AI行銷學：為顧客量身訂做的全通路轉型策略
第一項修練 辨識顧客並取得行銷許可
第二項修練 蒐集資料
- 透過第三方增補資料：鄧白氏(Dun & Bradstreet)、益博睿(Experian)
Make It All About Me: Leveraging Omnichannel and AI for Marketing Success
前言 朝全通路轉型的六項修練
- 顧客資料多貼近顧客？
1.顧客提供的資料：提交的資料(sumitted data)或檔案資料(profile data)
2.有關顧客行為的資料：行為資料(behavioral data)
3.有關顧客想法或感覺的資料：情緒資料(emotional data)
1.提交的資料：顧客告訴我們什麼？
- 提交的資料有個缺點，那就是顧客在提交資料中的陳述往往與實際情況不同。- 要領：創造提供資料的誘因、使提供資料的流程便利容易、使用遊戲化手法來激勵用戶提供更多資料。
2.行為資料：顧客做了什麼？
(1).交易、電子郵件與點擊資料
(2).行銷活動資料
(3).來自網站的行為資料
(4).來自客服中心及聊天室的資料
(5).物聯網(來自裝置的資料)
- 要領：在顧客未登入時蒐集網站上的行為資料、鼓勵登入、保留登入帳戶、創造一個用戶喜愛同時也能取得資料的服務(例如：IMDB、Nike+)、實體商店的行為資料(建立會員制蒐集資料、使用顧客的手機來蒐集資料、行動的銷售點系統)、把資料蒐集內建在產品中(例如：Netflix、Spotify)、來自其他組織的行為資料。
3.情緒資料：顧客有什麼感覺？
(1)問卷調查
(2)情感分析(sentiment analysis)
- 來自其他網站的「入市潛在顧客」(in-market)資料
- 全通路整合與顧客檔案
- 蒐集資料的成熟度面貌
第三項修練 資料分析與人工智慧
- 持續對所有顧客進行評分，標記(tagging)最相似的客群，並根據這個洞察充實自動系統裡每位顧客的紀錄。藉由這種做法，顧客關係管理團隊就能變得更加迎合顧客的需求。
- 使用資料分析來辨識每位顧客的「下一步最佳行動」(Next Best Action)。
*各種分析*
*描述性分析(Descriptive Analytics)：包括傳統統計學，但它在商業中可能涉及在試算表上計算、查詢資料庫、產生商業智慧與數據儀表板，而這些全都提供「後見之明」的觀點。商業智慧經常會把資料總合成關鍵績效指標，再由使用者透過人為的方式深入探究，期望可以從中找出相關的型態。
視覺化工具也可以視為描述性分析的一個層面，因為它能幫助探索與了解目前或歷史的資料。
從簡單、靜態的圖表(可由試算表得出的圓形圖、直方圖等)，到高度互動且動態展現的多維度資料，皆屬視覺化的範圍，它能讓你穿梭其中，感受如同虛擬實境般的體驗。
*前瞻分析(forward-looking analysis)並不是新技術，到目前為止它主要涉及的是預測，這是一種根據以往趨勢與型態為主的「總體層級」預測方法：營收、獲利、顧客留存率等等朝什麼方向發展？
這種預測可以提供概括性的了解，有助於整體規劃，但無助於客製化溝通與互動所需要的詳細資訊。
*預測性分析也是從歷史資料著手，不過機器學習演算法會自動探索資料，找出和特定商業結果有關的型態與關係，例如一位顧客購買某類產品的傾向。
這些型態是行銷人員可以使用的洞察，而演算法也會產生可以直接採取行動的「模型」，模型能夠評估任何現狀或是全新情境，並自動預估結果，至於預測模型所得出每個情況的簡單評估通常是代表一種傾向或評分。
*指示行分析(Prescriptive Analytics)會把一個預測模型產生的結果(例如代表一個預測結果發生可能性的「評分」轉化為一個可直接行動的決策，做法是把這個評分結合商業邏輯，藉此決定每個情況的最佳作法。(例如是否推出行銷活動？應該推薦什麼商品？以及應該採用哪個通路？)
由於預測性分析和指示行分析都仰賴機器學習，因此可以將它們視為人工智慧的範疇。在書中通常只用「人工智慧」這個詞來概括代表這些進階的分析。*進階分析(advanced analysis，其實指的是演變而成的整個技術)可應用在任何擁有資料的產業領域(風險、財務、網路規劃、營運、供應鏈等等)，只要透過分析，便能在決策中注入智慧，得出更好的結果。即使是和行銷有關的應用領域也很廣泛：銷售分析、行銷組合歸因與規劃(marketing mix attribution and planning)、品項規劃(assortment planning)等等，全都可以應用進階分析和機器學習來進行改造。
*人工智慧能力：演算法與模型*
- 你的市場或客群有哪些區隔？有什麼特徵和檔案資料可以用來區別每位顧客，讓你能將他們都視為各具特色的個體？這是跟「誰」(who?)有關的基本提問，而針對每位顧客，你需要了解：
