從資料科學看消費者行為-行銷轉資訊科學的心路歷程
講者簡介
版聚回顧及重點摘要
一切從好奇開始
大家好！我是Olivia，很開心能透過這次網聚，與大家分享自己的一些經驗和淺見。在受邀出席這次分享時，有點擔心沒辦法像其他大神講者分享一些很厲害的想法。因為我求學過程一路走走停停，沒有特別專精於任何一門科目，也沒有對特定運動或特定事情有喜好，對很多事情都有點三分鐘熱度。
唯一覺得比較特別的地方是我很熱衷於嘗試新的事物，也對很多事情保有十萬個為什麼，想知道很多事情背後決策的原因。這句話大概可以一言以蔽之：
”I Have no special talents. I am only passionately curious‘’ — Albert Einstein
從這句話延伸，想跟大家分享三個淺見：
- 如何運用：經常思考如何運用所學，來幫助決策
- 如何解釋：希望能以更科學、更架構化的方式解釋決策背後的故事，並從故事中學習許多行銷者、策略者的整合智慧。
- 如何整合：如何整合所學，藉由資訊科學將這些智慧以結構化的方式轉移到不同領域。
而這三個特點也幫助我從一個小小的行銷企劃員，到目前在 Nike 帶領了 6 個人的團隊，以我們對產品與消費者心理與行為的研究，影響所有 Nike 網站與商店裡產品規劃的決策。
Photo by Paul Steuber on Unsplash
從不知其所為，到熟悉消費者行為洞察
在我 09 年於中興行銷畢業的時候，全世界處於金融危機與蕭條，那一年非常難找工作，所以大多數同學選擇繼續讀研究所。我的同學有些轉去讀 MBA ，有些轉去金融產業，但因為我還不知道研究所想念什麼，於是就先進入我相對於較熟悉的網路行銷產業。
在 09 年到 13 年之間，我專精於網路行銷、 SEO、內容行銷、Google Adword，從那時候開始，我便熟悉了各個行銷渠道，根據客戶的需求協助擬定行銷策略。在這個過程中，其實都還是以「過去行銷成果」做為參考來提案，並不是很了解背後所有的故事。
Photo by Stephen Phillips - Hostreviews.co.uk on Unsplash
在 2010–2012 年台灣大數據更盛行的時期，很多前輩開始分享如何運用大數據去了解行銷決策背後的原因。在了解並收集相關資訊的過程中，我更是與此塊深深的著迷。因緣巧合之中
發現 Northwestern 的 IMC(Integrated Marketing Communications) 研究所的課程包含 consumer insight, customer database management, marketing testing，能夠結合我對行銷跟數據的熱情，幫助我更了解 customer insight。
因此，在主管跟家人的支持下，我決定前往美國就讀 IMC 學程，而畢業後我也順利進入 Discover，一家網路銀行工作。雖然當初不太喜歡金融，但我的組主要是做網路行銷和消費者（卡員）行為分析，可以讓我同時接觸行銷與消費者行為，是一個 perfect match。
在 Discover，我專注於 customer segmentation, A/B testing, e-mail marketing，我們組特別著重分析那些欠債的人：
為什麼這些人會欠債？這些人的年齡如何？在欠債的情況下，依照他們不同的需求，我們可以提供什麼 financial package 給他們？
在進入 Nike 後，我主要負責 consumer insight analytics，持續應用在 Discover 專精的 customer segmentation，並搭配更多購物車分析跟自然語言的處理。
Photo by Erik Mclean on Unsplash
從行銷到資訊科學
在剛開始踏入行銷領域時，面對客戶我們只想著兩件事：客戶需求與預算。在沒有大數據的情況下，我們只是依照客戶的需求，搭配過去的經驗，提供不同的預算能做的不同方案與預估的成效。
