大數據預測行銷：翻轉品牌X會員經營X精準行銷
2019/07/09
I. 大數據X大真相
- 大數據是一門跨領域的知識，涵蓋了資訊科學、統計演算以及商業實務。
- 大數據軟體：KNIME,Weka,Power BI,Tableau,SPSS,SAS,Statistica,Excel...。
- 在大數據投資的目的上，B2B的企業如製造業，著重在應用大數據分析改善流程、降低生產成本；
B2C的企業如零售業，著重在應用大數據預測行銷，增加銷售，提升利潤。
II. 大數據X大平台品牌策略
- 大數據時代顛覆企業經營
- 經營內容品牌
PRRO取代
AIDA。
過去，經營實體品牌，有個由美國廣告先驅Elias St.Elmo Lewis最早所提出、也是最經典的，
幾乎是所有行銷人都能朗朗上口的行銷觀念：
A-I-D-A，
即要達成行銷目標，首先要建立
品牌知名度(Awareness)，沒有知名度一切免談；
其次要引起消費者
對品牌產生興趣(Interest)及對產品
產生購買渴望(Desire)；
完成以上三項任務，就有可能
讓消費採取購買行動(Action)。
- 大數據時代大眾媒體不再那麼有效，卻給了我們一個新的機會，應用分散式信任的機制來建立品牌。
即以
PRRO來取代傳統的AIDA，成為經營品牌的新法則。
PRRO就是
Platform(平台),
Review(評價),
Reliance(信賴),
Order(購買)。
Platform：首先，你必須找出最多人用、最有影響力的幾個平台品牌，然後依附在上面。
Review：接著，認真經營品牌在這些平台上的評價。
Reliance：鎖定平台後，再透過各種服務及行銷方法，提升顧客的評價。
Order：當信賴度越高的時候，就會為品牌帶來大量的訂單。
- 定位大師AI Ries：「如果網路是一門生意，但是你同時把品牌名放在實體店及網路，
將是一個嚴重的錯誤。」
III. 大數據X大平台行銷策略
- 人機介面研究教授Larry Constantine提出，好的UI需要滿足六個原則：即
結構原則、
簡單原則、
視覺原則、
回饋原則、
容錯原則及
再用原則。
作者再補充兩個品牌行銷的觀點，就是UI的設計也要考慮
美觀原則及
定位原則。
--
結構原則：就是UI的結構要清晰，同類、同層次的東西要放在一起，是平台或APP的生命。
- 好的UI決定了完美的UX(消費體驗)、完美的UX決定了消費者的黏著度，
也就決定了交易的轉換率(Conversion Rate)，決定了平台的成敗。
- 平台品牌的行銷策略：供給面策略、需求面策略。
- 平台的供給面行銷策略：
1.影響者策略(Influencer Strategy)
2.MGM策略(Member-Get-Member Strategy)
3.事件策略(Event Strategy)
4.獎勵策略(Incentive Strategy)
5.附加價值策略(Value-Added Strategy)
6.意見領袖策略(Opinion Leader Strategy)
7.延伸策略(Extension Strategy)
- 平台需求面策略：
1.影響者策略(Influencer Strategy)
2.MGM策略(Member-Get-Member Strategy)
3.事件策略(Event Strategy)
4.回饋策略(Reward Strategy)
5.異業合作策略(Co-op Strategy)
6.蠶食鯨吞策略(Encroachment Strategy)
7.免費試用策略(Free Trial Strategy)
IV. 大數據X預測行銷
- 商業分析6步驟：TASSS$
(Task-Analysis-StrategicViewpoint-Strategic Option-Schedule-Budget)
Step1.
Task 課題：
報告中所有的分析跟結論，都要圍繞著「課題」。
如果能塑造吸睛的題目，就能提高讀者的興趣，用問句破題也是一個被證明有效的方法。
例如「銀行分行坪效分析」、「國際品牌策略」，
就不比「如何提高銀行分行的坪效？」、「如何打造一個國際品牌？」有吸引力。
Step2.
