一覽工具箱全貌─行銷分析工具簡介

所謂「工欲善其事，必須利其器」。要分析大數據，需要有一定的工具。我們先前介紹過資料不同的類別屬性，從內部（Internal）資料到外部（External）；從結構性（Structured）到非結構性（Unstructured）等。學者威德爾（Wedel）與卡納安（Kannan）（2016）則依據資料屬性的差異（包括「內部」與「結構性」的資料來源，以及「外部」與「非結構性」的資料來源），將常見的行銷分析工具，描繪出以下的圖形，如圖1所示。

資料來源︰Wedel, Michel and P.K. Kannan （2016）, “Marketing Analytics for Data-Rich Environments,” Journal of Marketing, 80 （November）, 97–121.

從圖1中可以發現，行銷分析工具分布的背後，從左邊偏向「內部」（Internal）與「結構性」（Structured）的資料來源，擴散到右邊偏向「外部」（External）與「非結構性」（Unstructured）的資料來源。

舉例來說，最右邊、下方的「廣告分析」（Advertising Analytics），資料來源即以「內部資料」（Internal）與「結構性資料」（Structured）為主，而最左上角的「情感分析」（Sentiment Analytics），資料來源即以「外部」（External）與「非結構性」（Unstructured）為主。

這樣的圖解，對於企業界來說，有很大的幫助。首先，根據資料的屬性，對行銷分析工具進行整理，背後意指企業必須先擁有「資料」，才能進行「分析」。然而，在實務上，許多企業不管是對「內部資料」或是「外部資料」，或是「結構化資料」與「非結構化資料」，事實上，都未能有計畫地進行資料的儲存和管理。

其次，在做行銷分析時，許多企業並不清楚可以運用那些工具協助進行分析，而此圖無疑提供了一個清楚的方向，讓企業可以依此找到好工具。

至於想要學習行銷資料科學的讀者來說，提供了具體的學習項目。學會使用這些工具後，也代表在行銷資料科學上，擁有了一定的專業。

我們接著將資料、演算法、功能、分析工具之階層關係，整理成圖2所示。首先，最底層為資料層，這些資料包括內部資料、外部資料、結構性資料、非結構性資料等。接著是演算法層，包括決策樹（Decision Tree）、先驗（Apriori）演算法、K-平均（K-means）、單純貝氏（Naïve Bayes）、支持向量機（SVM）等。再上一層，則為功能層，內容主要在談分類、聚類、關聯、網路、預測等。

最上層則為行銷分析工具層，常見的行銷分析工具：1.廣告分析（Advertising Analytics）、2.顧客關係管理分析（CRM Analytics）、3.零售分析（Retail Analytics）、4.A/B測試（A/B Testing）、5.行銷組合（Marketing Mix）、6.個人化（Personalization）、7.線上評論分析（Online Review Analytics）、8.市場區隔（Segmentation）、9.再行銷（Retargeting）、10.行為側寫與目標市場選擇（Behavioral Profiling and Targeting）、11.推薦系統（Recommendations）、12.關鍵字搜尋分析（Keyword Search Analytics）、13.全球定位系統與行動分析（GPS and Mobile Analytics）、14.成交路徑（Path to Purchase）、15.網站分析（Web Analytics）、16.社會分析（Social Analytics）、17.歸因分析（Attribution Analytics）、18.競爭智慧（Competitive Intelligence）、19.趨勢分析（Trend Analytics）、20.情感分析（Sentiment Analytics）等。

圖2的概念，說明這些行銷分析工具與功能、演算法，以及資料之間的關係。以「推薦系統」（Recommendations）為例。推薦系統能根據消費者過去的購買行為，或是在網站上的瀏覽行為，向消費者推薦其可能會感興趣的商品資訊。它最常使用到的功能為「關聯分析」（Associative Analysis），關聯分析能協助我們從資料庫中，找出某些產品之間所存在的關聯性，而關聯分析背後最常用到演算法為「先驗（Apriori）演算法」。最終，透過演法算分析過去消費者個人或是他人的購買資料，即可向消費者推薦他可能會感興趣的商品資訊。

作者：蘇宇暉（台科大管研所博士生）、羅凱揚（台科大企管系博士）

繪圖者：王舒憶、趙雪君