「顧客標籤」悄悄透露你我的DNA

身為一個一天奉獻18小時給事業的女強人 — 智玲,在工作上經常為自己設定不少目標。已過了30歲的她,唯獨一項目標至今無法達成 — 找一個穩定的伴侶建立家庭,而這也讓她耿耿於懷。但是至今連男朋友都沒有的她,究竟該如何達成這一項艱難的任務?
面對各式各樣的交友軟體,智玲下定決心要在農曆年前達成此項目標,因此她拿起手機下載最熱門的交友APP。當然,智玲並非來者不拒,她優先在條件欄位設下許多標籤:像是身高180cm、美國碩士畢業、不菸不酒……,篩選後列表出現最佳結果。透過進一步的認識與相處,智玲終於如願交到一位理想中的男朋友,兩人並決定以結婚為前提而進行交往。
故事中的智玲,藉由設定標籤找到自己最滿意的真命天子,現在,請讀者想像一下,現實生活中的消費者,其實也和企業一樣,都為了自己尋覓或銷售的商品貼上了不同的標籤。對企業而言,如何為自己的商品掛上標籤,吸引心頭上也掛著不同標籤的消費者來購買?以及消費者與商品如何像男女朋友般地成功配對?確實都是大問題!
談起「顧客標籤」必須從「市場區隔」說起。臺灣科技大學企管系教授林孟彥在最近一場「市場區隔」理論與實務的演講中提到,貼在消費者身上最基礎的標籤就是「市場區隔」,它可分為地理類(氣候、密度…)、人口統計類(年齡、社會階級、家庭生命週期…)、心理類(人格、生活型態…)、行為類(使用者、忠誠度、行為場合…)四項要素。
透過最基本的區隔分類,已能為顧客貼上形形色色的標籤,但緊接著卻是一個更棘手的問題。進入跨國交易的商業時代,被標上標籤的顧客很容易就超過百位、千位,甚至上萬,樣本數這麼大,標識顧客本來就是一件不容易的事;再者,零售店的POS系統與記錄機制非常難以記錄顧客的所有標籤,即便店員有三頭六臂,要精準記下每名顧客的標籤,實屬不易。這對許多企業來說,確實是個難題。現代的顧客標籤與以往不同,不僅樣本數大,還能針對具體對象持續添加顧客標籤,而顧客標籤甚至可以得自不同來源。
林教授接著舉出某個金融商品銷售的案例。某家銀行在一星期內取得真實顧客資料筆數共10,000筆。首先,拿出數百個由電腦自動辨識的顧客標籤,與「金融商品銷售成功與否」讓電腦進行「機器學習」。過程中給予八成的訓練資料與兩成的測試資料。經過反覆學習後,該銀行的「市場區隔」預測結果,在使用模型後的判斷準確率為83.9%,比對未使用模型時的準確率只有20.4%,兩者相差63.5%。
他說,提高預測準確率,能讓我們理解,哪些群體的消費者進行產品銷售比較容易,進而提高企業利潤。而機器學習的過程中,亦能藉此篩選出顧客標籤對銷售的分別影響程度。
林教授指出,有了這些資訊,從「量化」層面探討,可以提供企業資訊以判別出各顧客特徵對於銷售商品所帶來的影響,藉由這些資訊亦能讓我們明確做出正確的市場區隔。而從「質化」層面來看,業者更能以深度訪談的方式熟悉這些擁有重要特徵變數的客戶,理解購買產品數多的顧客,未來還有何種商品需求;年齡層高與低的顧客,對於商品會有何種期待?
林教授也提到網路鄉民們的「評論」,因為這些評論也能成為特別的標籤,與顧客標籤不同的是,關鍵字標籤是經由匯集多人的文字化意見,透過機器學習找出影響商品「被點擊次數」的「關鍵字詞」,從而進行更精準的內容行銷,達到最終的營收效益。
林教授以對某牌面膜的研究案為例,先使用「關鍵字寫手挑選法」與「隨機寫手挑選法」兩方進行評比。「關鍵字寫手挑選法」比起「隨機寫手挑選法」的評論點擊次數好2.45倍。
同時,在「關鍵字寫手挑選法」與「廠商觀點法」方面,「關鍵字寫手挑選法」則較「廠商觀點法」的評論點擊次數好2.08倍(如圖1所示)。相較之下,關鍵字寫手挑選法更比另外兩種方法省下約23倍挑選寫手與分析評論的時間,且能以較低成本、以及更高的收益。

圖1.「關鍵字寫手挑選法」與「廠商觀點法」的評論點擊次數

行銷資料科學的發展,讓「顧客標籤、關鍵字標籤」能實際發揮效用,讓企業不再只是像猜謎般摸不清消費者的想法。雖然這是冷冷的軟體技術,其功用卻能紮實以「消費者觀點」看待商品,更可以縮小業者與顧客間的認知差距,達到雙方互惠的綜效。
作者:廖靜芸(臺灣行銷研究特約編輯)、蘇宇暉(台科大管研所博士候選人)
Scroll to Top