Analysis 分析：
資料到處都有，但要寫出一份聚焦的報告，分析的範圍，
就要僅限跟課題有關的資料。要用哪些工具做分析呢？作者偏好使用
STEP、
競-消-我、以及
SWOT三種分析。
-
-STEP分析對象是環境面。指的是從
社會(Society)、
科技(Technology)、
經濟(Economy)與
政治(Politics)四個角度來分析。
--「
競-消-我」分析就是「競爭者-消費者-自我」分析，對象是產業面。
要思考「誰跟我競爭？」、「消費者怎麼看？」、「我們有什麼優勢？」
這三個問題，正好構成一個金三角。
--
SWOT分析，對象是企業面，SWOT分別代表
Strength優勢、
Weakness弱點、
Opportunity機會、
Threat威脅。
Step3.Strategic Viewpoint 策略性觀點
Step4.Strategic Option 策略性方案
Step5.Schedule 執行時間表
Step6.Budget 預算
- 做分析要多琢磨策略性觀點與策略性方案。大數據決策，指的正是看了數據之後產生觀點；
或有了觀點之後，再找數據佐證。
- 觀點能驅動數據，即Insight drives big data，沒有觀點，大數據分析就沒有意義了。
- 預測分析6步驟TAMEDI：建立精準模型
Step1.
Task 課題：
與商業分析最大的不同是，預測分析的課題，是解決「一個個人」的問題。
例如：「如何提高每一個顧客的貢獻率？」、「如何喚醒每一個沉睡中的客人？」
Step2.
Analysis 分析
Step3.
Modeling 建立模型
Step4.
Evaluation 評估
Step5.
Devloyment 導入
Step6.
Interpretation & Insight 解讀與洞察
- 商業分析，行銷主管該關心的9個議題
1.我的目標對象是誰？
2.各品牌的消費對象有何不同？
3.消費者購買了什麼產品？
4.消費者對產品的滿意度如何？
5.消費者都接觸什麼媒體？
6.什麼通路的銷售最好？
7.什麼促銷活動最有效？
8.品牌是否已經老化？
9.新舊客人的比率有何變化？
- 預測分析，行銷主管關心9種個人行為
1.誰會點擊？(Who will click？)
--要觀察顧客在網路上的行為，有5個重要指標：
流量、
曝光量、
點擊率、
參與率與
轉換率。
2.誰會買？(Who will buy？)
--點擊的人很多，但誰才是最後購買產品的人？這就是轉換率。
企業花錢行銷，最後關心的也是這個。
3.誰會進入「沉睡」？(Who will lapse？)
4.誰會詐騙？(Who will lie？)
5.誰會掛掉？(Who will die？)
6.誰會是恐怖份子？(Who will commit crime？)
7.什麼時候買？(When will he/she buy？)
8.買什麼？(What will he/she buy？)
9.花了多少錢？(How much？)
* 商業分析演算法，就能解決80%工作難題，五種商業分析方法：
1.整體分析(Aggregate Analysis)。
可用來分析某個市場、品牌或產品的族群結構、產品結構或行銷組合等。
2.相關分析(Correlation Analysis)。
就是分析兩個或多個事件之關係，目的是希望找到其中一個事件對另一個事件的影響。
例如：「網路廣告量的多寡，是否與銷售有直接關係？」、
「上網時間的長短，是否會影響產品銷售的轉換率？」
3.規模分析(Sizing Estimation)
4.趨勢分析(Trend Analysis)是指一段時間內的總量發展趨勢，又可分為
縱斷面(Longitudinal Study)與
橫斷面分析(Cross-Sectional Study)。
例如：分析Facebook年齡結構的改變，發現10年來，年輕人的比率有減少的趨勢，則可判斷為品牌老化的徵兆。這是時間數列分析，也較縱斷面分析。又例如，第一季的廣告營收與去年同期相較，增加了20%，表示出現強勁的成長。同期比較的好處，是能克服季節性的影響，這種分析方法叫作橫斷面分析。
5.指數分析(Index Analysis)是以指數大小，判斷哪一個市場/品牌/產品較為突出。
以母體平均數作為分母，個別項目作為分子，會得到三個可能數字：大於、小於、等於100。
例如：以總體人口的各年齡級距，除A品牌對應的年齡層級距，乘以100，
