大數據玩行銷：改變世界的18個大數據新思維，第1本把大數據變成營業額的行銷聖經

中國大數據教父車品覺，隔海跨刀推薦
6個Before&After思考、6個國際品牌案例、18個大數據行銷新觀點
一次看懂大數據怎麼用

老奶奶會不會買鋼彈模型？
折扣戰是最笨的行銷？
剛剛說A，現在變B，1個顧客體內有24個比利？
茫茫人海中，如何找到VVIP搖錢金牛(cash cows)？
發問卷回來都勾「滿意」，如何讓顧客說真話？

別再猜了！大數據幫你看透人心
1條營收方程式 、5種顧客狀態、10個關鍵指標

營收方程式＝有效顧客數 X 顧客活躍度 X 客單價
客戶再多也只有5種狀態
問題再難也只看10個指標

【用大數據玩行銷？看看他們怎麼做】

阿里巴巴──消費者動態標籤：19個顧客標籤，掌握顧客DNA
雀巢──搖錢金牛 VVIP：死忠顧客就是你的品牌軍師
黛安芬──精準推薦模型：店裡一定有一款商品他會買
藝文產業──向上&交叉行銷：門外漢變鑑賞家，芭蕾舞劇迷也愛聽相聲
電影VOD ──自動化評分模型：不是好萊塢大卡司，也能衝上Top 10
湖南衛視快樂購──動態定價：500萬名會員就有500萬種價格

【膜拜大數據大神？CEO和行銷人該知道的事】

疑惑1：數據這麼大，滿山金礦怎麼挖？
Lean思考，先瞄準紅心再開槍
疑惑2：數據這麼難，怎麼看穿數字背後的意義？
蹲好馬步，問對QBQ，深入了解企業與商品才能做決策
疑惑3：大數據是科學，靠它準沒錯？
人是感性動物，好的決策是理性大數據＋感性厚數據的完美融合
疑惑4：數據無限大，資源卻有限，怎麼有效率用大數據？
把問題依嚴重程度與影響營收程度排序，層次性處理，人腦也需要降維
疑惑5：大數據行銷成功的關鍵心法？
打帶跑的市場策略，4支安打勝過1支全壘打

【還在拿舊地圖找新行星？快跳上大數據戰艦，來一趟宇宙奇航】

Before人口統計行銷／After大數據行銷
別再用男女分顧客，動機與行為才是關鍵
Before被動分析／After預測分析
看穿「瞬間決策」的祕密，衝動購物也有跡可循
Before 活動找人／After人找活動
顧客半夜3點逛網拍，趕快丟折扣訊息給他
Before人力密集／After數據密集
耗時費力的事交給電腦，行銷人請做決策
Before有形調查／After無形偵測
不用問卷、不必占卜算塔羅，Log幫你讀懂顧客心
Before事後檢討報告／After實驗修正打帶跑
丟掉悔過書！DIET做中學

知名國際品牌都在用，大數據C2B行銷顛覆舊商業模式
行銷人的第一本大數據書，教你「玩轉」大數據

電影《回到未來》商業實戰版，現在的戰爭，7天前就已定勝負

Timing！商戰以秒計算，誰先掌握Timing就是贏家
Prediction！不打折扣戰， 7天前就能預測消費者要買什麼
黏著力！如何讓新顧客源源不絕、老顧客念念不忘？
零時差行銷！大數據偵測，在顧客離開前趕快跟他say hello
3T無縫行銷！實時（real time）、適時（right time）、全時（all the time）滴水不漏

數據不是大就是美，你今天Lean了嗎？

眼前有一座大金礦，含金量10%；還有一座小金礦，含金量90%，你會挖哪一座？

數據不是大就是美，善用Lean思考
問出問題背後的問題，才知道該往哪前進
20/80法則，鎖定小而準數據，金礦就在自己家

陳傑豪 (Tony)

MIGO 執行長。

 美國求學期間主修資訊工程（Computer Science），享受一邊喝著啤酒一邊寫Code的生活，一畢業就進入世界知名CRM公司Siebel，顧問經驗橫跨醫療、金融、服務及軟體產業，曾服務多家《Forbes》雜誌全球排名500強公司。

