TShopping

 找回密碼
 註冊
搜索
查看: 185|回復: 0

[分享] 行銷 4P 理論要改寫了?大數據這樣顛覆消費市場!

[複製鏈接]
發表於 2016-4-4 15:58:46 | 顯示全部樓層 |閱讀模式
 
Push to Facebook Push to Plurk Push to Twitter 

1.jpg

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,1個人就是1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)。

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」,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。

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,自然只能是人找活動,而不是差異化的活動找人(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,因而翻轉舊的行銷觀點,變成是人找活動,而不是活動找人。

於是,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NES模型,再多的顧客問題都只分5種

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。

2.png

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)
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,這3個標籤及5族群,完全根據消費者實際交易數據演算,並能夠配合資料更新進行動態修正。

大數據行銷的第一個P是「消費者」。NES模型能夠透過即時的演算將消費者分成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)5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度增加。

行銷人過往將行銷預算和工作時間,根據顧客自然屬性的分群進行分配,習慣性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;但是很明顯的在這些數據資料背後,我們低估了時間對消費者動機干擾的影響力,可能只是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。

但是事實上,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。

即時掌握每一個消費者的實際狀態是大數據行銷最重要的第一步,如果我們已經有能力為每一個顧客量身訂製專屬的溝通時間點,該是時候把撒網捕魚的行銷網給收起來了。

第2個P:成效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」,「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3個營收影響目標:顧客數增加、客單價提高、活躍度提升。

如果前面的people談的是顧客狀態,那麼performance談的就是顧客動態。

顧客的流動反映在門店導向的觀點,常常觀察到當企業在檢視獲利營收時,發現來客數下滑,就直接判定新客數疲弱不振,是造成營收衰退的罪魁禍首,所以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。

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,當務之急應該是先找出忠誠顧客流失原因、制定顧客挽回方案,先求固本補破然後才去招客。

看錯了數據會錯了意、不但會讓店家消耗了無謂的行銷預算和時間,去解決一個徒勞無功的問題,更進一步給了競爭對手可趁之機,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,台北的1號店在做顧客新增的時候,台北的2店可能應該做顧客流失,端看各個門店的數據來決定它最應該優先改善的是什麼。

第3個P:步驟找出priority,優先處理危急問題

大數據行銷的第三個P 是「步驟」,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。

當店家發現營收下滑,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、忠誠度的問題,則可以針對早期再購顧客,或是增加對現有顧客的定期關懷,購買時的事先提醒等各種不同的行動,去提升顧客的活躍度。

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,通常是因為各種針對新顧客的促銷手段,當新顧客進來用的是很優惠的價格,通常收進來的是不健康的會員,接下來他很可能沒有辦法繼續貢獻價值。

呈現的問題就是新客的客單價太低,同時新客再購的比率太低,新客轉換率太低等,主要就是為了促銷做了不當的方式。

第4個P:預測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會員流動是可以被控制的,那大數據行銷最後環節「預測」,就是宣告這樣的控制能夠被智能化的監控與執行。

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」,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5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。

3.png

NES顧客水位圖,顧客再多也只分5種狀態

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3個層層向下的水槽,為預防顧客直接從E0(主力顧客)滑落S3(沉睡狀態),要建立調節機制,在顧客進入S1(瞌睡狀態)時,做出應變措施。

(本文出自《大數據玩行銷》。)

圖片來源 / ShutterStock



 

臉書網友討論
您需要登錄後才可以回帖 登錄 | 註冊 |

本版積分規則



Archiver|手機版|小黑屋|免責聲明|TShopping

GMT+8, 2016-12-4 16:05 , Processed in 0.069642 second(s), 25 queries .

本論壇言論純屬發表者個人意見,與 TShopping綜合論壇 立場無關 如有意見侵犯了您的權益 請寫信聯絡我們。

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回復 返回頂部 返回列表