Chapter 02 行銷資料的類型、來源與管理
一、行銷資料的類型
(一)結構化與非結構化資料
進入大數據時代，資料成為挖掘商機的礦脈。然而，如果企業對資料的管理不夠，想要利用大數據來開創新生意等於緣木求魚。請思考一下，自己公司有刻意收集什麼樣的資料嗎？公司有善待儲存下來的各式資料嗎？它們有專人管理嗎？還是坐看它們放在倉庫中，隨著歲月崩解殆盡？
在過去，許多企業認為資料庫裡的銷售資料、生產資料、財務資料…等量化資料，特別具有價值。事實上，真的是如此嗎？我們有個朋友，十多年前就開始在網路上，架設網站收集網友關於美妝的討論資料，而網友的留言都是一些文本（Text）資料，不但沒有固定格式，也不容易發掘出什麼內容來。當年他的員工就曾經問他，收集這些資料到底要幹嘛？他說他也不知道，反正先收攬下來再說，只要收集到一定的規模，就一定會發現「什麼」。
現在靠著網友的支持，他的網站現在已經是台灣最大的美妝網站之一，幾乎所有的化妝品要上市前，都會先到網站發佈試用資訊、徵求試用者、然後再逐一測試、改善，收集意見後，才敢正式上市。對歐美、日系、韓系，甚至是台灣的本土美容業者來說，他的網站已儼然成為美妝界「資料」的寶庫。
從以上的說明可以發現，無論是銷售、生產、財務等量化資料，或是網友討論的文本資料，都是屬於資料型態的一環。而了解資料型態，正是踏入行銷資料科學領域的第一步，那到底資料是如何分類的？
我們先來看一下維基百科如何定義「資料」。資料指的是「未經過處裡的原始記錄」，包括：數字、文字、聲音、影像…等。而在電腦裡的資料，最終可分解成0與1，進行儲存與計算。
一般在資料科學裡，最重要的資料分類方式之一，即為SQL資料與NoSQL資料。本文將「可用SQL查詢結構化的資料」稱為「SQL資料」，並將SQL以外可查詢非結構化的資料稱為「NoSQL資料」（見圖1、圖2）：
圖1 SQL資料與NoSQL資料
繪圖者：張庭瑄
SQL是Structured Query Language的縮寫，意指「結構化查詢語言」，其資料為結構化資料。結構化資料在資料庫裡意指：它擁有固定欄位、固定格式與順序…等。例如：企業銷售資料庫裡的欄位，通常有「會員編號」、「購買日期」、「購買品項」和「購買金額」等。類似目前企業最常用的excel格式檔案。
至於NoSQL的英文為Not Only SQL，意指「不只是SQL」，其中包含非結構化或半結構化資料。非結構化資料在資料庫裡意指：沒有固定欄位，也沒有固定格式。例如：影像檔、語音檔、圖檔、Office檔案、PDF檔、e-mail和網頁等；半結構化資料在資料庫裡則意指：具有欄位，但內容不一致，例如：人力銀行網站上的職務內容，就是半結構化資料。
因為每家公司的需求內容不一樣，無法有一致性的填寫方式，這類型的資料就無法透過欄位一一存放。
圖2 SQL與NoSQL
繪圖者：王舒憶
以上簡單介紹結構化資料與非結構化資料的差異，接著，我們將陸續對「行銷資料」、「研究資料」、「資料類型的排列組合」加以介紹，為行銷資料科學的學習奠定良好的基礎。
(二)企業內部資料和外部資料
為了做生意，全世家每一家企業都在搜集資料。像是在銷售產品時，收集消費者資料以便做好售後服務；或是在製造產品時，收集品管資料以便做好製程改善；亦或是在人員訓練時，搜集學員的上課、考試資料以便做好人才培育。平心而論，蒐集資料是企業的天職之一。
企業所蒐集的資料，種類可以很多元，無論是實體的或是數位的、文件或是電腦檔案，而拿來做行銷之用的，就屬「行銷資料」（顧名思義就是與行銷相關的資料）。
一般來說，行銷資料的分類方式有以下幾種：1.內部資料與外部資料；2.初級資料與次級資料；3.總體（宏觀）資料與個體（微觀）資料；4.研究資料。
