編輯嚴選
猜一猜?消費者購買意圖:DCIU模型

2022/11/04閱讀時間約 6 分鐘
每一個點擊,都在透露消費者的購買意圖
百貨專櫃裡,往往有一些很厲害的店員,他從你進門以後,就觀察你的穿著,看著你行進的步伐,紀錄你停留的位置,盤算著你觸摸的商品,然後大概就可以猜到,你是不是一個客人,你會不會買,還有大概想找什麼。
這需要的不是人工智慧,是人生智慧。
人生智慧是很多經驗的累積,而人工智慧則需要透過很多「數據」的累積。
電子商務網站是一種自動販賣機,也就是大多數時候,消費者是自己在逛商店,沒有店員在服務。但這台自動販賣機卻跟店員一樣,可以記錄下消費者逛商店的「足跡」。
也就是跟那些厲害的店員一樣,網站背後的系統,可以完整記錄每個消費者的「瀏覽歷程」:你從進來網站開始、看過什麼商品、停留多少時間、把什麼商品加入購物車。每一個點擊,都會被記錄下來,變成重要的「用戶歷程」數據,這些數據都變成人工智慧的養分,而人工智慧就可以開始猜測你的「購買意圖」,跟那些厲害的店員一樣。(延伸閱讀:廣告追蹤碼到底在追蹤什麼?—重建「顧客旅程」(Customer Journey))

瀏覽歷程的Pattern(模式)

這些購買歷程可以看到幾種非常不一樣的 Pattern (模式):
過路客(Passing):點進來就離開了。他對你沒興趣,你對他沒感覺。就像來來去去的陌生人,在街上插肩而過,這可能成為彼此此生唯一一次最近的距離。
閒逛者(Browsing):點進來看一看,看了好多個不太相干的商品(ABCDE),然後離開。覺得你看了不討厭,多看一些東西覺得還算特別,但還是勾不起什麼慾望,也許還需要一點時間互相多認識 。
搜尋者(Searching):點進來,看了某A商品,又看了別的,又回來看A商品,搜尋了跟A商品非常相關的類別,在A商品的類別看了其他幾個類似的商品,又回來看A商品。很明確想要找A商品相似的東西,但不知為何遲遲還沒有決定下手。
買家(Buying):把A商品加入購物車,把某些商品加入購物車,又從購物車丟掉,又加入其他某些商品到購物車,跑到結帳頁,又跑去看看其他商品。很明確的購物意圖,大概是在湊免運費或折扣活動。

以行為資料為基礎的行為模型

這種用戶分群的方式,跟傳統的CRM是非常的不同的。傳統的CRM的數據基礎是「交易資料」,而大多數的模型都是一種RFM模型,也就是跟據會員的交易資料數據,依據Recency(最近購買時間)、Frequency(購買頻率)、Monetary Value(累計購買金額)來分群。NAPL 就是一種RFM模型。(延伸閱讀:NAPL模型 - 零售業數據教我們的人生哲理
而上述用紀錄用戶的瀏覽行為,透過這些瀏覽行為的歷程來分群的方式,其數據基礎是「行為資料」,也就是消費者在真正產生「交易資料」之前的資料,這種數據的資料量,通常是CRM的好幾倍。
消費者在產生一筆交易之前,通常會在網站上來來回回不停的點擊,每一個點擊就是一筆資料,也就是在一筆真正的交易資料產生之前,消費者在真正按下結帳之前,可能已經點了超過20幾個網頁,等於創造了20筆的行為資料數據。
這種行為資料為基礎的數據,通常也是CDP系統的數據基礎。他可以補充CRM系統的不足。因為某種程度上,CRM是一種「已經發生的」數據,而CDP利用的行為資料,也就是「即將發生的」數據。(延伸閱讀:會員經營 - 是什麼、為什麼、怎麼做?
CRM用的分群通常是一種數據的「歸納」,CDP用的分群通常可以做到數據的「演繹」。透過分析消費者的瀏覽歷程行為資料,可以在消費者還沒有真正產生購物之前,「預測」消費者的購物意圖。

DCIU購買意圖模型

91APP的DSA團隊(資料科學家團隊),花了好幾年的時間,把利用行為數據為基礎的模型,變成直接提供給客戶使用的分群懶人包。透過協助每一個品牌客戶收集品牌自己的第一方行為數據,計算每個品牌客戶自己的訪客瀏覽歷程樣貌,分成以下的四個群:
  • Decision(已決定):近期購買意圖最強烈的一群人,通常在會員書中,人數佔比最低,但卻最容易驅動轉換的一群人。
  • Consideration(考慮中):近期高購買意圖的一群人,近期有考慮購物的可能,人數佔比通常比D多一些,也是可以驅動轉換的一群人。
  • Interesting(有興趣):近期購買意圖一般的一群人,也就是所謂的意義明確但意圖不明。
  • Uninteresting(沒興趣):近期沒有購買意圖的人,很有可能是剛買過,也很有可能是剛認識你。
這個分群方式,「時間」的因子影響非常的大,都是反應「近期」的分群情形,通常是一個兩週甚至一週的週期。
也就是說,每個禮拜進來看這個分群,裡面的會員分佈都是不同的,例如:一個在NAPL模型裡面是A(最活躍)的會員,兩週前可能在DCIU分在D(最高購買意圖)。
但兩週後因為他剛買過,結果變成跑到了U(沒興趣),因為他才剛買過啊。但過了一點時間,也許是一個月,他作為一個A(高活躍)的會員,在DCIU又跑到了D也是合情合理的。
相對於NAPL,是以已經結帳的「過去」交易資料為基礎的模型,DCIU是一個「活的」模型,每一天都在改變他的會員分佈樣貌。

DCIU的精準溝通成效範例

DCIU 相對來說得分群是更精準的,大多數情況,我們可以看到 D 加 C 兩群人,可能只佔了總會員數的 10%以下,但卻可以得到活動期間超過 60%的業績,比起NAPL大多看到的 20/80 法則還要再更近一步。
主要是透過消費者的瀏覽行為來預測購買意圖,例如消費者近期大量進出購物車,合理猜測這些會員近期真的很想買東西,原本就可以把購買意圖高的消費者分群出來,理論上對這群人做溝通,幾乎可以得看超過20%以上的轉換率。
  • 零售業的大數據玩行銷五部曲
這系列是「零售業的大數據玩行銷」系列,預計推出的第五部曲,終於在拖稿一年之後完成了:
  1. DMP 與 CDP - 網路廣告的數據基石
  2. 廣告追蹤碼到底在追蹤什麼?—重建「顧客旅程」(Customer Journey)
  3. 廣告成效是怎麼計算的?認識成效歸因-Attribution
  4. OMO的顧客旅程:Show-rooming展廳現象與Web-rooming反展廳現象
  5. 猜一猜?消費者的購買意圖:DCIU模型
歡迎訂閱「零售的科學」,以取得最新的文章更新。
以行動支持創作者!付費即可解鎖
本篇內容共 2592 字、0 則留言,僅發佈於零售的科學你目前無法檢視以下內容,可能因為尚未登入,或沒有該房間的查看權限。
你的見面禮 Premium 閱讀權限 只剩下0 小時 0
589會員
66內容數
Hello,大家好,我是 91APP 產品長 李昆謀( Happy Lee ), 因為這十年來,一直在幫零售業做數位轉型,會在這邊分享 OMO、新零售、大數據、電子商務 等等相關的內容,也算是把這些年來的經驗,自己做個整理。歡迎大家追蹤我的專題。
留言0
查看全部
發表第一個留言支持創作者!
從 Google News 追蹤更多 vocus 的最新精選內容