網路行銷

行銷應用案例分享》取得用戶資料如何做到「最佳化」及「預測」

2017-03-01

ALPHAcamp

圖片來源 : Pixabay

【SmartM解讀】如何在獲得用戶資料後行銷有成千上萬種方式，然而如何「有經濟效益、精準的」分析這些用戶資料，並對潛在客戶做行銷才是企業真正的需要。

用戶追蹤所取得的資料有很多，但大致上可以分為三類，第一是聯絡資料，例如手機、EMAIL 或地址等。第二是用戶屬性資料，例如性別、年齡、收入等。第三是行為資料，例如用戶在什麼時間、什麼地點、買了什麼。若是網路商店的話，還可以取得用戶瀏覽了網站的哪個頁面和點擊了哪些連結等資料。

不論哪一種類型的資料應用，企業想要達到的目的不外乎兩種，一是最佳化，另一是預測。同樣的，企業取得用戶資料後，下一步就是要思考如何達成上述兩個目的。所謂最佳化就是要將目前正在做的事情用成本較低或是效率較高的方式去完成。而預測則是在客戶做出下一步動作之前就先一步提供給客戶。以下和大家分享一些用戶資料的應用。

增加和用戶的接觸點

以實體店來說，透過會員卡取得用戶資料時通常會包含用戶的手機、EMAIL 及地址，也就是上述的第一類資料。實體店除了門市之外，可以透過用戶的聯絡資料增加和客戶的接觸點，因此使用郵寄型錄/折價券、簡訊行銷、EDM 都是一種會員資料的應用。不過雖然都是和用戶溝通，但這三種方式使用的情境都不太一樣。

1.郵寄型錄/折價券 :

主要是實體店會運用，但成本最為高昂。會員管理做得相當成功的英國零售商 Tesco 則是每一季都會根據用戶累積的點數，發送現金券和折價券給用戶，提醒用戶再次到 Tesco 購物，但在台灣較少看到這樣的運用，這可能也跟台灣的消費者沒有習慣使用實體折價券有關。

2.簡訊行銷 :

成本最為低廉 (也許你會認為最低廉的是EDM，因為發送幾乎是免費的，但若是你將製作 EDM 的人力以及發送 EDM 的系統成本考量進去，其實 EDM 花的成本是比簡訊高很多的 )。主要是運用在短時間促銷活動的宣傳，用來激起用戶的衝動性購買慾望。例如過去在實體店每當有單日的全店折扣時，就會在前一天用簡訊提醒用戶購買。

3.EDM 行銷 :

成本介於上述兩者之間，主要是用來和用戶進行定期的溝通，內容可能涵蓋促銷訊息、資訊提供、線上問卷等。但現在消費者每天收到的 EDM 實在太多，如何讓 EDM 的發送更有效率，就需要透過用戶資料來協助，也就是上述所提到最佳化的範疇之一。

最佳化的應用

這部分我會舉幾個我曾經執行過和最佳化相關的活動來跟大家分享。這裡所提到的部分都非常容易執行，希望能帶給大家一些啟發。

1. 透過用戶分群發送 EDM

一般提到用戶分群，大家可能會想到顧客關係管理（Customer Relationship Management）或是 RFM（Recency最近一次消費，Frequency消費頻率，Monetary消費金額）。但這邊我不會提到複雜的用戶分群理論和高深的分析，只會就我過去實際做過的和大家分享。

用戶分群沒有絕對的錯與對，重要的是針對分群後，不同群體的特性進行對應的行銷與溝通。對我來說，分群其實是一個由簡而繁的過程，很難一開始就用非常複雜的分群讓行銷活動獲得很大的回報，而是從最簡單的分群再透過用戶的回饋再重新分群，讓行銷活動漸漸更加有效率。

最基本的分群可以使用一開始所提到的第二類資料—用戶屬性資料，例如把用戶分成男性/女性、年輕/成年/年長族群等，其實就是一個很好的開始。但即便到現在，仍然很多透過 EDM 的行銷還是對所有用戶都發送相同的內容，這其實是一種行銷資源的浪費，同時也在消磨用戶對你的信任。以下就是以我在實體店發行會員卡初期，僅透過性別分群搭配 EDM 發送的應用：

主題性促銷 EDM : 例如買一送一、全店滿千送百等，這樣的促銷活動會發送給所有的會員，並不會特別針對某群體發送。
單品促銷 EDM : 提到單品，男性和女性所會購買的品項差異很大，因此這部分的 EDM 會有兩種款式，一種給女性，主要商品會是化妝品、保養品，而男性則是刮鬍用品和臉部保養。另外在特殊節日，例如母親節，女性就會發送專櫃化妝品，男性就會發送健康食品，讓不同群組的用戶來選擇送禮。
知識型 EDM : 除了促銷之外，教育消費者也是很重要的工作，而男女所注重的主題當然也不同。以女性來說，幾年前醫學美容產品正開始流行，但它的價格也比一般保養品要來得貴，因此我們會發送醫學美容相關的介紹和好處，讓女性消費者更容易接受這樣的商品。至於男性，由於保養的概念仍然在培養當中，因此我們和流行雜誌合作，提供保養知識，教育男性消費者保養的重要性。

