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：
- 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
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：
- 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。
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)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)
- 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。
- 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。
- 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：
- 描述性分析(Descriptive Analytics)
- 預測性分析(Predictive Analytics)
- 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：
- 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)
