠商太猖狂了?」,下面的網友就回應:「廣告曝露了你的嗜好」、「噓 … 不要到處跟別人說你的僻好 XD」、「你是真不知 Cookie 廣告嗎?」… 等等的,雖然回應很好笑,但也謹惕了我們一些事實,透過秀出來的廣告便直接揭露我們的日常瀏灠,尤其是你的另一半拿你的的手機使用時…一些個人隱私則直接曝露了。


隱私的侵犯,就是未經個人同意而使用個資。這裡也揭露了資訊隱私權所面對的一項基本挑戰:能否有效保護個人對個資的控制權,要看隱私權究竟是如何架構的。舉例來說,我可能同意讓郵局有我的新地址,但並不希望郵局將它交給第三方。我該怎樣阻止這種情況發生?如果個資只算是簡單的財產權,也就代表一旦移轉到他人手中,就已經放棄了對這些資訊的任何控制權;但這不是我們希望的。因此,資訊隱私權還需要搭配經過精心設計的法律機制;特別是因為在實際上,要確實找出洩漏的源頭、因而知道究竟該告誰,是非常困難的事情。


例如「某人正服用抗憂鬱症藥物」這件事,可能洩密的人包括醫師、藥劑師、保險公司(的任何員工),甚至是朋友、配偶或知情的同事。想要抓到罪魁禍首加以懲罰,幾乎是天方夜譚。


目前各國對於資料隱私權的範圍規定也大有不同。例如歐洲已經進行一份全球勤業GDPR(歐盟通用資料保護規則)來保護用戶隱私,這項法規的基礎,是「被遺忘權(right to be forgotten)」,是一種在歐盟已經付諸實踐的人權概念,可以要求控制資料的一方,刪除所有個人資料的任何連結(link)、副本(copies)或複製品(replication);還有「資料可攜權(Right to data portability)」,意思是用戶可以將A服務的資料,轉移到B服務上,這也就是為什麼Instagram最近推出資料打包備份功能、蘋果推出管理個資工具。


當然,目前台灣的法律仍然是沒有這些安全隱私上的保障,尤其是你會發現,你在辦卡的時候,常常就是會把你的個人隱私直接給其他產險公司,進而不斷收到這些產險公司的電話行銷所帶來的困擾,所以我們必須要了解這些大數據時代所帶來的一些改變,來確保我們自己的保障。在未來,我們必須在便利性和安全性之間取得平衡,就像大門與安全鎖之間的關系,永遠都是一個面對平衡點和挑戰的事。

  

三、小結

大數據是未來各行各業的〝基礎〞,所以愈早理解大數據對我們來說,愈能因應這波的趨勢。


如果我們是商家,〝掌握客戶、預測需求〞是我們首當其衝要面對的問題,透過大數據可以讓我們更精準的掌握客戶,維繫好關係,在適當的時候就要想辦法喚醒客戶,若讓他變成沉睡用戶 ( S3 ),那麼要喚醒的成本和時間就相對付出的多;所以大數據讓我們〝即時〞掌握現狀,好讓我們更快的做出反應、更適時的決策,進而提升業績。


如果我們是用戶,了解商家是如何透過大數據掌握我們的消費習慣,而我們的隱私是否大量的被濫用,有了這些概念,才能讓自己不被商家隨波逐流;當然,這些如果對我們有利,我們就可以好好的應用,畢境商家對消費者是互利的,雙方都滿意的前提下,這種買賣關係才能夠持久,彼此滿意。


然而,大數據作用很大,能給我們帶來很多好處,但它不是萬能的,也存在很多局限性,一旦迷信大數據不做認真的分析和判斷,往往可能把這種偶然的現象當成規律來處理,這個時候你會投入大量的資源來配置,教訓也就隨之而來了!所以,大數據對我們來說是一個好用的參考輔助工作,但要如何發現規律、找到對的問題,這些仍然需要〝決策者〞去思考和解決的。


