AI行銷學-第三項修練 資料分析與人工智慧
書名: AI行銷學
AI行銷學：為顧客量身訂做的全通路轉型策略
Make It All About Me: Leveraging Omnichannel and AI for Marketing Success
原文作者：Rasmus Houlind, Colin Shearer
出版年: 2020
筆記範圍: 中文譯本p.114-159
學習關鍵字: 資料分析, 人工智慧
1.資料分析必須要有明確的業務目標為導向, 這個流程包括
-找出可以改善哪些成果, 藉此幫助達成目標
-考慮必須優化哪些決策, 藉此可改善成果
-辨析哪些分析方法能幫助優化決策
-了解這些分析應該使用甚麼資料
行銷, 想辦法在顧客生命週期所有階段都能產生最好的成果
2.各種分析
-描述分析: 提供後見之明的觀點
-前瞻(預測)分析:根據以往的趨勢與型態去分析如營收、獲利、顧客等的走向, 此方法有助於規劃, 但無助於客製化溝通與行銷的資訊
-指示性分析(prescriptive analysis): 會把一個預測結果轉化為可執行的決策, 例如是否推薦行銷活動或是採用哪個通路
-進階分析: 整個分析領域可對決策注入智慧引出更好的結果
3.行銷客製化目標:
針對每位顧客你需要了解
(a)What: 他們對什麼訊息有反應?會購買甚麼產品?
(b)How: 他們怎麼跟你互動?透過甚麼通路?如何使用產品?如何付款?
(c)When: 他們偏好何時與你互動?他們在一天中哪個時間最能接受你的溝通訊息
4.人工智慧的模型能力
-分類: 如幫助區別購買者或非購買者; 測試結果時能馬上注意到使用者的不同樣貌
-評分: 可以預測某件事情的發生可能性, 如發現一個顧客的流失指標上升至紅色警戒時, 客服可以即時提供優惠降低顧客抱怨
-自動市場區隔: 演算法可以幫助分辨自然產生的客群, 比如深夜讀書等等, 一般可能想不到的客群細分種類
-關聯分析: 如買A也買B, 最經典例子是Wal-Mart買尿布也買啤酒
-序列偵測: 辨識出產生良好結果或壞結果的途徑, 如航空公司工作人員申請升等艙位被拒, 並且班機遭遇重大延誤的VIP會員會減少消費, 於是航空公司馬上祭出升等券即可改善這種情況
-預測/估計: 針對未來即將發生的事情提供一個預測數值
5.從少到多(如何廣泛使用少數回覆者的資訊)
-挑選一個目標(如滿意度)
-蒐集答覆者的資料
-使用上一個目標蒐集的答覆者資料, 建立一個用以預測的”目標”模型
-應用這個模型來預測整個顧客群
6.從資料分析到行動
-資料組織: 致力於扁平為元組(Tuple)的資料, 一列代表一個案例, 一欄代表一個屬性
-特徵工程: 從基本屬性導出較高層次的特徵, 以此為演算法提供更有用的資訊
7.從何處著手?
(a)挑選容易實現的目標
-它配合行銷目標嗎?
-它能帶來價值嗎? 需考慮樂觀、悲觀、最可能情境
-分析的困難度高嗎?
-需要甚麼資料?
-分析結果容易應用嗎?
(b)有足夠資料嗎? 用目前已有的資料務實的建立模型, 日後再加入可能其他資料來源