就可以得到三個大於、小於或等於100的數字，而我們關心的是指數大於105及小於95的級距。
當指數小於95，代表A品牌的目標對象在該年齡層相對少；
大於105，則代表目標對象在該年齡層相對多。
* 預測分析演算法，創造另外80%的價值，七個演算法：
1. 迴歸分析(Regression Analysis)：這是最常用到的統計演算法，主要是用已知的一件事
(自變數)來預測另一件事(因變數)，稱為
簡單迴歸；也可以是已知的兩件事來預測另一件事，
稱為
複迴歸。
例如根據衛生紙及面紙的購買數量，預測家裡可能居住的人口數，
用來決定可以推薦個人產品或家庭常用品。
2. 邏輯迴歸(Logistic Regression)：主要是處理「是」與「非」、「YES」與「NO」的問題。
例如預測一筆交易是否可能為盜刷？
一名顧客是否會逾期繳息？一個人是否可能得癌症？
工作中我們需要多做很多這一類0與1的決策，而邏輯迴歸提供了這樣的科學依據。
3.k-均值分群(k-mean Cluster)：簡單說，就是將手中的資料根據某種方式分群，
同一群內的資料同值性高，不同群之間的差異大。
例如消費者生活型態的調查，同一區域的消費者，可以根據不同的活動、興趣及意見，
區分成不同的族群，而有所謂的「個體創業族」、「小確性逍遙族」等，
針對不同的族群可以採取不同的訴求及策略。
4.時間數列(Time Series)：是按照時間收集及排列某個時間的數據，透過分析時間數列所反映出來
的發展過程、方向和趨勢，藉以預測下一個時點可能出現的事件。
例如收集及排列歷年的GNP、公司銷售數字，藉以預測下一階段的經濟成長及企業銷售。
5.決策樹(Decision Tree)：顧名思義，這個方法將資料集中的變量由上而下分解，建立一個預測模型，
而這個模型長得像棵樹形圖，然後透過這樹形圖的流向來預測一個人的行為。
6.關聯法則(Association Rule)：這是大數據預測的熱名應用，方法是尋找一個事件與另一個事件出現的
依賴性(例如爸爸下班買紙尿褲，就會順便把啤酒買回家)，
如果有關係，就可以用一個事件的出現來預測另一個事件也可能會發生。
關聯法則的演算法包括
AIS,SETM及Apriori等，而Apriori是被廣泛應用的演算法，
它透過機器學習的原理，學習交易資料之間的關係，適合應用於大量資料的分析，
從而建構出一個預測模型。
-
關聯法則，可以應用於
購物籃分析決策(Market Basket Analysis)。
購物籃分析，目的是在探究貨架上產品是如何被消費者購買，產品與產品之間被拿取有什麼關係。
如果掌握到它們之間的關係，比如買A產品的顧客也會買B產品，就可以將這兩個產品擺在一起
(這是超市的決策)；買A產品的顧客，就推薦他買B產品(這是電商的決策)；
為了賣A產品，提供B產品優惠(這是促銷決策)。
- 到了2010年代，加拿大多倫多大學的Geoffrey Hinton教授，克服了人工神經網路反向傳播優化
(找出最小值)的問題，為機器學習重新換上了「
深度學習」的名字及應用了深度神經網路演算法。
深度神經網路演算法，是由輸入和輸出之間的許多「中間隱藏層」組成，演算法學習這些中間層的特徵。
* 大數據分析，從資料清理開始
第一個挑戰：沒有資料(No Data)
第二個挑戰：過時的資料(Out-of-date Data)
第三個挑戰：不完整的資料(Imcomplete Data)
第四個挑戰：遺失的資料(Missing Data)
第五個挑戰：稀少的資料(Sparse Data)
第六個挑戰：不精確的資料(Inaccurate Data)：最常發生的狀況，就是用不同的衡量方法，
提供不一樣的資料。
- 大數據並非「數大就是美」，應該是「不怕少，怕不好」。
如果用在預測分析，例如透過機器學習建立大數據預測模型，資料是多多益善。
但是如果是大數據用在商業分析，2千筆的顧客或者銷售資料，
絕對比20萬筆沒有經過清理的資料來得有用。
例如：應用2千筆有效的會員資料，去做新會員推廣，轉換率絕對高於20萬筆，而且成本更低。
- 大數據要發揮價值，有兩個面向。
第一個，從資料分析中，看出問題，這個面向適合善於分析資料得大數據專家。
第二個，從實務中發現問題、大膽假設，再透過大數據找答案，這個面向具有實務經驗的專家，比較容易做到。
- 大數據預測科學就是predicting something for an individual case.
