LMS知識社群ePortfolio登入
大數據行銷新 4P
by 林梅英 2018-10-12 11:55:24, 回應(0), 人氣(22)

從舊4P到新4P,從大數據預測下次購買時間

The following two tabs change content below.
Readmoo編輯團隊

Readmoo編輯團隊

閱讀最前線編輯群。

文/陳傑豪

大數據行銷新 4P,即時預測消費者狀態和動態,零時差、零誤差的個人化行銷,一個人就是一個分眾市場,行銷命中率 100%。

當大數據結合行銷──大數據行銷,將成為最具革命性的行銷大趨勢,大數據行銷甚至可能顛覆奉行近半世紀的行銷 4P 理論:產品(Product)、價格(Price)、促銷(Promotion)、通路(Place)。

大數據下的行銷將產生一個全新的 4P:人(People)、成效(Performance)、步驟(Process)和預測(Prediction)。最先提出新 4P 理論的是全球最具權威的 IT 研究與顧問諮詢公司──顧能公司(Gartner Research)的副總裁 Kimberly Collins,而我們將最後一個 P(Profit,利潤)修正為預測(Prediction)(詳見圖7:新 4P 革命:即時預測帶來智慧控制)。

從舊 4P 到新 4P,大數據行銷究竟如何顛覆傳統行銷?

首先,企業應該從過去「經營商品」的思維,轉向以人為核心的「經營顧客」思維,而大數據時代,正提供了觀點轉型的最好時機。大數據讓「一對一行銷」、「個人化行銷」不再是天方夜譚,而是基本服務。

大數據行銷顛覆近半世紀的行銷4P理論,從產品(Product)、價格(Price)、促銷(Promotion)、通路(Place),進展到全新的4P:人(People)、成效(Performance)、步驟(Process)和預測(Prediction)

大數據行銷顛覆近半世紀的行銷 4P 理論,從產品(Product)、價格(Price)、促銷(Promotion)、通路(Place),進展到全新的 4P:人(People)、成效(Performance)、步驟(Process)和預測(Prediction)

每一位消費者的購買時間、購買週期、購買特性都不相同,但是傳統行銷,無法做到很細緻的個人化行銷,多是大眾行銷或群體化行銷。例如傳統行銷依據消費者的需求和差異性等,將市場區隔為各個不同族群。例如一家運動鞋品牌有7個市場區隔,然後搭配7個行銷活動,往往已經耗費不少人力物力。

但是大數據時代的行銷,市場區隔可以是 7 萬個,相應的行銷活動也有 7 萬個,同時在系統上或平台執行,若像傳統行銷一樣只能依賴人力去執行這7萬個活動,幾乎是件不可能的任務。

每個人的購買行為、消費習慣都不一樣,但是傳統行銷因為資源與人力的限制,因此,往往只能是人去配合行銷,而不是行銷來配合人;當企業一次只能執行 7 個行銷活動,自然只能是活動找人,而不是差異化的人找活動(people to campaign)。但是當行銷活動有能力變成多達 7 萬個,每一位消費者都可以從7萬個活動中配對到最適合他的活動,我們必須翻轉舊的行銷觀點,變成人找活動,而不是活動找人。

一旦行銷活動從人群到個人,市場區隔愈來愈小,或者說每個顧客都成為一個分眾市場,個人化行銷應運而生。

第 1 個 P:人(People):NES 模型,再多的顧客問題都只分 5 種

大數據行銷的第一個P是「消費者」(People)。在大數據時代,以人為核心,消費者存在兩個最大特徵就是異質性和變動性,其中又以變動性最難掌握(詳見圖 8:行銷新 4P 的第 1 個 P:人(People))。

對於顧客來說,我們建構了一個 NES 模型:

  • N =新顧客(New Customer)
  • E =既有顧客(Existing Customer),分三種:
    1. E0 主力顧客:個人購買週期 2 倍時間內回購的人
    2. S1 瞌睡顧客:超過個人購買週期 2 倍未回購的人
    3. S2 半睡顧客:超過個人購買週期 2.5 倍未回購的人
  • S3=沉睡顧客(Sleeping Customer),購買頻率超過個人購買週期3倍未回購、回購率低於 10%。

NES 模型即是為了即時掌握顧客的變動性而設計,根據消費者實際交易數據演算,並配合資料更新進行動態修正。NES 模型將消費者分成 N(新顧客)、E0(主力顧客)、S1(瞌睡顧客)、S2(半睡顧客)以及 S3(沉睡顧客)五種標籤,隨著顧客沉睡度愈來愈深,品牌能夠有效喚醒的機會愈低、而相對的喚醒成本也將大幅增加。

行銷人過往將行銷預算和時間花在以下工作:從顧客過往的累積消費貢獻,與前一次的交易紀錄,結合顧客的性別以及消費能力指標,來決定他們的標籤設定與經營方式;但在這些數據資料背後,我們低估時間對消費者動機干擾的影響力,只透過一個平均數的概念,「大概」定義了超過 180 天沒有回購的顧客,就是所謂的「沉睡顧客」。

事實上,當我們將數據透過 NES 模型演算後發現,很多顧客早在 120 天左右就進入了 S3(沉睡顧客)階段,品牌一視同仁的時間定義,讓企業不但錯失了關鍵的喚醒時機,然後在低喚醒率的 S3 階段才著手補救。這些看似微不足道的小細節,都在浪費企業寶貴的成本與資源。

即時掌握每個消費者的實際狀態,是大數據行銷最重要的第一步。如果我們已有能力為每個顧客量身訂製專屬的溝通時間點,行銷網隨時都可以收網,而不致有太多漏網之魚。

 大數據行銷的第一個 P 是「消費者」(People)。顧客百百種,但行銷新 4P,NES 模型將顧客分為 5 種狀態,分成 N(新顧客)、E0(主力顧客)、S1(瞌睡顧客)、S2(半睡顧客)以及 S3(沉睡顧客)


大數據行銷的第一個P是「消費者」(People)。顧客百百種,但行銷新 4P,NES 模型將顧客分為 5 種狀態,分成 N(新顧客)、E0(主力顧客)、S1(瞌睡顧客)、S2(半睡顧客)以及 S3(沉睡顧客)

第 2 個 P:成效(Performance):每一間店都可以做自己的行銷

大數據行銷的第二個 P 是「成效」(Performance)。「獲利」是企業經營的共同目標,影響獲利的因子很多,說穿了就是三個營收影響目標:顧客數增加、客單價提高、活躍度提升(詳見圖9:第2個P:成效(Performance))。

前面的 People 談顧客狀態,Performance 談的就是顧客動態。顧客流動反映在門店導向的觀點,我常觀察到企業在檢視獲利營收時,發現來客數下滑,就直接判定新客疲弱不振,是造成營收衰退的罪魁禍首,立刻決定砸下百萬預算,安排來店贈禮活動提升新客招募,期望能夠一舉提升銷售動能,拉抬業績,結果,新客數確實明顯增加了,但營收卻仍舊沒什麼起色(詳見圖 10:提升獲利,各店鋪策略大不同)。

原來藏在數據背後真正造成店家營收下滑的原因,其實是高貢獻度的忠誠顧客大量而且快速的流失,活動提升的新顧客對營收幫助渺小,當務之急應是先找出忠誠顧客流失原因、制定顧客挽回方案,先固本補破,才去找新顧客。

看錯數據會錯意,不但會讓店家消耗無謂的行銷預算和時間,解決一個無關痛癢的問題,更進一步給對手可趁之機。這一來一往之間,勝負立判,能不慎乎?