這樣的決策過程，是很經驗導向的，得到的結果也往往會有很多插曲。所謂的插曲就是有時候成效好，有時候成效不好，不同的客群會有很大的成效差距，但我們往往無法解釋為什麼。
在我接受過大數據的洗禮與研究所所學的分析工具，我發現收集與分析消費者的行為數據，才能更有架構的去了解消費者行為並優化行銷成果。
在執行行銷策略的過程，有兩個時間點可以運用資料科學去了解消費者行為
- 對決策做預估：可以從歷史資料找出過去消費者行為，依照不同客戶的預算與需求去找出相似客群，並依照對消費者行為的理解，提供行銷決策的建議並預估成效。
- 執行決策後對成果的評估：在決策執行後，我們可以回顧成效，去看預測與執行間的落差，從研究落差的原因：「為什麼消費者的行為與我們預估不同？」再去優化我們的決策。
在 Discover 時，我們主要進行網路行為分析，舉例來說：我們認為某些族群對特定產品有比較高的點擊率，我們就會依照這個假設進行測試，再依照測試收集到的數據，分析成果並持續優化執行成效。
而在 Nike 時，我們主要負責產品評估，因此會試著從數據了解消費者行為，了解消費者購買行為想達成的結果，進而知道如何提供消費者所需的產品與服務，以下會以消費者行為框架進行分享。
Photo by Kristian Egelund on Unsplash
消費者五大行為研究，優化 Nike 各部門決策
消費者購買行為指的是，人們為了滿足需求與慾望，藉由尋找、選擇、購買、購買後的評價與售後服務，我們可以從這五大行為中收集數據做分析：
當我們從過程中收集到資料，可以幫助我們更了解消費者為什麼要做這些行為，整理成 customer insight 優化 Nike 各部門的決策
- 品牌/行銷 Brand/Marketing：專注在 awareness，分析消費者 emotional 層面的反應，知道哪些素材會吸引消費者。
- 會員 Membership：專注在 customer life-time value，知道如何 retain customer。
- 購買經驗 Experience：專注在了解消費者在看到產品到購買的過程中，哪些環節不夠順暢需要優化，舉例：如果消費者要花 5 分鐘去找到產品，通常消費者就會不耐煩而流失。我們就要研究哪些環節需要優化，可能是產品標籤的影響，是不是要放大顯示？可能是產品照片與資訊需要改變呈現方式…等。
- 產品資訊 Purchase：專注在了解消費者在不同時間點購買產品的行為，或是哪些產品對消費者來說比較有功能性的訴求，因為哪些產品資訊而讓消費者決定購買產品。
- 客戶回饋 Voice of Customer：專注在了解消費者對產品的反饋，反推消費者為何要買某個產品，給出負面反饋的消費者是否有哪些需求尚未被滿足。
我所帶領的團隊主要是負責跟眾多 merchant 去討論每個季節要有什麼產品需要放在網站上或店內。我們會分析消費者喜好和每個季節銷售的好壞，知道哪些產品、什麼顏色或造型符合消費者需求，merchant 就可以決定哪些產品該上架或該下架。此外，merchant 也會根據供應鏈的狀況，根據市場研究，計劃哪些產品可能比較吸引不同買者購買。
我們也會協助分析不同的客群，與消費者反饋。像是喜歡跑步的消費者，可能會在意鞋底與鞋寬是否舒適；或是，跑友可能對跑鞋夠不夠透氣排汗…等材質上的回饋。我們在將這些資訊提供給產品開發團隊，幫助他們決定產品開發方向，做到對消費者最友善的產品改善與開發。
我再挑選幾個面向與大家分享，第一個：
誰是購買者？
從資料科學在看消費者行為，第一步我們需要了解：消費者是誰？常用的購物平台是什麼？對什麼產品有興趣？我們才能提供不同客群客製化的產品推送跟開發。
但大多數的時間，我們不太知道購物者是誰，只能依照人口基本資料（etc. 性別、年齡）、購物平台喜好（網站、APP）、地區、行為（購買頻率、新舊客）分群。
我們會把上述這些特性做成標籤，幫助我們更有效地將消費者分群，再了解目標客群樣貌、了解客群遇到的問題、希望我們的產品能怎麼解決問題。
我們也會利用消費者行為研究，幫助產品初期的發展以及定位，可以讓行銷策略更加的精準投放。
