零時差行銷
從舊4P到新4P
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）。
從舊4P到新4P，大數據行銷究竟如何顛覆傳統行銷？
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。
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。
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。
對於顧客來說，我們建構了一個NES模型：
N＝新顧客（New Customer）
E＝既有顧客（Existing Customer）
1.E0主力顧客：個人購買週期2倍時間內回購的人
2.S1瞌睡顧客：超過個人購買週期2倍未回購的人
3.S2半睡顧客：超過個人購買週期2.5倍未回購的人
S3＝沉睡顧客（Sleeping Customer），購買頻率超過個人購買週期3倍未回購、
回購率低於10%。
NES模型即是為了即時掌握顧客的變動性而設計，這3個標籤及5族群，
完全根據消費者實際交易數據演算，並能夠配合資料更新進行動態修正。
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。
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，
品牌一視同仁的時間定義讓企業不但錯失了關鍵的喚醒時機，
然後在低喚醒率的S3階段才著手補救，這些看似微不足道的小細節，
都在浪費企業寶貴的成本與資源。
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。
第2個P：成效(Performance)
每一間店都可以做自己的行銷
大數據行銷的第二個P是「成效」（performance），
「獲利」是企業經營的共同目標，影響獲利的因子很多，說穿了就是3個營收影響目標：
顧客數增加、客單價提高、活躍度提升。
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。
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，端看各個門店的數據來決定它最應該優先改善的是什麼。
第3個P：步驟(Process)
找出priority，優先處理危急問題
大數據行銷的第三個P 是「步驟」（process），
透過有層次的執行心法，去改善營收方程式。營收的3個變數出現問題時，
應該採取什麼樣的戰略，去解決問題。
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。
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。
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。
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。
舉例而言，
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。
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。
「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。
-
大數據玩行銷：改變世界的18個大數據新思維，
-
第1本把大數據變成營業額的行銷聖經
- 系列名：30觀點
- ISBN13：9789869153218
- 出版社：30雜誌
- 作者：陳傑豪
- 裝訂／頁數：平裝／254頁
- 規格：21cm*15cm*1.6cm (高/寬/厚)
- 版次：1
- 出版日：2015/09/10
