從舊4P到新4P，從大數據預測下次購買時間
發表於 2 11 月, 2015 BY READMOO編輯團隊
大數據行銷新 4P，即時預測消費者狀態和動態，
零時差、零誤差的個人化行銷，一個人就是一個分眾市場，行銷命中率 100%。
當大數據結合行銷──大數據行銷，將成為最具革命性的行銷大趨勢，
大數據行銷甚至可能顛覆奉行近半世紀的行銷
4P 理論：
產品（Product）、價格（Price）、促銷（Promotion）、通路（Place）。
大數據下的行銷將產生一個全新的 4P：
人（People）、成效（Performance）、步驟（Process）和預測（Prediction）。
最先提出新 4P 理論的是全球最具權威的 IT 研究與顧問諮詢公司──
顧能公司（Gartner Research）的副總裁 Kimberly Collins，
而我們將最後一個 P（Profit，利潤）修正為預測（Prediction）
（詳見圖7：新 4P 革命：即時預測帶來智慧控制）。
從舊 4P 到新 4P，大數據行銷究竟如何顛覆傳統行銷？
首先，
企業應該從過去「經營商品」的思維，轉向以人為核心的「經營顧客」
思維，而大數據時代，正提供了觀點轉型的最好時機。
大數據讓
「一對一行銷」、「個人化行銷」不再是天方夜譚，而是基本服務。
大數據行銷顛覆近半世紀的行銷 4P 理論，從產品（Product）、價格（Price）、促銷（Promotion）、通路（Place），進展到全新的 4P：人（People）、成效（Performance）、步驟（Process）和預測（Prediction）
每一位消費者的購買時間、購買週期、購買特性都不相同，
但是傳統行銷，無法做到很細緻的個人化行銷，多是大眾行銷或群體化行銷。
例如傳統行銷依據消費者的需求和差異性等，將市場區隔為各個不同族群。
例如一家運動鞋品牌有7個市場區隔，然後搭配7個行銷活動，
往往已經耗費不少人力物力。
但是大數據時代的行銷，市場區隔可以是 7 萬個，相應的行銷活動也有 7 萬個，
同時在系統上或平台執行，若像傳統行銷一樣只能依賴人力去執行這
7萬個活動，幾乎是件不可能的任務。
每個人的購買行為、消費習慣都不一樣，但是傳統行銷因為資源與人力的限制，
因此，往往只能是人去配合行銷，而不是行銷來配合人；
當企業一次只能執行 7 個行銷活動，自然只能是活動找人，
而不是差異化的人找活動（people to campaign）。
但是當行銷活動有能力變成多達 7 萬個，每一位消費者都可以從7萬個活動中配對到最適合他的活動，我們必須翻轉舊的行銷觀點，變成人找活動，而不是活動找人。
一旦行銷活動從人群到個人，市場區隔愈來愈小，或者說每個顧客都成為一個分眾市場，個人化行銷應運而生。
第 1 個 P：人（People）：NES 模型，再多的顧客問題都只分 5 種
大數據行銷的第一個P是「消費者」（People）。在大數據時代，以人為核心，消費者存在兩個最大特徵就是異質性和變動性，
其中又以變動性最難掌握（詳見圖 8：行銷新 4P 的第 1 個 P：人（People））。
對於顧客來說，我們建構了一個 NES 模型：
- N ＝新顧客（New Customer）
- E ＝既有顧客（Existing Customer），分三種：
1. E0 主力顧客：個人購買週期 2 倍時間內回購的人
2. S1 瞌睡顧客：超過個人購買週期 2 倍未回購的人
3. S2 半睡顧客：超過個人購買週期 2.5 倍未回購的人 - S3＝沉睡顧客（Sleeping Customer），購買頻率超過個人購買週期3倍未回購、回購率低於 10%。
NES 模型即是為了即時掌握顧客的變動性而設計，根據消費者實際交易數據演算，並配合資料更新進行動態修正。
