按月存檔:三月 2017

【謝章升專欄】大數據行銷的架構與自我練功6步

在念書的時候,你可能碰過很多指標,很多專有名詞,但出了社會你會發現,老闆關心的永遠只有一個,營收!

大數據通常指的是變動快速且接近普查的資料,如果你的客戶對象是台灣人,而商品的定位也是大眾商品,那這裡的大數據通常指的就是所有台灣人的資料.但通常不會有幾家企業擁有那麼多資料量,但後來手機與網路的發達,資料的取得變得容易許多.以Google來說掌握了人的行為資料, # !以Facebook來說掌握了每個人看過什麼,點過什麼的 #興趣資料 !

如果以營收為目的:

第一步:懂得去看這些描述性的資料,就可以得到即時的經營知識,例如:該不該進入這個市場?到底是市場是成長還是衰退?這些雖然以前也有方法,但現在我們可以免費且接近立即性的得到情報

第二步:而通常利用這些情報,在經營的過程,最多人在網路廣告卡關的問題是:
1.我什麼時候該加碼或停掉我的廣告?
2.會是素材的問題還是目標群眾設定錯誤的問題?
3.沒有成交是廣告還是銷售頁的錯
4.為什麼大部分建議來到1000次曝光或是1000個點擊,接下來的分析才會穩定

大部分的網路廣告投手,常會經歷上面4個問題,而要掌握這些問題,其實不用回去翻統計學課本,或資料探勘或機器學習課本.從
#母體 ,#樣本,#抽樣,#網路廣告的定義,與 #誤差 這幾點去看.

第三步:來到進階-分類顧客
可以運用收集到的客戶名單,成交資料,cookie資料去分類顧客.這部分我們常用到RFM/NES分析,集群分析,決策樹.
分類出來的客戶又可以拿來跟FB與Google去比對出類似受眾.

第四步:預測顧客-喜好
這部分我們可以用到AB測試,MAB測試,與多選項吃角子老虎機器實驗(MAB),目前FB廣告與Google廣告都是用(MAB)這個方法,而不是真的AB測試,通常AB測試我們會把誤差考量進去,而最近FB有新功能AB測試,可能等測試過一陣子才能判別優缺

第五步:預測顧客-推薦系統
這部分可以去分析出買A的也會買C,進而把A跟C包裝成組合包,或是買A的人推薦他買C,或是買C的人推薦他買A.這是我們常用到的推薦方法

基礎方法是用Association Analysis(關聯分析)這個方法,更進階則是用Sequence Pattern Discovery(序列樣式分析),簡單來說就是發現原來買C之後才會買A,所以應該是針對買C的人推薦A才對

這些推薦方法都可以用來 #提高客單價!

第六步:預測顧客-購買的機率
目前技術上是可以做到,購買機率高的顧客讓他看到廣告,或是提高廣告的標價以確保真的會讓客戶看到.目前大部分是全世界各顧問公司在努力的方向,實際的作法也是列為機密

不過這些方法,大部分就是我們稱為機器學習(以前稱為資料探勘)的方法,基本要求大部分是需要有千筆以上的資料來讓模型分析,通常針對預測的正確率會是我們的方向

而模型大部分是採用下列的方法其中之一或是結合:
1.Regression(迴歸)
2.Logistic Regression(Logistic迴歸)
3.Decision Tree(決策樹)
4.Support Vector Machine;SVM(支援向量機)
5.Random Forest(隨機森林)
6.Boosting(提升方法或翻譯成強化學習)
7.Deep learning(深度學習)

相關課程:
Facebook廣告投放入門者課程-台北場-7/1(六)
Facebook廣告投放進階課程-台北場-7/15(六)