主页 > X伴生活 >从旧4P到新4P,从大数据预测下次购买时间 >

从旧4P到新4P,从大数据预测下次购买时间

2020-06-17 11:44 来源:http://www.sb9954.com 栏目:X伴生活

从旧4P到新4P,从大数据预测下次购买时间

大数据行销新 4P,即时预测消费者状态和动态,零时差、零误差的个人化行销,一个人就是一个分众市场,行销命中率 100%。

当大数据结合行销──大数据行销,将成为最具革命性的行销大趋势,大数据行销甚至可能颠覆奉行近半世纪的行销 4P 理论:产品(Product)、价格(Price)、促销(Promotion)、通路(Place)。

大数据下的行销将产生一个全新的 4P:人(People)、成效(Performance)、步骤(Process)和预测(Prediction)。最先提出新 4P 理论的是全球最具权威的 IT 研究与顾问谘询公司──顾能公司(Gartner Research)的副总裁 Kimberly Collins,而我们将最后一个 P(Profit,利润)修正为预测(Prediction)(详见图7:新 4P 革命:即时预测带来智慧控制)。

从旧 4P 到新 4P,大数据行销究竟如何颠覆传统行销?

首先,企业应该从过去「经营商品」的思维,转向以人为核心的「经营顾客」思维,而大数据时代,正提供了观点转型的最好时机。大数据让「一对一行销」、「个人化行销」不再是天方夜谭,而是基本服务。

大数据行销颠覆近半世纪的行销 4P 理论,从产品(Product)、价格(Price)、促销(Promotion)、通路(Place),进展到全新的 4P:人(People)、成效(Performance)、步骤(Process)和预测(Prediction)

每一位消费者的购买时间、购买週期、购买特性都不相同,但是传统行销,无法做到很细緻的个人化行销,多是大众行销或群体化行销。例如传统行销依据消费者的需求和差异性等,将市场区隔为各个不同族群。例如一家运动鞋品牌有7个市场区隔,然后搭配7个行销活动,往往已经耗费不少人力物力。

但是大数据时代的行销,市场区隔可以是 7 万个,相应的行销活动也有 7 万个,同时在系统上或平台执行,若像传统行销一样只能依赖人力去执行这7万个活动,几乎是件不可能的任务。

每个人的购买行为、消费习惯都不一样,但是传统行销因为资源与人力的限制,因此,往往只能是人去配合行销,而不是行销来配合人;当企业一次只能执行 7 个行销活动,自然只能是活动找人,而不是差异化的人找活动(people to campaign)。但是当行销活动有能力变成多达 7 万个,每一位消费者都可以从7万个活动中配对到最适合他的活动,我们必须翻转旧的行销观点,变成人找活动,而不是活动找人。

一旦行销活动从人群到个人,市场区隔愈来愈小,或者说每个顾客都成为一个分众市场,个人化行销应运而生。

大数据行销的第一个P是「消费者」(People)。在大数据时代,以人为核心,消费者存在两个最大特徵就是异质性和变动性,其中又以变动性最难掌握(详见图 8:行销新 4P 的第 1 个 P:人(People))。

对于顾客来说,我们建构了一个 NES 模型:

N =新顾客(New Customer)E =既有顾客(Existing Customer),分三种:
1. E0 主力顾客:个人购买週期 2 倍时间内回购的人
2. S1 瞌睡顾客:超过个人购买週期 2 倍未回购的人
3. S2 半睡顾客:超过个人购买週期 2.5 倍未回购的人S3=沉睡顾客(Sleeping Customer),购买频率超过个人购买週期3倍未回购、回购率低于 10%。

NES 模型即是为了即时掌握顾客的变动性而设计,根据消费者实际交易数据演算,并配合资料更新进行动态修正。NES 模型将消费者分成 N(新顾客)、E0(主力顾客)、S1(瞌睡顾客)、S2(半睡顾客)以及 S3(沉睡顾客)五种标籤,随着顾客沉睡度愈来愈深,品牌能够有效唤醒的机会愈低、而相对的唤醒成本也将大幅增加。

