《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: