2022-03-10|閱讀時間 ‧ 約 9 分鐘

讀後感:累積超多會員,卻無法轉換成訂單、營收?少做 5 件事,行銷可能白費工夫!

每周一篇文章的讀書會心得報告摘要與筆記,主要段落分成:
1. 為什麼選這篇文章分享? 2. 作者為什麼要寫這篇文章? 3. 內容重點 4. 心得

為什麼分享這篇文章?
  • Data-driven觀念建立

作者想表達甚麼?
  • 何謂數據治理(Data Governance)
  • 資料清洗(Data Cleansing)的重要性
  • 如何做好數據治理

重點內容
為何數據治理(Data Governance)很重要?
  • 「GIGO」(Garbage In, Garbage Out)
  1. 數據處理得好是資產,處理不好就是垃圾。
  2. 拿垃圾資料做數據分析,分析出來的結果還是垃圾。
  • 數據治理(Data Governance)就是一切數據應用的根本
  1. Before:顧客關係管理(Customer Relationship Management,CRM)
  2. Trend:進階到要顧客數據平台(Customer Data Platform,CDP)
資料清洗(Data Cleansing)的重要性
  • 品牌知道會員經營的重要
  1. 品牌卻很常搞不清楚自己有多少會員
  2. 大多數的累積會員數,都是一種自 High 的虛華指標
  • 為什麼品牌會弄不清楚自己的會員數?
  1. 有太多的會員是沒有意義的
  2. 「會員資料是髒的」
  3. 我們常常會遇到一些品牌,號稱有 400 萬會員
  4. 資料清洗(Data Cleansing),最後留下可用的會員數,可能最後只剩下 100 多萬
  • 什麼是會員資料清洗?為什麼會員資料會愈洗愈少?
確保「唯一性」
  • 會員資料裡面,一個手機號碼有 3 個會員帳號,且每個帳號下面,可能最近都還有交易紀錄
  • 這種原始的會員資料,就需要「清洗」,把重複的會員資料整併
確保「有效性」
  • 很多會員的原始資料,只留下了會員姓名、編號
  • 沒有手機號碼、Email、地址,完全沒有可溝通的資料(挑出來,備存在其他資料庫)
  • 沒有任何可溝通資料,也沒有任何交易資料的會員,基本上就跟不存在一樣,僅讓會員數加一
確保「可驗證性」
  • 有些會員資料雖然有手機號碼,但卻不是 10 碼,一看就很明確知道欄位資料是錯的
  • Email 如沒有 @、@ 後面只有一個英文沒有「.」,都是錯誤的欄位資料
  • 有些會員資料的生日是在填會員資料時亂填或櫃姐是亂 Key 的
確保「相依性」
  • 有一些資料欄位之間是有「關聯邏輯的」。
  • 例如會員性別欄位是「男性」,身分證字號欄位的資料開頭應該要是 1。
  • 如果地址欄位填寫的是台北市,郵遞區號就要是 1 開頭。
  • 會員現在的點數與等級資料,理論上也能透過交易資料回溯。
  • 某會員為第三等級 VIP ,可近一年沒任何交易資料,如果不是有特別關係,可能是哪裡有問題
避免「資料誤差」
  • 清洗完會員資料之後,開始做第一次快速的會員資料分析。
  • 把所有會員的年度累積貢獻加總,依據每個會員的累積貢獻做排序
  • 通常前 10 大的累積貢獻會員裡面,會藏有很多的驚喜)
  • 例如某品牌可能平均會員的年度累積貢獻約 10,000 元,但前幾大可能都超過 1,000,000 元
  1. 聯絡才發現,接電話的這個會員,可能是某個分店的櫃姐。
  2. 這類的「超超超級大戶」,很多不意外都是特定櫃姐自己養的帳號。
  3. 真正的超級大戶,是藏在櫃姐的口袋名單裡,品牌自己的會員資料庫,反而永遠看不到。
  4. 這類並非由正常的會員消費行為所累積下來的數據,通常會造成整個資料分析的偏差,也要挑出來清洗
零售業最在乎的業績數字,很常是不準的!背後 4 大因素
時間差
  • 以往零售業以實體門市為主,業績需要在關帳後回檔
  • 有時因各門市檔案拋回時間的不同,造成不同時間看業績,可能得到的結果不同
  • 增加線上購物的通路,買賣不再是單純的銀貨兩訖,會有一個相對負責的「訂單生命周期」
  • 一張訂單會有許多的狀態,從成立訂單、到撿貨、出貨、到到貨後、鑑賞期完成等
  • 因為一張訂單所產生的各種狀態,也讓業績的結算變得更加複雜
  1. 不同的狀態就像數學上的不同單位
  2. 不能把已出貨的訂單加上剛成立的訂單業績,得到的總業績數據的意義,會變成意義不明
