系列二：行銷活動利潤模型與最佳決策點分析【顧客資料蒐集與清理篇】
在系列一（連結請點此），筆者介紹了本主題的個案情境介紹，並且遇到了五大難題：
- 一開始所蒐集到的資料結構應該要如何形塑？
- 如何用高層、中階主管、執行夥伴聽得懂的話，來實踐精準行銷？
- 到底哪些才是高購買率的消費者？ 又如何建構「接地氣」的方案？
- 如何自動評估精準行銷的財務效果、策略執行與落地方案？
- 本案能否提高了行銷成效，減少客訴，甚至是開源賺錢與節流省錢
在系列二，筆者將帶領讀者解決第一個難題：「一開始所蒐集到的資料結構應該要如何形塑？」 。
首先，第一個面對到的問題即是「客戶CRM資料要以什麼樣是形式創建？」
先從整理好的CRM資料，表1來回答本疑問（讀者可以從此連結，來查看表1的真實資料），表中每一橫列（Row）代表一位顧客的行銷活動記錄，每一直行（Column）代表每一個變數的記錄。相信讀者可從表中看出一些端倪，這時候可以花幾分鐘想想，該資料表包含了什麼樣的元素？
細看表1，筆者蒐集資料要考量的要素可以歸納出三大項目：
- 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，如表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，所以通常不可變動。
- 行爲變數：該變數通常會由該知識領域的專家進行制定，如表1呈現的全部活動跟該客戶連絡次數、過往滿意程度等可以直接或間接控制的變數。
- 目標變數：即與公司KPI聯動或直接相關的重要變數，在資料科學中，通常就是被預測的變數，以利公司後續挑選正確的對象來執行精準行銷，如表1的是否「買A商品」之欄位，若「買A商品」之欄位顯示為1，則代表該橫列的顧客有「購買」；若為0，則代表該橫列的顧客「無購買」，若後續在公司顧客尚未購買A商品前即能預測其有高購買意向，即可先行對其做個人化精準行銷。
Jasper這時回問：「哦！那除了上述變數外，是否還有相關的變數可以建立呢？」
其實在客戶資料庫中，亦可包含諸多種類的變數，柯特勒（Philip Kotler）在《行銷管理》(Kotler & Keller, 2016)一書中所提，在進行市場分析時，區隔的變數包括：地理類、人口統計類、心理類、行為類，如圖１2所示。若大型企業有實施會員制或平時已經有蒐集客戶個別CRM資料的習慣，不妨可以從圖１2再次檢視是否有可增減的重點區隔變數。但以筆者數位轉型輔導的經驗觀察，若中小企業已能將與業務相關的「人口變數」、「行為變數」與「目標變數」共3種變數做好蒐集與建制工作，便已經有相當程度的水準可以進行個人化「精準行銷」分析了。
Jasper繼續追問：「那有沒有什麼經濟實惠的蒐集方式呢？就是低成本的蒐集方法？」
對於大型企業來說，通常則會藉由SAP等相關系統來蒐集與統籌CRM資料；對於中小企業來說，其實要蒐集資料，最經濟實惠的方法即是善用「問卷與訂單」。在顧客購買產品的當下，予以誘因填寫問卷或會員資料，並針對欲蒐集的資料進行提問，蒐集其「人口變數」。再來資訊與行銷人員可共同協作，進而找出顧客過往消費足跡，來記錄客戶的「行爲變數」，如：客戶連絡次數、與顧客聯絡方式等，逐步完善自己的客戶資料庫！
在彼此的協助下，Jasper此時已掌握足夠的資料蒐集訣竅，開始帶領團隊四處蒐集資料外，亦綜整了過往四散各地的顧客資料。最終皇天不負苦心人，Jasper統整了39,554位顧客對A商品的實際購買狀況的資料。請讀者特別注意，本案提供的所有資料皆為非真實之模擬資料。Jasper在過程中有蒐集其他不同商品的資料，也利後續商品的精準行銷策略。
蒐集完畢A商品資料後，Jasper再次提出疑問：「呼~！ 千辛萬苦蒐集好資料了！ 接下來該如何分析呢？」
筆者還沒有接話時，Jasper便磨刀霍霍向豬羊的繼續說：「非常期待接下來的如何變魔術，來分析手邊現有資料呢？！」
References
Kotler, P., & Keller, K. L. (2016). Marketing management (15th global ed.).
作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）、蔡尚宏（臺灣行銷研究 資料科學家）
繪圖者：周晏汝
更多實戰案例及情境好文推薦
好用的 Function 操作－模組化商務程式的整合者(附Python 程式碼)
好用的 Function 操作－模組化商務程式的整合者(附Python 程式碼) Python是資料科學家進行分析的重要工具。在學習Pyth
為什麼要用購物籃分析與協同過濾來看商務資料？
為什麼要用購物籃分析與協同過濾來看商務資料？ 一般我們在進行商務資料分析時，總是會期望能透過過往所獲得的資料來發掘更多的商業洞察。一般店家在
