ARC 再論述-OCEAN模型（四）

 

接續上次的話題接著說：

客從何來 – 渠道有效度

客戶來源的渠道也是很重要的因素之一，我們希望知道這些客戶從何而來，是通過網站或是朋友推薦？還是在社交媒體上找到的？所以，第二個部分我們要了解的是所謂的「渠道歸因」（Channel Attribution），哪個行銷渠道是最有效的客戶來源？如果能掌握這個信息，就可以判斷哪種渠道是最應該策略性的投入，以產生最大的效果。

客戶通常會經過幾個階段：先透過社群媒體知道信息後，到網路上查詢相關資料，並用郵件連絡確認，接著到現場拜訪，之後再回到網路上查看信息，最後則是回到現場購買。所以，它會經過幾個不同的渠道，最终完成一個交易或者是一個决定。

在這個部分，我們需要知道哪個渠道是最核心且最重要的關鍵點，也是客戶會花最多時間和考量的環節。通常這也是一個成/敗的决定點，客戶在這個點的决定，會很大程度的影響是否繼續正常的客戶歷程，所以知道這個關鍵點，並投入最好的資源，是至關重要的。

對於這個關鍵點，我們可以用馬可夫鏈（Markov Chain）的分析，來幫助我們了解客戶溝通的過程中，如何進行有效的渠道。

在這個例子的數據中，因為沒有對於渠道的信息，所以可能無法纳入我們使用的案例中，但是我們可以用一個假想的情境，並使用下圖清楚的說明其用法。假設我們的用戶購買歷程是有幾個可能性：朋友的直接推薦、從社群媒體中了解相關產品、從網站上查詢資料、或者是開拓電子郵件聯絡溝通、當然還有就是直接到現場。而我們通過對於客戶全程追蹤的數據資料，可以得到不同狀態轉換的可能性。下面是一個典型的馬可夫鏈圖表：

圖表裡面的每一個圓圈代表的是一個狀態（行動），而連接的線是表示轉換狀態的機率。將其中的數值直接寫成如下表的樣子，就是此狀態馬可夫鏈的轉換矩陣。(注意其中每一列的機率總和加起來是等於1。)

 

 

 

透過這個矩陣，我們可以得出，大部分的客戶在哪個渠道花最多的時間，也是我們需要投入最大資源的地方，才能保證這個傳播練不會效率低落。下面的列表是基于這個轉換的矩陣進行100次模擬的结果，也就是在各種可能的開始狀態之下，到最後最有可能的狀態，是在現場進行拜訪，也就是對於溝通來說，現場溝通是最有效率的，也是需要投入最多資源的地方。（計算结果來自：http://markov.yoriz.co.uk/ 的HMM 模擬網站）

 

可以看得出來，大部分的客戶會花最多的次數在現場，所以對於現場的資源投入是最重要的。而其次是網絡，這個也應該作為投入的重點。相反的，朋友推薦和社群媒体的使用不是那麼的重要，對於之後的營銷策略可以做相對應的調整優化。

在RapidMiner 中Markov Model並没有直接的算式，需要使用第三方的插件（https://code.google.com/archive/p/rapidminerhmm/）。

 

維護：

我們的目的是，希望不但能清楚掌握客戶的現有狀態，更能以相應的行動來引導客戶的行為。而這個就需要引入更為廣泛的其他學科理論，比如：以心理學模型来解釋分析结果。

因為通常客戶在做决定時，其所依據的不見得是產品指標或外在原因，而是被心理的潛意識和潛在動機所主導。透過對於行為數據的分析，可以更深入的理解客戶的心理狀態和行為動機，因為人們通常認為自己是理性的人，所有的行為和决定都是基於一套邏輯。而這是一個很大的誤區，因為人類的思想並不如此運作，所有的决定皆受到内部潛意識力量的高度影響，這些力量指導和塑造我們的行為。這些情感力量代表了我們自己的願望和挫折感，我們的大腦不斷尋找外在的刺激，來實現我們的願望，或者停止忍受我們的挫折，這個就是内在的動機，而表現出來的就是外在的行為。所以能明白客戶的行為特性，就可以掌握其心理的特質。

