用 Python 機器學習步步打造「自己的客戶精準名單」（附 Python 程式碼）

談到精準名單，您會想到什麼？

當我們談到精準名單時，我們第一個常常會想到的是，根據用戶特點、興趣或以往的購買行為，精準地向「用戶」或「舊有客戶」推薦有興趣的商品或服務，進而讓其轉變成我們的「新客戶」。然而，多數行銷人接下來會告訴我們的是：「什麼推薦不推薦的？什麼用戶推薦清單？簡單用 FB 等網路行銷的方式就可以了啊，為什麼還要針對舊有的客戶制定推薦清單？」

這段話講的好像很有道理，但真的是如此嗎？

用 FB、GA 網路行銷即可，要自己做精準名單嗎？

請讀者仔細回想一下自己行業會「持續」為您創造獲利的客戶是誰？這些客戶通常會以舊有客戶（舊客）為主，哈佛商業評論在《The Value of Keeping the Right Customers》這篇文章中提過：「開發一個新客的費用是留舊客費用的 5–25 倍」，這表示留住一個舊客遠比帶進一個新客更划算（圖1）！

所以我們的重心應該聚焦在如何讓「舊客回流」，從舊客那邊賺來的錢，再持續投資新客。然而，多數人的焦點都放在「如何以網路行銷的方式吸引新客，而不是想辦法創造舊客回購」這件事情。

讀者或許會問：「當我們客戶很少、商品數量還不多的時候，現階段還不需要 CRM 資料的管理吧？外面 CRM 廠商的系統都很貴呢！」

我們則認為，企業如果哪天事業有成，或者剛好趕上「產業浪頭」，突然想要開始擴張，但是卻發現沒有完善的「舊客資料庫」， 使我們原來可以賺上幾倍盈利的空間，卻恍然成了「空」…。所以，我們認為企業應該從創業開始就要為自身的客戶資料記錄下功夫，以自己的領域知識，一點一滴地建立自己的客戶資料庫。哪怕我們是以最簡單的 Excel sheet 做記錄，在這「資料即原油」的時代下，每一筆正確資料對企業都是無上至寶，因為最後即可再以機器學習的方法提煉原油，完成所要的「客戶精準名單」！

客戶精準名單概念 + Python 實戰演練～GO！

所以．．．

1. 資料蒐集：具體來說，最簡單的客戶資料要以什麼樣是形式創建？
2. 精準名單：有了這些有用的客戶資料後，要怎麼做出精準名單？

且讓我們以情境個案搭配 Python 實戰，步步講解！

備註：情境個案因保密問題，將以真實個案經轉換之虛擬個案分析呈現。

情境主題：

1. 產品：某甲公司的 A 商品/服務
2. 通路：以實體通路行銷爲主，電話、email 行銷為輔
3. 價格：$ 2,500 元新台幣
4. 成本：$ 750 元新台幣
5. 行銷與廣宣相關成本：$ 175 元新台幣 / 攤到每位顧客
6. 資料蒐集：已有蒐集過往舊客資料，並且測試了 45,211 位舊客（to C）對 A 商品的實際購買狀況（購買 = 1；無購買 = 0），以便對甲公司其他舊客做有效的行銷
7. 面對難題：想知道不同商品（在此以A商品為例）的客戶精準名單，以便知道我們對每一客戶的應該推薦何種商品

客戶資料蒐集的考量要素

客戶資料要以什麼樣是形式創建？相信讀者其實可從圖 1 中看出一些端倪，這時候我們可以花 1 分鐘想想，圖 1 的資料結構包含了什麼樣的元素？

細看圖 1，不難發現，蒐集資料要考量的要素：

1. 人口變數：每一位客戶購買本商品時，管理者會想要知道的顧客資訊，如圖1的客戶年齡、行業別、教育程度等與客戶切身相關的變數。特別要注意的是，這些變數通常難透過後天的行爲所改變（通常不可變動）。
2. 行為變數：該變數通常會由該知識領域的專家進行制定，如圖 1 呈現的全部活動跟該客戶連絡次數、與顧客聯絡方式、過往滿意程度等公司可以直接或間接控制的變數。
3. 主要行為變數：即指公司主要要觀察的重要變數，如圖 1 的是否買 A 商品或成交不同的商品等。

