Please enable JavaScript.
Coggle requires JavaScript to display documents.
大數據玩行銷, 舊4P, ★Process步驟, 短短一分鐘, 大數據崛起讓世界更美好, 執行關鍵, 厚數據讀懂消費者的心, 發展核心, 不用猜,…
大數據玩行銷
當大數據遇上行銷
打一場回到未來之戰
終結猜猜猜
把手按在顧客的脈搏上
舊4P
Price價格
Place通路
Promotion促銷
Product產品
★Process步驟
來客數不足
增加新顧客
留住舊顧客
針對忠誠度及活躍度做提昇
若是用不當方式促銷新客
例用很優惠的價格吸引不健康的顧客（很可能沒有辦法繼續貢獻價值）
客單價太低
在購比例太低
分析因子
新4P
商品銷售狀況
客單價
短短一分鐘
這些秒動更新的數據代表消費者消費意向、購物偏好、下次購買時間
大數據不藏在雲端裡，而是在我們的生活環境中
電商界名言「街上沒有人不代表沒人逛街」
實體店面
每天開店時間有限
非365天營業
淘寶線上店
每天24小時
365天營業
日日8萬6400網購人流
消費者又是商家又是賣家
B2B、B2C、C2C
界線逐漸模糊
最大零售平台已經不在實體通路
消費者已經不是末端產品接收者
而是直接決定供應鍊的主角
1 more item...
Google產生27萬筆搜尋紀錄
Amazon成交14萬美元訂單
Facebook新增300萬個按讚
大數據崛起讓世界更美好
用方法找答案
快速才能搶得先機
案例
就業率與市場股市關係
就業率一般依靠
勞動部調查統計
數量大時間長且慢
勞動部發布月就業報告時
一般有點規模的公司制度
都會要求員工到職日繳交
健康檢查報告
掌握藥驗公司的數據
能精準到日週的數字變化
搶得先機先作資產配置
看似和金融毫無相關的藥檢數據
竟然牽涉龐大資金甚至影響財富分配
就像電影回到未來一樣
打一場未來7天或30天的仗
行銷人員的困境在於沒有時間找到觀點，
每天虛耗在不確定的事物上
從「經營商品」轉向「經營客戶」的思維
大數據提供觀點改變以經驗法則推測顧客喜好轉向實證數據與詮釋
1 more item...
作決策的前提
大數據應用原則不難掌握
關鍵在於如何詮釋
詮釋也仰賴人的觀察
一場球賽機器人可以依歷史數據知道
某球員這次表現低於3個標準差
但沒辦法告訴你為什麼
球評的經驗才會知道
球員最近大腿拉傷才影響表現
顯示膠囊咖啡今天一顆單價突破53元
乍看很高興居然賺這麼多
依據人的經驗
一顆咖啡膠囊定價25~45元之間
單價怎可能高於均價
數據一定試算錯了
執行關鍵
降維思考
大數據以上特性變化多端
將繁雜的數據降維到人心智能量可接受範圍
這就是降維
大數據四大特性
多樣性（variety）
真實性(Veracity)
易變性（variability）
速度（velocity）
資料量（volume）
人的心智能力和體力有限，降維讓數據可視化、自動化
如果目標是獲利，得到以下公式
營收＝有效客戶數x顧客活躍度x客單價
並簡化找出10個關鍵指標
10指標
流失率
例客戶三個月進入沉睡期，
若等到六個月才去接觸他們，喚醒的機率等於零
轉化率
成功將沉睡顧客喚醒的比例
活躍度
活躍度越高代表購買週期越短
喚醒率
讓很久沒回夠的顧客，重新回鍋
瞌睡客戶
半睡客戶
沈睡客戶
客單價
主力客戶
新客戶
舊的思維是算客單價均值
將其區分更能客觀分析
用10個指標作降維思考後做出決定
新增率
新顧客增新增比率
變動率
各會員屬性之間變動率
營收＝有效客戶數x顧客活躍度x客單價
「if-then-else」自動化方程式
人機分工，行銷人專心作決策
「if」是假設一旦偵測到某位客戶進入沉睡狀態
並且狀態到標籤S3了；「then」系統自動觸發一封喚醒沉睡顧客的eDM到他的信箱
如果偵測到他48小時內有開信，則任務完成。
否則就要進入「else」階段再寄一次簡訊給他，
先從歷史交易數據判定是屬於高貢獻度顧客，
系統自動寄A簡訊給他。
如果是低貢獻度顧客，則寄出B簡訊