系列文章快速連結:

《大數據玩行銷》3:化繁為簡的NES模型和人機分工

上一講我們講了何謂〝精準〞的找出我們所需要的,這一講我們來講講模型的部份。

  

■ 化繁為簡


當我們大量的搜尋資料之後,就會一個問題,這些這些數據實在太雜亂了,我們很難去從這些雜亂的數據當中找出我需要的資料,所以首先我們必須要先化繁為簡,透過〝模型〞來幫我們處理複雜的數據,進而讓我們可以進一步的透過〝處理完的數據〞來幫助我們做決策。


所以,透過「化繁為簡」的原理來探討,我們今天這篇文章只講二個重點:

  1. NES 模型;
  2. 人機分工。

  

一、NES 模型 ( 5 狀態 10 指標 )

要注意的數據這麼多,要怎麼即時掌握目前的消費者狀態呢??

ー ー  化繁為簡,只需要透過 NES 的 5 個狀態,我們就能快速掌握到客戶的即時動態資訊。


這本書的核心其實就是在講 NES 模型,主要是關注〝客戶〞的所有狀態,它透過很簡單的 5 個狀態、 10 個指標就可以讓我們輕易掌握到客戶的即時動態資訊,首先我們就先來了解一下 NES 模型。


■ NES 模型


NES 完全不在乎年齡、性別等傳統人口統計特徵,而是根據消費者具體的購買行為,將消費者分為三種,一是首次購買的新顧客 N(New Customer),二是支撐主要營收來源的既有顧客 E(Existing Customer,主力顧客 E0 +瞌睡顧客 S1 +半睡顧客 S2),以及三是沉睡顧客 S(Sleeping Customer)。(詳見下圖: 從 N-E-S 看顧客消費狀態變化)。

NES 模型根據消費者的個人購物週期,分為首次購買的新顧客 ( NEW )、支撐主要營收來源的既有顧客 ( Existing ),和回購於低於 10% 的深睡顧客 ( Sleeping Customer )。而既有顧客又可分為 E0 主力顧客、S1 嗑睡顧客和 S2 半睡顧客。

而 NES 模型是為了即時掌握顧額的變動性而設以計,根據消費者實際交易數據演算,並配合資料更新進行動態修正。共分為 N、E0、S1、S2、S3 五種標籤,而隨著沉睡度愈來愈深,品牌能有夠有效喚醒的機會愈低、而目對的喚醒成本也將大幅增加。所以,即時掌握每個消費者的實際狀態,是大數據行銷最重要的第一步。(詳見下圖: 從 N-E-S 看顧客動態變化)。

從消費者當中必然有新顧客 ( N )、主的顧客 ( E0 ) 一直到沉睡顧客 ( S3 ) 等五種狀態,然後又發現顧額不斷地往下一個階段流失,很多人看到這邊就已經開始垂頭喪氣。但是,流失是可以被控制和改善的 ( 喚醒 ) 的,行銷人應該在不同的階段,設定對應的行銷活動,比方說,在顧客 E0 階段的規劃顧客忠設度計劃,或是在 S1、S2 和 S3 不同的停滯階段,設計喚醒方案。


水往低處流,要把愈低層的水抽上來,需要更大的動能。同理, NES 顧額模型就像五個層層向下的水槽,為預防顧客不斷地從主力顧客 ( E0 ) 慢慢滑落到無法挽回的沉睡顧客 ( S3 ),我們不但要建立有效的預警和調節機制,而且這套機制,必須藉由大數據的演算和預測,做到「智能控制」,基於人機分工的策略下,實時偵測、適時調整,而且一切的控制都是基於演算和預測,估到「智能控制」,基於人機分工的策略下,實時偵測、適時調整,而且一切的控制都是基於演算預測後的最佳決策。

  