其實在客戶資料庫中，尚可包含諸多種類的變數，但以我們輔導的經驗觀察，如果中小企業能將上述 3 種變數做好蒐集工作，便已經有相當程度的水準可以進行「客戶精準名單」的分析了！

如果讀者想深入瞭解其他的區隔分類，可參考圖 3。如果您對市場區隔有興趣，歡迎參考：

概念文章：選擇行銷市場的關鍵 — 市場區隔（Segmentation）

個案探討：「顧客標籤」悄悄透露你我的DNA

經濟實惠的蒐集管道？

那透過什麼管道蒐集？其實要蒐集資料，最經濟實惠的方法即是「問卷與訂單」。如果我們的產品夠吸引用戶購買或者深深的打到用戶痛點，便可於客戶購買產品時，以問卷或訂單的形式針對欲蒐集的資料進行提問，蒐集其人口變數，行銷人員進而再以行銷手法記錄客戶的「行為變數」，逐步完善自己的客戶資料庫！

製作客戶精準名單

以機器學習製作客戶精準名單的好處在於，傳統我們在客戶資料庫中，會對「所有客戶發送 A 商品促銷」，但是透過機器學習，我們就可以抓出顧客名單，「只對精準名單發送 A 商品促銷」（見圖4）

接着，我們使用「即時動態定價「實做 2」 — 集成模型（附實現程式碼）」文章中所使用的 XGboost 機器學習演算法，進行精準名單的分類預測！

精準名單的機器學習架構（圖5）是：

1. 切分80%的訓練資料集，作為模型訓練使用；與20%的測試資料，驗證模型的效果
2. 人口及行為變數（自變數）對甲公司最想要知道的「是否購買A商品」進行預測（依變數）
3. 找出每一個客戶預期會購買A商品的「機率」
4. 再由高至低排序客戶購買機率

我們可看到圖 6 製作出來精準名單的結果（以20%的測試資料進行預測效果測試）：

1. 客戶對 A 商品【實際】購買狀態：代表客戶實際有購買 A 商品，當我們落地實際操作客戶精準名單的時候，其實是不會有該欄位的，在此會出現該欄位是因爲要讓讀者直觀的體會「預測」與「實際」狀況的比較，讀者可以自己實地操作文章附帶的 Python 程式碼，仔細查看圖7的詳盡結果
2. 客戶對 A 商品【預測】購買機率：代表機器學習預測顧客購買 A 商品的機率，機率越高，則顧客越有意義購買 A 商品，而這便是我們落地實際操作客戶精準名單最爲重要的結果
3. 根據 Confusion Matrix，Precision 為 60%（235/391），對於線下為主的甲公司來說，這效果算是不錯！

而這份名單的管理意涵有：

1. 管理者可根據對 A 商品「預測」購買機率高的客戶推薦A商品
2. 管理者可以依照「只要一張圖！透露誘惑消費者買到剁手的最佳優惠定價！（附贈Python程式碼）」本篇文章的區隔方法，將購買機率比擬成「價錢」進行區分，然後對不同程度的「購買機率」制定行銷方針，舉甲公司的案例來說，甲公司可以將行銷資源放在購買舉例高達 9 成的客戶，或者也可以將行銷資源投放到購買機率僅有50%左右的客戶身上，刺激其購買之可能性。

最後，我們來看看本案例所造成的效益（圖 7），只對精準名單發送的效益（34 萬的評估利潤）是大過於對所有會員發送的效益（24 萬的評估利潤）！當然這精準名單的利潤還要在扣除資料蒐集、機器設備、資料科學專案合作等費用，不過以長期的成效來說，使用精準名單的效果要比以往的方式要佳。

本文程式碼：https://github.com/HowardNTUST/Marketing-Data-Science-Application/tree/master/client_list

作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）