主動的掌握客戶的心理狀態，對於溝通策略的制定是非常必要的。比如說，需要用什麼樣的方法或信息，以刺激或建議他的行動，是需要根據他的心理狀態來決定的，所以在這個維護的階段裡面，我們需要不斷的通過和客戶之間的有效的維護，并且使用心理學的模型，用客戶喜歡的口吻和相信的内容來進行有效的溝通。有些人個性比較急，應對方式是直接訴求，有些人可能情绪比較和缓，就要使用轉性的文字溝通。在這整個溝通的過程之内，能夠讓客戶好感度提升，加强信任感並產生良好的用戶體驗，就更容易答成順暢且有效的溝通，為下個階段鋪路。

 

誰知我心 -心理學的结合

在這個階段我們的目的是要清楚客戶的心理狀態，並用有效的溝通來達到信任感。這個對於建立良好的客戶流程是非常有效，這種基於理解而進行的互動，是讓客戶願意購買的必要過程和手段。

我們需要確定一個心理的分類模式，其不但能解釋人們的心理狀態和行為動機，並且也可以對未來溝通的方式有指導性的作用。再使用分類匹配（心理分類-活動屬性-客戶特質）分析的方式，將現有資料中不同的群组建立不同的反應模型及溝通原則。

重要的是，我們並不預先知道這些群组的實際狀況，只是大概有了幾個分類（從之前的A階段所獲得，而非人為的分類）。我們可以用不同的數據（心理學的範例文本）對於這個客戶群做測試，例如問卷調查，而透過其中回應的内容和頻率，得知若某一個群组對於特定的内容反應較強，這個群组對於相應的心理特質會有較高的得分，通過大量的測試取得的结果，我們可以用一個系統，在接受任何形式的溝通之後，預測不同類型的客戶於何處的得分最高，而以上理論只是一個基本的概念。

但是這個做法不太容易實施，除非公司願意另外投入，但也很難要求客戶做更多的事情。但是對於現有的數據，其中已經具有足夠的信息，讓我們可以用反過來的方式思考。首先，對這些客戶参加的活動做分析，每個活動都需要心理分類並給予評分，然后依照之前群组對不同活動的參與程度，兩者對照後評定每個群组的心理特徵。下面的案例是演示這個操作的方式。

 

01|大海知我-OCEAN的模型

首先，要確定使用的心理學模型。我們使用的心理模型是所謂的 OCEAN 模型。在人格特質理論領域裡，人格五大特質（Big Five; Five-Factor Model; or OCEAN）分類的起源甚早，最先是來自於心理測驗的先驅弗朗西斯高爾頓（Francis Galton），他認為智力特質（intellectual traits）是遺傳的，並首創人格量表来測量心像（mental imagery）。而Costa和McCrea加以彙整人格特質為五個向度，這就是近年來廣為心理學家所接受的人格五因素論，此五大人格特質為：

 

1.      經驗開放型（Openness）：心胸寬大、大膽的、冒險的、不喜歡熟悉或例行公事；

2.      勤勉審慎型（Conscientiousness）：包含謹慎、小心、思慮周到、負責、有组織、有計畫、勤奮、和成就取向；

3.      外向型（Extraversion）：包括善交際的、群居性的、愛說話的、和活躍的；

4.      友善型（Agreeableness）：指禮貌、可彈性、信任的、和藹的、合作、寬恕和心腸軟；

5.      神經質型（Neuroticism）：低自尊、容易緊張、過分擔心、缺乏安全感、較不擅長控制自己的情緒、憂鬱、挫折、罪惡感、並有非理性的想法，身心困擾及無效的行為反應。

 

根據幾位學者的研究，過去這十年來，人格五因素論已經被证明是相當健全的，可以捕捉到大部分人格的差異性。這五大人格面向確實被應用在不同的領域中，而取得很好的结果，所以我們在這裡就借用這個模型，以做不同群组的心理面貌分析。

首先，通過之前的活動資料，建立不同活動所影響的OCEAN特徵，對於不同的群组，依照其反應較為強烈的活動，導出其可能具備的心理特質。

 