換言之,每一家門店營運的 KPI 都應該根據自身問題做個性化設定。比如說台北在做顧客新增的時候,高雄可能應該做顧客流失,台北 1 店在做顧客新增時,台北 2 店可能應該做顧客流失,端看各門店的數據,來決定它們應該優先改善什麼。

大數據行銷的第二個 P 是「成效」(Performance),講得是顧客的動態。先用NES把顧客分五類,但顧客的狀態卻是會改變的,就像圖中的人在溜滑水道一樣,如果不做顧客關係管理,或者在錯誤的時機、溝通錯誤的訊息,那就會讓顧客不斷流失

大數據行銷的第二個 P 是「成效」(Performance),講得是顧客的動態。先用 NES 把顧客分五類,但顧客的狀態卻是會改變的,就像圖中的人在溜滑水道一樣,如果不做顧客關係管理,或者在錯誤的時機、溝通錯誤的訊息,那就會讓顧客不斷流失

以上圖擁有 11 家分店的這間企業為例,當企業用整體單一指令的指揮方式來經營的時候,很容易就會下達 11 家店通通在下一季執行任務A的指令,全面招募新顧客;但是當我們透過 NES 分群並結合 BCG 矩陣後,我們將清楚地看到,只有 A 至 D 這四間店需要執行任務 A。在招募新顧客這個指標對分店 E 的營收干擾很大,但是此刻分店 E 在招募新客的表現上已經很好,當前影響分店E的反而是降低沉睡顧客大量流失;同理,分店 F 雖然在提升新顧客這個指標上表現不佳,但是這個指標對 F 分店的營收幾乎不造成干擾,反倒是沉睡顧客的流失,才是真正關鍵。所以,不只是顧客要個性化溝通,分店的營運管理透過數據分析,也應該要能夠做到個別營運任務的差異化分配

以上圖擁有 11 家分店的這間企業為例,當企業用整體單一指令的指揮方式來經營的時候,很容易就會下達 11 家店通通在下一季執行任務A的指令,全面招募新顧客;但是當我們透過 NES 分群並結合 BCG 矩陣後,我們將清楚地看到,只有 A 至 D 這四間店需要執行任務 A。在招募新顧客這個指標對分店 E 的營收干擾很大,但是此刻分店 E 在招募新客的表現上已經很好,當前影響分店E的反而是降低沉睡顧客大量流失;同理,分店 F 雖然在提升新顧客這個指標上表現不佳,但是這個指標對 F 分店的營收幾乎不造成干擾,反倒是沉睡顧客的流失,才是真正關鍵。所以,不只是顧客要個性化溝通,分店的營運管理透過數據分析,也應該要能夠做到個別營運任務的差異化分配

第 3 個 P:步驟(Process):找出 Priority,優先處理危急問題

大數據行銷的第三個 P 是「步驟」(Process),透過有層次的執行心法,去改善營收方程式。營收的 3 個變數出現問題時,應該採取什麼樣的戰略,去解決問題(詳見圖 11:第 3 個 P:步驟(Process))。

當店家發現營收下滑,先檢視品項銷售狀況、來客數與客單價等數據,假設顧客人數不夠,應想辦法增加新顧客,或是想辦法留住舊顧客。如果是顧客活躍度不夠、或忠誠度不足,則可以針對早期再購顧客(短期內馬上二次購買的顧客,很有可能成為主力顧客),或現有顧客的定期關懷、購買時的事先提醒等,以不同的行動提升顧客活躍度。

如果問題出在顧客的客單價不夠,則進一步去檢視,究竟是新顧客不夠,還是舊顧客不夠?倘若新客的客單價不夠,通常是因為用了不當方式促銷新顧客,用很優惠的價格吸引新顧客進來,收進來的是不健康的顧客,接下來他很可能沒有辦法繼續貢獻價值。導致呈現出來,新客的客單價太低、再購比率也太低等。