這個過程若是以人力來執行至少要6道程序
相當耗費人力與資源
行銷工作包山包海，行銷人員還得每天忙趕報表、制定/調整行銷策略、擬定年度計畫，能如期將工作做完已屬難得，很難再有多餘力氣與時間進行優化與檢視
用「if-then-else執行降維」
將固定邏輯的事情交給機器去做。
如此行銷人的價值可以還原到更高價值的行銷決策工作
Lean精實思考
數據能產生意義的關鍵於具體行銷實行方法
決策的速度很重要
以往的行銷活動都要到活動結束
才開始檢討成效
事後諸葛其實都是亡羊補牢
行銷人要以Lean的精神，一邊決策一邊修正
一邊決策一邊修正，像小規模的A/B test
不要錯到底才來修正
決策就會因為不斷修正而變得精準
勝負不在數據，觀點才能決定一切
廣告曝光不是大而廣
算出顧客DNA，精準投放
非精準投放
可能結果
招來貪便宜的一次客
招募新顧客成效不佳
數據越複雜，解釋越簡單
三指標看營收方程式
營收＝有效客戶x顧客活躍度x客單價
營收＝有效客戶x顧客活躍度x客單價
老奶奶會不會買鋼彈模型？
找顧客不看人口屬性，要看行為標籤
大數據時代老二不一定永遠都是老二
不在大者橫大，小蝦米也能拼大鯨魚
不在迷霧裡打轉，觀點決定方向
厚數據讀懂消費者的心
LEGO樂高積木產品
一度與消費者嚴重脫節
市場調查結果兒童喜歡的是瞬時驅動
即拿即玩的產品
結論現在的小孩缺乏如此耐心
新上任執行長決定從頭開始
聘請專門人員派去和小孩子一起玩
在現實的生活裡收集數以千計照片日誌及數百個樂高搭成的模型
將資訊進行編碼
從中找尋跨越地理位置和年齡的核心模式
深入遊戲情境的厚數據
並非每個孩子
都喜歡搭建樂高積木
但愛搭積木的孩子卻會十分著迷
1 more item...
Appale iPhone 也有類似的使用者手機界面操作盲測
以找出最優化簡單操作的UI界面模式
全球醫材大廠Coloplast
護理用品一直擁有市場領先地位
但是優勢逐漸消失(市佔不斷下降)
為了挽回市場地位，決定讓自己置身於使用者情境中
通過影片、照片
及其他第一手資料
整理和分析出
有價值的「厚數據」
造扣袋為例
腸道疾病或腹部創傷時
將腸子縫到腹部皮膚
用以收集腸子排泄物的袋子
讓研發人員耗費最多時間精神的黏合劑
並不是最大滲漏問題
患者身形各異不斷變化
許多患者術後
體重大幅增減
或產生疤痕組織
因而與造口袋不吻合
發現真正問題後
Coloplast立即針對各種體型開發出三類不同產品
2 more items...
發展核心
心法：以簡馭繁的思考
數據大都是每一筆資料累積出來的
嘗試思考大數據本質
因為模擬兩可只是找不到真正問題的藉口
作法：精實的執行精神
大數據成功絕不是躺在辦公室的報表
而是比誰的點子能心甘情願讓顧客買單
態度：「利他無我」的原則
功利的社會充滿著猜忌
作為數據行銷工作者必須要作到心正和利他無我
永遠把顧客利益放在第一位
不用猜
通路
商品
消費者
★People消費者
疏離感分級標籤
N新客戶
E0主力客戶
S1瞌睡客戶
S2半睡客戶
S3沉睡客戶
★Pertormance成效
影響獲利因子
顧客數增加
客單價提高
活躍度提昇
流失是可以被控制改善(喚醒)的
行銷人員在不同階段應該要有對應行銷活動
問題溯源
直到問出問題背後的問題
亞馬遜前首席科學家"韋斯岸"
出席一場阿里巴巴座談會
當時有人發問：「我們不清楚那些資料」。
阿里巴巴來自台灣的執行副主席蔡崇信
立刻反問你說不清楚是什麼意思？
是不清楚有那些資料？
還是不清楚資料是否正確？
兩者大不相同，還是不清楚如何解讀資料？
這又是另一個問題
韋斯岸當下推崇蔡崇信的反問問題能力
問對問題才能找對答案
克服盲人摸象
問題人人會問，但問對問題
則需要深厚的知識與智慧
二戰期間軍機面對砲火猛烈
任務回來機身總是彈痕累累
問題:如何提高戰機
遭遇砲火時提昇生存率
一群愛國的科學家將飛機上所有彈孔
有效率的作統計
正值兩派人馬爭論不休時突然有人說道：
這些統計數據其實都是不正確的
我們能看到這些彈孔飛回來表示都是安全的
真正致命的彈孔早隨被打掛的飛機沉入海底
1 more item...