■ 營收方程式


我們再來看看本書提出對於營收方程式: 營收(revenue)= 有效顧客數 X 顧客活躍度 X 客單價。


獲利是企業經營的共同目標,影響獲利的因子有很多,但主要影響營收目標的是:顧客數增加、客單提高和活躍度提升;我們可以發現 NES 模型主要在幫助我們提升「有效顧客數 X 顧客活躍度」的部份,進而也會營收最重要的部份。


很多店家下滑的主要原因其實是,高貢獻度的忠誠顧客大量而且快速的流,活動提升的新顧額對營收幫助渺小,當務之急應該先找出忠誠顧額的流失原因,制定顧額挽回方案,先固本補破,才去找新客戶。

  

二、人機分工


就算減化了關鍵指標,但我們要做的事情仍然一樣很多?

ー ー  把「重複」的事情交給機器去做,讓人專注做決策和調整模型即可。

  

■ 為什麼要人機分工


首先,我們要做大數據的第一個要點就是〝人機分工〞,為什麼要人機分工,很重要的其中一個原因就是我們的大腦其實〝不善於處理大數〞,舉例來說,一個算式 1 + 5 我們很快就可以計算出來結果,但如果是 10000000 + 50000000 ,我們可能就必須要花費更多的時理去理解這個數;然後對機器而言,計算的問題是非常簡單的,所以我們必須各司其職,做各自擅長的事。


因為我們人類不善於處理複雜的事情,所以在處理大數據上也是如此,龐大的數據資料對我們來說太複雜,沒辦法去找出其中的規律進而做下一節的處理和決策,所以我們必須化繁為簡,讓〝機器〞去做複雜的資料處理,篩選出我們需要的重要指標,進而我們人類來做下一步的決策即可。簡單的話,就是讓機器做機器擅長的事,人做人擅長的事,亦即自動化。

  

■ Log 偵測 – 不干擾的蒐集顧客資料:

在過往,我們要了解額客需求,我們第一時間想到的就是問卷調查,然而問卷調查一來必須要付出大量的時間、精力和成本來取得顧客的資訊、二來也必須佔用顧客的時間,增加他們的負擔;然而在大數據時代,我們不需要有形中去取得顧客的行為資訊,工程師可以在每個軟體後面附加 Log (*註1),主動偵測人的活動日誌,了解他的歷史瀏記錄;透過無形偵測,不干擾、不介入,企業即能獲知最真實的使用者意向。


透過 Log 幫助我們取得行為數據,除了可以克服先前問卷可以造假而產生的不客觀問題之外,還可以幫助我們取得顧客〝更真實〞的行為意圖。


舉例來說,之前有一個研究發現,一家廠商在做新品的市場調查,推出的〝藍色〞款商品是否比原本的〝白色〞經典款佳,在談訪的過程當中,7 成左右的人們都說喜歡〝藍色〞款的產品,然後結束調察之後,讓這些人可以自由選擇這兩款顏色的產品當成贈品帶回家,結果大部份的卻選擇了〝白色〞經典款。


透過很多相關的心理研究,人們有時候會心不由衷而不自知,所以只有透過〝真實行為〞來判斷客戶的真實喜愛,才是更相對客觀的;除了我們可以透過線上取得之外,事實上,我們也可以將線下實體商店的數據給導入,而使得資料擁有更多維度的資料;什麼是消費者不會作假的數據呢?答案正是交易數據。透過線上 + 線上的數據整合,我們將擁有更多維護的資料,來供我們產生〝更精準〞資料分析。

  

■ 人的目標:做好、做對、做優


透過機器自動幫我們蒐集重要資訊之後,我們就可透把時間空閒出來,讓人做最善長的事,舉例來說,好的客服,不是一直纏著顧客問東問西、而是像一個偵探,發現異狀馬上跳出來解決。從顧客使用軌跡開始下滑時主動關心,預防事態擴大,不但能有效地經營顧客關係,更能大幅降低負面情緒的溝通成本。