除了研究消費者行為，我們還需要設身處地去研究消費者常用的社群平台，去了解有什麼新的潮流？哪些明星有新的打扮？這些也是形成消費者購買動機的一部分，有這些資料我們就可以針對不同客群提供不同客製化內容。
在 Nike 我們很常進行客群描述（user persona），舉例來說，今年夏天我們需要瞭解某某球鞋的客群，這是一群 25 歲以下的年輕族群，活躍於 Nike app 上，平均每季會購買一雙潮流球鞋，而此球鞋也很常幫助 Nike 吸引新的消費者。
Photo by Mathieu Chassara on Unsplash
當我們要針對這些族群提供資訊時，我們就會到資料庫找尋哪些素材會引起 25 歲年輕男性的興趣，舉例來說：我們發現 25 歲的消費族群對於某特別造型（例如：高筒或低筒…等）球鞋關鍵字會有比較高的互動率，我們就可以將這個資訊提供給文案團隊，製作出不同文案吸引這群目標消費者。
如何購買？
在了解消費者購買行為上，我們常常以 A/B testing 的方法做出不同的網站設計，去看哪種設計比較能吸引消費者注意，比較能讓消費者採取行動，打造出消費者理想的購物環境。
我們最近有個例子是，當你到網站上看到喜歡的球鞋，但有些已經沒有尺寸或是已經沒庫存了，這時候我們在思考如何留下這個有購買意圖的消費者，或是如何讓潛在購買消費者能夠再回來完成購買。
而 A/B testing 其實不只包含網站優化，我們也會從客群方面進行思考，像是年輕消費者，比較喜歡看到有趣的產品，或是有動畫在產品頁；年長的消費者會比較在意產品的細節、產品的特色分析，因而我們會依照不同的客群做出不同的頁面優化。
Photo by NEW DATA SERVICES on Unsplash
何時購買？
關於消費者何時購買，其實不同企業得到的結論會不太相同。
了解消費者何時購買？為什麼原因最後完成購買？我們就可以設計正確的促銷與新品推出的頻率與時機。
藉由了解消費者會在哪些季節購買哪些產品，我們可以進行每季產品線的規劃；透過購物車分析，了解消費者會同時購買什麼產品，哪些產品是比較能夠帶給消費者搭配靈感，我們就可以進行交叉行銷。
舉例：我們想促銷上衣的話，可以思考是否將上衣放鞋子與褲子的產品頁面，吸引消費者在購買褲子時，順便帶走上衣。
有些產品特性太相近，對消費者來說是互補品，這時候我們就必須把這些產品放分開一些，避免造成消費者選擇障礙，無法做出購物決策。
Photo by Lennart Uecker on Unsplash
售後服務
售後服務與產品的評價更是消費者行為分析不可或缺的一環：
當我們能夠認真聆聽消費者的訴求與了解市場趨勢，我們就比較能夠投其所，開發出引領潮流的產品。
在分析產品售後服務與產品評價的過程中，常常可以看到消費者的抱怨，從這些抱怨中，可以挖掘出「消費者當初購買是想要解決什麼痛點？」。
舉例來說：消費者買了一個鞋子是希望讓我跑得更遠，為了跑得更遠，消費者就會比較在鞋子緩衝的設計，是不是夠柔軟？是不是能讓我跑得更久而不會疼痛。
當消費者有這樣的問題需要解決時，在搜尋產品時就會專注在某些特點，如果購買後發現這個產品與他的預期有落差時，就會到網站上抱怨。
我們是用自然語言處理去觀看這些產品評價，我們會用一些分群的方式去了解消費者的痛點像是：外觀、特點、材質…等，然後將這些消費者反饋送到產品開發團隊，讓產品開發者能持續改善我們的產品。
Nike 在零售產業中領導著市場的趨勢，因此我們也用大數據分析去做很多市場趨勢的調查，我們也會去看一些敵對公司或是 fashion show，挑選出一些合適的項目執行在產品的開發上。
但其實很多產品與社群趨勢，很容易曇花一現，由於 Nike 在產品開發流程上需要花大約快兩年的時間，因此我們必須要分析這些趨勢是否值得投資。
我們必須要結合市場趨勢與消費者行為的分析，去發想哪些產品能符合潮流又投消費者所好，最終打造出消費者心中最佳的產品。
講者QA
Q1: 請教您所帶的團隊(customer insight/analysis) 的KPI 是如何定義, Nike 如何評估貴團隊的績效 or 直接/間接對公司獲益的performance 貢獻?