狀態差
  • 線上購物的訂單,消費者今天在網站上下單的這些業績,可以直接算進今日業績嗎?
  • 一般來說,訂單成立之後只是一種預售(訂單有可能會取消、退貨)
  • 真實要轉變成能結算成業績的訂單,需要到訂單真實撿貨、包裝、出貨後,才能落袋算成業績
  • 如果取消退貨的比率平均有 20%
  • 單純看每日線上購物的網站成交金額(Gross Merchandise Volume,GMV)
  • 很容易跟老闆報告的業績數字,變成一個高 20% 的歡樂指標。
邏輯差
  • 退貨的單怎麼結算?
  • 如果退貨要「勾稽」回原來的訂單,那每個月結算的業績數字,會變成是「浮動」的。
  1. 11/25 的訂單,12/5 完成了退貨
  2. 結果因為勾稽回原來 11/25 的單,讓 11 月的業績結算了,卻隨著 12 月的退貨數字一直變動
  • 為了讓業績好結算,今天退貨完成的單,就扣在當天,而不勾稽回原訂單。
  1. 會讓當月的總業績,因為上個月活動退貨的數字,造成對當月業績的影響,甚至在經營上誤判
  2. 甚至有時品牌規模小,還會因為某天退貨量太大,造成某天結算後總業績反而是負的情形
語意差
有時候光一個業績欄位,可能就有 10 幾種定義,計算的邏輯都不同
  1. 含稅、不含稅?實際結帳金額?發票金額?要不要扣除點數折抵?
  2. 業績報表上的總業績,到底是指哪一種業績呢?
不同通路的業績報表,沒釐清各自數字欄位的意義
  1. 把這些通路報表的數字直接加起來變成總業績數字,很容易就算不準真實的數字。
數據治理(Data Governance)
零售業如何做好數據治理?4 個關鍵做法
  • 所有數據應用都依賴「數據」本身
  1. 從數據源頭開始的每一個步驟,到成為數據應用的產出
  2. 都需要好好的管控,每一步驟都是數據治理所涵蓋的範圍
  3. 從數據源到每一個數據應用,管理好流程上的每一步,才能創造最終的高價值產出
數據清洗
  • 會員資料可能會有重複、資料的缺漏、資料當時輸入時的手誤等
  • 在正式存入數據庫之前,都要進行「數據清洗」
  • 確保數據的正確性、一致性、可驗證性、完整性、相依性等等。
  • 不同的數據可能原始數據的格式不同、欄位的定義也不同
  • 需要在匯入資料庫前,進行數據清洗,把不同定義不同格式的數據拉齊
數據定義
  • 數據定義在完整的數據流中,是一個如同憲法般的存在
  • 確立了所有數據清洗(input)、數據應用(output)的根本
  • 每一個欄位數字代表的意義與內容,都要能保持前後一致
  • 每一個單一個數字,從頭到尾都要帶著自己的名字,以及知道名字背後的意義
數據驗證
  • 數據驗證是數據處理的 QA,如果數據處理的數據流是一條生產線,數據驗證就像品保
  • 數據的處理過程中,會經過許多的運算加工
  • 為了確保這些運算邏輯的合理性,就需要透過數據驗證來確保
  • 數據定義是確保每一個欄位的內容與意義
  • 數據驗證是確保數據在被計算的過程中,算法與邏輯的合理性
數據安全
  • 數據要被安全地保存,未雨綢繆地進行異地備援。
  • 數據的存取要被控管,除了基本的防火牆等軟硬體的保護,最重要的反而是人員的管控。
  1. 誰可以存取這些數據?不同的人有不同的權限可以存取這些數據?
  2. 存取數據的過程是不是都有完整的 log 紀錄。
  3. 大多數都牽涉到組織對於數據相關人員的管理機制,需要有完整的 SOP。

個人心得
  • 資料清洗(Data Cleansing)的重要性
  1. 確保「唯一性」
  2. 確保「有效性」
  3. 確保「可驗證性」
  4. 確保「相依性」
  5. 避免「資料誤差」
  • 業績數字,是老闆最在乎,但也常常是最不準的數字
  1. 時間差
  2. 狀態差
  3. 邏輯差
  4. 語意差
  • 數據治理4 個關鍵做法
  1. 數據清洗
  2. 數據定義
  3. 數據驗證
  4. 數據安全

分享至
成為作者繼續創作的動力吧!
從 Google News 追蹤更多 vocus 的最新精選內容從 Google News 追蹤更多 vocus 的最新精選內容

作者的相關文章

Patrick.Wong的沙龍 的其他內容

你可能也想看

發表回應

成為會員 後即可發表留言
© 2024 vocus All rights reserved.