我們還必須不斷的從源頭思考學習 ( Learning ),形成學習曲線達到內化,再透過內化不斷轉化,延展出更多創新的可能性,持續去的根據環境的真實反饋,隨時修正模式公式,透過我們反覆訓練 ( Trainning ) 讓模型更加反應真實,並且能夠提升效率,把事情做快。


機器可以把事快速做好,而人目標應是把事做好、做對、做優。


另外,透過模析分析幫我們之後,我們要必須要去設定〝自動化流程〞,讓機器在關鍵時間幫我們做正確的事,舉例來說:當我們自動偵測沉睡到 S3 用戶,我們可以透過自動化程式來幫我們自動發一封沉睡顧客喚醒的 eDM,如果他 48 小時有開信,則任務完成,若沒有,則再寄簡訊給他。

  

三、小結


在大數據時代,是以「人」為核心,而不是以「產品」為主軸。如果說商業最重要的就是獲利,而有什麼會影響獲利,行銷人不可能一天看千張報表,但如果目是獲利,我們可以從獲利公式 10 指標做降維思考,做出決策。在這一講當中,我們提到了大數據行銷營收方程式,包含了:

  • 5 種狀態:新顧客、主力顧客、嗑睡顧客、半睡顧客、沉睡顧客。
  • 10 指標:新增率、變動率、流失率、轉化率、活躍度、喚醒率 x 3 ( 嗑睡顧客、半睡顧客、沉睡顧客 )、客單價 x 2 ( 新顧客單價、主力顧客單價 )

我們會發現,勝負不在數據,觀點才能決定一切。所以詮釋的問題角度和觀點格外重要,我們必須要不斷地挖掘問題核心,不要一次用龐大計劃去解決所有問題,而是要每次只專注把一個問題給答好,然後選定一個觀點快速切入,形成解決方案。
問題的不同,會影響到數據的蒐集,而唯有問對問題,才能蒐集到正確而且有價值的關鍵數據。20/80法則,鎖定小而準的數據; 20/80 法則意指在所有的大數據裡,僅僅 20% 的數據就占據了高達 80% 的價值。


減法思維的好處是,每天只要監控這 10 個指標,出現問題就可以立即對症下藥,可以加快決策的速度以及提升決策的精準度。


我們下一講就來講講「大數據行銷」的實際應用與範例。

  

補充:

註1:Log 偵測

目前市上有許可以幫我們主動偵則的工具,例如 Google Analytics、Facebook Pixel、Mixpanel、Hotjar …等等


系列文章快速連結:

《大數據玩行銷》2:要如何提高數據預測的精準度

一、從〝目標〞倒推,〝找出〞相符的資料

怎麼樣的人最容易買單呢?

ー ー  有迫切需求的人通常最容易快速交易成功

  

這本書講到的第一個關鍵字〝大數據〞,所以我們先從先從大數據的特徵說起:

  • 首先,大數據要求數據量大。
  • 其次,大數據需要具有多維度的特徵,而且各個維度最好是正交的。
  • 大數據第三個重要特徵,是數據的完備性。
  • 在一些場景下的實時性。

我們知道這些特徵之後,接來下就是要切入我們的本書的重點:「精準數據的行銷」。然而什麼是〝精準〞呢?我們先來定義一下,精準行銷的目的是先找出〝正好有需求且迫切的人〞。


舉例來說,假如我們想要去賣房子,如果我能找出〝正好想要買房子〞的人,那售出房子的機率就高出非常多了;另一方面,還提到了〝迫切〞,加入時間的概念,愈有迫切需求的人,通常更容易下決定買單,所以我們的目的就是〝精準〞找出這一批〝有迫切需求〞的人。