以下先說明內部資料與外部資料進行說明，之後再陸續介紹其他類型資料。
1.內部資料：
與行銷較相關的企業內部資料，包括：銷售資料、顧客交易資料、產品服務資料、銷售人員報告、廣告支出相關的統計數據、運輸成本和與會計資料（會計損益表和不同年度的資產負債表）等。內部來源的資訊取得容易，且收集時比較不會有財務負擔。然而，內部資料的搜集可能是個緩慢的過程（因為各單位的本位主義），但相對來說也比較準確和可靠。
在蒐集內部行銷資料時，業務人員是一個重要的來源，因為他們直接負責銷售與推廣產品，並參與了解消費者的需求、動機、偏好和購買習慣。他們還可以回饋對產品價格，設計，包裝和尺寸的建議，了解消費者或經銷商對公司產品的反應。行銷經理可以指導業務人員如何收集資訊並做定期報告，而行銷資料科學也可以針對這些文字資料與數字資料進行分析。
搜集消費者的原始數據非常重要。企業可以選擇具有代表性的消費者樣本，進行產品價格、品質和使用經驗調查。這種收集數據的方法比較可靠，因為它建立了生產者與消費者之間的直接聯繫。商對公司產品的反應。行銷經理可以指導業務人員如何收集資訊並做定期報告，而行銷資料科學也可以針對這些文字資料與數字資料進行分析。
2.外部資料：
與行銷較相關的企業外部資料包括：市場調查公司的研究報告、潛在顧客資料、政府資料…等。這些外部資料可透過自行蒐集，或是下載、購買次級資料的方式來進行。
在蒐集外部行銷資料時，經銷商與消費者是重要的來源。企業可以根據零售商對產品的需求收集寶貴的資訊，像是競爭對手的行銷策略…等。不過，有時因為經銷商未保留適當紀錄導致資料不足，或者經銷商不願「交心」給了錯誤資料，就可能導致資料失效。
值得注意的是，在實務操作上，企業內部行銷資料經常會有「完整度不足」以及「使用度不足」的問題。「完整度不足」意指「不知道該增加哪些資料欄位」，以及「不容易蒐集到所需資料」。「使用度不足」則指「空有資料，但沒有分析」，或是「只做簡單的分析」；至於外部行銷資料則會有「沒有意識到應該要收集與分析」以及「外包」費用昂貴等問題。以上這些問題，都是企業在進行行銷資料科學專案時的瓶頸。
(三)初級資料與次級資料
搜集行銷資料是一件很耗時費工的事，更重要的是，它還可能很「花錢」。在進一步介紹行銷資料科學之前，先來看一下「初級資料」與「次級資料」，它是資料的另一種分類方式。
1.初級資料：
初級資料（primary data）是由研究者主動自己收集的資料（第一手），例如：自己所進行的市調。舉例來說，行銷研究中常會調查消費者的態度、認知、意圖、動機與行為。在傳統的行銷研究裡，常見的初級資料蒐集方法包括：面談法、問卷法、觀察法和實驗法等，如圖3所示。
圖3 初級資料的蒐集方法
繪圖者：周晏汝
而在行銷資料科學中，初級資料的蒐集方法還包括網路探勘（Web Mining）等，詳細的內容於往後再陸續介紹。
2.次級資料：
次級資料（secondary data）是指間接取得別人所整理的資料（第二手），例如：引用政府開放資料。次級資料是相對於初級資料所命名，雖然次級資料在字面上看起來像是二手數據，但所謂的「二手」，並不像現實世界中的「二手車」，是已被他人使用過的那種意思。
次級資料一般分為「內部次級資料」與「外部次級資料」，如圖4所示。次級資料的蒐集成本通常較低並且有效率，但所獲得的資料卻未必適合企業自身所需。
圖4 次級資料的種類
繪圖者:周晏汝
(1)內部次級資料
內部資料成本低而且取得容易，同時符合企業所需，故內部資料為次級資料的重要來源。內部次級資料包括：銷售資料、生產資料、財會資料和人資資料等。
(2)外部次級資料