上述雖然只是簡單的分群，但一般開信率都可以達到20%~30%以上，而後我們也計畫在收集到更多用戶的回饋以及用戶的交易資料後，進行更深入的會員分群。

若是你想瞭解其他基本但是實用的分群方式，建議你可以閱讀「大數據玩行銷」這本書，裡面提到可以將用戶分為新客戶、主力客戶、瞌睡客戶、半睡客戶、沈睡客戶，然後再根據這幾個不同的狀態規劃對應的行銷活動，這也是一個很好入門的用戶分群方式。

2. 輔助行銷活動的設計

以滿額活動為例，在沒有會員資料的時候，滿額促銷只能發生在當次消費。但有了用戶資料之後，我們可以設計某段區間內的累積滿額活動，刺激用戶回購的機會。而滿額門檻的設立就可以根據用戶資料，設定一個對於企業最有利的最佳門檻。舉例來說，若分析用戶過去的消費紀錄，發現有60％的用戶在區間內購買的金額落在800，那我們就可以設定滿額門檻為900，促使用戶能夠多花一點就可以超過門檻而不會覺得難以達成。

3. 同類群組分析 (Cohort analysis)

當我們執行行銷活動時，除了為企業帶來即時的業績之外，同時也會希望可以帶來更多的新客戶，並期望這些新客戶可以持續回購。因此針對每一次的行銷活動，我們會進行同類群組分析(cohort analysis)，也就是當活動結束後，我們會追蹤一週、二週、三週、四週之後，究竟有多少的新客戶會持續回購。透過這樣的分析，我們就可以知道什麼樣的行銷活動是可以讓品牌留在消費者心中，什麼樣的活動只是引發衝動性購買。這個分析對於網路商店來說很容易執行，透過網站分析工具可以很容易取得報表，Google Analytics 也有提供。

4. AB testing / Re-targeting

網路商店相較於實體店來說，其中一項最大的差異就是網路商店可以在用戶進入網站時就透過 cookie 辨識出用戶，而實體店則是必須等到用戶在結帳時出示會員卡才能得知。利用這個特性，網路商店可以在進行頁面內容變更之前，進行 AB testing，透過少量用戶的測試，確認變更後的頁面不會帶來負面影響，然後再發布給所有用戶，達成網站的最佳化。

除此之外，由於網路商店相較於實體店可以收集到用戶更多的網站行為資料，例如看過哪些頁面、點過哪些連結等，因此網路商店可以透過這些行為資料來投放用戶感興趣的廣告內容，也就是所謂的 re-targeting ，以增加點擊率或轉換率，使用再行銷來達成廣告最佳化。這兩項已經是經營網路商店的必要知識之一，這邊就不細談了。

預測的應用

有關於預測的應用，通常會牽涉到比較多的技術。最近常常看到的大數據、機器學習等名詞，其實主要的用途就是協助企業來進行預測。通常這些運用都需要有工程師的幫助才能夠達成，相對的應用的門檻也比較高。這邊就舉兩個我曾經參與過的應用來和大家分享。

1. 網站的推薦模組

若是你曾經使用過網路商店購物，你可能會注意到在某些頁面會有網路商店推薦給你的商品，而這些推薦的商品就是依據你過去所瀏覽或購買的商品所預測出來的。推薦模組的始祖就是鼎鼎大名的 Amazon，曾經有報導提到它有35%的商品交易是透過推薦模組而來，可見得它可以創造的價值與重要性。若是你想要建立推薦模組，你可以先參考它背後的基礎原理 – collaborative filtering（SmartM註：協同過濾，利用某擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，個人透過合作的機制給予資訊相當程度的回應，並記錄下來以達到過濾的目的進而幫助別人篩選資訊）。若建立推薦模組的門檻較高，也可以從建立歷史瀏覽清單開始，提醒用戶過去看了什麼，待技術較成熟後，再進行推薦模組的建立。

2. 預測用戶回購的時間

對於日用品類的商品來說，用戶是會每隔一段時間就會購買的，例如衛生紙、洗面乳、牙膏、牙刷等。透過用戶的交易資料，我們可以預測用戶下一次可能購買的時間，然後透過某個接觸點提醒用戶再次採購，例如 EDM 或是 App 的提醒。這個應用的門檻在於如何辨識不同的商品屬於同一項品類，因此建立商品的屬性資料庫（例如品類、品牌、大小、重量等資訊）就變得很重要。至於如何預估用戶下一次購買的時間，最簡易的方式就是計算每一位用戶購買品類的時間區間，然後取其平均。雖然這樣的方式並不完全精確，但可以透過這樣的方式再去調整預測的模型。