方格精選
《大數據玩行銷》3：化繁為簡的NES模型和人機分工
閱讀時間約 9 分鐘
上一講我們講了何謂〝精準〞的找出我們所需要的，這一講我們來講講模型的部份。
■ 化繁為簡
當我們大量的搜尋資料之後，就會一個問題，這些這些數據實在太雜亂了，我們很難去從這些雜亂的數據當中找出我需要的資料，所以首先我們必須要先化繁為簡，透過〝模型〞來幫我們處理複雜的數據，進而讓我們可以進一步的透過〝處理完的數據〞來幫助我們做決策。
所以，透過「化繁為簡」的原理來探討，我們今天這篇文章只講二個重點：
- NES 模型；
- 人機分工。
一、NES 模型 ( 5 狀態 10 指標 )
要注意的數據這麼多，要怎麼即時掌握目前的消費者狀態呢？？
ー ー 化繁為簡，只需要透過 NES 的 5 個狀態，我們就能快速掌握到客戶的即時動態資訊。
這本書的核心其實就是在講 NES 模型，主要是關注〝客戶〞的所有狀態，它透過很簡單的 5 個狀態、 10 個指標就可以讓我們輕易掌握到客戶的即時動態資訊，首先我們就先來了解一下 NES 模型。
■ NES 模型
NES 完全不在乎年齡、性別等傳統人口統計特徵，而是根據消費者具體的購買行為，將消費者分為三種，一是首次購買的新顧客 N（New Customer），二是支撐主要營收來源的既有顧客 E（Existing Customer，主力顧客 E0 ＋瞌睡顧客 S1 ＋半睡顧客 S2），以及三是沉睡顧客 S（Sleeping Customer）。（詳見下圖： 從 N-E-S 看顧客消費狀態變化）。
NES 模型根據消費者的個人購物週期，分為首次購買的新顧客 ( NEW )、支撐主要營收來源的既有顧客 ( Existing )，和回購於低於 10% 的深睡顧客 ( Sleeping Customer )。而既有顧客又可分為 E0 主力顧客、S1 嗑睡顧客和 S2 半睡顧客。
而 NES 模型是為了即時掌握顧額的變動性而設以計，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。共分為 N、E0、S1、S2、S3 五種標籤，而隨著沉睡度愈來愈深，品牌能有夠有效喚醒的機會愈低、而目對的喚醒成本也將大幅增加。所以，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。（詳見下圖： 從 N-E-S 看顧客動態變化）。
從消費者當中必然有新顧客 ( N )、主的顧客 ( E0 ) 一直到沉睡顧客 ( S3 ) 等五種狀態，然後又發現顧額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，流失是可以被控制和改善的 ( 喚醒 ) 的，行銷人應該在不同的階段，設定對應的行銷活動，比方說，在顧客 E0 階段的規劃顧客忠設度計劃，或是在 S1、S2 和 S3 不同的停滯階段，設計喚醒方案。
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 顧額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沉睡顧客 ( 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和預測，估到「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。
■ 營收方程式
我們再來看看本書提出對於營收方程式： 營收（revenue）＝ 有效顧客數 X 顧客活躍度 X 客單價。
獲利是企業經營的共同目標，影響獲利的因子有很多，但主要影響營收目標的是：顧客數增加、客單提高和活躍度提升；我們可以發現 NES 模型主要在幫助我們提升「有效顧客數 X 顧客活躍度」的部份，進而也會營收最重要的部份。
很多店家下滑的主要原因其實是，高貢獻度的忠誠顧客大量而且快速的流，活動提升的新顧額對營收幫助渺小，當務之急應該先找出忠誠顧額的流失原因，制定顧額挽回方案，先固本補破，才去找新客戶。
二、人機分工
就算減化了關鍵指標，但我們要做的事情仍然一樣很多？
ー ー 把「重複」的事情交給機器去做，讓人專注做決策和調整模型即可。
■ 為什麼要人機分工
首先，我們要做大數據的第一個要點就是〝人機分工〞，為什麼要人機分工，很重要的其中一個原因就是我們的大腦其實〝不善於處理大數〞，舉例來說，一個算式 1 + 5 我們很快就可以計算出來結果，但如果是 10000000 + 50000000 ，我們可能就必須要花費更多的時理去理解這個數；然後對機器而言，計算的問題是非常簡單的，所以我們必須各司其職，做各自擅長的事。
因為我們人類不善於處理複雜的事情，所以在處理大數據上也是如此，龐大的數據資料對我們來說太複雜，沒辦法去找出其中的規律進而做下一節的處理和決策，所以我們必須化繁為簡，讓〝機器〞去做複雜的資料處理，篩選出我們需要的重要指標，進而我們人類來做下一步的決策即可。簡單的話，就是讓機器做機器擅長的事，人做人擅長的事，亦即自動化。
■ LOG 偵測 – 不干擾的蒐集顧客資料：
在過往，我們要了解額客需求，我們第一時間想到的就是問卷調查，然而問卷調查一來必須要付出大量的時間、精力和成本來取得顧客的資訊、二來也必須佔用顧客的時間，增加他們的負擔；然而在大數據時代，我們不需要有形中去取得顧客的行為資訊，工程師可以在每個軟體後面附加 Log (*註1)，主動偵測人的活動日誌，了解他的歷史瀏記錄；透過無形偵測，不干擾、不介入，企業即能獲知最真實的使用者意向。
透過 Log 幫助我們取得行為數據，除了可以克服先前問卷可以造假而產生的不客觀問題之外，還可以幫助我們取得顧客〝更真實〞的行為意圖。
舉例來說，之前有一個研究發現，一家廠商在做新品的市場調查，推出的〝藍色〞款商品是否比原本的〝白色〞經典款佳，在談訪的過程當中，7 成左右的人們都說喜歡〝藍色〞款的產品，然後結束調察之後，讓這些人可以自由選擇這兩款顏色的產品當成贈品帶回家，結果大部份的卻選擇了〝白色〞經典款。
透過很多相關的心理研究，人們有時候會心不由衷而不自知，所以只有透過〝真實行為〞來判斷客戶的真實喜愛，才是更相對客觀的；除了我們可以透過線上取得之外，事實上，我們也可以將線下實體商店的數據給導入，而使得資料擁有更多維度的資料；什麼是消費者不會作假的數據呢？答案正是交易數據。透過線上 + 線上的數據整合，我們將擁有更多維護的資料，來供我們產生〝更精準〞資料分析。
■ 人的目標：做好、做對、做優
透過機器自動幫我們蒐集重要資訊之後，我們就可透把時間空閒出來，讓人做最善長的事，舉例來說，好的客服，不是一直纏著顧客問東問西、而是像一個偵探，發現異狀馬上跳出來解決。從顧客使用軌跡開始下滑時主動關心，預防事態擴大，不但能有效地經營顧客關係，更能大幅降低負面情緒的溝通成本。
我們還必須不斷的從源頭思考學習 ( Learning )，形成學習曲線達到內化，再透過內化不斷轉化，延展出更多創新的可能性，持續去的根據環境的真實反饋，隨時修正模式公式，透過我們反覆訓練 ( Trainning ) 讓模型更加反應真實，並且能夠提升效率，把事情做快。
機器可以把事快速做好，而人目標應是把事做好、做對、做優。
另外，透過模析分析幫我們之後，我們要必須要去設定〝自動化流程〞，讓機器在關鍵時間幫我們做正確的事，舉例來說：當我們自動偵測沉睡到 S3 用戶，我們可以透過自動化程式來幫我們自動發一封沉睡顧客喚醒的 eDM，如果他 48 小時有開信，則任務完成，若沒有，則再寄簡訊給他。
三、小結
在大數據時代，是以「人」為核心，而不是以「產品」為主軸。如果說商業最重要的就是獲利，而有什麼會影響獲利，行銷人不可能一天看千張報表，但如果目是獲利，我們可以從獲利公式 10 指標做降維思考，做出決策。在這一講當中，我們提到了大數據行銷營收方程式，包含了：
- 5 種狀態：新顧客、主力顧客、嗑睡顧客、半睡顧客、沉睡顧客。
- 10 指標：新增率、變動率、流失率、轉化率、活躍度、喚醒率 x 3 ( 嗑睡顧客、半睡顧客、沉睡顧客 )、客單價 x 2 ( 新顧客單價、主力顧客單價 )
我們會發現，勝負不在數據，觀點才能決定一切。所以詮釋的問題角度和觀點格外重要，我們必須要不斷地挖掘問題核心，不要一次用龐大計劃去解決所有問題，而是要每次只專注把一個問題給答好，然後選定一個觀點快速切入，形成解決方案。
問題的不同，會影響到數據的蒐集，而唯有問對問題，才能蒐集到正確而且有價值的關鍵數據。20/80法則，鎖定小而準的數據； 20/80 法則意指在所有的大數據裡，僅僅 20% 的數據就占據了高達 80% 的價值。
問題的不同，會影響到數據的蒐集，而唯有問對問題，才能蒐集到正確而且有價值的關鍵數據。20/80法則，鎖定小而準的數據； 20/80 法則意指在所有的大數據裡，僅僅 20% 的數據就占據了高達 80% 的價值。
減法思維的好處是，每天只要監控這 10 個指標，出現問題就可以立即對症下藥，可以加快決策的速度以及提升決策的精準度。
我們下一講就來講講「大數據行銷」的實際應用與範例。
補充：
註1：Log 偵測 目前市上有許可以幫我們主動偵則的工具，例如 GOOGLE ANALYTICS、FACEBOOK PIXEL、MIXPANEL、HOTJAR …等等
Blog： https://givemebook.club/
為什麼會看到廣告
85會員
230內容數
Give me book 是一個分享書籍的讀書園地，每兩周就會寫一本〝書籍〞的讀後心得與重點整理，期許有興趣的人可以跟我 Gimmy 一起閱讀、學習與交流，而每一本書大約會發佈五篇主題：簡介、三個主題和總結，透過這些分享來期待我們共同學習與成長。
若有推薦的書單，請歡迎隨時向我推薦哦 ^^
留言0
查看全部
你可能也想看
Google News 追蹤
接下來第二部分我們持續討論美國總統大選如何佈局, 以及選前一週到年底的操作策略建議
分析兩位候選人政策利多/ 利空的板塊和股票
🤔為什麼團長的能力是死亡筆記本?
🤔為什麼像是死亡筆記本呢？
🤨作者巧思-讓妮翁死亡合理的幾個伏筆
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20
接下來第二部分我們持續討論美國總統大選如何佈局, 以及選前一週到年底的操作策略建議
分析兩位候選人政策利多/ 利空的板塊和股票
🤔為什麼團長的能力是死亡筆記本?
🤔為什麼像是死亡筆記本呢？
🤨作者巧思-讓妮翁死亡合理的幾個伏筆
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20