資料本身並非為特定問題或研究而蒐集，可能是因其他的研究或報告而已被彙整成為檔案。例如政府或企業的出版品或報告。常見的外部次級資料包括：政府機構的統計資料、公會、協會、學會、媒體業、學術機構、行銷研究機構之產業報告、調查報告、研究報告…等。
「次級資料」通常有一定的限制。例如不同機構收集的資料可能無法比較。換句話說，資料收集不會採用統一的基礎，或者來源根本不完整，又或者收集的目的不是為行銷研究所專用。
次級資料常是研究者的基礎依據，舉例來說，內政部的人口統計資料，就是選舉民意調查的基礎。市場調查公司或者行銷研究者可以先透過人口統計資料，進一步設計抽樣計畫，知道應該在哪些地區以及抽多少樣本數。因此，收集次級資料有利於大型研究計畫的施作，也可提昇現有研究的效率。
(3)次級資料的優點
次級資料的優點是大部分的初步檢視工作已經完成，而部分資料也以電子格式加以建立與分類，並完成案例研究發布和審查。次級資料並可透過媒體的使用，通常很快地變成公共知識，例如媒體報導國民所得、家戶可支配收入等，由這些資料逐步構建出當地民眾的消費能力。由於公開曝光和受公共檢驗，次級資料的正當性（legitimacy）通常比初級資料更高，通常被拿來用作初級資料的驗證。以下是次級資料的優點：
- 節省時間、人力和費用。
- 有助於提升對研究問題的理解。
- 確認資料蒐集缺口，讓初級資料的蒐集計畫更加明確。
- 為初級資料的蒐集，提供比較的基礎。
(4)次級資料的缺點
次級資料也存有一些潛在的問題。例如：研究者很難獲得完全符合需求的次級資料。次級資料的缺點如下：
- 未必可以直接運用在行銷研究上。例如：研究者需要家庭可支配所得的資料，但拿到的卻可能是家庭總收入的資料，或是研究者所獲得的分類級距，與想要的分類級距不同。
- 準確性有待商榷。
- 資料可能已經過時。
次級資料的優缺點如圖5所示。
圖5 次級資料的優缺點
(5)評估次級資料
由於次級資料可能有缺點存在，因在評估次級資料時，必須滿足以下四項要求（如圖6所示）：
- 可用性：判斷所需要的資料是否可用。如果不行，必須考慮透過初級資料蒐集來補足。
- 相關性：應符合研究問題的要求。例如：計量單位應相同；使用的概念必須相同，也就是「資料貨幣（currency of data）」不應過時。(註：資料貨幣是把資料當成貨幣的概念，意即將資料賦予類似貨幣的價值，以確定其對組織的財務重要性，一旦確定了資料的貨幣價值，就可以用作交易中的交易單位，既可以單獨付款，也可以與貨幣結合使用)。
- 準確性：為了確認資料的準確性，必須考慮以下幾點：比較資料的規格、分類與級距；注意來源的可靠性；確認資料蒐集的方式；以及判斷資料的時效。
- 準確性：為了確認資料的準確性，必須考慮以下幾點：比較資料的規格、分類與級距；注意來源的可靠性；確認資料蒐集的方式；以及判斷資料的時效。
圖6 如何評估次級資料
繪圖者:王彥琳
(四)研究資料
當我們要對「資料」進行更進一步的「統計運算」時，就必須對資料「測量」（measurement）的類型先行了解。「測量」意指對所測概念（變數）給定一個數字或符號的過程，例如：溫度為攝氏26度、性別為男…等。
在研究方法裡，有關「測量」（measurement）的資料類型包括：名目資料（nominal）、順序資料（ordinal）、區間資料（interval）以及比例資料（ratio），如圖7所示。
圖7 名目資料、順序資料、區間資料、與比例資料
繪圖者:張庭瑄
1.名目資料（nominal）
名目資料能區分不同組別，例如：將「性別」區分成「男」、「女」。以下是名目資料的特性：