* 預測行銷，6個KPI檢視成效：
4個預測指標(Predictive Indicator)，包括
Traffic(流量)、
Impression(曝光量)、
Engagement(參與數)、
Conversion(轉換數)；以及兩個財務指標(Financial Indicator)，
包括
CPA(Cost Per Action，每一互動成本)、
OPI(Operating Profit Index，毛利指數)。
1.
Traffic 流量：就是消費者可能接觸到你的品牌訊息的潛在最大數量；
但是事實上，不會這麼理想。不過，這個指標讓你知道，品牌的打擊面夠不夠廣，
是1萬人、10萬人，或者100萬人，也牽涉到行銷的成本，以及你對市場的企圖心。
2.
Impression曝光量：曝光在品牌訊息的不重複人數流量，就是Impression。
所以，如果你推播訊息給100萬個消費者或100萬封email給顧客，
實際上有看到這則訊息的人可能只有40萬人，這時你的Impression是40萬，
Impression Rate則是40%。
Impression可以說是最基本的績效指標，因為之後計算Engagement Rate及
Conversion Rate都是基於這個指標。
3.Engagement 參與數：有曝光在你推播訊息的消費者，或者收到你發送email的顧客，
不一定會看到你的訊息或打開你的email，所以這階段會關心到底有多少人參與了活動。
參與數的計算就包括了按讚、留言、分享、點「more」、按連結、滑照片、看影片、打開email。
4.Conversion 轉換數：轉換數，包含了要消費者或顧客的回應，比如下載檔案、安裝應用程式、
填寫問卷、註冊成為會員、達成交易等。這幾個轉換行為，可以一開始就設定為你的行銷目標，
例如這一波活動要吸收5萬個會員、達成1萬個人次的交易。
例如：
會員Conversion Rate = (會員Conversion / Impression) X 100%
成交Conversion Rate = (成交Conversion / Impression) X 100%
- Open Rate(開信率)、Engagement Rate(參與率)和Conversion Rate(轉換率)的共同分母都是Inpression(曝光量)，這是因為便於在共同的基礎上做比較，解讀資料比較不會出現誤判。
5.CPA(Cost Per Action，每一互動成本)：要知道一檔活動有沒有賺錢，首先要計算達成行銷目標，
也就是取得轉換數所需付出的代價，由此可以計算出CPA。
6.OPI(Operating Profit Index，毛利指數)：OPI的計算方式，就是毛利除以總收入，乘上100；
如果是正的就是有利潤；如果是負的代表作越多，賠越多。
如果經優化，OPI還是負的，就代表不能再執行這類活動了，而且必須改變策略。
- 從以上的指標，一個個推演到這裡，你會發現要提高OPI，就必須要提高轉換率，要提高轉換率就必須要提高參與率，要提高參與率就必須要提高曝光率，每一環節都不能放過。
- Impression Rate = (Impression / Traffic) x 100%
- Open Rate = (Email的Open數/寄信數) x 100%
- Engagement Rate = (某事件的Engagement / Impression) x 100%