22歲開始美國創業的冒險，成功地創辦了3間公司，2010年回台灣投入CRM品牌MIGO的經營與轉型。
2014年更帶領MIGO與阿里巴巴集團簽署台灣第一紙「大數據應用合作夥伴」合約。

懷抱著對這塊土地和人才的使命感，希望幫助更多創業者走出國際格局，讓台灣的創意、人才能被夠世界看見。

*各界推薦

中國大數據教父 車品覺
台灣黛安芬總經理 康翔泰
台灣大學全球品牌與行銷研究中心主任 任立中
北京清華大學數據科學研究院副院長 韓亦舜
App Works 之初創投創辦人 林之晨

車品覺／阿里巴巴集團副總裁、中國資訊協會 大數據分會副會長、中國計算數學學會 理事
大數據：「多即少，少即多」

無論是大公司還是小公司，幾乎所有我見過的大數據成功例子都是「一把手」工程。公司的管理層愈了解資料的價值，大數據落地的成功概率就愈高。這也是為什麼我一直希望見到一本能讓老闆們看得懂，清楚解釋大數據能為企業帶來什麼的書籍。

數據作為一種新的原料，它可以用之不盡，也可以讓你物無所用。其中的關鍵在於，資料從收集、存儲、刷新、辨識、關聯、挖掘、決策到行動，是一條很長的鏈路，中間的各個環節環環相扣又互為作用。想要自如地使用大資料，就需要我們把科學、工程和商業三者有機地結合。

數據技術與商業模式密不可分，到底應該以商業為本去收集資料，還是先把數據收集起來，等到未來有機會再用？我覺得這個問題是沒有絕對答案的，反而我們應該問的是：What is the business？

了解商業是使用資料的前提，一切從業務問題出發，不要為了數據而數據，才可以得心應手地使用數據去描述現狀、診斷問題、預測各種可能，以及有效地幫助業務決策並指揮行動。

根據我過去幾年的經驗，好的數據科學家愈來愈難求，而能駕馭大數據的商務人才更是稀有。每個人都聽說大數據之價值是巨大的，但對於很多公司來說，其實它虛無縹緲又難以掌控。

解決難以落地這個問題，我覺得必須要把大數據科普到商業世界中，聰明的CEO 們都應該帶頭去了解大數據是什麼。盲目地投資大數據和原地踏步其實都很危險。可惜現今在市場上看到的卻都是反行其道，滿街都是把大數據概念化的書籍。

