「顧客標籤」悄悄透露你我的DNA

        身為一個一天奉獻18小時給事業的女強人 — 智玲，在工作上經常為自己設定不少目標。已過了30歲的她，唯獨一項目標至今無法達成 — 找一個穩定的伴侶建立家庭，而這也讓她耿耿於懷。但是至今連男朋友都沒有的她，究竟該如何達成這一項艱難的任務？

        面對各式各樣的交友軟體，智玲下定決心要在農曆年前達成此項目標，因此她拿起手機下載最熱門的交友APP。當然，智玲並非來者不拒，她優先在條件欄位設下許多標籤：像是身高180cm、美國碩士畢業、不菸不酒……，篩選後列表出現最佳結果。透過進一步的認識與相處，智玲終於如願交到一位理想中的男朋友，兩人並決定以結婚為前提而進行交往。
        故事中的智玲，藉由設定標籤找到自己最滿意的真命天子，現在，請讀者想像一下，現實生活中的消費者，其實也和企業一樣，都為了自己尋覓或銷售的商品貼上了不同的標籤。對企業而言，如何為自己的商品掛上標籤，吸引心頭上也掛著不同標籤的消費者來購買？以及消費者與商品如何像男女朋友般地成功配對？確實都是大問題！

        談起「顧客標籤」必須從「市場區隔」說起。臺灣科技大學企管系教授林孟彥在最近一場「市場區隔」理論與實務的演講中提到，貼在消費者身上最基礎的標籤就是「市場區隔」，它可分為地理類（氣候、密度…）、人口統計類（年齡、社會階級、家庭生命週期…）、心理類（人格、生活型態…）、行為類（使用者、忠誠度、行為場合…）四項要素。

        透過最基本的區隔分類，已能為顧客貼上形形色色的標籤，但緊接著卻是一個更棘手的問題。進入跨國交易的商業時代，被標上標籤的顧客很容易就超過百位、千位，甚至上萬，樣本數這麼大，標識顧客本來就是一件不容易的事；再者，零售店的POS系統與記錄機制非常難以記錄顧客的所有標籤，即便店員有三頭六臂，要精準記下每名顧客的標籤，實屬不易。這對許多企業來說，確實是個難題。現代的顧客標籤與以往不同，不僅樣本數大，還能針對具體對象持續添加顧客標籤，而顧客標籤甚至可以得自不同來源。

        林孟彥接著舉出某個金融商品銷售的案例。某家銀行在一星期內取得真實顧客資料筆數共10,000筆。首先，拿出數百個由電腦自動辨識的顧客標籤，與「金融商品銷售成功與否」讓電腦進行「機器學習」。過程中給予八成的訓練資料與兩成的測試資料。經過反覆學習後，該銀行的「市場區隔」預測結果，在使用模型後的判斷準確率為83.9%，比對未使用模型時的準確率只有20.4%，兩者相差63.5%。

        他說，提高預測準確率，能讓我們理解，哪些群體的消費者進行產品銷售比較容易，進而提高企業利潤。而機器學習的過程中，亦能藉此篩選出顧客標籤對銷售的分別影響程度。
林教授指出，有了這些資訊，從「量化」層面探討，可以提供企業資訊以判別出各顧客特徵對於銷售商品所帶來的影響，藉由這些資訊亦能讓我們明確做出正確的市場區隔。而從「質化」層面來看，業者更能以深度訪談的方式熟悉這些擁有重要特徵變數的客戶，理解購買產品數多的顧客，未來還有何種商品需求；年齡層高與低的顧客，對於商品會有何種期待？

        林教授也提到網路鄉民們的「評論」，因為這些評論也能成為特別的標籤，與顧客標籤不同的是，關鍵字標籤是經由匯集多人的文字化意見，透過機器學習找出影響商品「被點擊次數」的「關鍵字詞」，從而進行更精準的內容行銷，達到最終的營收效益。

        林教授以對某牌面膜的研究案為例，先使用「關鍵字寫手挑選法」與「隨機寫手挑選法」兩方進行評比。「關鍵字寫手挑選法」比起「隨機寫手挑選法」的評論點擊次數好2.45倍。

        同時，在「關鍵字寫手挑選法」與「廠商觀點法」方面，「關鍵字寫手挑選法」則較「廠商觀點法」的評論點擊次數好2.08倍（如圖1所示）。相較之下，關鍵字寫手挑選法更比另外兩種方法省下約23倍挑選寫手與分析評論的時間，且能以較低成本、以及更高的收益。