Chapter 06 大數據行銷分析工具

一、一覽工具箱全貌─行銷分析工具簡介

所謂「工欲善其事,必須利其器」。要分析大數據,需要有一定的工具。我們先前介紹過資料不同的類別屬性,從內部(Internal)資料到外部(External);從結構性(Structured)到非結構性(Unstructured)等。學者威德爾(Wedel)與康納(Kannan)(2016)則依據資料屬性的差異(包括「內部」與「結構性」的資料來源,以及「外部」與「非結構性」的資料來源),將常見的行銷分析工具,描繪出以下的圖形,如圖1所示。

book_picture_0034

圖1 大數據行銷分析工具

繪圖者:王舒憶

資料來源︰Wedel, Michel and P.K. Kannan (2016), “Marketing Analytics for Data-Rich Environments,”

Journal of Marketing, 80 (November), 97–121.

從圖中可以發現,行銷分析工具分布的背後,從左邊偏向「內部」(Internal)與「結構性」(Structured)的資料來源,擴散到右邊偏向「外部」(External)與「非結構性」(Unstructured)的資料來源。

舉例來說,最右邊、下方的「廣告分析」(Advertising Analytics),資料來源即以「內部資料」(Internal)與「結構性資料」(Structured)為主,而最左上角的「情感分析」(Sentiment Analytics),資料來源即以「外部」(External)與「非結構性」(Unstructured)為主。

這樣的圖解對於企業界來說,有很大的幫助。首先,根據資料的屬性,用行銷分析工具進行整理,背後意指企業必須先擁有「資料」,才能進行「分析」。然而,在實務上,許多企業不管是對「內部資料」或是「外部資料」,或是「結構化資料」與「非結構化資料」,事實上,都未能有計畫地進行資料的儲存和管理。

其次,在做行銷分析時,許多企業並不清楚可以運用那些工具協助進行分析,而此圖無疑提供了一個清楚的方向,讓企業可以依此找到好工具。

至於想要學習行銷資料科學的讀者來說,提供了具體的學習項目。學會使用這些工具後,也代表在行銷資料科學上,擁有了一定的專業。

我們接著將資料、演算法、功能、分析工具之階層關係,整理成圖2所示。首先,最底層為資料層,這些資料包括內部資料、外部資料、結構性資料、非結構性資料等。接著是演算法層,包括決策樹(Decision Tree)、先驗(Apriori)演算法、K-平均(K-means)、單純貝氏(Naïve Bayes)、支持向量機(SVM)等。再上一層,則為功能層,內容主要在談分類、聚類、關聯、網路、預測等。

最上層則為行銷分析工具層,常見的行銷分析工具,1.廣告分析(Advertising Analytics)、2.顧客關係管理分析(CRM Analytics)、3.零售分析(Retail Analytics)、4.A/B測試(A/B Testing)、5.行銷組合(Marketing Mix)、6.個人化(Personalization)、7.線上評論分析(Online Review Analytics)、8.市場區隔(Segmentation)、9.再行銷(Retargeting)、10.行為側寫與目標市場選擇(Behavioral Profiling and Targeting)、11.推薦系統(Recommendations)、12.關鍵字搜尋分析(Keyword Search Analytics)、13.全球定位系統與行動分析(GPS and Mobile Analytics)、14.成交路徑(Path to Purchase)、15.網站分析(Web Analytics)、16.社會分析(Social Analytics)、17.歸因分析(Attribution Analytics)、18.競爭智慧(Competitive Intelligence)、19.趨勢分析(Trend Analytics)、20.情感分析(Sentiment Analytics)等,如圖2所示。

book_picture_0035

圖2 行銷分析階層

繪圖者:王舒憶和趙雪君

圖2的概念,說明這些行銷分析工具與功能、演算法,以及資料之間的關係。以「推薦系統」(Recommendations)為例。推薦系統能根據消費者過去的購買行為,或是在網站上的瀏覽行為,向消費者推薦其可能會感興趣的商品資訊。它最常使用到的功能為「關聯分析」(Associative Analysis),關聯分析能協助我們從資料庫中,找出某些產品之間所存在的關聯性,而關聯分析背後最常用到演算法為「Apriori演算法」。最終,透過演法算分析過去消費者個人或是他人的購買資料,即可向消費者推薦他可能會感興趣的商品資訊。