名目內容（如：「男」、「女」）本身具有意義，但編碼後 （如「男」為「1」、「女」為「0」） 的數字大小，並不代表任何意義（如，不能說1大於0）。
編碼後的數字不能排序，但在統計處理時，可以累加次數(頻率數，也就是符合的人數)，例如男性156人、女性182人，或按次數多寡依序排列找出最高數值(最多人選擇的選項次數)。
2.順序資料（ordinal）
順序資料能區分等級或順序，例如：教育程度裡，從小到大依序為：國小、國中、高中、大學、研究所。以下是順序資料的特性：
- 編碼後的數字能夠排序，但無法進行加減。
- 可降階為名目資料（如：將教育程度區分成國小、國中、高中、大學、研究所，但不予排序）。
3.區間資料（interval）
區間資料能區分程度上的差異，例如：年份為2001年、2002年、2003年…。以下是區間資料的特性：
- 編碼後的數字為等距（如：「1與2之間的距離」，與「2與3之間的距離」相同）。
- 因為等距，所以能夠加減（如：年份2005年與2000年之間差了5年）。
- 因為不具絕對原點，所以不能乘除（如：年份2000年/2並不具意義）
問卷調查最常採用的就是區間尺度。例如請從「非常滿意、很滿意、滿意、普通、不滿意、很不滿意、非常不滿意」等選項中圈選出符合的，這原本是順序尺度，在此則拿來做為區間尺度來使用。區間尺度因為設定的組距都相等，所以可做為「非常滿意7分、…、非常不滿意1分」的處理方式，而最有名的則像是李克特七點量表或五點量表。
可降階為名目資料與順序資料。
4.比例資料（ratio）
比例資料能衡量數值之間實質的差異，例如：價格為100元、200元、300元…等。以下是比例資料的特性：
- 因為等距，所以能夠加減（如：價格200元與價格100元之間差100元）
- 具絕對原點，所以能乘除（如：價格200元/2=價格100元）
- 可降階為名目資料、順序資料與區間資料
當我們在整理與分析資料時，無論是要對現有資料進行「降階」，或是選擇該採用哪一種適合的統計工具進行分析時，必須先釐清以上的資料類型，才能協助我們進行正確的整理與分析。
(五)總體（宏觀）資料與個體（微觀）資料
在大數據時代，資料是企業的生財工具，先前已談過資料的許多類型，都是從資料的本質出發，但這一次我們從個別資料和累加資料的觀點著眼，又產生出總體（宏觀）資料與個體（微觀）資料。
所謂總體資料（Macro Data）與個體資料（Micro Data）定義如下：
1.總體資料（Macro Data）
即使用者以「宏觀」的角度來看待的「大眾資料」。對總體資料進行分析稱為「總體分析」，是一種對「大眾集體行為」分析的方式。舉例來說，我們會統計居住在特定地理區域的「總人數」，再以年齡結構，性別和收入水準，算出各個級距的人數。它是一種由個別資料累加而成的概念。而如果以行銷來說，「區隔」行銷可以算是一種總體分析。
2.個體資料（Micro Data）
乃是採用「微觀」角度來看待「個人資料」。對個體資料進行分析稱為「個體分析」，是一種對「個人個別行為」進行分析的方式。以行銷領域來說，「一對一行銷」或「精準行銷」就屬於個體分析。
舉個例子，美國人口普查局的「摘要性磁帶檔案（Summary Tape Files）」中，即包含各類的彙總數據，包括特定地理區域中具有各種特定屬性的個人總數資料。從某種角度來看，它們是一種彙總表格，此即為總體資料。然而，同樣在該局的「公眾使用微數據樣本（Public Use Microdata Sample，PUMS）檔案裡頭，則包含有原始普查的個人數據（其中已刪除特定個資，以保護受被訪者的機密性），此即為個體資料。
以下是總體（宏觀）資料與個體（微觀）資料簡單的比較，如圖8所示。
