大數位小雜談
我吃故窩宅
更新於 2022/08/10閱讀時間約 7 分鐘

「任憑弱水三千，我只取一瓢飲」—你到現在還不懂玩區隔分析嗎？

「任憑弱水三千，我只取一瓢飲」此文出自於中國文學名著《紅樓夢》，意思就是說，雖然弱水這條河流長達三千里，水量非常充沛，但從我的需求來看，我只要舀其中小小一瓢來喝就好。將這段話套用於現今的商業思維也相當到位，我們大多數接觸的企業資源和時間都是有限的，為了要在競爭激烈的環境中存活，不見得需生產一個任何人都「想要」or「喜愛」的產品，嘗試反其道而行，使用適當的市場區隔，找出某一部分人有需求的東西即可，反正需求的量體夠大，就有辦法在市場中生存下來。

市場區隔是什麼？

在定義上，「市場區隔」是一種分類程序，一種將整體（市場）區分成部份（子市場）的方法（出自消費者行為市場分析技術：數據演算如何提供行銷解決方案），而以網路分析的面向來看，「區隔」就是將客戶資料依照不同的維度、屬性變數來進行分組，除此之外，當發展到一定程度，「市場區隔」就會進化成「標籤化」，我們開始以組合後的屬性與行為組合替「客戶貼標」，像是我們很愛形容的「白領族」、「草莓族」、「Z世代」等標籤。
一般來說，我們都會「假設」使用市場區隔的技術後，就能將某種相同特徵、輪廓與行為反應，分隔成不同的消費族群，而他們會對企業一系列的行銷策略做出相似的回應，且他們的回應方式又與其他的族群有很大的不同，因此，只要我們幫客戶所貼的標籤越多越細，就越有可能實現更精準的行銷模式，或者更進一步的達到個人化的精準行銷。
例如，汽車的TA就可以很清楚的區分為「小資族群」、「親子家庭」、「冒險越野」、「都市貴族」...等，而企業就會因應生產各系列的車款，而這些車款就會呈現出不同的品牌印象、價位區間以及功能訴求。

有效市場區隔的條件

延伸我們上面提到的，不論是採用機器學習或是屬性分類分群法，通常都假設結果後的群組存有完美的「組內同質」、「組間異質」，但從實務上看來，組內同質和組間異質僅僅做到「互斥」，最理想的狀態則是期待能做到「相互獨立，完全窮盡」（麥肯錫顧問公司提出的「MECE, Mutually Exclusive Collectively Exhaustive」概念）。主要原因就是，假如沒有相互獨立，市場區隔的效益就不容易完整實現，而沒有了完全窮盡，就容易忽略潛在的市場。
其實我們在進行市場區隔時，通常會應用一種叫做「側寫Profiling」的方式（這專有名詞源自於犯罪心理學，它主要是指依據警方所掌控到的線索，執行一系列推斷偵防罪犯背景與特徵的一種技巧），透過數據分析來描繪消費者的圖象，並藉著側寫的結果，找出目標群組與市場，另一方面，我們挑選出來的群組除了滿足「相互獨立，完全窮盡」的原則外，還需要符合以下由行銷教父Philip Kotler提出的五大標準：
  • Differentiable：區隔後的市場，對於需求的差異有沒有不同。
  • Measurable：區隔後的市場，是否夠具體，大小是否可衡量可進行推估。
  • Substantial：區隔後的市場，是否具備一定的人口規模或經濟，量體是否夠大能讓公司獲利。
  • Accessible：區隔後的市場，企業的產品或服務，有沒有辦法或機會進入。
  • Actionable：區隔後的市場，能否發展可行的計畫與策略，是否有足夠的競爭力進入。

我們都愛用甚麼變數來區隔市場

一般來說，我們慣用的變數大致上可分為兩大類：
  • 特徵分群
  • 行為分群
「特徵分群」通常又可劃分為固定與變動屬性，固定指的是固定不變的資料，如血型、性別、生日...等，變動則是會隨著時間而變化，如婚姻、年紀、收入、居住地...等；而「行為分群」我則習慣將它分成動機行為與結果行為，動機行為包括造訪頻率、開信率、點擊率、互動程度、加入我的最愛或放入購物車行為...等，而結果行為則會是購買商品的次數、會員身分、平均購買金額...等。

介紹幾個實做的區隔範例

對於GA操作不陌生的朋友，應該都相當清楚在GA普通報表的上方，可立即使用內建區隔的方式套用於報表中，而若想要發揮更強大的區隔分析功能，則還能特別活用自訂區隔。單以特徵分群來看，可根據「目標對象」或「客戶開發」報表中的值來輕易定義出一些區隔，如下圖：
比較棘手麻煩的環節，通常就是「行為分群」了，因為我們在開始行為區隔前，還需先準備好蒐集「合適的行為資料」，包含了各種事件設定（我特別提供了關於GA4事件的設定，可參考連結，而在未來我也會繼續分享更多GA4與GTM的事件設定技巧）。接下來，我會介紹幾位數據分析的大大所自建的區隔範例，給大家後續執行上作為參考。
自訂區隔範例
假設我們經營一個專門推廣丹麥旅遊的網站，在三個月前，我們公司添加了一個新網頁，可從首頁標題連結「Top 10 Reasons to Visit Denmark This Year」過去。大家想知道此新網頁對增加登記郵寄名單是否有幫助。
因此，數據分析團隊依照了這需求，建立一個包含順序行為的區隔（備註：書中範例是以GA通用版的設定為主，我這邊特別進一步改用GA4的設定頁面做呈現）。我們為了要驗證測試假設：「【拜訪丹麥的十大理由】網頁會增加我們的電子郵件註冊量」。所以我們建立了一個帶有特定步驟順序的區隔，其中我們假設想知道的整個行為僅涵蓋同一個工作階段內，且順序步驟為「後面接著」，而不是「後面緊接著」，所以整個設定的示意就會如下圖。（Step2的事件名稱我們將item_reservation假設為電子郵件註冊，真實狀況則依個人設定命名為準）
假設我們想區隔「在同一階段內有瀏覽過三個頁面的目標受眾」，我們可以進行如下圖般的設定。
這邊的操作上，我們另外多做兩個設定，第一個是Membership duration調整為效期1日（再行銷效期：輸入將使用者保留在目標對象名單上的天數 〈1 到 540 天〉）；第二個則是開啟Audience Trigger，在使用者符合加入名單的目標對象定義時觸發事件。
關於如何在GA4設定區隔和目標對象，Google官方文件有很詳細的範例說明，連結在此
使用典型的分群法RFM，進行顧客分群，通常以R越近越好， F越多越好，M越大越好做為高價值顧客的標準。
Recency：最近一次購買（或者是付費）時間；Frequency：一定時間內購買（或者付費）次數；Monetary：一定時間內購買（或者付費）總金額
以上就是幾種常用的「區隔」實際範例，如果還想要了解更多設置技巧，建議還可參考下面幾個Google官方連結：

小結

「區隔」其實就是學數據分析的人，最應該擁有的基本思維與技巧，我們在一般預設的彙整報表中，通常只能看出整體趨勢變化，可是卻很難找出隱含的問題點，唯有透過分析師觀察公司的商業模式、目標受眾、市場狀況，找出符合產品的區隔維度後，才能夠切割分解出有價值可執行的見解（Insight）。所以如何正確有效的使用「區隔」，才能引領公司找出更多背後的問題，而當發現的問題愈多，就愈能從資料找出更多的商業解答，因此，我們可以很果決地替文章下最後一個註解：
沒有了區隔，你將一無所有
以上就是「區隔分析」的簡單介紹，如果有任何問題或建議，都歡迎留言一同討論。
分享至
成為作者繼續創作的動力吧！
大數位小雜談
追蹤
大數位小雜談
追蹤
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

我吃故窩宅的沙龍 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.