二、投注廣告前,先學廣告分析(Advertising Analytics)

企業過去對廣告常常是又愛又恨,因為好的廣告會讓企業財源廣進,但隨著媒體越來越多元,常常投下大筆廣告費後,卻沒有相對帶來營業收入,美國廣告顧問韋斯.尼可斯(Wes Nichols)在2013年3月的哈佛商業評論(HBR)中,發表了一篇文章《廣告分析學2.0》(Advertising Analytics 2.0)[1],談到如何透過廣告分析,具體提升廣告的效益。

[1] Nichols, Wes (2013), “Advertising Analytics 2.0,” HBR, 2013.3黃秀媛譯,《廣告分析學2.0》,哈佛商業評論全球繁體中文版,2013年3月。

他說,大家可以先試想一個情境,一位消費者在手機上看到一則某款汽車的廣告,之後他透過Google,搜尋該款汽車的評鑑。後來,他在開車時,偶然看到路邊T霸上該款汽車代理商的廣告。又過了幾天,他在家裡點選YouTube,查看該款汽車的廣告影片。之後沒有多久,剛好該款汽車公司在電視上推出限時優惠的廣告。於是他便上網查詢附近的汽車代理商,並且進行試車,最後購車。

這樣的故事,其實透露出各種廣告之間彼此間交互影響。過去,企業很難衡量這些廣告交互影響的程度。現在,透過廣告分析則有機會釐清彼此的關係,進而協助企業,在有限的廣告預算下,達成銷售最大化的目的。

尼可斯(Nichols)在文章中,就以一家公司為例來說明廣告分析的效益。該公司透過廣告分析技術,發現某項新產品的廣告預算中,電視廣告高達85%,而YouTube廣告預算雖然只佔6%,但卻可促使消費者進行網路搜尋並且進行購買,其效用更是電視廣告的一倍。分析後同時發現,在整體廣告預算中,搜尋引擎廣告只占4%,卻能為公司帶來25%的銷售業績。同時,如果重新分配廣告預算,在不增加廣告預算的前提下,讓營業額增加了9%,如圖3所示。

圖3 廣告之間的互動對營業額的影響

資料來源:Nichols, Wes (2013), “Advertising Analytics 2.0,” HBR, 2013.3

至於廣告分析的執行,尼可斯(Nichols)指出,在分析作業時,背後運用的統計模型可能超過數百種,而優點是企業還能即時看出某支新的電視廣告,如何影響消費者的網路搜尋,並使企業立即修改關鍵字搜尋的競價策略。

最後,尼可斯(Nichols)提到,企業在推行「廣告分析」時,能有最高負責人的支持非常重要,最好還能找到具有分析學概念的人來擔任主持人。對於剛準備進入廣告分析的企業來說,建立持續蒐集資料的系統,然後從小規模的範圍做起,不斷地進行測試,等到有了成效再慢慢擴大範疇,會是比較可行的做法。

<<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
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
Follow us
掌握最新行銷趨勢

臺灣行銷研究

Taiwan Marketing Research Ltd.

02-8732-2593
tmrglobalservice@gmail.com

台北市大安區基隆路四段43號
(國際大樓11樓1103室)

臺灣行銷研究有限公司

Taiwan Marketing Research Ltd.

02-8732-2593
tmrglobalservice@gmail.com
台北市大安區基隆路四段43號(國際大樓11樓1103室)

臺灣行銷研究有限公司

Taiwan Marketing Research Ltd.

02-8732-2593
tmrglobalservice@gmail.com
台北市大安區基隆路四段43號(國際大樓11樓1103室)
Scroll to Top