A1: 其實我們的團隊叫做 product merchant & member analyst，簡單來說是如何以消費者行為去打造產品，因此我們其實不太像業務單位的KPI是要銷售多少產品，我們的團隊比較像是智囊團，去協助 merchant 去看哪些產品賣的好？哪些產品賣的不好？
協助 merchant 有一個比較結構化的方法去了解這個銷售結果背後的成因。
如果真的要講數據的話，我們每季會 review上一季提出的策略成果如何？根據我們的成果去找到一些痛點，可能某些球鞋並沒有賣的不如預期，merchant 就會來聯繫我們：問有沒有什麼方法可以幫助他們了解為什麼？
Photo by Jason Goodman on Unsplash
Q2: 請教你們資料分析團隊中, 行銷分析人員與資料科學家的分工合作模式? 您在雙方溝通中常碰到什麼衝突? 您是如何化解?
A2: 我們團隊主要要面對大概 300 個 merchant，而 merchant 就是要決定每個季節，什麼產品要上架或下架，因此我們需要聽 merchant 的問題作出快速的分析。
在過程中我們可能發些有些問題需要建模，或是需要比較大型的數據分析與 scalable dashboard 才能回答他們的問題，這時候我們就會去找 data scientist 溝通，請他們協助。
我們團隊是第一線面對 merchant ，會挑選一些題目交給 data scientist 去做更深入的分析。常常會遇到的衝突是，data scientist 會有自己的 roadmap，但他們也有痛點是：他們不知道 business 要幹嘛？
所以我們就是擔任溝通的橋樑，去溝通 data scientist 建出的模型要怎麼能適用於商業場景，解答商業上的問題。
我們的做法是建立一個合作的模式，讓 data scientist 可以更靠近商業面，讓 data scientist 理解商業上的問題，然後讓他們做的事情可以解決商業上的問題，讓合作的過程更 smooth。
Photo by krakenimages on Unsplash
Q3: 過往的消費者習慣，不一定能代表未來的消費者習慣，因為有太多因素會影響消費者決定是否購買，比如促銷、產品曝光、產品評論，請問你們是如何做歸因，提高數據分析預測的準確率？
A3: 在行銷上的確很多過往情形，不能適用於未來，像是 2019 年的消費者的行為，絕對不能代表 2020 年，因為 covid 真的改變整體消費者行為，所以我們的確要對歷史數據做一些調整。
但在一些基本情況下，我們會知道 promotion 還是可以吸引到一些對價格敏感的消費者，所以如何根據對消費者本質行為的理解，進行決策就是一門藝術。
舉個例子：在 2020 年 covid 剛開始，其實我們已經規劃好下一年要做什麼，但當時我們依照大環境的變化，了解消費者會馬上被關在家裡，無法到店面消費，那我們就知道要將資源從線下轉移到線上。
而過去我們對消費者在線上的購買行為已有基本的了解，知道線上消費者會在意的是售後服務與折扣，因而我們的決策就要能滿足消費者的這些行為特性。
如果你要做歸因，我要很老實跟你說，在 Nike 我們無法 100% 準確預測未來，我們只能每次挑一兩個因素去優化，然後持續從結果去學習、優化下一次的成效。
Q4: 想請問以Nike來說，在消費者整個網路購買流程中，哪些斷點或是行為是會被重點觀察的？
在消費者網路購買流程中，我們會去看兩個重要的 key indicator
- Add to cart rate：當我們發現這個指標下降時，我們會去看商品在網站上的呈現是不是出問題；如果想提升這個指標時，我們會去看網站上有哪些環節可以優化
- Conversion rate：影響這個指標的因素又更多了，舉例來說在產品牆上我們會顯示 10 個產品，在消費者搜尋跑鞋的時候，該挑選哪 10 個呈現出來？呈現的商品圖片、商品資訊、商品特色、商品排列組合是否能幫助消費者快速找到想購買的的鞋子，讓轉換率提升。
Photo by George Pagan III on Unsplash
筆記手：Lavina Lu
校稿：Tzu-Yi Yen
👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！