NES 模型將消費者分成 N（新顧客）、E0（主力顧客）、S1（瞌睡顧客）、S2（半睡顧客）以及 S3（沉睡顧客）五種標籤，隨著顧客沉睡度愈來愈深，品牌能夠有效喚醒的機會愈低、而相對的喚醒成本也將大幅增加。
行銷人過往將行銷預算和時間花在以下工作：
從顧客過往的累積消費貢獻，與前一次的交易紀錄，結合顧客的性別以及消費能力指標，來決定他們的標籤設定與經營方式；但在這些數據資料背後，我們低估時間對消費者動機干擾的影響力，只透過一個平均數的概念，
「大概」定義了超過 180 天沒有回購的顧客，就是所謂的「沉睡顧客」。
事實上，當我們將數據透過 NES 模型演算後發現，很多顧客早在 120 天左右就進入了 S3（沉睡顧客）階段，品牌一視同仁的時間定義，讓企業不但錯失了關鍵的喚醒時機，然後在低喚醒率的 S3 階段才著手補救。這些看似微不足道的小細節，都在浪費企業寶貴的成本與資源。
即時掌握每個消費者的實際狀態，是大數據行銷最重要的第一步。如果我們已有能力為每個顧客量身訂製專屬的溝通時間點，行銷網隨時都可以收網，而不致有太多漏網之魚。
大數據行銷的第一個P是「消費者」（People）。顧客百百種，但行銷新 4P，NES 模型將顧客分為 5 種狀態，分成 N（新顧客）、E0（主力顧客）、S1（瞌睡顧客）、S2（半睡顧客）以及 S3（沉睡顧客）
第 2 個 P：成效（Performance）：每一間店都可以做自己的行銷
大數據行銷的第二個 P 是「成效」（Performance）。
「獲利」是企業經營的共同目標，影響獲利的因子很多，
說穿了就是三個營收影響目標：
顧客數增加、客單價提高、活躍度提升
（詳見圖9：第2個P：成效（Performance））。
前面的 People 談顧客狀態，Performance 談的就是顧客動態。
顧客流動反映在門店導向的觀點，我常觀察到企業在檢視獲利營收時，發現來客數下滑，就直接判定新客疲弱不振，是造成營收衰退的罪魁禍首，立刻決定砸下百萬預算，安排來店贈禮活動提升新客招募，期望能夠一舉提升銷售動能，拉抬業績，結果，新客數確實明顯增加了，但營收卻仍舊沒什麼起色
（詳見圖 10：提升獲利，各店鋪策略大不同）。
原來藏在數據背後真正造成店家營收下滑的原因，其實是高貢獻度的忠誠顧客大量而且快速的流失，活動提升的新顧客對營收幫助渺小，當務之急應是先找出忠誠顧客流失原因、制定顧客挽回方案，先固本補破，才去找新顧客。
看錯數據會錯意，不但會讓店家消耗無謂的行銷預算和時間，解決一個無關痛癢的問題，更進一步給對手可趁之機。這一來一往之間，勝負立判，能不慎乎？
換言之，每一家門店營運的 KPI 都應該根據自身問題做個性化設定。比如說台北在做顧客新增的時候，高雄可能應該做顧客流失，台北 1 店在做顧客新增時，台北 2 店可能應該做顧客流失，端看各門店的數據，來決定它們應該優先改善什麼。
大數據行銷的第二個 P 是「成效」（Performance），講得是顧客的動態。先用 NES 把顧客分五類，但顧客的狀態卻是會改變的，就像圖中的人在溜滑水道一樣，如果不做顧客關係管理，或者在錯誤的時機、溝通錯誤的訊息，那就會讓顧客不斷流失
以上圖擁有 11 家分店的這間企業為例，當企業用整體單一指令的指揮方式來經營的時候，很容易就會下達 11 家店通通在下一季執行任務A的指令，全面招募新顧客；但是當我們透過 NES 分群並結合 BCG 矩陣後，我們將清楚地看到，只有 A 至 D 這四間店需要執行任務 A。在招募新顧客這個指標對分店 E 的營收干擾很大，但是此刻分店 E 在招募新客的表現上已經很好，當前影響分店E的反而是降低沉睡顧客大量流失；同理，分店 F 雖然在提升新顧客這個指標上表現不佳，但是這個指標對 F 分店的營收幾乎不造成干擾，反倒是沉睡顧客的流失，才是真正關鍵。所以，不只是顧客要個性化溝通，分店的營運管理透過數據分析，也應該要能夠做到個別營運任務的差異化分配