《大數據玩行銷》這本書，正好能深入淺出地講解，如何用數據去說明行銷，內容由淺入深，通俗易懂，值得每個從事數據和行銷的人閱讀。

當然了，我們不能幻想這個世界存在一本絕世祕笈，而是需要根據自己的實際情況，不斷從實踐中摸索。

大數據的實踐也正好體現了中國前賢的智慧：「多即少，少即多」的道理。

《大數據玩行銷Big Data Marketing》
[作者序]MIGO執行長陳傑豪Tony
Better Tomorrow,
用大數據改變世界

34歲那年是我人生的轉捩點，因為一向最支持我的母親在那一年過世了，帶著遺憾我開始思考自己的未來，尋著對我母親的記憶與思念，開啟了我尋根的念頭。在美國創業的過程中，我一直都是在西方人的思維中研發軟體，但回過頭、卻發現亞洲在軟體研發上還有很大發展與進步的空間，那一刻、我決定回到台灣，因為我覺得那是我的使命，要讓亞洲研發的軟體有能力站上世界的舞台。
我在美國求學的時候念的是資訊工程(Computer Science)，常常一個人喝著啤酒然後寫一個晚上的程式碼(Code)，我對於用幾行乾淨的程式碼去解決一個複雜的問題深深著迷，而且樂此不疲，覺得那是世界上最美麗不過的事情；但是畢了業，被Siebel選中，一頭就栽進了顧客關係處理(CRM)的領域，突然從面對最簡單精練的程式碼，一夕之間，轉變成要面對並解決最複雜跟「人」有關的問題，從單純的簡單掉到了多變的複雜，左腦跟右腦開始衝擊、對話，最後融合在一起，對我來說，這世界上所有的安排都是最好的安排，因為經歷了這段思考和邏輯的衝突後，數據和行銷結合的種子已然成形。
2011年我就是帶著這樣這顆種子，在當時董事長林一峰先生的牽線下遇見了MIGO，直到現在我都清楚記得第一次和團隊見面的場景，儘管當時MIGO還只是一個發展EDM和行銷追蹤(Tracking)服務的團隊，但是我就是知道，這裡有我要的答案。
當年父親和很多朋友都很困惑，為什麼我毫不考慮就推掉了一個又一個大型跨國品牌提供的高薪，和亞太區高階經理人的頭銜，要捲起袖子和一群工程師從頭調整策略、優化產品，自己又站在第一線負責銷售。其實他們沒看見的是，跟我一起闖蕩的是一群充滿潛力、熱情無私、而且患難與共的團隊。
不管是大數據還是行銷，這兩者各自像是一個沒有標準答案的變數，光是要解決其中一個變數，就夠讓人頭大，更別提要把這兩個變數混為一談。好在我天生就喜歡往麻煩裡鑽，大數據行銷這個看似錯綜複雜的題目，我在這本書裡試圖用三個關鍵的元素去貫穿：
1. 心法：以簡馭繁的思考
大數據再大，也是從每一筆各自獨立的資料累積起來的，嘗試去練習思考大數據的本質、問題的核心，一層層地剝開那些包裹在外的雜質與偽裝，練習專注、絕不折衷，因為模稜兩可只是你找不到真正問題的藉口而已。
2. 作法：精實(Lean)的執行精神
大數據行銷要成功，靠的絕不是紙上談兵的嘴上功夫，如果數據永遠只是躺在會議桌上的一堆報表，那你永遠無法從這些數據中學到任何事情。我在書裡面有分享一些實務操作的經驗，同時也嘗試用一些實際案例來告訴你：「坐而言不如起而行」真的不是口號而已，未來消費者市場競爭比的不是銀子，而是點子，而點子也不是比誰有創意，而是比誰可以最快讓點子走出會議室，然後讓你的顧客心甘情願地買單。
3. 態度：「利他無我」的原則
功利的社會讓人與人之間充滿了猜忌，但是在大數據時代，品牌和顧客之間必須要能建立絕對的信任，作為一個數據行銷工作者，首先必須做到「心正」和「利他無我」，永遠把顧客的利益放在第一位，站在對方的角度換位思考。本書的第五章是一個很特別的章節，在中國大數據界執牛耳地位的車品覺，用行動具體地詮釋了這種「利他無我」的行為。車老師以多年來在大數據領域累積的觀點，形成了10篇跨產業的大數據趨勢分享，本當先集結在他自己的專書中，但是他一心殷殷期盼的，並不是這本書由誰來出，而是，對大數據有興趣的讀者朋友，是不是能夠在第一時間看清楚大數據的趨勢。於是、車老師爽朗地把這10篇大作託付給我，還親自為文作序。
「利他無我」是態度也是氣度，希望這本書能讓你有所體會，並試著用這種態度重新思考你的每一個決策。
最後、要在這邊特別感謝邰中和先生，邰先生在董事會中給予我很大的包容與空間，讓我能夠沒有後顧之憂地專注在研發與團隊招募；另外我也要特別感謝任家濟(George)先生，George是MIGO的首席數據科學家，只因為相信我對大數據未來所勾勒的夢想，就毅然地加入了MIGO，然後走過了一千多個日子，見證當年勾勒的藍圖一一實現，當然、這一切更要謝謝MIGO每一個團隊夥伴無私的投入，只有親身參與這場戰役的團隊夥伴們，才能體會那種挑戰自己、挑戰未知的壓力與成就感。
這本書我分享了很多觀點與經驗，也介紹了MIGO如何成為台灣第一家與阿里巴巴簽署「大數據應用合作夥伴合約」的公司，如果你要問我這箇中感覺，與其說這是一段對成功的註記，但我更寧願把它當成是一種疤痕累累的紀念：紀念一場技術、演算與行銷史無前例的融合、紀念一場前仆後繼，卻堅持到底的無畏與勇氣。
這一切才剛剛開始，我跟我的夥伴們會堅持著這個初衷，披荊斬棘地開出一條屬於亞洲的大數據行銷軟體的品牌之路，作為一個產業和趨勢的先行者，我不知道哪裡才是終點，但是我知道必須不斷地惕勵自己和團隊，每一天都要挑戰昨天的自己，這就是MIGO 從心傳承的Better Tomorrow精神。

