再論ARC模型

2月 05, 2022

如何有效的建造一個平台，可以通過2014年我寫的一本書《鑽石行銷》來把這個問題講解清楚。整體理論是以客戶為主，並從廠商的角度將其中的歷程分為三個階段：獲取/維護/轉換（Acquisition / Retention / Conversation），ARC模式最主要的功能是能夠將客戶流程的核心功能，依照不同的階段，利用科技的手段建立為可操作的平台，通過這個平台能有效的和現有的行銷體系相结合，並產生最大的效用。

階段	意義	作用
Acquisition	數據取得	掌握全面的數據
Retention	信息分析	明白客戶的特徵
Conversion	效果優化	強化實際的產出

簡單來說，就是把整個客戶歷程分為三個過程，首先要能夠掌握客戶資訊的獲取，用今天流行的說法就是導流或漲粉；其次，對接入來的客戶資訊進行很好的維護，著眼點不只是一次性買單，而是建立一個雙方信任度的長期關係；第三個階段為當掌握到客戶需求的時候，能使用合適的方式導引客戶去購買，我們稱之為轉換。

其中所依據的操作模式横向分為平台/運營/操作（Platform / Procedure / Program）的二维模型，並稱之為3P模型。這個3P模型在底層需有很堅固的平台做支持，在實施需有清楚的流程操作，而在運營上需有清楚的項目去做執行。對於數據分析的平台，我們可以用下圖做具體說明：

這個模型最核心的概念是如何在ARC 3P的框架上，有效的把客戶歷程在每一個階段都做到最好，並且是可以通過客觀量化的方式来驗證。因為對於任何事務，不僅是行銷，如果没有辦法用一個客觀的方式評估，只是主觀認定，那就難以清楚說明，也没辦法標準化，更不用說優化，所以建立清晰的流程思考並且又能評判優劣，就必須是有數據做依據的量化操作，而所有的操作都是以數據作為核心。

下面我們用一個案例說明：

如果我們把Rapid Miner 自帶的練習數據（Data->Titanic的數據），作為一個汽車公司4S汽車銷售店的客戶數據分析的實驗，這是很合適的案例。因為有所有人的資料，加上其中有些數據，讓我們可以變通操作和改名，也能得到合理的解釋。比如我們可以將船票的費用作為個人的收入，而上船的港口作為有意願購買的產品分類（也就只有3個產品），當然包含最後的生存與否，就是最後有無購買的决定。然後數據將沒有年纪和年纪小於20歲（任意的設置）的數據清除掉，如下截圖：

這818個案例數據可以作為汽車銷售的練習數據，通過分析能夠掌握當地區域的客戶分群、銷售機會和傳播策略。我們會用這個練習說明如何使用數據分析，並把ARC3P實際落實到真正的項目之中。

01|獲取

首先我們談到ARC框架中的Acquisition階段，也就是對於客戶資料的收集和理解。希望通過現有的客戶，不管是通過實際調查，或是線上溝通等各種渠道，都能夠盡量掌握最多最廣的數據，從而進行數據理解和分析。客戶的資料，不僅僅限制於性别、年纪、收入、住址等，這些只是外在的資料，還要盡可能完整的收集相關行為資料；比如聯絡紀錄、網站瀏覽等行為資料，從這幾點可以反映客戶的心理狀態和行為特徵。通過收集外在和内在盡可能完整的數據之後，我們才能建立一個很有效的客戶輪廓（Customer Profile）。

通過這個客戶輪廓(profile)，我們不但能了解客戶的情况，並能大概明白其心理狀態。如果再结合心理學或是社會學的一些模型去進行判斷分析，就更能掌握其動機和傾向。這樣可以協助判斷客戶是否具備成為潛在客戶的重要依據，使我們可以更準確和有效的與其進行溝通。

02|銷售機會

首先對於數據，我們可以依照現有的數據，做一個模型來判斷新客戶購買的可能性。因為現在的數據已經是高維並且多樣化，所以基本上人們無法直觀的看出新客戶購買的可能性，但使用機器來分析，只是一個分類學習的基本課題。

對於銷售機會的分析，我們可以通過現有的數據，進行基本的分類監督學習。通過上圖，可以看得出來：首先第一步將數據代入【Step-A】，可以直接從資源池中拖入，或是從EXCEL文檔導入；第二步是數據處理【Step-B】，做屬性的選擇與建立目標值（購買？）；第三步是直接帶入分類的模型【Step-C】，這邊我們使用一個RM的操作元件- Cross Validation，這個Operator除了做模型分類之外，也同時可以進行對模型準確度的評估。可以看得出來，這是使用簡單的決策樹立模型（相關的機器學習的模型理論，我們在前面都已經討論過了，這裡就不再做說明）。

其模型準確度就高達79%+/-3.69%（如下圖），是一個有效的模型。

所以第四個部分，就能對未來新的數據，進行是否會購買的機會分析【Step-D】

03|客戶是誰

第二個分析是基於客戶屬性。我們不通過人為簡單而主觀的觀察來進行分類，系統自己判斷數據之間的關係，從而將類似的數據分成幾個不同的群體。因為系統能細緻地處理高維度的數據，而不是通過人為的判斷，這邊我們使用K-Mean的分類方式【Step-E】，這是一個非監督性的群聚分析。因為在沒有人為的干預之下，系統可以依照屬性之間的關係規律來做分群，雖然這樣的群組可能未必有可以解釋的意義，但是根據系統分析能將相似的人歸到特定群中，而其中可能就有潛在的規律，之後，可以對這個機器自動分群的結果進行分析，以得到更深入的見解。

例如，不同群組對於特定的屬性比較類似，或是對於產品具有傾向性等等，但是這個部分不是只有一組「標準」答案。事實上，需要對於數據做反覆的試驗，並且和社會學、心理學等跨學科進行共同發現，以得到可以作為之後溝通決策的理論依據。