Chapter 01 何謂行銷資料科學

一、智慧客服真聰明

想像一下,當你第一次打電話到銀行的客服中心(Call Center)時,客服系統就能夠真正聽懂你的意思,並且知道你的個性;下次當你再打電話進去時,系統會自動將電話轉接給與你性格相似的客服,以降低雙方在電話中可能因為誤解而產生衝突的風險,而銀行也可藉此提升顧客滿意度。事實上,現在這類智慧客服都已陸續在國際銀行業上線服務消費者,然而,它們到底是如何辦到的呢?

這個故事要從美國的一位心理學家泰比·卡勒(Taibi Kahler)博士說起。卡勒一向認為,人們講話時的語意結構、詞彙選擇等常會揭露人們的性格。他透過分析人們說話的方式,將人分成六大類型:情感導向型(Emotions-driven)、思考導向型(Thoughts-driven)、行動導向型(Actions-driven)、反思導向型(Reactions-driven)、意見導向型(Opinions-driven)和反應導向型(Reflections-driven)(如圖1所示)。低雙方在電話中可能因為誤解而產生衝突的風險,而銀行也可藉此提升顧客滿意度。事實上,現在這類智慧客服都已陸續在國際銀行業上線服務消費者,然而,它們到底是如何辦到的呢?
book_picture_0001
圖1 泰比·卡勒(Taibi Kahler)
六大性格類型 繪圖者:趙雪君

在監督式學習(Supervised Learning)裡,通常要達成兩種目的:預測(Pedicting)與分類(Classification)。在預測方面,像是預測消費者購買行為,一般會透過線性迴歸(Linear Regression)、決策樹(Decision Tree)、隨機森林(Random Forest)、類神經網路(Neural Network)和梯度提升決策樹(Gradient Booting Tree)等演算法來進行。

在分類方面,則是對消費者加以歸類,一般會利用決策樹(Decision Tree)、單純貝氏(Naïve Bayes)、羅吉斯迴歸(Logistic Regression)、隨機森林(Random Forest)、支持向量機(SVM)、神經網路(Neural Network)和梯度提升決策樹(Gradient Booting Tree)等。

至於在「非監督式學習(Unsupervised Learning)」的部分,常見的功能可分成:分群(Clustering)、關聯(Association)與降維(Dimension Reduction)。實務上,在進行分群時,如:進行市場區隔,一般常用的演算法為K-平均(K-means)。在發展推薦系統時,則會用到Apriori演算法。至於在降維,則常用主成分分析(Principal component analysis,PCA)。

由於演算法的類型頗多,以下簡單就決策樹與Apriori演算法、支持向量機、人工神經網路等進行介紹。

泰比·卡勒(Taibi Kahler)後來將他的研究成果寫成了一本書《The Process Therapy Model: The Six Personality Types with Adaptations》(暫譯:過程治療模式:適應性的六種人格類型),而美國太空總署(NASA)後來則聘請他,藉由他的研究發展出選擇太空人團隊的方法。

之後,另一位創業家凱利·康威(Kelly Conway)與伏達風(Vodafone)電信公司合作,依據泰比·卡勒的研究,針對12位客服專員與其負責的1,500通電話進行分析,以瞭解每位客服專員與每位顧客的性格(共分成6大項),並計算每通電話通話的時間。康威發現,當顧客遇到性格與其相近的客服專員,通話時間約5分鐘,解決問題的比例高達92%,而當顧客遇到性格迥異的客服專員時,通話時間長達10分鐘,問題解決的比例遽降到47%。於是康威將以上的研究開發成產品,甚至申請了專利[1](請參考QR code)。

[1] Kelly Conway的專利為Methods and systems for determining customer hang-up during a telephonic communication between a customer and a contact center US 20090103699 A1。

就這樣,當你第一次打電話到銀行的客服中心時,電腦語音通常會要求你輸入身分證字號,這樣系統就會知道你是誰。接著,銀行再透過你與客服之間的對話,來辨識你的個性。當你下次再打電話進客服中心時,輸入身分證字號後,系統就能自動將你「配對」至與你性格相似的客服,以提升顧客滿意度,這也就是為何系統能夠聽懂你的心的原因,如圖2所示。

book_picture_0003

圖2 電腦語音系統如何讀懂你的心

繪圖者:余得如

後來,一家名為魅得賽(Mattersight)的美國公司(如圖3),使用泰比·卡勒博士所發明的模型,蒐集銀行、飯店、保險、連鎖藥店…等業者共超過10億筆的客服電話記錄,再透過機器學習,最終讓系統能在人們講話的前30秒內,就立刻判斷出這名消費者的性格。

圖3 魅得賽公司(Mattersight)的網頁

資料來源:https://www.mattersight.com/

此外,2018年5月8日,谷歌(Google)在加州召開了開發者大會(Google I/O 2018)。Google的CEO桑德爾·彼柴(Sundar Pichai)於大會中介紹Google個人助理(Google Assistant)中新增的Duplex,它可以透過智慧客服機器人,幫客戶打電話到餐廳和髮廊預約時間(請參考QR code)。