行销人过往将行销预算和时间花在以下工作:从顾客过往的累积消费贡献,与前一次的交易纪录,结合顾客的性别以及消费能力指标,来决定他们的标籤设定与经营方式;但在这些数据资料背后,我们低估时间对消费者动机干扰的影响力,只透过一个平均数的概念,「大概」定义了超过 180 天没有回购的顾客,就是所谓的「沉睡顾客」。

事实上,当我们将数据透过 NES 模型演算后发现,很多顾客早在 120 天左右就进入了 S3(沉睡顾客)阶段,品牌一视同仁的时间定义,让企业不但错失了关键的唤醒时机,然后在低唤醒率的 S3 阶段才着手补救。这些看似微不足道的小细节,都在浪费企业宝贵的成本与资源。

即时掌握每个消费者的实际状态,是大数据行销最重要的第一步。如果我们已有能力为每个顾客量身订製专属的沟通时间点,行销网随时都可以收网,而不致有太多漏网之鱼。


大数据行销的第一个P是「消费者」(People)。顾客百百种,但行销新 4P,NES 模型将顾客分为 5 种状态,分成 N(新顾客)、E0(主力顾客)、S1(瞌睡顾客)、S2(半睡顾客)以及 S3(沉睡顾客)

大数据行销的第二个 P 是「成效」(Performance)。「获利」是企业经营的共同目标,影响获利的因子很多,说穿了就是三个营收影响目标:顾客数增加、客单价提高、活跃度提升(详见图9:第2个P:成效(Performance))。

前面的 People 谈顾客状态,Performance 谈的就是顾客动态。顾客流动反映在门店导向的观点,我常观察到企业在检视获利营收时,发现来客数下滑,就直接判定新客疲弱不振,是造成营收衰退的罪魁祸首,立刻决定砸下百万预算,安排来店赠礼活动提升新客招募,期望能够一举提升销售动能,拉抬业绩,结果,新客数确实明显增加了,但营收却仍旧没什幺起色(详见图 10:提升获利,各店铺策略大不同)。

原来藏在数据背后真正造成店家营收下滑的原因,其实是高贡献度的忠诚顾客大量而且快速的流失,活动提升的新顾客对营收帮助渺小,当务之急应是先找出忠诚顾客流失原因、制定顾客挽回方案,先固本补破,才去找新顾客。

看错数据会错意,不但会让店家消耗无谓的行销预算和时间,解决一个无关痛痒的问题,更进一步给对手可趁之机。这一来一往之间,胜负立判,能不慎乎?

换言之,每一家门店营运的 KPI 都应该根据自身问题做个性化设定。比如说台北在做顾客新增的时候,高雄可能应该做顾客流失,台北 1 店在做顾客新增时,台北 2 店可能应该做顾客流失,端看各门店的数据,来决定它们应该优先改善什幺。

大数据行销的第二个 P 是「成效」(Performance),讲得是顾客的动态。先用 NES 把顾客分五类,但顾客的状态却是会改变的,就像图中的人在溜滑水道一样,如果不做顾客关係管理,或者在错误的时机、沟通错误的讯息,那就会让顾客不断流失

以上图拥有 11 家分店的这间企业为例,当企业用整体单一指令的指挥方式来经营的时候,很容易就会下达 11 家店通通在下一季执行任务A的指令,全面招募新顾客;但是当我们透过 NES 分群并结合 BCG 矩阵后,我们将清楚地看到,只有 A 至 D 这四间店需要执行任务 A。在招募新顾客这个指标对分店 E 的营收干扰很大,但是此刻分店 E 在招募新客的表现上已经很好,当前影响分店E的反而是降低沉睡顾客大量流失;同理,分店 F 虽然在提升新顾客这个指标上表现不佳,但是这个指标对 F 分店的营收几乎不造成干扰,反倒是沉睡顾客的流失,才是真正关键。所以,不只是顾客要个性化沟通,分店的营运管理透过数据分析,也应该要能够做到个别营运任务的差异化分配