有人主張油箱及駕駛員所在的區域作補強
有人主張彈孔密度最高的區域先作補強
先別急著解決眼前問題
先找出「真正的問題癥結點」
麥肯錫新人培訓七堂課作者大嶋祥譽
進入日本麥肯錫工作第一年
負責在委靡不振的市場提出增加銷售業績的策略
很快的大嶋整理出一份數據包含
營業額成長、顧客購買情況、競爭者促銷手法等
並提出如降價促銷、增加廣告、舉辦活動以刺激銷量等等
大嶋的老闆看完方案說道：
問題真的是出在銷售策略上嗎？
不急著立刻找出答案，而是先專注
思考問題究竟為何，
是麥肯錫培訓必須學習的第一課
大嶋不應該太快就把解決方案
限縮在如何提昇銷量上
而是更深入探究公司真正的困境是什麼。
如果業績下滑的真正原因是低迷的市場，
那麼就算打在多折扣、在多的廣告預算，
還是會因為市場低迷而陷入困境
1 more item...
大數據時代行銷人與老闆要學會的第一件事
就是要學習思考更根本的問題
不要只停留問題表面，要能夠不斷追問
面對以下問題
若覺的問題咄咄逼人
往往是因為這些問題平常不願意去碰觸
你覺的這刻遭遇到的營運問題是什麼？
你針對所認為的營運問題做出了什麼樣的優化方案？
你用什麼方式，然後多久檢核一次方案執行的績效
你怎麼定義執行效果是好還是不好？
1 more item...
有一個國際著名女性內衣品牌
旗下共有六個子品牌(從少女到熟齡/高價到低價)
當他們發現少女品牌系列產品銷售業績不佳
就一直聚焦在問題的少女內衣品牌，想進任何辦法改善。
此時這個內衣品牌商就陷入線性思考的框框
少問了一句：到底是少女品牌銷售不佳
還是少女品牌客戶長大位移成熟齡品牌客戶
如果是銷售不佳要檢討銷售策略哪裡有問題；
如果是客層位移則必須檢查全客層品牌是否呼應消費者
在成長階段作到無縫接軌
一般常見迷思有本位主義思考
歸咎各部門以各自利益角度出發
所看到的問題就像瞎子摸象
全視野的思考不只是高階管理人員的責任
人人都需要有全視野的格局
有一個知名小家電品牌行銷人
總是抱怨銷售門市回傳的客戶數據慢半拍
且傳回資料參差不齊
他直覺一定是缺乏員工獎勵方案
於是他在接下半年持續修正獎勵辦法
但就是沒辦法改善顧客資料的完整度和即時性
直到他經過一個門市
一時興起就走進去
看著他們熱賣商品讓櫃台忙得不可開交
心想這麼大的客流量
每天回傳的資料卻少的可憐
正想找店長興師問罪
突然旁邊正在留顧客資料表的消費者沒好氣的的說
你們顧客資料表欄位好多，解釋的也不清楚。
下次有空在來填，說完提著結帳完的商品揚長而去
當我們看到數據蒐集的效率不好
就認為是門市人員沒有盡責
其實真正的魔鬼是顧客表單設計不良
發明千千問，起點是一問。
禽獸不如人，過在不會問。
智者問的巧，愚者問的笨。
人力勝天公，只在每事問。
好的老師通常不會立刻給答案
反而會用新的問題來幫助釐清學生自己的問題
20/80法則
鎖定小而準數據，才能挖到金礦
通常有效數據都遠在天邊近在眼前，根本不需要找遙不可及的數據
大數據分三類
有一家公司買了一份1000萬消費者的資料，
數據內100萬人來自原本自家消費者，
廠商利用這些數據進行廣告投放，
最後共吸引1000個人購買，
結果發現其中900個是原本自家客戶，
只有100個是其他地方轉過來的
大數據時代競爭的是解決問題與決策反應速度，如果用小數據就能解決的事，何必投入大量資源成本高的大數據
小而準數據含金量更高
數據愈大，不確定性就越高，含金量愈少
有處理小而準數據的能力，才能處理大而亂數據
大而亂數據
小而準數據
開放數據
20/80法則告訴我們，80%價值來自於20％數據
最後一次
購買日
50days
A
越難喚醒
100days
150days
200days
250days
時間軸
B
越難喚醒
20%
80%
購物機率％
落後數據還是預測數據？
現在看數據的方法
過去看數據的方法
年資
最後購買日期
購買頻次
購買金額
顧客終身價值
購買間隔
下次購買日期
未來存活率
人類心智
左腦
分析、邏輯、客觀、
事實的運作。
