消費者行為市場分析技術(下)

消費者行為市場分析技術：數據演算如何提供行銷解決方案

Marketing Analytics, 2nd edition, 

A practical guide to improving consumer insights using data techniques

麥可．格里斯比（Mike Grigsby）

第三篇 相互關係類型統計法

09 我的（消費者）市場概況如何？

- 欲展示各區隔市場，並證明彼此之間已有效區隔，需要用到的技術稱為「側寫」(profiling)。

一般而言，這可顯示各重要變數(尤其是較次數和對行銷媒介的回應)的平均數或頻率，

快速衡量每個區隔市場的差異。

注意，區隔市場之間的差異越大，(對各區隔市場實施的)策略會越明顯。

- 依區隔市場顯示關鍵績效指標(KPI)平均數的方法很常見，但很多時候，其他指標更能展現差異。

使用比率的話，時常可以更快突顯差異，亦即將各區隔市場的平均數除以整體平均數。

舉例來說，區隔市場A的平均營收為1500，區隔市場B的平均為750，總平均(整體市場總計)為1000。

將區隔市場A的平均數除以整體平均數1500/1000=1.5，也就是說，區隔市場A的營收比總平均多50%。相較之下，區隔市場B為750/1000=0.75，表示該區隔市場對營收的貢獻比總平均少25%。依區隔市場對所有數據算出比率，很快就能看出其中落差，尤其是差異甚小的情況特別明顯。

- 再舉個例子，區隔市場A的回應率是1.9%，整體回應率為1.5%。

雖然兩者(單一區隔市場和整體)表面上只相差0.4%，但換算成比率的話就是1.9%/1.5%，

亦即區隔市場A比總平均大27%。我們之所以喜歡(也應該)選用比率，原因在此。

- 雖然看見各區隔市場之間的龐大差異已夠令人滿意，但側寫最饒富趣味的地方往往在於命名每個區隔市場。開始之前，請先體認一點：為區隔市場命名有助於區分各市場，區隔的市場越多，命名越顯得重要。

