不可不知的智能行銷關鍵點

哈佛大學教授 Clayton Christensen 指出「客戶購買一項服務或商品，都只是為了滿足生活中，出現某項任務的需要，而非該服務或商品本身提供的訊息和價值。」

那麼，行銷的本質並不是把產品「販賣」給客戶，或以「方式」誘發需求的欲望，而是在回應“會發生什麼”的問題上，以主動的行為契合客戶的需要。即是，在「未發生」之先已抓住客戶的消費意願，並作出相應的佈局，來回應客戶潛在的任務需要。

事實上，顧客洞見 (Customer Insight) 的掌握，並非什麼深奧的一件事。只要從數據挖掘的維度，轉移時態的重心，以「末來」作為事態的核心。

行銷人員多會站在“發生了什麼”的維度，檢視「現在」的工作，來評估及區隔客戶的分層。但是，現在可以從「過去」與「現在」的變量數值，找出各屬性的關聯，與及數值變量的動因，藉此線索抓住目標客群的消費意向，從而生成更有效的行銷方案，串聯將要發生的客戶需要。

預測消費行為

電商的推薦服務、網絡的推送廣告，便是透過演算模型提出個人未來行為的預測，實現「想客戶所想，及客戶所及，重客戶所重」的行銷法則，得以在數據分析之中找出行銷決策的關鍵點。假若，行銷人員只著眼過去事態的描述，忽略未來時態的趨勢，便白白錯失了一次與客戶契合的機會。

這「分析」的演算模型，可簡單劃分四大類別：分類 (Classification)、類聚 (Clustering)、關聯 (Associations)，及序列模式 (Sequential Pattern)，能夠契合不同商務需要，提出具備參考價值的預測情報，得以做到未雨綢繆的策略佈局。

例如：某品牌從報表中發現業務下滑，須以促銷活動提升收益表現，便以每客戶$25的成本，向全數二萬客戶推送電郵廣告，最終獲得10%轉換率，以及$250的平均消費，是次行銷的營收 ($250 x 2,000消費客戶) – 成本 ($25 x 20,000名單客戶) ＝“0”的收益。最終，損耗了$500,000的資源，換來與目標背馳的成果。

若然，在這行動之先以預測分析的「類聚模型」篩選二萬客戶名單，找出8,000名具備購買意願的客戶。那麼，在資源上便節減$300,000的損耗，同時也可以提升轉換比率至較高水平。假設，篩選後的轉換率提高至20%，並維持$250的平均消費，計算該營收 ($250 x 1,600消費客戶) – 成本 ($25 x 8,000名單客戶) = 營收 ($400,000) – 成本 ($200,000)，明顯地創出高效益的成果。

同時，再將節減$300,000的資源細分，定制個別「類聚客戶」會感興趣的内容，進行激活消費的行銷佈局，如同「抓住網絡行銷的關鍵策略」一文提及的數位方案，藉此提高所有客戶的生命週期價值。

行銷目的是有效地影響消費者行為，以達致企業需要的短期獲利、或長期的成長目標。致於「數位行銷」之所以能夠巔覆傳統的行銷模型，皆因可以小資本博大績效，藉以有限成本創造高效益的回報，而衝擊了傳統架構的執行方式。

智能行銷關鍵點

目前，業者廣泛推出線上項目，發展網絡生態的業務，都只是抓住數位商務的邊陲，並未完全契合智能商務的核心，運用數據創造智能化的行銷格局。事實上，只須透過一些數據演算的分析，藉此提取有利洞見，便得以對準客戶的需要，作出適切的行銷佈局，緊接客戶的行動步伐，與及其意願的串聯。

畢竟，行銷人員的工作就是發現需要，並立即善用該需要創造價值。但在意的不是被預測的項目，而是預示需要的洞見，與及客戶分層的特徵。藉此，制定具實用價值的人物誌 (Persona) ，以及可被採用的特徵標籤，從而鎖定客戶的消費輪廓，提升契合客戶需要的精準度，將決策的關鍵點還原可被測量的數值，非憑藉個人經驗的直覺進行推敲的估算。

「對準行銷關鍵點做決策」的文案提到，數據不須「多」的「大」才可做分析，亦可從「小」的範圍開始，與各管道的資料整合 (Data Integration) ，並加以疏理蒐集回來的資料 (Cleaning Data)

一般可從銷售系統、網絡社群、官網平台、問卷調查、線上下客服、投訴記錄、會員檔案等，蒐集相關的資料內容，例如人物、時間、地點、情景、商品等，然後加以整理及歸納的庫存，大致可分為以下數據屬性:–

地理位置 (Geographical Data)：購物位置、居住地區、活動區域、氣候環境；
個人特徵 (Demographic Data)：性別、年齡、工作類型、教育水平、情感狀況；
心理特徵 (Psychographic Data)：互動偏好、個性特質、語意用詞；
消費行為 (Behavioral Data)：選購類型、購買時段、網絡足跡、搜尋習慣、消費量值

藉此，洞察客戶的消費喜好和習性，例如買什麼？如何買？那裡買？買多少？何時買？以致，消費者對於廣告促銷的反應；什麼關鍵因素影響消費動機等，也可從以上數據資料獲得，更可針對產品開發 (Product Development)、廣告促銷 (Advertising Promotion)、價格策略 (Pricing Strategy)，以及精準行銷 (Target Marketing) 等範疇，提取相應屬性的資料進行分析。相較，以經驗直覺評估的決策模型，更能夠通過可測量的變現數值，找對行銷決策點契合客戶的需要。

用對的方法，做對的決策

然而，數據挖掘的關鍵，並不在於電腦系統的規模，也不關於什麼程式 (新版 Excel 或 R 語言) 的採用，而是對於「分析模型」與「資訊架構」的認識。否則，衍生“對資料”搭配“壞模型”，或“錯資料”置入“好模型”的情況，兩者都不能創造具價值效益的分析結果。

行銷的關鍵點，就是要做到「想客戶所想」的貼心，只有這樣客戶需求才得以滿足，從而記得該品牌的名字，以及再度回訪的可能。

所以，不把注點集中“發生了什麼”的描述分析 (Descriptive Analysis)上，而是，擴展視點去探究“會發生什麼”的問題裡，善用預測分析 (Predictive Analysis) 的演算，和 “該做什麼” 的指導分析 (Prescriptive Analysis) ，透過 A/B 測試進一步修訂細節，得以更貼近客戶需要的情景，並以交叉應用各分析特點，將可在新舊數據的「混」和「轉」之中，挖掘更具變現價值的決策情報。