Chapter 04 整合行銷資料科學與行銷研究

一、行銷研究與行銷資料科學的歷史發展

行銷是一塊相當具有魅力的領域，因為它是企業生產管理、行銷管理、人力資源管理、研究發展管理和財務管理五大管理中，最直接與消費者接觸，同時也是最富有人性的領域，而在走過行銷研究一百多年後，現在讓我們再回頭過來看看行銷研究與行銷資料科學的歷史和重要里程碑。

行銷研究與行銷資料科學的發展歷史，距今大約100多年。本章簡述這個過程中的重要事件，如圖1所示。

圖1 行銷研究與行銷資料科學的歷史發展

繪圖者：余得如

1910年，美國波士頓柯帝斯出版社（Curtis Publishing Company）的負責人查爾斯‧柯立芝‧帕林（Charles Coolidge Parlin）透過收集市場資訊，提供企業進行廣告與商業決策，他並力促幾家美國大型企業，成立自己的市場研究部門。各位有沒有注意到這一年，國父孫中山先生此時還在準備建立中華民國。

1923年，丹尼爾‧史塔區（Daniel Starch）提出AIDA （Attention, Interest, Desire, Action）模式。同年，行銷研究公司尼爾森（A.C. Nielsen）成立，它是首波成立的行銷研究公司之一。

1931年，行銷研究公司柏克（Burke）成立，並與P&G進行產品測試研究。1935年，市場調查公司蓋洛普（Gallup）成立，至今仍在市場上赫赫有名；1940年代，企業開始使用「縱橫斷面資料」（panel data）記錄消費者的購買行為。

到了1961年，學者喬治‧卡利南（George Cullinan）提出RFM（recency, frequency, monetary）指標的概念。1972年，俗稱POS的「銷售時點系統（Point of Sale）」在市面上出現，由銷售員在客戶結帳時，一併鍵入客戶資料，成為零售市場大量搜集消費者資料的濫觴。

1974年，丹麥學彼得‧諾爾（Peter Naur）首次提出資料科學（data science）一詞；1981年，IBM推出個人電腦，推升內部客戶數據的分析。1987年，羅伯特‧凱斯騰鮑姆（Robert Kestnbaum）、凱特‧凱斯騰鮑姆（Kate Kestnbaum）和羅伯特‧蕭（Robert Shaw）等三人開啟資料庫行銷的先河。

1990年，顧客關係管理（CRM）軟體開始出現。1991年，Python程式問市；1993年，R程式上市。

1995年，全球資訊網（World Wide Web, WWW）出現，也為未來大數據（Big Data）的出現埋下了伏筆。

1998年，搜尋引擎Google成立。2001年，普渡大學（Purdue University）統計教授威廉‧克利夫蘭（William S. Cleveland）發表〈Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics〉一文，首次將資料科學分類成為一個單獨的學科。

2004年，臉書Facebook社群網站出現；同一年，Google發表MapReduce架構；2005年，YouTube的出現，讓巨量視頻資料跟著產生；2007年，Apple推出iPhone，智慧型手機裡的全球定位系統（GPS）功能，揭示消費者位置與行動的數據將大量湧現。

2010年，資料分析競賽平台Kaggle成立；2011年，Apache Hadoop初始版本出現。

2011年，LinkedIn的迪傑‧帕蒂爾（D.J. Patil）發表〈打造資料科學團隊（Building Data Science Teams）〉一文。2012年，湯瑪斯．戴文波特（Thomas H. Davenport）與迪傑‧帕蒂爾（D.J. Patil）在哈佛商業評論（Harvard Business Review）上發表〈資料科學家：21世紀最性感的工作（Data Scientist: The Sexiest Job of the 21st Century）〉一文，宣告資料科學家深具發展潛力的未來。2015年，FAIR（Facebook Artificial Intelligence Research）總監楊立昆等（Yann Le Cun et al.）發表深度學習（Deep Learning）概念文獻

從以上的內容中，可以發現行銷資料科學與網路技術的發展，以及電子商務的興起，三者有著緊密的關係和脈絡。此外，網路技術的發展與電子商務的興起，促使企業所需分析的資料屬性，從少量遽增到大量、從內部擴大到外部、從結構化增加到非結構化。因此，傳統行銷研究的工具已無法滿足企業的分析需求，全新的行銷資料科學研究也因應而生。

二、行銷研究與行銷資料科學

以往執行一項行銷研究，受限於技術，時間和成本都很高。更重要的是，在執行行銷研究前，還有統計抽樣的問題要克服。如何有效地接觸到能充分代表母體的樣本，是行銷研究的難題之一。而隨著行銷資料科學的出現，解決行銷問題的時間與成本有望降低。同時，蒐集資料的來源，雖然未必等於母體，但已經比行銷研究的範圍擴大許多。

「行銷研究」主要將資料分成「初級資料」與「次集資料」。初級資料的蒐集方式，又可分成︰「調查法（survey research）」、「實驗法（experimentation）」、「觀察法（observation）」與「深度訪談法（depth interview）」等。在蒐集資料的過程裡，「問卷」扮演非常重要的角色。透過問卷蒐集資料，再透過統計分析資料，最後透過圖表呈現資料，這就是行銷研究的基本概念。