大数据行销的第三个 P 是「步骤」(Process),透过有层次的执行心法,去改善营收方程式。营收的 3 个变数出现问题时,应该採取什幺样的战略,去解决问题(详见图 11:第 3 个 P:步骤(Process))。

当店家发现营收下滑,先检视品项销售状况、来客数与客单价等数据,假设顾客人数不够,应想办法增加新顾客,或是想办法留住旧顾客。如果是顾客活跃度不够、或忠诚度不足,则可以针对早期再购顾客(短期内马上二次购买的顾客,很有可能成为主力顾客),或现有顾客的定期关怀、购买时的事先提醒等,以不同的行动提升顾客活跃度。

如果问题出在顾客的客单价不够,则进一步去检视,究竟是新顾客不够,还是旧顾客不够?倘若新客的客单价不够,通常是因为用了不当方式促销新顾客,用很优惠的价格吸引新顾客进来,收进来的是不健康的顾客,接下来他很可能没有办法继续贡献价值。导致呈现出来,新客的客单价太低、再购比率也太低等。

大数据行销的第三个 P 是「步骤」(Process)。当你从 People 认识消费者,必然有新顾客(N)、主力顾客(E0)一直到沉睡顾客(S3)等五种状态,然后又发现顾客不断地往下一个阶段流失,很多人看到这边就已经开始垂头丧气。但是第三个 P 要告诉你,流失是可以被控制和改善(唤醒)的,行销人在不同的阶段,应该设定对应的行销活动,比方说,在顾客 E0 阶段规划顾客忠诚度计画,或是在 S1、S2 和 S3 不同的停滞阶段,设计唤醒方案

如果说 Process 告诉行销人从营收方程式和顾客流动是可以被控制的,那大数据行销最后环节「预测」(Prediction),就是宣告这样的控制能够被智能化的监控与执行(详见图 12:第 4 个 P:预测(Prediction))。

顾客就像水一样,水往低处流,从第一次购买的新朋友,到渐行渐远的流失客,这个过程是常态。但有了大数据之后,行销却可以及早做出因应方案。用数据分析未来,从分析走向预测,推算出会员的「下次购买时间」(Next Purchasing Time, NPT),让店家在对的时间对最有可能上门的顾客说话。

假设顾客的状态就像五阶段的水槽装置,从新顾客(N)一路向下流向沉睡顾客(S3)。「智能控制」可以侦测每一个环节,当水槽水位或是管线流量出现异常,系统自动对它做回馈、修复,或是提出警告,哪个环节出了问题,并依据 KPI 自动做出最优化的调节设定。举例而言,当顾客从主力顾客的水槽流到 S3 水槽的沉睡顾客,意指高达 90% 的机会顾客会彻底流失,亦即所谓分手阶段。彷彿男女朋友,等到快分手才去挽回,不但事倍功半,成功挽回的机率也很低。

但是,当主力顾客开始流向沉睡顾客时,必然先经过 S1(瞌睡状态)、S2(半睡状态)两个水槽。透过智能控制,就可以在 S1 瞌睡阶段事先侦测到,当发现顾客已经有一点疏离,智能控制就会给出关怀或提醒等,以控制降低顾客流失的水量。

「智能控制」可以做到即时侦测、零时差沟通和个性化讯息,即时而且适时的调节,完全零时差、零误差,这也是整个大数据行销的精髓。

水往低处流,要把愈低层的水抽上来,需要更大的动能。同理,NES 顾客模型就像五个层层向下的水槽,为预防顾客不断地从主力顾客(E0)慢慢滑落到无法挽回的沈睡顾客(S3),我们不但要建立有效的预警和调节机制,而且这套机制,必须藉由大数据的演算和预测,做到「智能控制」,基于人机分工的策略下,实时侦测、适时调整,而且一切的控制都是基于演算预测后的最佳决策


相关文章

申博太阳城_吉祥体育app下载|提供及时生活信息|休闲娱乐为一体|网站地图 申博官网备用网址_亚洲必赢app官方 申博官网备用网址_澳门新葡亰平台4937