說的很簡單,但做起來倒是真的不容易,我們要怎麼找出剛好有需求的人呢?這是我們每個行銷人最終的追求目標;這也是我們這一講要講的主題和重點。


我們的目標很明確,就是〝精準〞找出這一批〝有迫切需求〞的人。但我們要怎麼提高〝精準度〞呢?要能精準判斷的前提就是,找出到〝更多維度的關鍵資料〞來做判斷。


在這邊提到兩個關鍵字:更多的〝關鍵資料〞和〝維度〞。我們下面一一來做說明。

  

■ 〝更多的關鍵資料〞


今天大部分人所理解的大數據,是從大量的、看似雜亂無章的數據點,總結出原來找不到的相關性。在這個過程中各種數據如同百川入海一般匯聚到一起,但這些數據如果不懂得去聚焦找到其規律性,則就失去了其意義性,所以首先我們要做的就是找出〝關鍵資料〞。


什麼是關鍵資料?要有關鍵資料之前,我們就必須要先懂的去〝設定目標〞;沒有目標,就不會有所謂的關鍵數據,然而這一步非常重要,很多人卻忽略了這一步,只認為只要〝透過分析模型〞找出自己沒發現的規律即可,導致大數據能幫助的跟你目標未能結合,而失去了它的最大作用。


舉例來說,我們想要知道〝A 會員什麼時候會在去超市買東西〞,這時候 A 會員曾經在〝超市〞買過的記錄,就是一個很好的關鍵資料;其次,A 會員去超市的〝頻率〞也是一個重要的關鍵資料。我們簡單將幾個重要的關鍵資料〝梳理〞一下。

  • A 會員在超市買過:水果、蔬菜、衛生紙。
  • A 會員每兩個月會買一次衛生紙。
  • A 會員通常在有特價促銷的時候,會再去逛超市。
  • A 會員在重要節日的時候,也會去超市採買。

以上這些資料一出來,我們行銷人員其實就很好去為 A 會員制定一個模型,所以一旦清楚我們的目標之後,我們就比較清楚自己需要哪一方面的資料,當然這些資料量愈大、愈即時,其加權就會更高、更好。

  

■ 〝更多維度的資料〞


接下來講到數據分析,就免不了必須要談到〝維度 ( 面向 )〞的問題,這個是訊息論很重要的一個部份,儘管維度非常的重要,但卻很多人忽略了這一點,導致資料量雖然大,但效益卻不大。


我們一樣以上例來說,假設我們只有蒐集到一個維度的資料,我們先把「時間」維護給拿掉,則資料如下:


接下來講到數據分析,就免不了必須要談到〝維度 ( 面向 )〞的問題,這個是訊息論很重要的一個部份,儘管維度非常的重要,但卻很多人忽略了這一點,導致資料量雖然大,但效益卻不大。


我們一樣以上例來說,假設我們只有蒐集到一個維度的資料,我們先把「時間」維護給拿掉,則資料如下:

  • A 會員在超市買:水果、蔬菜、衛生紙、肉 … 等等。
  • A 會員消費金額平均 800 元。
  • A 會員買最多的商品是:水果。

你會發現我們只有他的消費記錄,要你去分析 A 會員下次的消費時間就完完全全有困難度,只能知道 A 會員的偏好,其應用率就下降很多。
我們再來嘗試加入更多維護的資料:

  • A 會員在超市買:水果、蔬菜、衛生紙、肉 … 等等。
  • A 會員每兩個月會買一次衛生紙。
  • A 會員平常會在台中店消費,但過年的時候,會在台北店消費。

以上例來說,我們搜集到三個維護的資料:〝超市的採買記錄〞是一個維度,〝時間頻率〞是第二個維度、〝地點〞是第三個維度;如果我們對 A 會員過年的時候,給他台中店的促銷方案,對他來說可能效益就不大了,因為 A 會員可能過年都會回台北,所以這個台中店的促銷方案就不如台北店的促銷方案來得效益大。

  