右腦
直覺、情緒、主觀、想像的事物
正因人是感情用事的動物
一旦大量啟動左腦，人類勢必進入全腦革命的時代，更深層的潛能被激發，並廣泛應用在行銷決策之中
行銷人切記別攀上未知浪頭隨波逐流，應該看清楚腳下踩的優勢與營運本質，在抬頭看清楚長遠目標與方向，才能將起點和終點連在一起而有方向。
★Prediction預測
成效講的是顧客動態
檢視獲利營收
X
發現來客數下滑
立刻判定是新客疲弱
百萬預算
新客來店贈禮活動
新客數提昇
但營收沒有增加
O
高貢獻度客戶
大量且快速流失
找出忠實客戶流失原因方為當務之急
先固本補破
（改善方案）
之後才去找新客戶
提昇獲利各店舖策略大不同
每間店舖應做個性化設定
根據每間店數據做調整
看錯數據消耗無謂行銷預算，進一步給對手可趁之機
佳
差
低
高
佳
差
低
高
以上圖為例擁有11家分店
當企業用整體單一指令的指揮方式
很快就下達執行任務A指令
執行後會發現
只有某幾間店需要執行任務A
顧客就像水一樣
水往低處流是常態
有大數據後行銷可以及早做因應方案
用數據分析未來走向
推算出會員下次購買時間
讓店家在對的時間
對最有可能上門的顧客說話
數據會說話？
會說話的是人
是我們賦予數字意義
我們可能會用對自己有利的方式來解釋資料
資訊總量快速增加的時候
本能的會採取選擇性處理
在要求更多數據之際
人更應該要自我要求
人文社會科學研究對象
人
不確定性高
FB按讚不一定就代表喜歡
關於人的數具有高達80%的不準確性
按讚的決策不同
1 more item...
自然科學研究對象
物質
特質完全不同
精準度高
客戶分級標籤
N新客戶
E0主力客戶
S1瞌睡客戶
S2半睡客戶
S3沉睡客戶
就
像
分
手
階
段
才
挽
回
|
v
不僅事倍功半且成功機率也低
當發現顧客有一點疏離智能控制就發出關懷或提醒等，以控制顧客流失率
若能作到智能控制即時偵測零時差溝通和客製化訊息是整個大數據的精髓
大數據重視數據規模數量容易造成誤區
PL Data公司創始人
全球科技人類學家
為手機大廠
Nokia進行市場研究
當時Nokia正面臨
整體商業模式上的挑戰
厚數據發現
低收入消費者已經準備好
購買更貴的手機產品
因此研究樣本數太少
並沒有成千上萬的大數據支持
最後錯失良機與逆轉勝的機會
最後諾基亞被微軟收購
手機市場只剩3%
大數據處理的是人的問題
背後代表的是人的需求、行為
不能單靠技術或數字解讀
我們需要數據哲學家
（跨界人才）
數字不等於人
人的行為產生的數據充滿不確定性
嘴上說的
心裡想的
實際做的
不等於
跨領域知識
電腦科學
統計演算
產業核心知識
數據不是大就是美，
重點在於讀完要拿出什具體行動
在由行動去證明假設
行動要有策略要有目標，不是盲目躁動
要解決問題的先後順序
要讀懂厚數據才能使大數據產生真正意義
Inside-out思考螺旋
找到C2B哦是新商業模式
大數據開創的C2B新商業模式要顛覆傳統零售業，帶領零售業轉型
百年零售業的歷史老規矩就是先產後銷
先有產品
在想進辦法行銷給設定好的目標群眾
賣完在追加，賣不完就成庫存品
大數據時代是有銷才有產
稱之為C2B新商業模式
因消費者需要才製造商品
供需關係緊密連結，
沒有成本浪費，
也沒有庫存。
這不是理想化的未來
而是已經急速發展中的零售業現況
中國西裝品牌青島紅領一天生產3000件西裝襯衫
但在生產線中絕對找不到兩件完全相同的衣服
少量多樣的碎片式生產由消費者主導
但是下單頻率變高
跟過往「集中標準化」的大型訂單行程顯著差異
舊有模式同一件商品賣給一萬個人，這一萬人對品牌商眼中毫無分別。
新模式是將一萬件商品賣給一萬個人，而這一萬個顧客裡絕對沒有一模一樣的兩個人。
C2B讓以往形同陌路的行銷部門與客服部門有了交集，讓顧客心聲轉變成獲利來源，顛覆了零售業長久一來B2C的遊戲規則。
C2B顛覆了個產業的產銷過程，那一個用猜的年代已經結束。
同時也揭開了超精準行銷時代
1 more item...