- Conversion Rate - (某事件的Conversion / Impressiom) x 100%
- CPA = Total Cost / Conversion (或Engagement)
- OPI = (淨收入 - 總變動成本) / 淨收入 x 100
V. 大數據X會員經營
- 企業經營的終極資產會是「品牌」加「會員」。
品牌代表了市場、訂價權，也代表了利潤，這個大家應該都知道。那為什麼是會員呢？有機個原因：
一是現在市場趨近飽和；二是開發新客人不容易；三是開發一個新客人的成本，幾乎是維持舊客人的5到10倍；四是業績每個月會歸零，但是會員會不斷累積；最後是手中有了會員，行銷的成本將大幅度降低。
- 在大數據時代，行銷大師Philip Kotler提出了
5A行為反應模式：
知名(Aware)、
訴求(Appeal)、
詢問(Ask)、
行動(Action)，最後就是倡導
(Advocate)。
倡導就是請客人推薦客人，背後的思維就是會員經營。
- 三種潛在客人：準顧客、知道未買、完全不知
- 三種既有客人：首購客人、忠誠客人及冬眠客人。
- 首購客人是夠過行銷努力開發來的新客人；
而忠誠客人是因為對產品、服務滿意，而持續上門的客人。
公司的總體營收，就是由首購客人及忠誠客人所構成。
因此首購客人與忠誠客人的黃金比率，顯得非常重要。對於一個成熟的品牌而言，
這兩種客人的比率是3:7，也就是有3成的新客人持續為品牌注入活水，加上7成的死忠支持者。
- 兩手策略：一手握住手中的鳥，另一手森林中部斷抓來新的鳥，生意才會源源不絕。
* 先決定會員類型，再決定如何行銷
- 五級會員制度
- 傳統的行銷學講究
STP，先
區隔市場(Segmentation)，然後訂定
目標客層(Target)，最後進行
市場定位(Positioning)。然而在大數據時代，區隔市場的方法，有了巨大改變，不再靠地理區隔、人口統計或心理特徵當作變數，而是
以消費者行為來區分、預測顧客未來的行為。
- 大數據預測科學透過演算法，來預測每一位顧客的行為，但真正導入大數據預測科學演算法前，
仍可用簡單的行為變數，來分類預測顧客的行為。
行為分類的方法很多，歸納出三組變數，分別是RFM,4P,TCC。
1.
RFM:這是一般常用的方法，也就是根據客人的
回籠時間(Recency)、
客人的消費頻率(Frequency)，
以及客人
對營收的貢獻(Monetary)來分類。
- 以「
回籠時間」為例，可以將既有的顧客分為「
第一次」來的客人、「
近一年」來的客人，
及「
超過一年以上」未回來的客人。
至於該如何區分客人回籠的時間，是「最近一年」，還是「最近三個月」？取決於該產品的消費者購改週期。
- 「
消費頻率」，則是按照客人的消費次數，加以排列。例如可以將最近一年來過的客人，按照1次到6次以上，算出每一種次數來的客人百分比。次數分配可以幫我們判斷，誰是「
忠誠客人」或「
重度使用者」。
- 「
營收貢獻」，則是顧客的購買金額。消費次數多的客人，不代表貢獻金額高。所以Monetary的分類，是要讓我們了解誰是重要的客戶。
根據80/20法則，20%的客人極有可能貢獻了80%的價值，把重要客人照顧好，基本盤就有了。
2.
4P就是按照
購買週期(Purchase Cycle)、
價格敏感度(Price Sensitive)、
促銷敏感度(Promotion Seneitive)及
獲利程度(Profitability)加以分類。
3.
