2021年5月23日 星期日

行銷資料科學

 行銷資料科學|大數據x市場分析x人工智慧

PART 1 概論篇

Chapter 01 何謂行銷資料科學
- 何謂資料科學?

- 行銷資料科學家的工作包括:

  1. 產生規範性見解-包含戰略和戰術見解,以提高行銷效率。
  2. 探索性資料分析。
  3. 度量和方法選擇。
  4. A/B測試。
  5. 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:

  1. SQL
  2. 資料視覺化
  3. 熟悉Python或R語言
  4. 能夠預測與建立模型(統計和機器學習方法)
  5. 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

1.數值變數:常使用的方法是以線性迴歸的方式來預測遺漏值,
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
- 網路結構探勘(Web Structure Mining)檢視網站的設計,一般可透過網路爬文技術,
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

--資料轉換(Data Transformation):主要再進行資料減縮與投影(Data Reduction and Projection)
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。
--選擇資料探勘方法(Choosing the Data Mining Method):
分類(Classification)分群(Clustering)關聯(Association)等分析方法。

* 常見的機器學習演算法



- Apriori演算法是關聯規則學習或是關聯分析(Associative Analysis)的經典演算法之一。
在行銷資料科學領域,稱為購物籃分析(Market Basket Analysis)。
關聯分析主要透過「支持度(Support)」和「信賴度(Confidence)」來對商品項目之間關聯性進行篩選。在進行關聯分析時,通常會先設定最小支持度(Min Support)與最小信賴度(Min Confidence),
另外還會考量提升度(Lift)

- 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)

- 支持向量機(SVM,Support Vector Machine)
   -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

- 行為側寫(Marketing Profiling)則是將「側寫」這樣的概念與技術運用到行銷領域,
做法則是透過數據分析來描繪消費者的圖像。
- 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
與瀏覽行為等資訊。

* 推薦系統

--內容過濾(Content-Based Filtering)主要基於客戶「過去」對某些商品和服務的偏好,
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。
--協同過濾則是使用「同類客戶」來進行客戶偏好的預測,來進行推薦,以下是常見的類型:
  1. 使用者基處的協同過濾(User-Based Collaborative Filtering Recommendation)
  2. 項目基礎的協同推薦(Item-Based Collaborative Filtering Recommendation)
  3. 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。

2. 加入網頁標籤,在每一網頁插入Jave Script告知第三方分析服務的伺服器(如:Google Analytics),
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。

--如果企業或網站負責人沒有後續的配套措施與相對應的行動,有人就戲稱這就好像到大醫院花錢做了一堆電腦斷層或核磁共振,找到病因之後,卻不做後續治療,讓前面的網站分析做白工了。

- 歸因分析(Attribution Analytics)

--行銷人可以使用歸因分析來規劃未來的行銷活動,透過分析哪些行銷活動(媒體、廣告...等)
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)點擊轉換率(Conversion Rate,CVR)...等。

- 趨勢分析(Trend Analytics)

  1.  定性法(Qualitative Method):判斷法、調查法。
  2. 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)

- 輿情分析
深度類神經網路(卷積式網路Convolutional Neural Network,如CNN,RCNN,Resnet)。
--利用機器學習找出關鍵性的預警貼文:單純貝氏(Naive Bayes)

- 行銷漏斗(The Marketing Funnel)模型

--過濾性:能通過一階層的過濾,稱為「轉換率」(Conversion Rate) ;
反之則是「流失率」(Churn Rate) 。
-- 提高轉換率的方法,研究顧客的每一個可能的「接觸點(touch point)」是個很棒的切入方式。
「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。

  1. 單一市場集中化(Single-Segment Concentration)
  2. 選擇性專業化(Selective Segment Specialization)
  3. 產品專業化(Product Specialization)
  4. 市場專業化(Market Specialization)
  5. 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。

- Inbound Marketing可譯為「集客式行銷」。是一種透過內容行銷(Content Marketing)、社交媒體行銷(Social Medial Marketing)、搜尋引擎優化(Search Engine Optimization,SEO)等技術,吸引消費者主動上門的行銷策略。
- 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、
郵件等工具,主動將產品訊息傳播給消費者,並促使消費者在心中建立起對企業的印象。

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:

  1. 描述性分析(Descriptive Analytics)
  2. 預測性分析(Predictive Analytics)
  3. 指式性分析(Precriptive Analytics)

- 「描述性分析」能解釋已經發生的事,協助企業分析出消費者是誰?或是買了些什麼?
- 「預測性分析」能協助企業解決可能發生的事
例如分析出消費者可能還會購買什麼?進而提前給予消費者相關的產品資訊。
- 「指示性分析」則能指導實際執行時該如何做
舉例來說,當消費者走到某商圈時,手機會主動收到適合自己的附近店家折價券。
- 除此之外,尚有提出「診斷性分析(Diagnostic Analytics)」、
自動化分析(Automating Analytics)」。

分析1.0

- 屬於「傳統分析時代(Traditional Analytics)」,其中統計分析以「敘述性分析(Descriptive)」為主,
亦即「分析過去的事」。分析的資料屬於內部且較小量的結構化資料。
- 在企業部分,分析的目的,在透過分析展現營運效率與增進內部決策有效性。舉例來說,
公司建立各種營運報表,如:營業額、毛利率、淨利率等營運指標,皆是屬於分析1.0時代。

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

- 屬於資料經濟時代,以「指示性分析(Prescriptive)」為主,亦即「運用模型發展最佳行動」。
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:

  1. 顧客獲得(Customer Acquisition)
  2. 顧客關係發展(Relationship Development)
  3. 顧客留存(Customer Retention)
  4. 顧客流失率分析(Customer Churn Rate Analytics)