低程式碼應用程式展演（Low-code app demo）

本案沒有因此結束，因為 Jasper 不僅有 A 商品，尚有不同商品欲執行精準行銷，所以便詢問：「本次結果團隊皆大歡喜，那請問是否有相關低程式碼應用工具（low-code app）可以拖拉（drag and drop）資料集並點擊使用呢？讓團隊可以快速知曉其他商品精準行銷怎麼做？」

這是完全沒有問題的！筆者善用 Python 結合網頁技術，迅速完成了一組 low-code app 網頁應用，讓 Jasper 團隊往後只要將如圖1的訓練資料集與測試資料集資料放入對應的位置，並在圖2中指定「目標變數」、「UID」與「財務指標」，設定適當的參數，即可開始執行精準行銷的機器學習訓練任務。

接著，有別於本章使用的 XGBoost 模型，筆者亦可納入不同的機器學習模型來訓練，藉此找出最適合不同商品的模型，如圖3所示。

接著，App 就會自動選出最好的模型、最好的預期獲利與最佳的閾值，在圖4中可見到最好的模型為 XGBoost 並且行銷購買本商品機率超過23%的顧客下，預期獲利為$459,235元新台幣。

除此之外，App 還會自動產出 Jasper 團隊欲與行銷全顧客利潤的精準行銷比較表，如圖5所示，本案可見精準行銷之方法比原方法預期表現還要好上約10萬元新台幣。

不僅如此，當 Jasper 團隊面對還不知道是否有購買本商品意願的新顧客時，僅需將顧客資料放入圖6的App中，筆者可多善用貝氏統計模型，建構出「顧客精準行銷清單」與「未來的總預期獲利」

以圖7為例，可見在這接近總數5,000人的總資料中，模型幫Jasper挑選出542人，並依照貝氏統計模型的運算，預計會有257人買單本案商品，即造就接近23萬元新台幣之成效，其ROAS為6.4倍，ROI也達近2.3倍。

最後，本 App 的精準行銷釋例不僅可運用在如 Jasper 的電商案例，亦可泛用在任何 B2C 業界，善用精準行銷迎合真正有需求的顧客，進而讓企業的獲利無往不利。

以下筆者綜整了本主題各系列的連結以及主題總頁的連結，歡迎讀者取用！

系列一：行銷活動利潤模型與最佳決策點分析【前言與個案介紹篇】

系列二：行銷活動利潤模型與最佳決策點分析【顧客資料蒐集與清理篇】

系列三：行銷活動利潤模型與最佳決策點分析【組織溝通篇】

系列四：行銷活動利潤模型與最佳決策點分析【資料分析篇】（附 Python 程式）

系列五：行銷活動利潤模型與最佳決策點分析【管理意涵篇】（附 Python 程式）

系列六：行銷活動利潤模型與最佳決策點分析【總結篇】

主題總頁：AI行銷學實作篇故事情境介紹 & AI行銷學分析工具應用實戰

作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）、蔡尚宏（臺灣行銷研究 資料科學家）