推薦序
阿里巴巴集團副總裁 車品覺》
大數據「多即少，少即多」

黛安芬董事總經理 康翔泰》
企業，你大數據了沒？

AppWorks 之初創投創辦人 林之晨》
大數據，芝麻開門

北京清華大學數據科學研究院副院長 韓亦舜 》
發問力是最關鍵的能力

自序
MIGO 執行長陳傑豪 Tony》
Better Tomorrow, 用大數據改變世界

CH1
當大數據遇上行銷／打一場《回到未來》之戰

不再霧裡看花》勝負不在數據，觀點才能決定一切

克服盲人摸象》問對問題，才能找對答案

20/80法則》不是大就美，小而準數據含金量更高

零時差行銷》從舊4P到新4P，預測下次購買時間

大數據＋厚數據》數據會說話？說話的是人

CH2
終結猜猜猜／把手按在顧客的脈搏上

人口統計標籤vs.大數據標籤》男女不重要，動機與行為才是關鍵

被動分析vs.預測分析》不只跑得快？能預測終點才是贏家！

活動找人vs.人找活動》不必再將就，100萬種行銷同時上線

人力密集vs.數據密集》你是靠工人智慧，還是人工智慧？

有形調查vs.無形偵測》還在發問卷？Log偵測喜好立現

檢討報告vs.實驗報告》還在寫悔過書？DIET做中學

CH3
從滿足Need到預知Want／轉動大數據，魔鬼藏在3個細節裡

電商如何有效集客？》阿里巴巴：動態標籤，掌握顧客DNA

食品業如何做精準行銷？》雀巢：找到搖錢金牛VVIP

零售業如何不必再猜顧客心？》黛安芬：鑽石型顧客關係管理

電影如何叫好又叫座？》電影VOD：評分模型預測最強卡司

文化業只能是小眾市場嗎？》藝文產業：用顧客DNA交叉行銷

電視購物只能打折扣戰？》湖南衛視快樂購：用推薦模型做動態定價

CH4
18個大數據新思維／拿舊地圖怎麼找到新行星

你能帶公司跳上火箭嗎？》CEO必須改變的9件事

現在的行銷戰，7天前就預知》行銷人必須改變的9件事

CH5
全民大數據／我與車品覺的邂逅

大數據顛覆零售業》顧客是誰，人臉辨識一眼就知

大數據顛覆金融業》我的信用分數，我做決定

大數據顛覆保險業》保費繳多少，FB內容決定

大數據顛覆證券業》比別人早1分鐘，預見股票走勢

大數據顛覆房仲業》選房神器，幫你挑好屋

大數據顛覆醫療業》找醫生看病，就像訂機票

大數據顛覆人事顧問業》學校就業率，就是你的就業率

大數據顛覆影視業》下一部《紙牌屋》，卡司在哪裡？

大數據顛覆遊戲業》玩家數據，是行銷利器嗎？

大數據顛覆農業》種菜賣菜，先看數字怎麼說

零時差行銷
從舊4P到新4P
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(People)
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。

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」（People）。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(Performance)
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」（performance），「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(Process)
找出priority，優先處理危急問題

大數據行銷的第三個P 是「步驟」（process），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(Prediction)
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」（prediction），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」（Next Purchasing Time, NPT)，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。