如何利用數據分析做好NBO

正如其他企業戰略一樣，企業在最開始應該反映它們想用推薦來實現什么，以及如何最好地實現這些目標。推薦戰略設計應該包括諸如這些這樣的話題：

● 你想讓推薦怎樣影響你的客戶關系

● 你計劃使用何種銷售渠道，并在什么環境下進行推薦

● 收集和分析什么數據

● 你計劃推薦什么

● 推薦如何影響市場競爭

● 與制造商合作提供產品和金融服務推薦

以零售為基礎的英國樂購公司就巳非常成功地執行了針對忠誠客戶推薦優惠券的clubcard 計劃。但對推薦計劃設計來說，至關重要的一點是樂購始終期望自己能比任何其他公司知道更多和客戶購買偏好有關的信息，又能使用客戶歡迎和想嘗試的優惠券來獎勵客戶的忠誠度和其他一些它所期望的行為。這些由樂購和其內部咨詢顧問dunuhumby 想出來的推薦所實現的優惠券兌換率平均在8% —14%。這對超市行業中其余的公司來說是相當高的，因為其他公司的優惠券兌換率平均只在1% —2%。duhumby 的研究表明有針對性地向忠忠誠客戶進行推薦還能帶來更高的收人提升。

微軟公司最近對其新的搜索引擎Bing舉行的客戶推薦活動關注讓用戶嘗試使用Bing 或更加頻繁地使用它。公司的營銷人員本來想通過電子郵件來進行推薦，但公司也銷售電子郵件應用程序，且垃圾郵件巳到了老鼠上街，人人喊打的地步。推薦需要讓客戶感覺和自己密切相關，而不是具有侵略性的。所以微軟用了一種新技術，lnfor 公司的Iateraction Advasor，在其非常成功的推薦活動中實時發送有針對性的電子郵件。

推薦的目標也會隨著時間改變。比如，DVD租賃公司Redbox一開始使用以電子郵件和自助服務終端為基礎的推薦，目標是讓客戶自己嘗試其租賃服務。在這個過程中，客戶習慣于通過自己多數已去過(經常是小超市)，相對熟悉和方便的Redbox銷售點租賃DVD。而Redbox 的技術流程決定自助結賬和登記有個熟悉了解的過程。所以當業務蓬勃發展時，高管們意識到更多的收人和利潤增長由鼓勵客戶每次租借多張DVD的推薦而來。

因為斷定不要在推薦中追求什么東西是如此的重要，所以某個零售連鎖公司得出了社交媒體在決定推薦內容時不是重要因素的結論。公司的市場營銷分析人員對有關公司的社交媒體內容進行了監控，并觀察到在網上討論中，公司銷售的產品并不是重點關注點。然而，對于Ticketmaster來說，毫無疑問社交媒體在年輕客戶決定去看哪場演出會活動時扮演了一個重要的角色。因此，對社交媒體進行分析，并把它當做一個產品交付渠道使用在Ticketmaster的推薦中變得越來越重要了。

了解你的客戶

有針對性地推薦是以詳細分析客戶、產品推薦和購買交易背景信息為基礎的?？蛻粜畔呼呼諸如人口統計信息、居住地、之前的購買交易、收人和資產這樣的基本信息。從這叢引始的信息來源可知，以一些有意思的方式將相干和不相干領域中的東西整合在一塊能創建出巨大的綜合數據價值。從這些原始的信息來源可知，用一些有意思的方式——如比例方式、對派生字段進行統計以及對平均數和幾率進行推導，可將相干和不相干領域中的東西整合在一起創建出巨大的綜合數據價值。其中有一些領域的東西是馬上可以用的，但其他一些領域里的東西可能很難獲取并和其他一些客戶數據整合在一起。除此之外，發展這些客戶信息需I要打通其和 “SoMoLo ”(Social，Mobile，Location，社交、移動、定位) 數據的關系：

● 在某時客戶在哪里——在我某家分店附近嗎？

● 客戶在社交媒體上是怎么說我的公司或品牌產品的？他的影響力如何？

● 我客戶的朋友在網上購買和討論什么？

沃爾瑪公司要求啟動Kosmix 以開始在其推薦中使用SoMoLo 數據。服裝零售公司H&M 為收集和使用客戶所在地信息和在線游戲公司My Town創建合作伙伴關系。如果某個潛在客戶正在H&M 一家店附近用手機玩游戲，H&M 就會為其推薦游戲里要用的商品?？蛻舯还膭钸M店里掃描商品獲取折扣。早期結果表明，在線登錄游戲的客戶有70萬，其中有30 萬會進店里掃描商品。

了解你的推薦

很多公司會忽略一個事實： 他們還需要精確的產品信息和屬性才能成功進行NBO。要讓客戶和基于特定客戶、有吸引人的產品屬性的產品相匹配，必須有個合理的原則。對于某I些產品來說，產品屬性可從第三方的數據庫中輕易獲取。比如，制定電影推薦的公司(包括Nerflix、AT&T 和Comcast) 能推測到，如果你因為某個特定演員或劇情類型而喜歡一部電影，那么你也可能會喜歡有同一演員，或同一類型的另外一部。但對其他類型的零售行業來說，比如服裝和超市零售行業，對產品屬性進行整理就非常難。制造商不會對毛衣是 “時尚” 還是“傳統”有個正式的分類。超市零售商公司也不能輕易斷定何種食品會吸引喜歡冒險、偏好健康食品或吝嗇的客戶。

還有一點很重要· 了解產品制造商想推銷什么，他們在客戶產品使用上有什么目的。他們是否想讓客戶去嘗試使用它. 要求得到更多或可能與另外一個產品組合購買？

樂購公司堅持不懈地追求產品屬性分類，確?？蛻艚邮芎退麄兤ハ嘟耐扑]。諸如產品是否冷凍或每公斤成本這樣的屬性都來源于它的產品數據庫。但對于某些與食物口味和生活方式相關、更加難以分類的屬性，樂購公司采用了一種被稱為“滾雪球” 的方式來確認這些和口味相關的產品屬性。比如，為了確認某個產品是否能吸引重口味的客戶，它會把一個被一致認為口味重的產品放在一個國家銷售。在英國，樂購公司通過分析相關系數，選擇泰式綠咖喱醬進行銷售，并由此確認了其他一些重口味的產品。如果一個購買了咖喱醬的客戶還買了魷魚和野生火箭菜(芝麻菜) 香蒜沙司，那么這些產品就可能會吸引一些重口味的客戶。

了解購買交易背景

推薦還應該以大量不同的購買交易背景因素為基礎，比如用于聯系客戶的進口銷售渠道 它是否會因走訪、電話、電子郵件、網絡瀏覽、接受大眾傳媒信息而發生？在線推薦能以大量不同的近前行為為基礎，包括以前的網站訪問和點擊公司自己的官網。聯系客戶的理由也是一個重要的變量。他是因為其他人而購物、尋找服務、開展執行另外一種交易、尋求推薦，還是只出于個人原因這樣做？

另外一些背景因素可能包括當天購買時間、當前天氣狀況和客戶是一個人還是結伴前來種針對結伴購物者的推薦。當某位女士和她的丈土一起進入店內，這位零售商向她丈夫推薦了一個相對便宜的商品。決定向丈夫推薦何種商品絕大程度上取決于他作為陪同時對價格的高敏感度，如果他不是陪同而是自己來購物，這個敏感度會低一些。

今天，某此最有價值的購買交易背景信息來源于SoMoLo數據形式。經過恰當使用，零售商能發展出一種無所不在的 “魔力”來推薦產品和強化客戶體驗。社交和移動數據記錄了客戶心聲和很多購買偏好、購買行為方面的信息，告訴零售商何種推薦更有可能成功以及何時會成功。

有一個有趣的、發展高度自定義化推薦的社交數據應用程序來自索尼公司，已經產了Facebook 公司的Connect 試驗，Connect是一個讓facebook用戶在網上建立自己社交網絡的工具戶，索尼公司計劃使用Connect 讓它的開發者在Play Sation3e平臺上創建一個個性化的的視頻游戲推薦。游戲開發者們能把信息從Facebook 里拉取出來，并推送到PS3 平臺中.下一代視頻游戲推薦可能會把你的朋友或你的偏好和興趣的照片構建其中。

如果經過恰當的分析，移動數據也能幫你更好地了解客戶購買偏好、需求和向往。并明顯強化零售商設計NBO 的能力。很多零售商專注于立即定位，這對定位為有強烈購買傾向的客戶來說很有價值。但去過哪些地方的歷史記錄也能暴露大量有關客戶的信息，有一家叫Sense Ner-works的公司開發了一個應用程序，以客戶去過哪些地方的歷史記錄來推斷客戶的生活方式。Sense Ner-works宣稱這能估摸出諸如年齡、出差可能性、擁有的財富和下一個極有可能去的地方這樣的客戶屬性。將指出其他客戶移動路線的數據和目標客戶去過的地方進行比較，公司就能建立顆粒度的細分群體并讓零售商們提供有針對性的、及時的NBO。