圖8 總體（宏觀）資料與個體（微觀）資料的比較
繪圖者：張庭瑄
以往企業的行銷比較少注意到消費者的個體資料，只有在做「質性訪談」或者「焦點群體」訪談時，會聚焦到個別消費者。過去企業通常以總體資料為出發點，大量生產相同的產品，促銷給普羅大眾。後來消費者個人主義興起，客製化行銷的概念出現，廠商開始號稱產品是為顧客「量身訂做」。
不過在這個階段，其實企業所做的只是「大量客製化」。舉例來說，國際車廠宣稱消費者可以在它的官網上自由選擇車型、款式、顏色，甚至是內裝的皮椅。儘管這樣的組合已達到所謂的一對一行銷，但從另一個角度看，即便廠商的選擇可以排列出十萬種組合，對於其一百萬的汽車客戶來說，也只是平均不同的十個人得到一種一模一樣的汽車，所以算不上是「完全客製化」。不過，企業這樣做，起碼看起來比較有誠意。
大數據時代來臨後，讓一對一行銷的變得相對簡單，因為各類的行銷數據在交叉比對和運用之後，企業很容易抓到客戶的真實喜好，只要在生產端再加以變化，就可以精準地瞄準消費者的胃口來做生意了。
了解以上資料的類別，有助於資料的收集。畢竟，擁有越多正確且多元的資料，將有助於企業進行行銷資料科學的分析。
二、資料類別排列組合
企業搜集資料要下許多功夫，而面對這些得來不易的資料，在運用上更是存乎一心。以往的行銷資料大部分都是單一使用，例如：將客戶的購買資料經過分析之後，可以判斷出哪些客戶是貴客、哪些是常客，哪些又是新客，依此得出單一維度的行銷數據。但是在理解「資料」與「行銷資料」的分類後，我們可以進一步透過資料類別的「排列組合」，來協助企業進行資料的收集與分析，進而擬定相關的行銷方案。
我們以某家百貨公司為例，先將「內部資料、外部資料」，以及「結構化、非結構化資料」進行排列組合，可得到四種資料類別，如下圖9所示：
圖9 內、外部、結構化、非結構化排列矩陣
繪圖者：張庭瑄
1.右上角第一象限的「外部結構化」資料︰分析各縣市、鄉鎮的人口統計資料，發展各地展店評估方案。
2.左上角第二象限的「內部結構化」資料︰分析消費者個別資料，發展出新客、常客與貴客等不同顧客的關係管理方案，像是針對貴客舉辦「封館特賣之夜」，或是針對常客舉辦「消費一定金額」大優惠，針對新客舉辦「開卡送好禮」活動等。
如果結合第一、第二這兩個象限，則可進一步評估，開設分館的優先順序，哪些地區分館要先開，哪些地區的順位則可擺在稍後再處理。
3.左下角第三象限的「內部非結構化」資料︰可分析消費者瀏覽百貨公司動線的影像記錄資料、消費者在哪些櫃位停留最久，哪些商品曾經被消費者拿起來端詳之後，又被擺放回去。如此，百貨公司可發展產品擺設的優化方案，或者產品包裝的改換計畫。
4.右下角第四象限的「外部非結構化」資料︰可分析消費者在網路上對該百貨公司或特定商品的「口碑聲量」與「好感度」，進而發展網路口碑行銷方案。
在運用這些資料時，使用者要懂得運用想像力，來發揮資料分析背後的價值。例如：我們可以思考一下，結合第二與第三象限的數據後，還可以做些什麼？讀者可能會想到，在百貨公司入口的攝影機，透過人臉自動辨識系統，遠遠地看到貴客出現時，就可在系統上發出提醒訊息，讓值班的主管有機會與他們接觸。如此一來，將更能帶給顧客「賓至如歸」的氛圍。
透過以上的例子，可以讓讀者更了解學習「資料」與「行銷資料」的分類，不僅僅只是學習辨識資料的類別，更重要的是透過這些分類，以及對分類的排列組合，協助企業進行資料的收集與分析，進而擬定出有效的行銷方案。
＜＜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
出版社：碁峰
出版日期：2019/07/30
語言：繁體中文
定價：520元