透過上述電腦語音辨識性格的技術,再結合智慧客服機器人的發展,未來,智慧客服機器人甚至可以針對不同類型的消費者,改變自己的聲調和語氣,進一步提昇顧客滿意度。

二、行銷新顯學︰行銷資料科學(Marketing Data Science)

美國零售業先驅約翰‧汪納麥克(John Wanamaker)曾經說過:「我花在廣告上一半的經費都浪費掉了,麻煩的是我完全不知道是哪一半。」後來這句話又被人引申成「我有一半的廣告經費都沒有效,更糟糕的是,我卻不知道是哪一半。」多年來,行銷界人士之所以有廣告經費不知道花到哪兒去,以及明知無效卻還得投入的喟歎,其實都是因為過去的廣告行銷都很難做到「明確區隔、精準行銷」所致。然而,現在隨著社群網路(Social Network)、物聯網(Internet of Things)、開放資料(Open Data)、大數據(Big Data)等概念的出現,加上行銷管理學的領域不斷地發展出新的研究方法與工具,已經為行銷領域帶來「精準行銷」的全新契機。

過去,企業界想要知道市場概況,最普遍的方式就是展開一系列的市場調查,從產品開發、設計、消費者口味調查,都得歷經不斷的研究與測試,上市前還得經過更全面的人口變數的查訪、市場開闢、銷售點研究、鋪貨等連串活動。初期就必須投下大筆經費,然後靜待消費者的感受與接納,想想看裡面有多少「嘗試錯誤(trial and error)」的成份,說實在話,這其實有點像是在「賭博」。

回過頭來再看看最近廿年,社群網路鉅細靡遺地記錄著虛擬世界的消費者口碑;物聯網(設備協助偵測實體世界的消費者行為;開放資料(則提供行銷人員更多的次級資料(二手資料)來源,而這些都隨著網際網路的推演不斷進步,不斷累積出大量的數據(Big Data),同時也不斷產生新的行銷概念,讓企業更能洞悉消費者的心。

在這樣的背景之下,傳統行銷研究(Marketing Research)的方法與工具,已不足以因應現在行銷管理者所需。現在的行銷管理者要有能力,也需要新的分析工具來做決策支援。

透過網路爬蟲(Web Crawler)技術與物聯網技術,收集消費者的初級資料(一手資料),再配合所收集到的開放資料,行銷人員要有能力運用資料探勘(Data Mining)、文字探勘(Text Mining)、大數據分析(Big Data Analysis)等技術對資料進行分析。然後,再藉由資料視覺化(Data Visualization)技術,將行銷研究結果做最佳的呈現,並讓企業決策者做出快速且正確的判斷。以上所提到的方法與工具,正是「行銷資料科學」(Marketing Data Science)的範疇。如圖4所示。

book_picture_0006

圖4行銷資料科學發展概念圖

繪圖者:張庭瑄

目前「行銷資料科學」(Marketing Data Science)的概念才剛剛起步,但已經在行銷界掀起滔天巨浪。估計未來的行銷學領域和行銷研究將更加精進,除了結合大量的基礎與進階統計、資訊管理工作外,甚至還有資工的軟、硬體操作。對有意投入行銷領域的年輕朋友們,不但帶來更多的挑戰,也帶來更龐大的就業機會。

三、何謂「行銷資料科學」

在工業革命之後,行銷是產業對外拓展市場中最重要的武器。行銷學在美國的發展已超過一百年,而到了本世紀初,行銷與資料科學開始交會,擦撞出美麗的火花,挾數學、統計和資訊科技的「資料科學」加入行銷領域後,預料未來會讓企業行銷威力更銳不可擋。

1974年,在丹麥哥本哈根大學任教的彼得•諾爾(Peter Naur),在他的《Concise Survey of Computer Methods》一書中,首次提出資料科學(data science)的概念。從天文學領域轉戰電腦科學的他,一開始就認定資料科學乃是處理資料的科學,一旦有效建立,資料與其所代表的資料間的關係,就能應用到其他領域和學科。2001年,威廉•克利夫蘭(William S. Cleveland)在他發表〈Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics〉一文,正式將資料科學認定成一門學科。

簡單來說,資料科學就是「透過科學化的方式,對資料進行分析的一門學問,而資料科學存在的目的,在於解決問題」。這裡的「科學化方式」特別強調「資訊科技」與「數學/統計」跨學科領域的應用。舉例來說,像是Google透過大數據分析,就能藉由使用者查詢感冒症狀的資料,比美國疾病管理局更早掌握流行性感冒疫情發生的情報。