有一家尚品宅配家具電商
依照房屋尺寸免費提供家居設計方案
免費提供家居設計方案
並讓消費者先看看效果在決定購買
×
√
把手按在消費者的脈博上
開始練習秒動決策
線上線下不是兩個世界，大數據時代只有一個世界
隨著行動載具的出現，消費者與品牌的關係越來越複雜
購買行為、觀看廣告、在臉書按讚、回應留言這些舉動都成為品牌研究消費者的依據「秒動」成為大數據的新節奏
「觀察、分析、決策」的快速輪轉是品牌要練習的新速度
以往洞悉消費者的過程都要一週以上的時間的回饋週期，遠遠落後消費者善變的速度
正因消費者的變化太快了
大數據連帶改變了組織的決策速度，
快速蒐集資料，分析後立即回應，
錯誤就立即修正，組織就會變得扁平靈活。
行動網路普及以消費者維中心的全方位行銷，
品牌必須將消費者視為一個獨立個體，每個人都有不同生活情境
從適地性服務、搜尋紀錄、線下購買行為等，基於這些環繞消費者生活情境的行銷點。不斷增強品牌印象或是購買意圖，增加與消費者互動的機會。
更重要的是每個消費者接收到的都是專屬獨一無二的服務。
從群眾走向分眾，是行銷領域的大躍進，當大數據遇上分眾，代表著分眾的極致，也就是一對一行銷的誕生
個人取代群體，一對一行銷取代大眾行銷，每個消費者真實獨一無二的需求，都是品牌企業要滿足的缺口
大數據如何實現一對一行銷？
個人化的行銷策略來自於消費者軌跡與購買習慣，品牌企業開始提供個人化商品服務有效掌握顧客個別需求
個別需求短期來看提昇顧客滿意度，長期來看，還是回歸到創造利潤
，以及維護良好顧客關係。
6個大數據速成新法
Before到After換新行銷腦
以前最困擾的問題，現在都可以由大數據得到解答：
[√] 新顧客不足
[√] 顧客回購率低或舊顧客流失
[√] 無法掌握現有顧客輪廓
[√] 銷售業績下滑（ROI）愈來愈低
大數據行銷以下是速成心法
1.人口統計行銷vs大數據行銷
別再用性別、年齡分顧客，上網時間、購物週期更重要。
2.被動分析vs預測分析
還在追著數據跑？現在請從分析變預測。
3.活動找人vs人找活動
4.人力密集vs數據密集
5.有形調查vs無形偵測
6.檢討報告vs實驗報告
邊設定假說邊修正，迭代式行銷成功才是最終目標！
檢討報告vs實驗報告
還在寫悔過書？DIET做中學
1 more item...
排除調查偏誤，消費者行為偷偷洩漏了祕密。
5.有形調查vs無形偵測
還在發問卷？Log偵測喜好立現
大數據行銷timing最重要，以Log偵測消費者行為軌跡，
從中研判喜好使用狀況，在對的時機主動出擊，
讓行銷滴水不漏
1 more item...
人機分工，讓行銷人回歸真正決策價值。
4.人力密集vs數據密集
你是靠工人智慧，還是靠人工智慧？
只仰賴工人智慧往往讓行銷人員忙到無法下班，
但卻效果不彰；把做事郊遊機器來代勞，
讓行銷人員有更多時間經歷在構思決策上，
把事做好。
Alex是一家百貨行銷人員，
想做一款精品VIP活動，如何作？
1 more item...