二、小結


大數據的應用原則不難掌握,關鍵在於如何詮譯,而詮仰速人的觀察,對核心 know-how的理解與經驗法則,也是厚數據的價值。


數據不是大就是美,重點在於讀完之後你要拿出什麼樣的具體行動。勝負不在數據,觀點才能決定一切。所以詮釋的問題角度和觀點格外重要,我們必須要不斷地挖掘問題核心,不要一次用龐大計劃去解決所有問題,而是要每次只專注把一個問題給答好,然後選定一個觀點快速切入,形成解決方案。問題的不同,會影響到數據的蒐集,而唯有問對問題,才能蒐集到正確而且有價值的關鍵數據。

另外,我們今天介紹了大數據的 4 個明顯的特徵,即數據量大、多維度、完備性和在一些場景下的實時性。我們特別強調了光是數據量大還不能構成大數據,因為它可能無法得出有效的統計規律,而多維度的特徵則讓我們可以交叉驗證信息,提高準確性。


這就是應用大數據思維所帶來的好處。今天這種做法其實是先有了結果,再反推原因,是一種逆向的做法,但是正是因為有了足夠的數據支持,它無疑會比較快。不事先作假定,從大數據出發先得到結論,再分析原因,這是大數據思維的第二層。

最後,回到我們一開始問的問題:要怎麼找到有迫切需求的人呢?當我們擁有每個會員的更多維度資料,我們就能透過這些資料找出這些〝高購買率的人群〞了,例如現在要推出〝衛生紙促銷方案〞,系統就可以自動幫我找出〝這家店這個時間點〞會被吸引過來買的客戶人群有哪些,這個就是基本客群,接下來我們要如何透過〝衛生紙促銷方案〞去吸引他們去消費更多的物品,這就是我們銷售人員可以努力的地方了。


這一講,我們先有了這些大數據的思維之後,我們下一講就可以來講講《大數據玩行銷》的一些模型應用。


系列文章快速連結:

《大數據玩行銷》1:小而美的高效行銷

一、它比你還了解自己?

你身邊有沒有什麼朋友比你自己更了解你自己呢?

ー ー  它或許也可以用來了解自己。

  

■ 為什麼讀這一本書?

今天想要分享的這一本書是《大數據玩行銷》,為什麼想要分享這一本書?其一是因為〝精準行銷〞是未來的趨勢,不管是店家或是消費者,都必須了解〝精準行銷〞的一些運用原理,它們是怎麼精準判斷我們的需求、而我們又就怎麼被蒐集數據的,這本書都透過很簡單的方式讓我們了解並且得以應用。


這本書也很適合想要做〝客戶關系管理 ( CRM ) 〞的店家參考,它把一些很複雜的公式、模型簡化成〝只看關鍵 10 指標〞,透過這些關鍵指標讓我們了解〝客戶流失率〞、〝提升新顧客〞、〝下次回購時間〞… 等等,透過幾個簡單的模型來提升掌握客戶的精準度。
  

  

■ 它如何分析我們的數據?

這個問題的答案有可能在每個人身上都會出現,但可能不是人,而是透過〝大數據〞,它可能比你還了解自己,因為萬物互聯的時代來臨,你任何的數據都會被傳到雲端上去做分析,它了解你的消費習慣、嗜好,甚至能預測您的需求。


未來我們每個人的衣食住行、生活起居,都將有大量的數據記錄。我們的行為會變成一串串數字成為可量化的數據,成為描述我們的訊息。


我想您大概不是第一次聽到這個觀點了,大家都說〝大數據〞比您還了解您了自己,這個觀點是正確的嗎?這個答案先不用急著給,我們必須要先來了解「大數據」是如何運用的,店家們是如何透過這些數據來行銷的,我們先來有一個基本的認識。


舉例來說,只要你手機有開啟 GPS 定位,那麼你去到哪邊,到什麼店家,你都會發現,Google 都幫你把這些軌跡和時間軌都記錄下來了,如下圖所示;