- 判別分析可以輕鬆完成這項任務。

(在SAS程式中對樣本套用proc discrim指令，就能得到方程式，

依各消費者劃入各區隔市場的機率予以評分，一旦定義好類別「區隔市場」，就能在方程式中放入合適的變數，預測消費者所屬的類別「區隔市場」，這是很常見的做法)。

- 市場區隔探究的是對消費者重要的因素，而非企業。

- 市場區隔可為市場研究、行銷策略、行銷傳播和市場經濟等方面提供洞見。

- 務必釐清每個區隔市場自成一格的原因。每個區隔市場都應有不同的策略，否則劃分為區隔市場將無意義。

10 市場區隔

- 市場區隔的各種方法：

商業準則、卡方自動交互作用偵測、階層式集群分析法、K平均演算法集群分析、潛在類別分析等。

- 市場區隔的目標是要增加淨利，而每個區隔市場的最終目的，則是要有效運用策略，

創造交叉銷售及追加銷售的機會。

- 由分析中得出洞見，我們可以更認識每個區隔市場主要的痛點(pain point)，

這也意味著我們可以對各市場對症下藥，

在適合的時機釋出適合的訊息，用足以打動人心的價格提供適當的產品選擇。

- 實際使用行為區隔程序：擬定策略、收集行為資料、製作/使用其他資料、執行選擇的演算法，以及側寫區隔市場。

- 區隔變數和側寫變數：

「區隔變數」是指建立區隔市場所使用的變數，剩下的變數則屬於「側寫變數」。

- 除此之外，其他(行為)變數都會以演算法檢測是否顯著，顯著者會保留下來，作為區隔變數。

總之請記住，只要不屬於區隔變數，即為側寫變數。

- 過度取樣(oversampling)：強制提高特定數據代表性的一種取樣手法，使其樣本數比隨機取樣更多。

若簡單隨機取樣產生該特定數據的數量太少，即可採取過度取樣。

- 標準化：第一階段只是單純檢測每個變數是否「非常態」。

一般而言，此階段會計算每個變數的Z分數，或將各變數標準化，

接著刪去分數超過3.0標準差的觀察值

(常態分布下，三個標準差已涵蓋99.9%觀察值，因此超出者已屬於非常態)。

進入第二階段，需要使用K平均演算法檢測樣本是否為常態。

- 關鍵在於，比起逐一檢查每個變數是否異常，這種方法採取多自變數方式，

找到一群擁有非常態傾向的消費者。

因此我們需要刪除這些觀察項(消費者)，不再繼續分析。

- 卡方自動交互作用偵測(chi-squared automatic interaction detection,CHAID)

