公司簡介
資本額約2000萬；員工人數約30人
困境
- 找出消費者對不同商品的喜好原因
- 如何找出VIP客群、鐵粉及流失客
- 了解不同商品的顧客樣貌
- 如何打造消費者想要多次光臨的旗艦方向
- 如何有效經營不同銷售的電商廣告通路，提升廣告效益
目標
- 有效進行會員經營，進行顧客分群
- 不同群別顧客樣貌及商品喜好
- 有效選擇廣告通路，提昇成本效益管理
- 旗鑑店關鍵成功要素，精準行銷不同客群及購物籃分析，有效推薦提昇顧客終身價值
成效
- 有效區分不同客群，了解顧客樣貌，確立後續不同行銷方案調整。
- 找出旗鑑店關鍵成功要素，包括地點的選定、動線、打卡、擺設。
- 線上及線下整合分析，找出消費者線上及線下不同類別商品的喜好，並推出情侶、親子商品購物籃組合。
技術應用
機器學習
購物籃分析
存活分析
案例剖析
服務客戶分析內部資料時，客戶常常會有以下的疑問？！
機器學習的結果，主管、同事老是看不懂？ 如何找出消費者重視的變數，優先進行改善？ 如何透過機器學習，提升毛利、淨利？ 如果挑選最佳機器學習模型，創造營收最大化？
如何使用Python機器學習結合獲利指標 - 找出最佳的獲利策略！
對於行銷人來說，如何能快速透過客戶、商品或CRM資料庫結合【機器學習】找出重要的【願意購買公司的產品的目標客群】、【商品推薦給誰，最會購買】與【消費者重視/覺得應改善的變數】無疑是行銷人最想了解的重要訊息。
對於資訊人來說，或許機器學習技法早就駕輕就熟，但是多數結果評估出來僅是給出準確率、損失函數，但是準確率真的等於獲利率嗎？所以更需要搭配實質的「期望獲利」等指標，讓機器學習真正與商業指標結合。
傳統方法上，便會使用敘述統計的方法，抓出購買過該商品客戶的相似用戶，可惜如此我們不但無法知道每一個客戶對該商品的購買可能性（機率），甚至無法確切以【有統計根據】的方法評估消費者重視/覺得應改善的變數。
本次專案將透過機器學習方法，產出【老闆與主管】可快速理解的【數據分析成果】。將客戶基本資料，如：性別、年齡、商品購買記錄等，發掘【目標客群願意購買公司的產品的機率】，作為廣告投放的參考標的！
圖1. 透過機器學習所得的【目標客群願意購買公司的產品的機率】
透過分析，各個模型亦能結合獲利指標，一眼看出眾多模型中，最好的模型選擇與相關模型參數，作為預測獲利的參考。
圖2. 獲利模型比較圖
除此之外，透過機器學習方法，我們還能得知總體消費者重視/覺得應改善的變數，並以清楚的管理意涵建議管理者改善與加強方向。
圖3. 總體消費者重視/覺得應改善的變數
除了總體行銷的方式，如何幫企業找到個別會員的顧客樣貌、並且找到個別會員在意的關鍵要素為何？ 我們亦使用機器學習技術，讓您清楚了解每位會員對某產品在意的因素為何，作為個體行銷的參考依據。如下圖我們可以看出影響ID1001會員傾向購買的因素依序為年齡、點數餘額、活耀用戶及以信用卡作為付費的方式，年齡，而降低其購買意願的因素為薪資所得及產品點擊次數。因此我們可以簡化消買過程的平台操作點擊，增加集點活動及多提供信用方付費的方式來提升該會員對企業的終身價值。
圖4. 個體消費者重視/覺得應改善的變數