精心策劃的活動卻乏人問津？沒在關鍵點上說對話
活動找人vs人找活動
不必再將就，100萬種行銷同時上線
不論幾點都能做行銷，只要顧客有興趣，
電腦馬上偵測到，就馬上丟出最適行銷方案。
過去辦活動就是「將就」的概念，
在有限的資源下作限定的排列組合
行銷人想做活動一開始就在捨
從活動族群、時間、通路、
到廣告時段層層刪去、妥協，
行銷鎖定人事地物，以為這就是精準行銷，
劃地自限，反而侷限創意可能性，
也犧牲跟顧客溝通的效果。
假設有服飾電商要辦新品上市會員推廣活動
過往操作經驗，可能要先選品，制定活動方案、
價格，將商品結合行銷文宣，製作活動網頁或活動專區，根據商品屬性，挑選目標群眾出沒最活躍的時段下媒體廣告，或透過精準條件設定推播廣告，爭取活動曝光，然後在那段特定時間裡，用制式產品組合，和我們想像的目標族群溝通。
1 more item...
被動分析vs預測分析
不只跑得快？能預測終點才是贏家！
大數據行銷像是賽跑，必須在跑數據之前，讓數據預測未來。
但要小心，別埋頭往前衝，請看好終點在哪？
想像你是一間鞋店老闆，有位穿西裝顧客走進門，
你能馬上推薦給他一雙適合的鞋？
會從哪些線索判斷？
成功率有多高？
你會從年齡、性別、衣著外觀猜測顧客偏好，
當然還有賴以為重的銷售經驗
「這個年紀的男性大多穿這種樣式」
賭一睹，推薦五雙或許可以猜中一雙，
前提是有足夠時間一一試穿，在這情境下，成交的不確定性，來自資訊量有限及時間限制，老闆判斷與反應時間直接影響顧客提袋率。
今後開始你可以做出改變
你可以開始紀錄會員資料，甚至在網路販售，
網路與行動載具將替你蒐集各式各樣個人資訊，
從人口特徵，一直到曾經在購物時做出的數百種決定，
偏好折扣或是更注重流行，喜歡名牌更勝於多功能需求，
這些上網活動紀錄，數位科技全都辦得到。
1 more item...
人口統計標籤vs大數據標籤
男女不重要，動機與行為才是關鍵
大數據行銷用顧客動機與行為作診斷與預測，
找出你最該留住的主力顧客，是男是女，再也不重要。
大家都知道要將資源放在有利可圖的顧客上，但如何判斷哪些顧客「有利可圖」？
傳統行銷的作法是市場區隔，將市場上某方面相似的顧客歸類在一起，然後假設這些擁有不同背景的顧客，通常擁有不同價值關與行為模式，這種人口統計行銷，運用自然屬性，包括性別、年齡、收入、教育程度、職業，以及消費貢獻度等，將人作分群，找出最有利可圖的顧客。
但可曾想過，這些靜態屬性有辦法精準預測消費者的即時購買動機嗎？
網路影響下顧客消費者的動機與喜好
分分秒秒都受媒體資訊和社群內容干擾。
早上興匆匆想要買一台麵包機，擁有自己的家庭烘焙小舖，
吃完中餐看一下facebook就發現大家都在流行團購個人生機蔬果料理機，
一時間就被有機蔬果機的環保訴求給打動，
不過短短幾小時，腦中麵包香噴噴的畫面迅速退色
取而代之的是每天早上做完瑜伽，悠閒地打一杯生機蔬果汁的生活場景。
1 more item...