TCC指的是
消費者的瀏覽及購買時間(Timing)；
習慣在什麼通路瀏覽及購買(Channel)，是否在線下瀏覽商品、線上購買，或者通通在線上或線下完成。
最後一個C，則是假設
顧客一生對公司貢獻的潛在價值(Customer lifetime value)。
- RFM-4P-TCC也適用於會員分類及行銷，實務上，我們可以用RFM將會員分級，再以4P+TCC來做會員行銷。
* 會員經營一部曲：以RFM為客群分級
(表2會員資料集按回籠時間(R)分類)
(表3會員資料集按消費頻率(F)及貢獻金額(M)分類)
(表4以R將會員分三級)
* 會員經營二部曲：設定分級權益
- 會員的權益可分成6大類，即
價格優惠型、
服務擴大型、
功能升級型、
內容加值型、
免費贈品型，
現金或點數回饋型。
- 實體品牌偏愛免費贈品型、服務擴大型；消費品電商偏愛價格優惠型；內容平台偏愛內容加值型；
工作類電商偏愛功能升級型；銀行、航空公司及零售業偏愛現金或點數回饋型。
* 會員經營三部曲：創造入會渴望
- 大數據會員行銷分成三個階段：入會前、入會時、入會後。
- 入會前要告訴潛在的消費者，為他所設計的「頂級」會員權益。
盡可能的把殺手級的服務或優惠攤在消費者眼前，同時詳細說明各種權益價值，
最終目的就是讓消費者成為會員。
- 入會時就是一旦消費者加入會員那一刻開始，就要給他絕佳的體驗。
*會員經營四部曲：會員行銷創造高業績
- 品牌與客戶互動的四種活動類型：
權益行銷、
預測行銷、
互動行銷、
全員行銷。
1. 權益行銷就是要用後台的大數據，監測會員的消費狀況，提醒會員可以不斷升級，享受更高的權益。
2. 預測行銷就是要用大數據的概念，建立模組，預測顧客的消費行為，適時推薦他需要的產品。
又可再分為「
一般購買行為預測」及「
產品購買週期預測」。
- 預測行銷透過
關聯法則學習(Association Rule Learning)，Amazon及Walmart等零售商，可以知道消費者購買貨品之間的關係，再你買了A產品後推薦你買B產品，或者把B產品陳列在A產品旁邊，大大增加成交的機會，Amazon甚至有30%的營收來自預測行銷。
- 產品購買週期預測：只要掌握每一類產品的購買週期，在消費者的購買點之前，推播他必要的產品資訊、優惠方案等，就可以大大提高產品購買機會，為公司創造更高營收。
產品購買週期是結合消費者行為的預測方法，例如你可以將所有顧客劃分為一個購買週期、兩個購買週期、三個購買週期回來，以及超過三個購買週期未回來的客人，分別給予不同的行銷方案。
例如對於一個購買週期內回來1次以上的客人，表示對品牌及產品的忠誠度極支持度都比較高，可以進一步推薦關聯性的產品組合，進行交叉行銷(Cross-Sales)，提高營收。對於超過一個購買週期尚未回來的顧客，可以發送提醒訊息(如問候)，加強對顧客的關心，引起他的注意。對於超過兩個購買週期尚未回來的客人，表示這位客人準備進入「冬眠」的狀態，必須包裝更有吸引力的優惠方案，來吸引顧客回籠。
3.
互動行銷就是邀請消費者參加專屬的活動，可以分成一對一的線上活動，以及一對多的線下活動。
4.
全員行銷也就是只要是會員，不分等級都可以參加這類活動，包括購前提醒、購後致謝、
生日祝福、結婚紀念日慶祝、節慶關懷及新品訊息告知等六小類。
- 當掌握了會員資料之後，會發現還有很多事情可以做，例如：
1.
MGM：Member Get Member就是請現有的會員去邀請新會員加入，成功後雙方都可以給予優惠，
無論是傳統品牌或網路品牌都非常適合。
2.
異業合作：當手握龐大的會員資料，你賺的就不只是會員財了。可以透過異業合作，
一來為會員爭取權益，二來提高會員貢獻。
VI. 大數據X行銷迷思
- 360度品牌行銷
- 找出問題背後的問題(QBQ,Question Behind the Question)
-
當品牌形象出現問題的時候，採取什麼樣的大數據行銷都沒有用。
消費者對一個品牌失去好感時，無論透過什麼大數據分析、預測、推薦，都引不起消費者的興趣。
市場上不乏這類的品牌，逆勢而為，不斷促銷，打折打到骨折，都就不了這個品牌。
這時候最重要的事，就是品牌再造，而不是大數據或者任何行銷。
- 當我們在談品牌時，是假設產品特色及商業模式已經被消費者接受的，因為商業模式及產品必須走在品牌之前，畢竟「
沒有好產品，就沒有好品牌。」
靠行銷打出來的品牌，是不會持久的！反過來說，每間公司都會認為自己有一個好產品，
如果光有好產品，沒有好品牌行銷，也是埋沒在茫茫的產品之中。
- 大數據時代，今天的資訊與知識，明天可能就不適用了，所以面對改變唯一不變的就是
「知識與勇氣」。知識是每天吸收新知，不讓資訊與知識過期：
勇氣是擁抱新知識時勇敢踏出第一步，翻轉個人或經營的企業。