  

除了你的行跡之外,只要你透過 Google 瀏器進行搜尋,瀏覽網頁,這些資訊都被自動被記錄下來,這些對你生活的描述絕對比你自己的日記都要真實。


這些數據將被轉換成有價值的商業數據,來描述你各方面的訊息。你喜歡黑色的衣服、你喜歡長髮的女生、你比較文藝、你有高度近視、你最近剛失戀…… 關於你,可能這些數據比你爸媽都要清楚。


以下我們來看一個場景故事:

有一天,你剛想家裡已經沒有衛生紙,想要去超市採買,順便買一點青菜,但你剛走進超市的時候,就有店員跟你說:「您好,恭喜你,您只要消費再滿 1000 元,您就可以升級成〝金級VIP〞會員,這次的購物將會有 9 折優待,並且將會再送您一箱衛生紙。」

  

這時候您心想:「我靠,剛好我需要衛生紙,這下剛好可以省下來,順便幫家裡補一點貨」。於是這次的購物你就買了 1 千多元。

大數據絕不會止步在為決策僅僅提供幫助,它的終極形態就是可以用海量的數據描述我們一個個具體的個體。當達到這一步時,現在所謂的市場調研、用戶分析就都是小兒科了。

二、大數據玩行銷:小而美的高效行銷


有了對大數據基本的認識之後,如果我們能掌握到消費者的這些資訊,我們就能充份的拿來應用在各種商業場合當中,透過你對消費者的有更進一步的認識,了解他們近期內想要什麼、需要什麼,這個就是最好的行銷點了。


今天我想要分享的這一本書籍是《大數據玩行銷》,若要用一句話來形容這一本書,我會用〝小而美的高效行銷〞這句話。這本書雖然用的名詞是〝大數據〞,但我覺得這個比較像是一個〝噱頭〞,因為〝大數據〞這一個詞很熱門,大家相對有興趣和好懂,但這一本書的觀點其實比較像是〝厚數據(Thick Data) *註1〞,簡單說,就是〝精準數據〞的行銷,而非是像大數據來找出規律。


這本書的重點可以用一句話來形容:「發現問題、解決問題、預測未來」。


很多時候我們在日常瑣事當中,很難發現什麼原因讓我們的顧客流失,而這本書的方法將透過簡單的「NES 模型」,要只關注 10 個關鍵指標就能避免一些客戶的流失,而提醒我們想辦法喚醒客戶,讓我們更容易的發現問題、進而解決問題,而最後的預測客戶的未來需求,我們都可以先做好佈局。另外還提倡我們做到〝人機決策〞 ( 就是指透過計算機幫你蒐集資料和分析來輔助你做決策 )。


對於如何提高「精準」行銷的人蠻推薦看這一本書的,裡面有一些「基本分析模型」和「大數據精準行銷」的概念都很實用。


接下來我透這本書分成三個重點來進行心得分享:

  1. 要如何提高數據預測的精準度?
  2. 如何透過數據掌握客戶行為、預測及觸發行動。
  3. 數據行銷實際應用與應用場景。

若對這本書的觀點有興趣,我會陸續分享這些重點的心得來與大家交流,若大家有各種想法,也歡迎隨時交流與指教。

  

補充:


註1:厚數據(Thick Data)

  • 厚數據是指利用人類學定性研究法來闡釋的數據,旨在揭示情感、故事和意義。厚數據通過小樣本分析找出特定人群的需求,挖掘數據背後的故事、情感、緣由。厚數據雖不“厚”,卻能從少量樣本裡解析出深刻的意義。
  • 厚數據是以較少量樣本分析解讀以人為本的模式,大數據則通過大量數據研究運用機器運算法則計算的特定模式;厚數據呈現的是有背景有情感和意義的故事,而大數據呈現的是提出個性化等元素資訊的標準化數據。


系列文章快速連結: