Yahoo奇摩新聞 【大數據 MarTech X 數位轉型】大數據會員行銷不是只有貼標
自我介紹的時候，我都會說的工作生涯只做一件事，就是把「品牌」做好！在乙方服務的時候，就是把「客戶」的品牌做好；為甲方工作的時候，就是把「企業」的品牌做好！
我常說，企業經營對外的兩個終極資產：「品牌」+「會員」，這兩件事都分別寫在我的兩本書。由於 MarTech 的崛起，讓會員這件事現在成為顯學，但是會員經營的實務並不是現在才有的。
這篇文章我要來補充談談會員經營的四種模式：RFM 價值分群、RFM 購買週期分群、行為標籤貼標分群、AI 演算法建立預測模型。 前兩種 RFM 很早就被實體企業廣泛應用，行為貼標是有了 MarTech 才發展出來，最後一種是大數據科學崛起才建立的方法。
第一種：以 RFM 顧客價值分群
R（Recency 顧客回籠時間）代表顧客上次跟品牌接觸的時間點，隔了多久了。「回籠時間」的行銷含義，在於評估顧客對品牌的記憶度、品牌接觸的機會點，以及衡量新客、舊客的比率。
你可以根據這個指標，制定行銷活動及決定誘因，同時採取加值、激活或放棄會員的策略。
F（Frequency 消費頻率）代表顧客對品牌的喜好。所以「消費頻率」的行銷涵義，在於評估顧客對品牌的忠誠度、顧客購物習慣的養成，F 與 R 的組合可以用來計算顧客的購買週期。
你可以根據這個指標，決定推出新品的策略與速度，設計行銷方案。
M（Monetary 營收貢獻）代表顧客的消費金額，對品牌的貢獻度。所以「營收貢獻」的行銷涵義，在於評估你手上顧客的消費能力、衡量你的行銷活動成果是否達成目標，以及計算顧客對品牌的終身價值（CLTV）。
根據這個指標，你可以決定推薦何種價位、何種等級的產品給客人，以及促銷方案的力度等（例如跟高消費力的客人溝通產品質比折扣重要）。
第二種：以 RFM 購買週期分群
就是按照顧客對一項產品的平均購買週期，將會員分為首購顧客、忠誠顧客、冬眠顧客，再針對不同顧客採取不同行銷策略。通常忠誠顧客又可分為主力顧客（例如兩個購買週期內回籠）、瞌睡顧客（三個購買週期內回籠）、半睡顧客（四個購買週期內回籠）；而冬眠顧客則為超過四個購買週期尚未回來的客人。
購買週期會隨著品類不同而異，例如一杯咖啡的平均購買週期可能是 3～5 天、平價火鍋可能是 2 週、中價餐廳是 1 季、高級餐廳可能是 1 年（生日慶祝）。
通常我最容易被問到的就是如何計算顧客的購買週期？其實很簡單，一個是根據你的觀察判斷；另外一個方法就是根據數據決策，也就是在你的顧客資料集中，就同一品類「忠誠顧客」平均回來的時間，就是一個購買週期，例如有個顧客每個月來消費，另外一個一季來一次，平均的一個購買週期就是 2 個月，4 個購買週期就是 8 個月。
在行銷涵義上，「首購顧客」品牌記憶度清晰，不需要再做過多的品牌介紹，適合推薦更多的產品；「忠誠顧客」品牌認同度高，在購買週期前提前提醒消費，甚至更願意為產品推薦、消費評價、客人介紹等。
「沉睡顧客」則需要用比較強烈的刺激，例如包裝成週年慶來喚醒，如果經過多次仍然喚不醒，就要從會員資料集中刪除。在我的經驗中，平均每年要註記 10% 的顧客為無效會員。
第三種：以行為標籤貼標分群
2011 年，MarTech 開始萌芽，品牌方開始可以追蹤消費者線上的瀏覽足跡，消費者只要在站內（或品牌方提供的連結），瀏覽過的內容、互動、掃描 QR Code、填寫資料、參加活動等，都會在該筆會員資料貼上標籤；標籤愈多，品牌方就愈瞭解你。
例如 A 會員的標籤有「#瀏覽課程」、「#已經繳費」、「#填寫問卷」、「#領取優惠」、「#完成A_College課程」，品牌方便可知道這位會員對課程有興趣，互動積極，下次有新的 MarTech、數位轉型課程會優先邀請。
隨著品牌與會員的「交往」愈久，為會員貼的「標籤」愈多，對會員的「瞭解」愈深入，就能投其所好，做到精準行銷，大大提高會員的轉換率。例如天下雜誌全閱讀宣稱應用超過 300 個行為標籤，為每一位讀者進行貼標，因此更瞭解會員的閱讀行為，透過個性化推送內容，讓開信率增加2倍、轉換率提升 3 倍、收益增加了 1.8 倍。
進一步，如果企業導入的是全功能的 CDP，結合了第三方數據的 DMP（數據管理平台）及第一方數據的 CRM，便可以瞭解線上線下 360 度的顧客樣貌，提供更精準的互動及體驗行銷。
第四種：以 AI 演算法建立預測模型
事實上，以上的三種方法，都不是真正的 1 對 1 行銷，只是用到了客製化行銷的概念。你一定可以理解，無論是 RFM 或者標籤，總是有很多人同屬一個 RFM 分群或者同一標籤，而 MarTech 系統是根據群組或標籤投遞行銷訊息。
真正的 1 對 1 行銷是大數據科學的概念，沒有分群、沒有標籤，每一個人都是獨一無二的。大數據會員行銷就是根據手上既有的數據，經過清理之後，用 AI 演算法建立預測模型，只要消費者進入系統（或平台），個人過去的紀錄就會在預測模型跑一遍，而所謂的推薦引擎（Recommedation Engine），就會根據消費者的喜好，預測需求、推薦產品。
但是採用這種機制的公司，都是諸如 Amazon、Netflix 這樣的科技巨人，因為這個方法雖然有效，但是技術含量很高，Netflix 光是數據科學部門就有超過 800 人。
Amazon 更是這方面的佼佼者，你瀏覽 Amazon 網站，往下就會看到非常個人化的即時訊息：“Customers are looking at these Now”、“Customers who bought this also bought these”、“Recently viewed products and featured recommendations”、“Customers have these in their virtual carts”。
這類推薦訊息看起來跟一般電商網站類似，但是有別於貼標籤的推薦，是先以大數據分析、評估各種演算法建立模型，再選取準確度更高、錯誤率更低的預測模型，導入應用，所以更能提供 1 對 1 的個人訊息，大大提高交易轉換率，所以 Amazon 才能宣稱，有 3 分之 1 的業績來自於以演算法為基礎的推薦！
結論與心得
以上幾種概念及方法都是交互存在及應用，並沒有排他性，尤其是前三種方法，被 MarTech 工具混合設計，融入分析。
企業導入 MarTech 行銷科技經營會員，中間有無數的工具、方法與評估指標，但最終我只會關心一個指標，就是到底「交易轉換率」（Conversion Rate, CVR）有沒有提高？轉換率提高，利潤就會提高！
如果轉換率無法提高，回頭再來檢討哪一個環節出問題。每一個環境都做對，轉換率自然會提高！
與作者交流：https://lihi1.cc/A7xmd/FCbnext
更多報導
企業如何看待 Web 3.0、NFT 等新科技？
行銷科技、數位行銷、社群行銷有何不同？
大數據預測科學 VS. 快篩檢測有什麼關係？