--什麼？(what)他們對什麼訊息有反應？他們會購買什麼產品？
怎麼樣的溝通內容最能有效吸引他們到商店購買？
--如何？(how)他們選擇如何和你互動，亦即他們透過什麼通路和你互動？
如果他們購買的是服務型產品，他們如何使用？他們如何付款？
--何時？(when)他們偏好何時與你互動？他們在一天當中的哪個時間最能接受你的溝通訊息？
長期來看，他們何時移動至顧客生命週期的不同階段，而在他們的購買旅程中，那些點對你而言最為關鍵？
*人工智慧模型與演算法的主要能力*
*分類(classification)可以幫助你做出區別。
例如區別產品的購買者與非購買者。你可以用它來預測誰會購買(或不夠買)，分類演算法也可能會產生典型的購買者和非購買者大致的樣貌，而這些資料是最能區別的特徵。
*評分(scoring)可以預測某件事發生的可能性：
一位顧客可能的回應、是否購買、是否終止使用一項服務等等。
雖然就某種程度而言，這與分類工作相同，但它會針對每位顧客或每種情況給出一個評分，
供你做出相關的決策。例如對顧客排序並進行比較。
*群集或自動市場區隔(auto-segmentation)演算法可以幫助你辨識「自然產生的」客群，
並描繪出這些群集的樣貌。
*關聯分析(association analysis)可以辨識出往往會同時發生的項目，這經常應用在辨識出一起購買的商品，因而時常稱為「購物車分析」(basket analysis)。
這種分析可能產出像「當一起購買A產品和B產品時，購買C產品的可能性為72%」這樣的規則。你可以使用這個方法作為交差銷售推薦的基礎，這種關聯性分析的資料基礎不僅限於單一交易購買的產品，它也可以檢視這位顧客購買的所有產品。
*序列偵測(sequence detection)與關聯分析類似，但它辨識的是一堆商品或一系列事件在一段期間的發生順序。
這類演算法能夠偵測出產生良好結果(例如購買或升級)的型態，使你得以建立通往好成果的「捷徑」，或是辨識出導向壞結果(例如取消合約)的路徑，並設法避開這些路徑。
它可以用在很多領域，例如辨識隱引領顧客至購買網站的造訪途徑，或是發出早期警訊(例如顧客終止使用某項服務)的訓序列事件。
*預測(forecasting)或估計(estimation)會針對未來將發生的某件事提供一個預測數值，
例如一位顧客會在一項新產品或服務上的消費量，或是顧客終身價值。
- 人工神經網路(neural network)模型和決策樹(decision tree)模型都可用來評分。
人工神經網路模型在模仿人類下意識決策的應用領域特別有效，例如影像處理與型態辨識；
不過，它們在行銷領域也有用處，因為它們能產生一個連續系列的評分，因而足以做到
細緻的個人區別。
- 決策樹是以樹狀架構得出決策的模型，決策樹的模型會產生一種並不精細的「塊狀」評分分類，
而被歸類為同個塊狀的所有案例彼此之間也沒有區別。
- 人工神經網路模型可以做到精細區別，但高度不透明；
決策樹模型具有高透明性，但缺乏精細度。
- 其他進階方法包括拿人工神經網路模型得出的結果來訓練某個決策樹模型(而非使用歷史的回應資料來訓練)，因此便能幫助了解人工神經網路模型如何得出決策，亦即消除或降低人工神經網路模型的不透明性。
- 機器學習能促成一種資料導向的方法，它使用群集演算法(clustering algorithms)，並客觀的根據實際資料來自動產生市場區隔模型。稱此為「自動市場區隔」(auto-segmentation)。
- 以自動市場區隔建立的群集模型則是動態的，它們將自動區分既有顧客或新顧客至最吻合的市場，並持續重新評估既有顧客，追蹤他們在各市場區隔之間的漂移。
- 資料準備與特徵工程。在機器學習演算法開始運作前，通常需要進行資料準備，而這會涉及一般會遇到的問題，例如辨識與處理資料品質，或是可能導致對演算法構成挑戰或偏誤結果的數值分配不均。有些方法可以幫助確保演算法去學習那些不常發生的結果的型態，例如超採樣(oversampling)和低採樣(undersampling)，基本上，超採樣就是要演算法多注意那些不常發生的結果，低採樣則是要演算法少去注意那些經常發生的結果。
- 將優化法應用在行銷活動與顧客互動時會考量以下條件，包括：
每個個別顧客的預測行為(他們對各種推薦產品或行銷訊息做出回應的傾向、可能購買的傾向、通路偏好等等)；參數(例如不同類型顧客互動的成本)；限制條件(例如通路容量、整體預算)；
目標(例如使顧客回應率或營收最大化)。
而一個數學優化引擎會運算這整個情境，得出一份在限制條件下獲得最佳整體成果(指達成目標方面)的計畫，實際上就是對每位顧客的最適推薦產品或互動。
