跳到主要內容

專挑長尾巴的精準行銷

DSC02963 - 複製

Querido USTED

關於今天提到的,稱為『精準行銷』,
但這個定義很廣義,英文可稱為:
Behavioral Targeting, Precision Marketing, Targeting Marketing

大致定義可參考:http://en.wikipedia.org/wiki/Behavioral_targeting

基本上算是 CRM(customer relationship management)領域的範疇。
在詳細操作上,我"個人"認為可以分成幾個部份,

一. 資訊蒐集、分析與歸納
使用者(消費者)行為資訊蒐集,如瀏覽紀錄、商品資訊、行為模式。
這些都可以分為實體銷費資訊、網路資訊與行動資訊等等不同的媒界,我一一舉例:
  1. 實體銷費
    當使用者在商場購物,POS資訊系統 (可視為具有資訊記錄的收銀機),便會儲存使用者的消費內容。隨後行銷人員便可以從這些資訊中找出許多常常被共同銷費的商品,而這些商品就可以放置一起做銷售,如賣咖啡、茶的區域通常會放置杯具商品或早期知名的啤酒、尿布案例 ,此案例是wall-mart在消費者銷售數據中發現啤酒、尿布這兩樣商品在週末時常同時被購買,分析後發現這是因為年輕夫婦經常在週末購買啤酒,並同時為小孩買尿布,因此在分析後將兩項商品在賣場放置一起後,結果造成銷售量大幅提升,而這即是所謂的商品搭售(Product Bundling)。 此外在CRM中亦有像機票劃位時,可依客戶習慣推鑑走道或窗戶以增加服務水準這樣的case。
  2. 網路資訊
    網路資訊主要針對在網路使用行為(onsite behavior)上的資訊分析,如在瀏覽購物網站的同時,網站會自動紀錄使用者的瀏覽歷程,歸納 使用者喜歡的商品類別。之後當 使用者下次上線時,網站便會顯示
    使用者可能會喜歡的相關商品以刺激消費。此外或依照使用者瀏覽的網頁內容,來決定要顯示的廣告為何。
    如這個資訊相關內容的網頁:(  http://goo.gl/rntKk  ) ,旁邊跳出的廣告便是科技相關廣告。但若是這個臺灣形象廣告介紹的網頁:(  http://goo.gl/i05Bi  ),旁邊的廣告便顯示的是臺灣旅遊的廣告。這些廣告的特徵便是透過分析使用者的位置、語言、瀏覽的網頁內容來決定其要顯示的內容,即為標準的精準行銷。
  3. 行動資訊
    行動資訊專指透過行動裝置產生的使用者行為資訊進行分析,如手機、ipad這類產品。它的特色主要為隨身攜帶式、具有地理資訊處理能力等等。因此這類的裝置的行銷模式通常帶有地理資訊特徵,如以臺灣中華電信為例,它跟政府合作許多關光景點的行動行銷,如電話中提到的走雪隧到宜蘭,一進入宜蘭後手機便會自動傳送宜蘭的歡迎訊息與當地的大型活動等等廣告資訊。這些都是藉由手機接受基地臺訊號時偵測出地理位置後所傳送的廣告。此外還有像智慧型手機能藉由目前的地理位置尋找臨近的餐廳、景點等。

二. 行銷應用
上面的案例大致介紹了常見的媒介、方法與應用,目前這類的行銷手法非常的多元,但歸納一下有些特徵可以參考:
  1. 結合使用者行為,網頁瀏覽、銷售內容、地理資訊
  2. 預先取得使用者資訊,得以更精準的鎖定目標客群,如 Facebook可以針對學歷、年齡層、性別...等等屬性做精準行銷
  3. 主動式行銷,針對消費者行為過程中顯示廣告,如瀏覽網頁時的橫幅(Banner), 跳出視窗(Alert),行動資訊應用時接近目標地點或商場時主動傳送的簡訊通知等等
  4. 長尾理論(long tail) 的實踐,透過精準式的行銷鎖定最適合的客群進行推銷,改變了傳統行銷模式中只鎖定主要客群的方式,而這精準鎖定客群的方式便是能針對長尾中少數所形成的多數人群進行行銷。
以上我大致歸納精準行銷會應用的模式與資訊。
不過還有一個很有趣的地方便是它背後的收費與獲利模式,這個算是一種破壞式的創新,也是近年商管領域時常討論的議題。不過這又是另一個topic,先回答你的問題,若你有興趣改天我再跟你介紹。

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...