- 卡方自動交互作用偵測會挑選依變數，接著檢視自變數，找出「區分」依變數效果最佳的自變數。

所謂效果「最佳」，是根據卡方檢測(chisquared test)的結果而論。

- RFM模型採用的是企業觀點，並非從消費者的角度出發。

- RFM模型只能試圖移動消費者版圖，無助於策略擬定。

- K平均演算法(k-means clustering)大概是最熱門的市場區隔(分析)的技術了。

SAS程式(使用proc fastclus)有相當強大的演算法。

- K平均演算法不具任何診斷功能，對於這些重要條件毫無任何協助，讓你憑著主觀的直覺全權決定。

-- 有幾點需要注意：

第一，K平均演算法方法以歐式距離平方根為依據，來決定觀察項的歸屬，因此並非統計屬性，而是數學性質的分析法。

第二，集群中心值(即集群)高度取決於資料集的順序。若將資料集重新排序，最後可能會得到天差地遠的區隔結果。

第三，此方法幾乎毫無診斷功能可言。

第四，由於群集呈現自然球形(因為是根據與中心值的距離，決定觀察值歸屬何處)，集群的大小會很相似

這不太可能符合真實市場的情況。雖然K平均演算法又比RFM模型和卡方自動交互作用偵測更進一步，但顯然仍有許多缺陷。

- 市場數和顯著變數都不是K平均演算法能夠提供的資訊。

- 「行為區隔」是採消費者的觀點，主要使用消費者交易和行銷媒介回應等資料，

確切了解消費者看中的事情，其主要精神就是以消費者為核心。

所有策略行銷活動都適合使用「行為區隔」，包括：選擇目標客群、

訂定最佳折扣、了解消費者的通路偏好/決策歷程、釐清產品滲透率/品類管理等。

「行為區隔」不僅能協助行銷人員選擇目標市場，還能完成更多工作。

- 行為出自於動機，不管核心動機或經驗動機。

舉凡結帳、光臨店面、使用產品(滲透率)、開啟及點擊行銷媒介並給予回應，都是行為，

正是這些行為創造了財務成果、營收、成長、終身價值和利潤。

- 核心動機主要是無形的態度、品味和偏好、生活方式、金錢價值觀、通路偏好、益處或需求激發。

另外也有經驗動機，這是行為的次要成因，通常取決於品牌曝光。

這些都不是行為本身，但會觸發後續行為。這種次要成因包括：

忠誠度、互動程度、滿意度、服務禮節或速度。

值得留意的是，RFM模型使用的最近一次消費和頻率

(互動程度指標)就屬於次要成因，而同樣會使用的金額相關指標，則是財務結果數據。

- 由此可知，RFM模型僅使用互動和財務等方面的資料，並未使用行為資料。

- 「行為區隔」和RFM模型有三點不同：「行為區隔」(通常)使用較多行為資料；

「行為區隔」使用這些資料的目的在於了解消費者行為；「行為區隔」會採取統計方法，

將各區隔市場做最大程度的區分。

簡單比較RFM模型、卡方自動交互作用偵測、K平均演算法和潛在類別模型，即可窺得箇中意義。

RFM模型使用多個自變數(通常是三個變數)，但無法處理多個依變數(即同時使用三種維度)。

RFM模型屬於數學性質的分析法，就統計而言並非理想選擇。

- 潛在類別分析(latent class analysis,LCA)可以大幅改善前述缺失，堪稱目前最先進的市場區隔技術。

- 潛在類別分析可找出理想的區隔市場數量、識別顯著變數，以及計算每一成員隸屬各個區隔市場的機率。簡言之，沒有任何事情需要主觀決定！

- 潛在類別分析是一種統計技術，而非數學性質的分析法(例如階層式分析或K平均演算法)。

- 潛在類別分析可以使用貝氏資訊準則(Bayes Information Criterion,BIC)、LL(負對數概似值)及錯誤率，為你提供診斷結果，在變數和資料集的基礎上，指出「最理想」的區隔市場。

- 潛在類別分析(LCA)是一種貝氏(最大概似)方法，具有統計本質。

由於消費者行為屬於一種機率(甚至是不理性的)現象，

因此使用統計分析法會比數學屬性的方法更為適切。

透過此方法提供的診斷功能，我們可以知道區隔市場的最佳數量，

也能了解哪些變數對市場區隔最為重要。

第四篇 攸關日常行銷的其他重要主題

11 統計檢定

- 試驗設計：以歸納方式建立統計測試，其中採用的刺激因素會隨機考量變異數、

信賴度等不同條件，並與控制組對照比較。

- 關於樣本規模的問題，建議考慮以下因素：

母體的標準差、希望的信賴水準(以檢測結果能否推斷母體的真實情形)、想檢測的敏感度，

以及預期回應。

12 結合大數據並採取大數據分析

- 歸因模式(attribution modelling)依行為區隔的結果，對各個接觸點施以加權。

策略上，若從產品組合的角度來看，我們可以從大數據中得知哪個接觸點對消費者具有價值。

因此，對於哪些消費者所重視的接觸點

(頁面、網站、網路、群組、社群、商店、部落格、具有影響力的名人等)，我們就得多加注意。

- 不需要遍尋各種新奇的演算法，或是衍生出迥異的策略。

我們只需擁抱有關消費者行為的不同層次資訊，在分析時將所有相關因素納入考量。

對於此事，我們早就擁有相關的分析技術(存在好幾十年了)。

像是聯立方程式、結構方程式、向量自我迴歸等。

- 本書前幾個章節中，我們將廣義的統計分析技術區分成兩大類型：

依附方程式類型(一般迴歸、羅吉斯迴歸、存活分析模型)，

以及相互關係類型的分析法(市場區隔、因素分析等)。

以下演算法使用的語言進一步擴展了前述定義，共區分為監督式學習、非監督是學習和強化學習：

1. 監督式學習：有一個引導(目標)變數，而目的就是預測該變數。

這類技術包括迴歸和分類類型的方法，例如決策樹(decision tree)、隨機森林(random forest)、

K最近鄰演算法(K-nearest neighbour)、邏輯迴歸等。

2. 非監督式學習：沒有引導變數。

市場區隔和降維(dimension reduction)類型的方法都屬於此類，

例如集群分析、類神經網路、因素分析等。

3. 主要運用人工智慧(AI)，在演算法中融入回饋迴圈。

類似馬可夫鏈(Markov)的處理程序，一般都可歸於這類技術，例如Q-learning。

- 從技術面來看，截至目前所介紹的方法都屬於迴歸或分類屬性，具線性本質，

可表示為BXi，其大多僅涉及明顯的變數。也就是說，變數就是該方法要量測的項目。

除了這類型之外，還有一種非線性的技術(假定使用潛在變數)，稱為「類神經網路」。

舉凡依變數類型即相互關係類型的技術(分類形式)，都可使用類神經網路。

- 傳統的計量經濟方法依然足以解決大部分市場分析問題。