顧客何時再上門？
用NPT精準預測顧客下次回購時間
時間的變動性與不確定性讓預測充滿挑戰。
但在大數據行銷環節，時間卻是至關重要的關鍵。
前面曾提過的NES顧客標籤模型，
就是從顧客消費動機預測建立
每一個顧客的標籤分佈，
同時這些標籤會因為每一次實際交易行為，而自行學習調整。
週期性的產品消費，穩定而容易預測，
像衛生紙寵物飼料或是牙線，
但是隨著商品組合越來越複雜，
預測回購時間的挑戰更大
NPT(Next Purchasing Time)預測模型
根據消費者的實際交易，可以推估每一個顧客購買動機最高的時間點，
甚至算出未來7天、30天有可能回購的顧客，
我們就可以在之前就提醒顧客
當顧客已經有動力回來購買了，這時只需要輕輕碰他一下，
根本不需要花什麼力氣；
但如過太早溝通，這時顧客的購買動機還很弱，只會忽略你所提供的訊息；
相反的當他已經過了關鍵購買的時間點，你可能需要大力去推，
時間再晚，可能用盡全身力量去推都不一定能成功地喚醒顧客。
傳統行銷
早上10點～晚上9:30戰場只在百貨公司
傳統行銷還在想給顧客什麼的時候。
大數據行銷則是再打一場尚未發生的戰爭，每一秒都在開戰，戰場無限延伸
大數據行銷在七天前已經在想什麼時間給、
給誰，不但提前展開競爭的關鍵數據，
甚至預見30天後的結果。
有時候別把顧客想的太複雜，通常不在意多花俏的活動設計，或是行銷溝通內容，在面對資訊爆炸的時代，更期待的是品牌能在有消費動機時「適時」提供「適當」的產品組合與活動資訊」。
假如消費者半夜三點逛網拍
何不趁機丟折扣給他？
科技帶來變革，手機就是其一
阿里巴巴數據技術及產品副總裁車品覺
曾提到，移動大數據核心著重於：實時、適時、和全時。任何一個高效率服務都離不開這3T。
透過手機即時偵測與蒐集，我們可以即時獲知顧客這一秒手機上行為，選擇合適時間點，根據顧客標籤設定，適時提供關鍵資訊。
以前行銷教我們不要超過晚上12點打擾消費者，
因為他們都睡了。
現在透過手機APP，當他們滑手機和APP互動時，
都可以很清楚他們在幹麻。
這不是猜的是消費者告訴你的，因此直接推訊息給他就對了
即時，對的時間、對的人、對的內容，機會就大了。
顧客半夜三點沒有睡覺，可能是失眠，透過APP在尋找黑芝麻或何首烏等養生產品，當我們透過APP知道，就馬上傳APP給他，介紹一款養生保健產品，
這就是活動找人的概念。
這是現在正發生，未來更明顯的趨勢，
稱作數據先知，過去大家難以想像，
但在科技運用下，現在可實現。
時間對了、活動對了、人對了，就打出去。
不是用群聚想法亂槍打鳥。
過去以為8~9是通勤時間，大家用手機，下班時間或用網站，下午茶時會用eDM接觸消費者，但現在透過大數據，不再用這種模式去做，而是100萬種可能，每個消費者使用行為都不同，就該用個性化方式去執行。
eDM、簡訊行銷無用？
沒在關鍵點上說對話
消費者兩個關鍵特徵
變動性
異質性
當我們跳脫工具和方法的思維
回歸品牌與顧客服務品質，
追求一種全個性化體驗，
讓顧客感受用心和品牌真誠
對比舊的行銷方式
eDM開信率越來越低
某某行銷工具大不如前
其實是行銷人員沒有策略和規劃的濫用。
相信有很多類似經驗
昨天剛買一款新數位相機，隔天就收到相機相關廣告，
或同一款相機促銷訊息，本來很開心的心情，馬上被潑冷水；或是每天都會固定收到某個固定品牌郵件，
但是時間久了，連點開郵件都懶，毫不猶豫的按下"delete"
這現象要追究到底是因為訊息沒有被認可的價值。
因為顧客「現在」不需要，所以你時間點錯了；
因為顧客對你的內容「沒興趣」，溝通內容和故事不到位；
因為顧客每次想參加活動時，才發現已經「過期」了。
所以你沒有確保顧客在有效時間內，收到你的訊息。
簡單來說因為顧客沒有分群、給予個性標籤，
所以顧客感受不到你的誠意與貼心，
照三餐發送的制式化訊息，只是讓消費者感到厭煩。
1 more item...
1000種商品組合
X
10組人群標籤
X
10個關鍵時刻
X
10種溝通管道
＝
100萬種組合
Data Integration
D看到報表
Intelligence
I知道問題
Engagement
E做到方案
Tracking
T學到經驗
求對
求全
求快
任務A-提升新顧客
任務B-降低顧客流失
相對成效表現
營收影響程度
相對成效表現
營收影響程度
E
F
E
F
有可能過度樂觀
A顧客
最有可能再次購買日
B顧客
最有可能再次購買日
如何同時執行100萬種活動