這個的做法是：

1）建立基本的OCEAN的範例基礎

2）给與不同活動相對應的OCEAN 評分 （使用文本分析的分類方式）

3）分析不同群组中不同活動的比例

4）建立不同群组的OCEAN 評分

5）使用新數據來檢定群组的OCEAN評分

 

 

02|奇妙結合-特質匹配

將之前的OCEAN範例文字做成基本的判斷依據，然後將每一個活動的内容，使用文本分類的方式和這五個範例做相互比較，並把所有的活動都给予一個心理特質，然後用不同活動的心理特質評分，對於不同的群组，根據其對於不同活動的參與程度，進行心理分數的打分，最後將這個分數加總之後做成平均值，就是其群组的心理狀態。

對於RM的做法是：第一步，先將相對應的心理特質的範例文章的導入【Step-A】，並進行文字的處理，其中需要特别注意的是，因為中文需要使用外在Python的函數庫（Jieba）來進行分詞斷字的處理。第二步，使用監督學習的模型(這裡是使用支持向量機)進行文章的分類判斷模型【Step-B】。第三步，將對於不同營銷活動的描述，也經過同樣的文字處理【Step-C】，而其中除了中文之外，另外要注意的是，必須使用相同的文字字典，所以在Process Document 的Operator 中有一個外部字典的書入。最後一步，直接使用之前建立的模型，對於活動的敘述作一個判断。並建立相對於整個營銷活動的心理特質相關的分數。之後我們對於不同群组中哪個活動的反應最大，可以判斷其相關的是何種主要心理特質，可以再加入第二或第三個活動，不同群组可以有複合的心理特质，之後的溝通也可以结合不同的重點，這樣會更準確。

（這個需要特别注意，其中對於活動的設定是 “用戶自訂義”屬性，並沒有在原來的系统設定中，所以也只是作為一個標誌，其作用和 “id”類似）

 

通過這個圖形，我們可以清楚看出不同群组對於不同活動的比重，而使用上述的系统，將活動的内容和OCEAN 的基礎範例做對比，我們可以得出不同活動的OCEAN 評分，而從中我們就可以看出這些群组所對應的OCEAN 的評分。

其中需要特別注意的是，我們應該將用戶的客觀行為和我們主觀（内部）認定的OCEAN特徵分開評定，而不是像很多公司建議的做法由業務人員直接對客戶做出判斷，將其OCEAN的特徵納入客戶分類，再匹配不同活動所支持的特性，這樣就是造成了内部的自循環，而沒有一個客觀的檢驗方式。

正確的做法應該是客戶通過客觀的行為（包括所餐加的活動）來進行分群，之後再通過活動檢查其所相關的心理特質，從而建立對於不同群组的判斷。也就是我們不是追求用OCEAN來做群组分類的標準，所以一個群组中可能有不同OCEAN的側重點，而我們也不應該盲目的相信人是可以單純並絕對的歸類到某一個OCEAN類别中，群组可能同時具備所有的OCEAN的特性，只是有不同的比重而已。

另外我們要不斷測試數據，檢驗我們的範例文檔，活動分類以及群组性質，每一次的溝通活動都是一個最好的方式來測試和驗證我們對於不同群组的假設。

03|說到心裡-溝通組合

一旦掌握對於不同群组的心理特徵，之後我們可以設計不同的活動，會有不同的訴求方式，來進行溝通，並结合之前不同群组對於不同產品的傾向性分析，我們可以有效的針對某一個特别的產品應對每一個群组，並設計最有效的溝空訴求方式和手段。

對於任何一個產品，我們都可以確定其所具備的產品特性，但是不見得產品特性的表現方式對於所有的客戶都有效。所以，必須根據每一個客戶的特性，用不同的方式（情绪、细節、訴求．．．等）來作為溝通重點，對於不同的客戶群，也要使用不同溝通重點的组合來作為互動的基礎，才能達到最佳效果。一旦我們能掌握不同群组所處於的OCEAN模型中所對應的部分，我們就可以有效的設計溝通策略，包括不同的訴求重點和表達方式，其對應於不同的群组可以達到的效果，比A/B-Test 有效的多了。

雖然我們不知道系统如何的分群，但是如果有新的數據，就可以快速的納入某個群组，而對於他可能的相對行為以及產品傾向，都能有比較好的把握。之後也可以觀察，不同的群組，其對於不同產品的喜好程度。

