行銷資料科學|大數據x市場分析x人工智慧
PART 1 概論篇
- 何謂資料科學?
- 行銷資料科學家的工作包括:
- 產生規範性見解-包含戰略和戰術見解,以提高行銷效率。
- 探索性資料分析。
- 度量和方法選擇。
- A/B測試。
- 為管理層和其他專業人員提供諮詢,培訓和協助,幫助他們處理和理解各項組織數據。
- 行銷資料科學家所需的技能包括:
- SQL
- 資料視覺化
- 熟悉Python或R語言
- 能夠預測與建立模型(統計和機器學習方法)
- 人際關係技能-能和資料工程師、業務管理和其他人員協同合作
Chapter 02 行銷資料的類型、來源與管理
- 研究資料
- 資料的整理
--遺漏值的填補
稱為「預測均值匹配」(PMM,Predictive Mean Matching)。
2.二元變數:羅吉斯迴歸(Logistic Regression)進行預測。
3.超過二元以上的分類變數:貝氏多元迴歸(Bayesian Polytomous Regression)來處理。
Chapter 03 行銷資料科學技術概念
- 資料蒐集
利用R或Python等語言來開發爬蟲工具。
- 網路使用探勘(Web Usage Mining):企圖發現使用者的瀏覽特徵。
- 資料分析
在操作上,使用降維(Dimensionality Reduction)技術,來減少所考慮變數的有效數量。
分類(Classification)、分群(Clustering)、關聯(Association)等分析方法。
* 常見的機器學習演算法
- 類神經網路(ANN,Artificl Neural Network)
--激發函數(Activation Function)
--前向傳播法(Forward Propagation)
--反向傳播法(Backward Progagation)
-線性可分支持向量機
-非線性可分支持向量機
--核函數(Kernel Function)、特徵空間(Feature Space)
Chapter 04 整合行銷資料科學與行銷研究
- 行銷研究主要將資料分成「初級資料」與「次級資料」。初級資料的蒐集方式,又可分成:
調查法(Survey Research)、實驗法(Experimentation)、觀察法(Observation)、深度訪談法(Depth Interview)。
PART 2 大數據篇
Chapter 06 大數據行銷分析工具
- 大數據行銷分析工具
- 行銷分析階層
- 行為定向(Behavioral Targeting)是指網站和廣告商使用一系列技術蒐集與分析個人的搜尋
* 推薦系統
提出推薦。舉例來說,A顧客購買A產品,而A產品與B產品有相似性,此時,系統就自動推薦B產品給A顧客。
- 使用者基處的協同過濾(User-Based Collaborative Filtering Recommendation)
- 項目基礎的協同推薦(Item-Based Collaborative Filtering Recommendation)
- 模型基礎的協同推薦(Model-Based Collaborative Filtering Recommendation)
- 成交路徑(Path to Purchase)
- 網站分析(Web Analytics)目前主要有兩種方法:
1. 日誌分析(Log Analysis)即分析使用者瀏覽器與網站伺服器互動歷程中,所產生的網站日誌檔(web log files)以判斷點擊數(hits)、網頁檢視(page views)、網站停留時間(time on site)等,以了解網站的使用狀況與經營成效。
某些頁面已被瀏覽器所讀取。
--要分析或比較網頁內容好不好,有許多的衡量指標可參考,常見的指標除了上述提到的點擊數(hits)、網頁檢視(page views),還包括訪問量(Visits)、訪客(Visitor)、新訪客(New Visitor)、重複訪客(Repeat Visitor)等等。
- 歸因分析(Attribution Analytics)
最具有成本效益和影響力,以提升廣告支出回報率(Return on Ad Spend,ROAS)或者
取得有效的名單(Cost Per Lead,CPL)等。
-- 網路廣告的快速資增長,企業也同步獲得更多的數據來追蹤廣告的有效性,並且發展出更多評估廣告效果的方式,例如每次點擊成本(Cost Per Click,CPC),每千次曝光成本(Cost Per 1000 impression,CPM),每次完成行動成本(Cost Per Action,CPA)和點擊轉換率(Conversion Rate,CVR)...等。
- 趨勢分析(Trend Analytics)
- 定性法(Qualitative Method):判斷法、調查法。
- 定量法(Quantitative Method):時間序列分析法、因果分析法(迴歸模式、計量經濟模式)
PART 3 行銷篇
Chapter 07 市場分析與行銷資料科學
- 文章字詞矩陣(DTM,Document Term Matrix)
深度類神經網路(卷積式網路Convolutional Neural Network,如CNN,RCNN,Resnet)。
- 行銷漏斗(The Marketing Funnel)模型
反之則是「流失率」(Churn Rate) 。
「接觸點」意指顧客會接觸到企業產品或服務的任何機會,從消費者尚未購物的平常生活即已開始,到實際接觸的購買體驗,一直到售後的各種可能場景。
- RFM模型可協助公司找出「新客(近期曾經前來公司消費的客人)」、「常客(經常前來消費的客人)」,以及「貴客(消費金額大的重要客人」。
Chapter 08 STP 理論與行銷資料科學
- 企業在經過評估各種市場區隔後,接下來就是從中選定一個或多個「區隔市場」,以作為目標市場。依據哈佛大學教Derek F. Abell的研究,在目標市場選擇策略中,可以選用以下五種方式來進行。
- 單一市場集中化(Single-Segment Concentration)
- 選擇性專業化(Selective Segment Specialization)
- 產品專業化(Product Specialization)
- 市場專業化(Market Specialization)
- 全市場涵蓋(Full Market Coverage)
Chapter 10 價值溝通與行銷資料科學
- 行銷管理學裡,將傳統行銷方式區分成所謂的「推式策略(Push)」與「拉式策略(Pull)」兩大類。
- 拉式策略(Pull):意指企業透過於廣告、銷售促進等方式,引發消費者的購買慾望,將消費者「拉」到企業手上;推式測略(Push):則是由企業藉由人員推銷、銷售促進等方式,將產品透過一層層的配銷通路,「推」到最終消費者的手上。
- Outbound Marketing議為「推播式行銷」,是指企業透過電視、電話、報紙、電台、看板、
PART 4 策略篇
Chapter 11 行銷資料科學與策略
- 關於資料科學的分析,常見的分類有以下三種:
- 描述性分析(Descriptive Analytics)
- 預測性分析(Predictive Analytics)
- 指式性分析(Precriptive Analytics)
- 「預測性分析」能協助企業解決可能發生的事,
- 「指示性分析」則能指導實際執行時該如何做,
- 除此之外,尚有提出「診斷性分析(Diagnostic Analytics)」、
分析1.0
分析2.0
- 屬於大數據時代,統計分析以「預測性分析(Predictive)」為主,亦即「使用過去資料預測未來」。
分析3.0
分析資料以結合大量結構化與非結構化資料為主。
- 顧客流失(Customer Curn)分析的應用包含:
- 顧客獲得(Customer Acquisition)
- 顧客關係發展(Relationship Development)
- 顧客留存(Customer Retention)
- 顧客流失率分析(Customer Churn Rate Analytics)