從舊4P到新4P， 大數據究竟如何顛覆傳統行銷？

Presentation on theme: "從舊4P到新4P， 大數據究竟如何顛覆傳統行銷？"— Presentation transcript:

1 從舊4P到新4P， 大數據究竟如何顛覆傳統行銷？
knowledge/optimizer/65977?utm_campaign=MKT_Innovation+&+Marketing+- +%E5%89%B5%E6%96%B0%E8%88%87%E8%A1%8C%E9%8A%B7_151207&utm_sourc e=facebook_group&utm_medium=Social&utm_content=%E5%BE%9E%E8%88%8A4 P%E5%88%B0%E6%96%B04P%EF%BC%8C%E5%A4%A7%E6%95%B8%E6%93%9A%E 7%A9%B6%E7%AB%9F%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E5%82% B3%E7%B5%B1%E8%A1%8C%E9%8A%B7%EF%BC%9F dcplus 數位行銷實戰家

2 大數據行銷新4P，即時預測消費者狀態和動態，零時差、零誤差的個人化行銷，1個人就是1個分眾市場，行銷命中率100%。
當大數據結合行銷--大數據行銷，將成為最具革命性的行銷大趨勢，大數據行銷甚至可能顛覆奉行近半世紀的行銷4P理論：產品（product）、價格（price）、促銷（promotion）、通路（place）。 大數據下的行銷將產生一個全新的4P：人（people）、成效（performance）、步驟（process）和預測（prediction）。 最先提出新4P理論的是全球最具權威的IT研究與顧問諮詢公司顧能公司(Gartner Research)的副總裁Kimberly Collins，而我們將最後一個P（profit，利潤）修正為預測（prediction）。

3 首先，企業應該從過去「經營商品」的思維，轉向以人為核心的「經營顧客」，而大數據時代，正提供了觀點轉型的最好時機。大數據讓「一對一行銷」、「個人化行銷」不再是天方夜譚，而是基本服務。
每一位消費者的購買時間、購買週期、購買特性都不相同，但是傳統行銷，無法做到很細緻的個人化行銷，多是大眾行銷或群體化行銷。 例如傳統行銷依據消費者的需求和差異性等，將市場區隔為各個不同族群。例如一家運動鞋品牌有7個市場區隔，然後搭配7個行銷活動，往往已經耗費不少人力物力。 但是大數據時代的行銷，市場區隔可以是7萬個，相應的行銷活動也有7萬個，同時在系統上或平台執行，若像傳統行銷一樣只能依賴人力去執行這7萬個活動，幾乎是件不可能的任務。

4 每個人的購買行為、消費習慣都不一樣，但是傳統行銷因為資源與人力的限制，因此，往往只能是人去配合行銷，而不是行銷來配合人；當企業一次只能執行7個行銷活動，自然只能是人找活動，而不是差異化的活動找人（people to campaign）。 但是當行銷活動有能力變成多達7萬個，每一位消費者都可以從7萬個活動中配對到最適合他的活動，因而翻轉舊的行銷觀點，變成是人找活動，而不是活動找人。於是，行銷活動從人群到個人，市場區隔愈來愈小，或者說每個顧客都成為一個分眾市場，個人化行銷應運而生。

5 第1個P：人(People) NES 模型，再多的顧客問題都只分5種
在大數據時代，以人為核心，消費者存在兩個最大特徵就是異質性和變動性，其中又以變動性最難掌握。

6 對於顧客來說，我們建構了一個NES模型：

7 大數據行銷的第一個P是「消費者」（People）。
NES 模型能夠透過即時的演算將消費者分成N（新顧客）、E0（主力顧客）、S1（瞌睡顧客）、S2（半睡顧客）以及S3（沉睡顧客）5種標籤，隨著顧客沉睡度愈來愈深，品牌能夠有效喚醒的機會愈低、而相對的喚醒成本也將大幅度增加。 行銷人過往將行銷預算和工作時間，根據顧客自然屬性的分群進行分配，習慣性從顧客過往的累積消費貢獻與前一次的交易紀錄，結合顧客的性別以及消費能力指標，來決定他們的標籤設定與經營方式；但是很明顯的在這些數據資料背後，我們低估了時間對消費者動機干擾的影響力，可能只是透過一個平均數的概念「大概」定義了超過180天沒有回購的顧客，就是所謂的沉睡顧客。

8 但是事實上，當我們將數據透過 NES 模型演算後發現，很多顧客早在120天左右就進入了S3（沉睡顧客）階段，
即時掌握每一個消費者的實際狀態是大數據行銷最重要的第一步，如果我們已經有能力為每一個顧客量身訂製專屬的溝通時間點，該是時候把撒網捕魚的行銷網給收起來了。

9 第2個P：成效（Performance） 每一間店都可以做自己的行銷
如果前面的 people 談的是顧客狀態，那麼 performance 談的就是顧客動態。 顧客的流動反映在門店導向的觀點，常常觀察到當企業在檢視獲利營收時，發現來客數下滑，就直接判定新客數疲弱不振，是造成營收衰退的罪魁禍首，所以立刻決定砸下百萬預算，安排來店贈禮活動提升新客招募，期望能夠一舉提升銷售動能、拉抬業績。 結果，新客數確實明顯增加了，但營收卻仍舊沒什麼起色。

10 原來藏在數據背後真正造成店家營收下滑的原因，其實是高貢獻度的忠誠顧客大量而且快速的流失，活動提升的新顧客對營收幫助渺小，當務之急應該是先找出忠誠顧客流失原因、制定顧客挽回方案，先求固本補破然後才去招客。 看錯了數據會錯了意、不但會讓店家消耗了無謂的行銷預算和時間，去解決一個徒勞無功的問題，更進一步給了競爭對手可趁之機，這一來一往之間，勝負立判，能不慎乎？ 換言之，每一家門店營運的 KPI 都應該個性化設定，比如說台北在做顧客新增的時候，高雄可能應該做顧客流失，台北的 1 號店在做顧客新增的時候，台北的 2 店可能應該做顧客流失，端看各個店面的數據來決定它最應該優先改善的是什麼。 KPI：Key Performance Indicator (企業關鍵績效指標)是對組織內部流程的輸入端、輸出端的關鍵參數進行設置、取樣、計算、分析，衡量流程績效的一種目標式量化管理指標。

11 第3個P：步驟（Process） 找出priority，優先處理危急問題
當店家發現營收下滑，檢視品項銷售狀況、來客數與客單價等數據，假設顧客人數不夠，應想辦法增加新顧客，或是想辦法留住舊顧客。 如果是顧客活躍度不夠、忠誠度的問題，則可以針對早期再購顧客，或是增加對現有顧客的定期關懷，購買時的事先提醒等各種不同的行動，去提升顧客的活躍度。

12 如果問題出在顧客的客單價不夠，則進一步去檢視，究竟是新顧客不夠，還是舊顧客不夠。
倘若新客的客單價不夠，通常是因為各種針對新顧客的促銷手段，當新顧客進來用的是很優惠的價格，通常收進來的是不健康的會員，接下來他很可能沒有辦法繼續貢獻價值。 呈現的問題就是新客的客單價太低，同時新客再購的比率太低，新客轉換率太低等，主要就是：為了促銷做了不當的方式。

13 第4個P：預測（Prediction） 精準預測顧客下次回購時間
如果說 process 告訴行銷人從營收方程式和會員流動是可以被控制的，那大數據行銷最後環節「預測」（prediction），就是宣告這樣的控制能夠被智能化的監控與執行。 顧客就像水一樣，水往低處流，從第一次購買的新朋友，到漸行漸遠的流失客，這個過程是常態。 但有了大數據之後，行銷卻可以及早做出因應方案。用數據分析未來。從分析走向預測，推算出會員的「下次購買時間」（Next Purchasing Time, NPT)，讓店家在對的時間對最有可能上門的顧客說話。

14 假設顧客的狀態就像 5 階段的水槽裝置，從新顧客（N）一路向下流向沉睡顧客（S3）。
「智能控制」可以偵測每一個環節，當水槽水位或是管線流量出現異常，系統自動對它做回饋、修復，或是提出警告，哪個環節出了問題，並依據 KPI 自動做出最優化的調節設定。

15 當顧客從主力顧客的水槽流到 S3 水槽的沉睡顧客，意指高達 90% 的機會顧客會徹底流失，亦即所謂分手階段。彷彿男女朋友，等到快分手才去挽回，不但事倍功半，成功挽回的機率也很低。

16 但是，當主力顧客開始流向沉睡顧客時，必然先經過S1（瞌睡狀態）、S2（半睡狀態）兩個水槽。透過智能控制，就可以在 S1 瞌睡階段事先偵測到，當發現顧客已經有一點疏離，智能控制就會給出關懷或提醒等，以控制降低顧客流失的水量。

17 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 顧客模型就像 3 個層層向下的水槽，為預防顧客直接從E0（主力顧客）滑落 S3（沉睡狀態），要建立調節機制，在顧客進入 S1（瞌睡狀態）時，做出應變措施。

18 「智能控制」可以做到即時偵測、零時差溝通和個性化訊息，即時而且適時的調節，完全零時差、零誤差，這也是整個大數據行銷的精髓。