- 在顧客關係的任何一個點上，你可以對他們採取很多行動，當中有些行動無疑是推薦產品，
然而其他行動並不直接聚焦在銷售，它們可能會是：
對顧客的抱怨做出道歉或補償；搶先調整某項服務的費用，雖然降低當期的營收，
但有助於提高顧客忠誠度與潛在的顧客終身價值(customer lifetime value)；
提供免費訓練、指導或資訊，幫助顧客從購買的產品上獲得更大的效益等等。
- 從何處著手？挑選容易實現的目標：
它配合行銷目標嗎？它能帶來價值嗎？它可能帶來什麼價值？這個分析方法的困難度高嗎？
需要什麼資料？分析結果容易應用在行動上嗎？
- 資料分析與人工智慧的成熟度面貌
- 你的溝通訊息未必要聚焦在是當作出合適的產品推薦，而是應該設計成為顧客提供更多價值的適當服務訊息，不意圖銷售任何東西。
這也是許多組織聚焦在建立「下一步最佳行動」的顧客關係，而非「下一個最佳推薦產品」的原因。
- 零售業的顧客生命週期三階段與關鍵時點
- 不要浪費折扣在那些通常以全價購買而不會追問的顧客身上，除非你試圖對他們交叉銷售一項新類型的產品。
*維繫階段：1.紅利點數即將失效 2.淨推薦評分(Net Promoter Score,NPS)
3.重新取得行銷許可 4.挽回顧客的優惠措施
- 以顧客為中心的戰術成熟度
- 由資料中的特定條件引法的一次性行動稱為「觸發行動」(triggered actions)，
例如觸發電子郵件、觸發訊息或觸發溝通流程(trigger flows，在顧客生命週期的同個時點上有多個相關的溝通相互同時發生)。
*拼湊專屬的行銷技術堆疊
-顧客關係管理、行銷自動化平台、多通路行銷樞紐(MMH,Multichannel marketing Hub)、
需求面平台(DSP,Demand-Side Platform)、內容管理系統(CMS,Content Management System)、
社群媒體管理(SMM,Social Media Menagement)、影響力人士關係管理系統(IRM,Influencer Relationship Management)、數位資產管理(DAM,Digital Asset Management)、
行銷資源管理(MRM,Marketing Resource Management)
- 溝通與服務的成熟度面貌
第五項修練 績效分析
*低成熟度：銷售與品牌業績表現
- 銷售數字、市場占有率、品牌知名度、品牌認知
*中成熟度：通路與行銷活動
- 人潮、曝光、網站造訪、頁面瀏覽、互動與觸及量、購物車規模、轉化率、提升度、銷售模型
*高成熟度：顧客面指標
- 新顧客增加量、顧客流失率、顧客終身價值與顧客忠誠度
- 其他顧客指標：荷包占有率(荷包占有率是指目前顧客在特定產品或服務類別的預算花在你的事業上的比例)、
每筆名單成本(cost per lead,CPL)、顧客獲取成本、維繫顧客的成本(cost of retention)
*以顧客為中心的指標優劣
- 淨推薦評分
- 品牌的淨推薦評分=推薦者所占的比例(%)-批評者所占的比率(%)
- 顧客推薦的價值
- 評量品牌認知
- 能見度：展示關鍵績效指標與傳送報告。
如果你的員工只能看到他們部份工作的果實，那麼他們最終可能只注重那些工作。
- 提高關鍵績效指標的能見度十分重要，讓無關緊要的評量指標失去能見度也很重要。
*設下標準
-我們的績效比預算高還是低？
-我的表現比同事好嗎？無論是個人之間的比較，或分店之間的比較，
和公司裡擁有相同職責與績效目標的人或單位相互比較都具有激勵作用。
-在部門層級，這種標準有助於促進團隊精神與團結。然而，在個人層級就必須審慎使用，
因為如果公司需要員工彼此合作，就必須確保個別員工在達成自己的績效數字時，
不會因為只聚焦在個人之間的互相競爭而導致達到次佳的結果。
-我們的表現比上週好嗎？
*過度數字導向的陷阱
-太過純粹聚焦在數字目標的第一個危險是，過度聚焦在期望成效以外的目標；
其次，可能會創造出員工沒有動機或空間互相協助的工作環境。
-另一種潛在危險是，數字無法呈現組織的本質。舉例來說，如果你的顧客體驗高度取決於員工滿意度(顧問業即為一例)，過度聚焦在每月預算可能會導致一個不愉快的工作環境，
而產生的連鎖效應是：不滿的員工導致不滿的顧客，因而更難達成下一個月的績效數字。
- 績效分析的成熟度面貌
第六項修練 組織與管理
- 數量型事業(volume-based business)
- 目標客戶行銷(account-based business)
- 目標與獎勵應該反映最有益於長期顧客獲利能力的因素，不可在無意間鼓勵個別銷售通路內的局部優化(次佳化)，卻犧牲全組織的最優化。
- 組織與管理的成熟度面貌