深入來看，「行銷研究（Marketing Research）」可以針對某一行銷議題，有系統地蒐集、分析與呈現相關資料，並闡明研究發現。而這些議題像是台東縣政府引進熱汽球觀光的SWOT分析（機會、威脅、優勢、劣勢），或是Airbnb 在台灣發展STP程序（市場區隔、目標市場選擇、定位），也可以是宏達電穿戴式虛擬實境設備的4P（產品、價格、通路、推廣）行銷組合問題。

至於「行銷資料科學」（Marketing Data Science）與「行銷研究」之間的差異，主要在於資料的蒐集、分析與呈現的方法上有所不同（如圖2所示）。「行銷資料科學」在方法上，寬度更寬、廣度更廣，而且所蒐集的資料也更加「客觀」。因為問卷是由受試者主觀填答，容易產生偏誤。舉例來說：當一個人心情好與心情不好時，填答同一份問卷的差異可能有如天壤之別。

圖2 行銷資料科學與行銷研究之比較

繪圖者：張庭瑄

從資料蒐集的角度來看，過去「行銷研究」透過問卷、訪談蒐集初級資料或是透過政府、公協會等蒐集次級資料。現在「行銷資料科學」透過「網路爬蟲（Web Crawler）」技術，從社群媒體（Social media）、部落格（Blog）、論壇（Forum）、應用程式介面（Application Programming Interface，簡稱：API）等，擷取消費者的上網行為（主要是「數字」與「文字」）。也可以透過網站監控軟體，記錄消費者瀏覽網站的路徑。「行銷資料科學」還可透過影像辨識技術，搜集消費者在賣場中的真實消費過程（例如：在哪個時間、哪個位置、看了哪件衣服、看了多久…等），而這一部分還可延伸至「物聯網」的各種應用，或是透過次級資料來源，像是「政府資料開放平台」等，蒐集巨量的外部資料。

而在分析資料的過程中，過去「行銷研究」透過「統計分析」、「多變量分析（Multivariate Statistical Analysis）」等工具，協助找到問題的解答。「行銷資料科學」則還可透過「機器學習（Machine Laerning）」和「文字探勘（Text Mining）」等工具，給予資料更多的解釋並創造更高的價值，進而發展出高準確度的預測模型。

在資料呈現的部分，以往「行銷研究」透過簡單的圖表，來呈現資料分析過後的統計結果。「行銷資料科學」則可透過「資料視覺化（Data Visualization）」工具，來呈現資料分析的成效，像是文字雲（Wordcloud）和網路圖（Network Graph）等。

最後，在涵蓋範圍上，行銷資料科學（Marketing Data Science）是行銷研究（Marketing Research）的延伸，對於從事行銷相關業務的業界人士而言，在實務應用上，兩者可以相輔相成。

「即時經驗追蹤」（real-time experience tracking, RET）

以往進行行銷研究時，經常會使用量化與質性兩大類研究工具，其中量化研究主要是透過消費者行為調查、滿意度調查、品牌形象調查方式；質性研究則通常會透過焦點團體、深度訪談來完成。然而，這兩種研究有其缺失，主要的原因在於蒐集資料的方式，來自於「消費者的記憶」，而偏偏「記憶」未必精準，結果就常常導致所蒐集到的資料未必正確。

為了解決這消費者「自陳式報告」的不精準問題，過去的行銷人員借鏡人類學的研究方法，採取另一種民族誌研究（ethnographic research），由行銷研究者跟隨消費者，觀察他們的行為，以完整記錄消費者的經驗。只是，這樣的做法不但成本很高，而且在樣本不多的情況下，無法判斷所觀察到的是消費者的普遍行為，還是其個人的特殊行為。同時，消費者還可能產生「霍桑效應（Hawthorne effect）」，也就是一旦消費者知道自己成為被觀察對象時，就會產生改變行為的狀況，結果就是解決了一個問題，又衍生出另外的問題。

學者艾瑪．麥唐納（Emma K. Macdonald）、休．威爾森（Hugh N. Wilson）與烏穆特．柯納斯（Umut Konus）於2012年9月號的哈佛商業評論中，發表了一篇文章《零時差了解顧客（Better Customer Insight—in Real Time）》，同時提出一種稱為「即時經驗追蹤（real-time experience tracking, RET）」的新研究工具，希望協助行銷人能夠在消費者記憶尚未消失或是出現偏差之前，就可獲得相關的資料。

艾瑪．麥唐納等人與不少世界知名的企業合作，像是聯合利華（Unilever）、百事可樂（PepsiCo）、微軟（Microsoft）、惠普（hp）等，利用RET協助這些企業做好行銷決策，並且提升具體的行銷績效。

以下，簡單說明RET的執行方式，如圖3所示。為了做到「即時經驗追蹤」，行銷研究人員要想辦法「跟著」消費者，最好的方式，就是透過智慧型手機。同時，想要讓消費者回饋的「資料」有千百種，但這會造成記錄上的不便，因此，艾瑪．麥唐納（Emma K. Macdonald）等人將這些資料精簡成四點：1.相關品牌（ABCD…分別代表不同品牌）、2.接觸點（ABCD…分別代表：網路廣告、口碑、造訪商店等不同接觸點）、3.正面感受程度（1分到5分）、4.說服力（下次再選擇該品牌的機率，從1分到5分）。