大數據行銷的第三個 P 是「步驟」(Process)。當你從 People 認識消費者,必然有新顧客(N)、主力顧客(E0)一直到沉睡顧客(S3)等五種狀態,然後又發現顧客不斷地往下一個階段流失,很多人看到這邊就已經開始垂頭喪氣。但是第三個 P 要告訴你,流失是可以被控制和改善(喚醒)的,行銷人在不同的階段,應該設定對應的行銷活動,比方說,在顧客 E0 階段規劃顧客忠誠度計畫,或是在 S1、S2 和 S3 不同的停滯階段,設計喚醒方案

大數據行銷的第三個 P 是「步驟」(Process)。當你從 People 認識消費者,必然有新顧客(N)、主力顧客(E0)一直到沉睡顧客(S3)等五種狀態,然後又發現顧客不斷地往下一個階段流失,很多人看到這邊就已經開始垂頭喪氣。但是第三個 P 要告訴你,流失是可以被控制和改善(喚醒)的,行銷人在不同的階段,應該設定對應的行銷活動,比方說,在顧客 E0 階段規劃顧客忠誠度計畫,或是在 S1、S2 和 S3 不同的停滯階段,設計喚醒方案

第 4 個 P:預測(Prediction):精準預測顧客下次回購時間

如果說 Process 告訴行銷人從營收方程式和顧客流動是可以被控制的,那大數據行銷最後環節「預測」(Prediction),就是宣告這樣的控制能夠被智能化的監控與執行(詳見圖 12:第 4 個 P:預測(Prediction))。

顧客就像水一樣,水往低處流,從第一次購買的新朋友,到漸行漸遠的流失客,這個過程是常態。但有了大數據之後,行銷卻可以及早做出因應方案。用數據分析未來,從分析走向預測,推算出會員的「下次購買時間」(Next Purchasing Time, NPT),讓店家在對的時間對最有可能上門的顧客說話。

假設顧客的狀態就像五階段的水槽裝置,從新顧客(N)一路向下流向沉睡顧客(S3)。「智能控制」可以偵測每一個環節,當水槽水位或是管線流量出現異常,系統自動對它做回饋、修復,或是提出警告,哪個環節出了問題,並依據 KPI 自動做出最優化的調節設定。舉例而言,當顧客從主力顧客的水槽流到 S3 水槽的沉睡顧客,意指高達 90% 的機會顧客會徹底流失,亦即所謂分手階段。彷彿男女朋友,等到快分手才去挽回,不但事倍功半,成功挽回的機率也很低。

但是,當主力顧客開始流向沉睡顧客時,必然先經過 S1(瞌睡狀態)、S2(半睡狀態)兩個水槽。透過智能控制,就可以在 S1 瞌睡階段事先偵測到,當發現顧客已經有一點疏離,智能控制就會給出關懷或提醒等,以控制降低顧客流失的水量。

「智能控制」可以做到即時偵測、零時差溝通和個性化訊息,即時而且適時的調節,完全零時差、零誤差,這也是整個大數據行銷的精髓。

水往低處流,要把愈低層的水抽上來,需要更大的動能。同理,NES 顧客模型就像五個層層向下的水槽,為預防顧客不斷地從主力顧客(E0)慢慢滑落到無法挽回的沈睡顧客(S3),我們不但要建立有效的預警和調節機制,而且這套機制,必須藉由大數據的演算和預測,做到「智能控制」,基於人機分工的策略下,實時偵測、適時調整,而且一切的控制都是基於演算預測後的最佳決策

水往低處流,要把愈低層的水抽上來,需要更大的動能。同理,NES 顧客模型就像五個層層向下的水槽,為預防顧客不斷地從主力顧客(E0)慢慢滑落到無法挽回的沈睡顧客(S3),我們不但要建立有效的預警和調節機制,而且這套機制,必須藉由大數據的演算和預測,做到「智能控制」,基於人機分工的策略下,實時偵測、適時調整,而且一切的控制都是基於演算預測後的最佳決策

※ 本文摘錄自《大數據玩行銷》,立即前往試讀