現在來換個場景,將資料科學運用到行銷領域的學問就稱為「行銷資料科學」。所以行銷資料科學的定義就是「透過科學化的方式,對行銷資料進行分析的一門學問;而行銷資料科學存在的目的,在於解決行銷管理上的問題」。舉例來說,在亞馬遜網站購書後,網站透過演算法也將其他人會購買的書籍做出推薦清單,一併推薦給你,就是行銷資料科學的目的與應用。

從宏觀的角度來看,行銷資料科學專業範疇涵蓋「行銷管理」、「資訊科技」與「數學統計」三種專業,如圖5所示。

book_picture_0007

圖5 行銷資料科學專業範疇概念圖

繪圖者:周晏汝

從圖中可以發現「行銷管理」與「數學/統計」的交集,為「傳統行銷研究」的範圍。「行銷管理」與「資訊科技」的交集,衍生出「行銷資訊系統」的內容。「資訊科技」與「數學/統計」的交集,產生了「機器學習」的學問。而「行銷管理」、「資訊科技」與「數學/統計」的交集,開啟了「行銷資料科學」學科的先河。

再進一步看,行銷資料科學的研究需要結合統計、數學、資訊科學等各領域的專業知識,可以由「提出問題」出發,然後進行資料蒐集、量化、處理、分析和選擇模型等流程,協助我們理解問題和驗證假設,最後提出觀察結果或解決方案。

學習行銷資料科學,別忽略了統計

在許多企業準備邁向行銷資料科學的過程中,最常碰到的情況是,行銷人員不會寫程式,資訊人員不懂行銷,最近我們又觀察到一件事,這道鴻溝不僅雙方不易跨越,還有一道橫在面前的障礙是,大家對「統計」的不了解與畏懼。偏偏行銷資料科學又是「行銷、資訊和統計」三個不同領域的學科所建構而成,企業要找到三個領域都精通的行銷資料科學人,的確不容易。

過去企業認為,許多行銷人員不會寫程式,許多程式人員不會行銷,因此乾脆把行銷部門的人找來學寫程式,同時也為資訊中心程式人員開設行銷管理課,以為這樣可以有效增加彼此的本職學能,並且有助於專案的落實。結果一段時間下來,成效還是不彰。

仔細探究之後發現,行銷人員想到要寫程式頭就很痛,許多程式人員想學行銷但成效還是有限。也許是企業主管的指導方法不好,也許是行銷與資訊人員的學習方法有誤,或許也有可能是個人興趣或是個性使然,總之,學習成效與預期出現嚴重的落差。

更重要的是,企業主管在指導的過程中,容易陷入一個「誤區」,那就是誤認為大家的「統計學」有一定的基礎。因此對於像是「敘述性分析(Descriptive Analytics)」(亦即解釋已經發生的事,例如:協助企業分析出消費者的樣貌,或是這些消費者購買了什麼?)大家基本上都沒有太大的問題。

不過,在進入「預測性分析(Predictive Analytics)」,也就是像要協助企業解決可能發生的事,例如:分析出消費者可能還會購買什麼?進而提前給予消費者相關的產品資訊以及「指示性分析(Prescriptive Analytics)」,亦即能指導實際執行時該如何做,例如:當消費者走到某商圈時,手機會主動收到適合自己的附近店家折價券。基本上,許多人就無法完成。這樣的現象,背後的原因主要來自於「統計」。

其實,行銷資料科學專業範疇涵蓋「行銷管理」、「資訊科技」與「數學/統計」三種專業。因為在預測性分析,需要理解統計的因果與關連、迴歸等等相關知識,當然有時也要帶點對資料的直覺與天份,才有辦法再向前跨越到指示性分析。

可能是過去太過專注在「行銷管理」與「資訊科技」,反而忽略了「數學統計」(或是高估了行銷與資訊人員的統計程度)。因此,f企業除了鼓勵行銷與資訊人員,持續相互學習程式與行銷之外,也應該替大家複習統計(雖然效果可能有限,但可以增加彼此的溝通成效,也鼓勵大家欣賞彼此的專業)。

最後,在執行專案時,我們可以將焦點聚焦在才能,而非成員[2]。畢竟有些成員只會寫程式,有些成員資訊與統計都很強。有些成員只會行銷,有些成員行銷與統計都很在行。只要確保所有專案成員知識能力的加總,大過完成任務目標所需的知識能力的加總即可,至於三種知識能力是來自於三位或是兩位成員,問題相對較小。

[2] 史考特.貝里納托 (Scott Berinato),《讓科學家與決策者理解彼此 用白話文說資料科學(Data Science & the Art of Persuasion)》,哈佛商業評論中文版,2019年,1月號。

<<本頁僅供試讀,若須閱讀完整章節歡迎參考行銷資料科學>>

行銷資料科學|大數據x市場分析x人工智慧

作者:鍾皓軒,羅凱陽,蘇宇暉
出版社:碁峰
出版日期:2019/07/30
語言:繁體中文
定價:520元
回到頂端