 

 

04|轉換

這邊我們使用所謂的prescriptive analysis，處方性分析。之前我們所了解的分析都是一個單獨的模型，是對於單一特性或者解釋性分析（分類）及預測性分析（溝通）的部分。但是，如果在系统中同時有兩個以上的子系统，對於整體目標有影響能力，而兩者之間又是互相連動的，這個時候我們為了能優化整體的目標，則必須同時對於多個模型做分析，通過同時調整多個子系统而達到整体最優的结果，這個就是處方性分析。

對於在ARC 的最後階段，就是高效且合適的轉換潛在客戶為購買客戶，我們也可以使用類似的概念，例如用多種的促銷方案，但是每一個促銷方案都有其相關的成本，而對於不同的客戶提供正確的促銷方案，可以使整體的產出和收入達到最大化，而成本最小化，這個部分可以通過類似像處方性分析的方式來優化整個促銷方案。

首先我們還是使用在第一階段的分類數據，把相關的數據做一個整理，就可以得到這個表；

	人數	購買	未購買	轉換率	產品-S	產品-C	產品-Q
群组-0	41	6	35	15%	87.8%	12.2%	0%
群组-1	535	173	362	32%	78.7%	15.1%	6.2%
群组-2	65	46	19	71%	71.0%	24.8%	4.2%
群组-3	164	107	57	65%	77.4%	21.3%	1.2%
群组-4	238	93	145	39%	43.1%	56.9%	0%

觀察這個表就可以看到，不同的群组的轉換率和對於產品購買的傾向性，而可以决定這個群组可能带来的商業產出。使用整個數據，我們可以將客群產出和營銷成本這三個模型做整體上的配合。我們用下圖來說明做法：

不同活動的成本不同，而能產生的效果都希望能最大化。這個部分就是之前所說的，可以使用處方性分析的方式，變動不同活動的投入數量，而能在整體的營銷計畫的預算中，得到整體商業的最大化。處方性分析可以很有效的衡量，投入和產出之間的關係，通過ARC的這種方法把整個數字化營銷真正的落實。

但是因為這個範例並不具備這樣的資料，所以這個只能是作為一個参考的思维方式。其他的轉換方式也有很多，例如使用關聯性分析，針對不同群组裡面的相關物件，利用關聯分析的方式，可以找到其間的關聯性。這樣在不同群组之中推薦的效果，能夠更為準確，也更有效果。但是也因為我們的範例不具備這樣的產品特性，所以無法支撑這種分析，僅供各位大家作為餐考。

 

05|總結

整個數字化營銷的部分，我們使用ARC的框架，希望通過資料量化和數據分析的方法，將營銷從基本主觀的哲學轉換成較為客觀的科學。以客戶的歷程做主軸，將其中的三個主要階段：獲取、維護、轉換中的過程，使用機器學習以獲得之前所没有辦法得到的信息。

而使用類似如 RapidMiner 的軟件，可以不需要被編程軟件的技術門檻所限制，我們有更好的能力去完成需要做的事情，不會只限制於技術的語言，更因為這是一個開放性的平台，且一直持續的更新，對於任何新的前沿技術，如神經網絡、圖形處理、時間序列等等皆有影響，雖然在現在都是很專精的領域，但都可以很輕鬆的在這個平台上使用，並發揮其最大的效果。

 

這個也是我的一個基本概念，數據分析不應該只是一個理論學科，或者是專門技術，它的目的仍然是為了要服務真實的困難和解決現實的問題，所以能夠用最有效的方式完成目標，才是數據分析真正要努力的方向。而這個案例也很好的說明，數據分析事實上是可以和每一個人的生活都息息相關、發揮效果的。

 

 

06|關於暢品科技有限公司

暢品科技有限公司是國內 RapidMiner的總代理公司，具有多位元國內外專家，致力於資料分析的實用化和相關諮詢培訓。公司對於數據資料行銷、管道管理、工業自動化、物聯網等行業有實際業務提供專業的服務。如有需要歡迎與關注我們的資訊（QR code）並與我們實驗室聯絡。

 

實踐大學數據分析實驗室
reskm98@gmail.com
07-6678888-4380