第 3 個 P：步驟（Process）：找出 Priority，優先處理危急問題
大數據行銷的第三個 P 是「步驟」（Process），
透過有層次的執行心法，去改善營收方程式。
營收的 3 個變數出現問題時，應該採取什麼樣的戰略，去解決問題
（詳見圖 11：第 3 個 P：步驟（Process））
當店家發現營收下滑，先檢視品項銷售狀況、來客數與客單價等數據，假設顧客人數不夠，應想辦法增加新顧客，或是想辦法留住舊顧客。如果是顧客活躍度不夠、或忠誠度不足，則可以針對早期再購顧客（短期內馬上二次購買的顧客，很有可能成為主力顧客），或現有顧客的定期關懷、購買時的事先提醒等，以不同的行動提升顧客活躍度。
如果問題出在顧客的客單價不夠，則進一步去檢視，究竟是新顧客不夠，還是舊顧客不夠？倘若新客的客單價不夠，通常是因為用了不當方式促銷新顧客，用很優惠的價格吸引新顧客進來，收進來的是不健康的顧客，接下來他很可能沒有辦法繼續貢獻價值。導致呈現出來，新客的客單價太低、再購比率也太低等。
大數據行銷的第三個 P 是「步驟」（Process）。當你從 People 認識消費者，必然有新顧客（N）、主力顧客（E0）一直到沉睡顧客（S3）等五種狀態，然後又發現顧客不斷地往下一個階段流失，很多人看到這邊就已經開始垂頭喪氣。但是第三個 P 要告訴你，流失是可以被控制和改善（喚醒）的，行銷人在不同的階段，應該設定對應的行銷活動，比方說，在顧客 E0 階段規劃顧客忠誠度計畫，或是在 S1、S2 和 S3 不同的停滯階段，設計喚醒方案
第 4 個 P：預測（Prediction）：精準預測顧客下次回購時間
如果說 Process 告訴行銷人從營收方程式和顧客流動是可以被控制的，那大數據行銷最後環節「預測」（Prediction），就是宣告這樣的控制能夠被智能化的監控與執行（詳見圖 12：第 4 個 P：預測（Prediction））。
顧客就像水一樣，水往低處流，從第一次購買的新朋友，到漸行漸遠的流失客，這個過程是常態。但有了大數據之後，行銷卻可以及早做出因應方案。用數據分析未來，從分析走向預測，推算出會員的「下次購買時間」（Next Purchasing Time, NPT），讓店家在對的時間對最有可能上門的顧客說話。
假設顧客的狀態就像五階段的水槽裝置，從新顧客（N）一路向下流向沉睡顧客（S3）。「智能控制」可以偵測每一個環節，當水槽水位或是管線流量出現異常，系統自動對它做回饋、修復，或是提出警告，哪個環節出了問題，並依據 KPI 自動做出最優化的調節設定。舉例而言，當顧客從主力顧客的水槽流到 S3 水槽的沉睡顧客，意指高達 90% 的機會顧客會徹底流失，亦即所謂分手階段。彷彿男女朋友，等到快分手才去挽回，不但事倍功半，成功挽回的機率也很低。
但是，當主力顧客開始流向沉睡顧客時，必然先經過 S1（瞌睡狀態）、S2（半睡狀態）兩個水槽。透過智能控制，就可以在 S1 瞌睡階段事先偵測到，當發現顧客已經有一點疏離，智能控制就會給出關懷或提醒等，以控制降低顧客流失的水量。
「智能控制」可以做到即時偵測、零時差溝通和個性化訊息，即時而且適時的調節，完全零時差、零誤差，這也是整個大數據行銷的精髓。
水往低處流，要把愈低層的水抽上來，需要更大的動能。同理，NES 顧客模型就像五個層層向下的水槽，為預防顧客不斷地從主力顧客（E0）慢慢滑落到無法挽回的沈睡顧客（S3），我們不但要建立有效的預警和調節機制，而且這套機制，必須藉由大數據的演算和預測，做到「智能控制」，基於人機分工的策略下，實時偵測、適時調整，而且一切的控制都是基於演算預測後的最佳決策
※ 本文摘錄自《大數據玩行銷》，立即前往試讀