分析和執行：決定和制定推薦

NBO 是由以一系列變量或屬性為基礎的前瞻式模型創建或測試的。目標是確認和某些特定及期望客戶購買偏好、舉動和成果最相關的屬性。諸如亞馬遜網站一開始使用的 “買這個的人可能也會買那個”這樣的交叉購買相關性分析推薦只是一種簡單的前瞻式NBO，不需要大量的客戶或產品屬性知識。除此之外，亞馬遜還使用了以過去的購買行為為基礎的電子郵件NBO。遺憾的是，如果某個客戶是為他一個朋友買東西，他可能會好幾年都被不相關的推推薦困擾。

個性化推薦通常是以一種算法組合為基礎的，這種組合包括預測某位客戶可能的購買偏好、客戶人生價值、跨銷售和追加銷售可能性以及管理在何種環境下進行何種推薦的業務規則。比如，在某位客戶對幾個產品有相同的購買偏好指數，或受限于他自己對產品整體的接觸感知頻率的情況下，我們可用某個業務規則來決定對他進行何種推薦。

執行推薦的一個關鍵方面是決定如何和由誰傳達推薦內容。傳達推薦內容的輸出模式通常和它的輸入頻次相同，但這也不是經常的。它包括：

● 讓某個人面對面地向客戶推廣產品

● 店內的自助服務終端

● 移動設備

● 在線： 電子郵件或網站廣告條

● 注冊收據

● 大眾傳媒

很多公司正嘗試使用多種銷售渠道來處理推薦問題，“我們的客戶從來不會碰到他們不喜歡的銷售渠道”，某個零售銀行業務主管說。在CVS，公司通過注冊收據、店內的自動服務終端、電子郵件，甚至是有針對性的店內通告來向人傳達它的ExtraCare 忠誠計劃推薦，而且公司也正在試驗手機電子優惠券。Qdoba Mexican Grill，一個有快速服務經營權的公司正在使用手機電子優惠券來推廣它原來以卡為基礎的忠誠計劃。在某些時刻它能靠傳達推薦內容來增長網站流量，在高峰時間順利處理客戶要求。在大學附近的午夜場促銷活動己經讓人們看到了40% 的優惠券兌換率，而在整個計劃中，平均兌換率只有16%。

星巴克用其所有11 個在線銷售渠道來發展它的針對性推薦、客戶滿意度和反應測量、產品開發和品牌認同度強化。今天，有三千多萬的Facebook用戶“喜歡”星巴克，超過200萬用戶在Twitter 上 “關注” 了該零售商公司，還有30 多萬張星巴克圖片標簽被上傳到了Flickr。每位Facebook 粉絲平均每年在星巴克上要花235 美金——兩倍多于非粉絲花的錢。這些粉絲組成了一介對星巴克有強烈購買偏好，有忠誠度和認同度的客戶群體。公司還用了諸如Foursquare這樣基于定位的服務向客戶提供獎勵推薦，加深品牌認同度。它的智能手機app 應用還以客戶年齡、性別、興趣和所在位置為基礎讓客戶選擇收取短信，這讓星巴克能調整自己為特定受眾舉辦的促銷活動。

某些諸如Nordstrom 這樣高檔的零售商和為富有客戶服務的金融服務公司相信傳達推薦內容的最佳銷售渠道是人。很多企業提供了多種通常以客戶的購買偏好為級別的推薦，希望大眾能接受它們。銷售人員能以客戶實時的認知感受和感覺舒適的級別為基礎選擇一種推薦給客戶。當銷售人員向客戶傳達推薦內容時，在銷售人員對客戶的認知度和由模型展現的推薦之間常常會發生一種微妙的影響。堅持在所有情況下都讓銷售人員傳達推薦內容可能會導致較低的客戶滿意度并降低推薦的合規性。投資公司T. Rowe Price 預估自己在向客戶傳達有針對性的推薦內容時，不應該用超過50% 的時間來做這件事情。否則，自己的雇員就不會根據客戶真正想要的東西，對推薦內容進行優化調下。

在線推薦雖然不太個性化但優雅精致。以前，在線營銷商會創建一些不同的電子郵件推薦，并把它們發送到所選擇的客戶群體中，且在客戶打開郵件之前對推薦進行設計。然而，諸如微軟這樣成熟的公司正提出一個讓推薦更加動態化的方案。比如，為了讓電子郵件推薦變得更加有參與度，我們可以在打開Bing搜索引擎時，對其進行定制。在200 毫秒這個罕人幾乎感覺不到的延遲時間內，推薦會以其他客戶最近回復的內容為基礎進行再次組裝，從而為當前客戶提供可用的實時信息。有針對性的實時廣告在不同的環境中所提升的轉換率在20% —70% 之間。

考慮到多數用于NBO 的數據的豐富性、多樣性和內在的人性化本質，NEO 在觸碰到法律、倫理、政冶和國家策略概念時自然而然會出現大量問題。這些問題就其背景來說極其廣泛，但它們正在變得越來越突出。這里要解決的不僅僅是身份保護或個人隱私問題，還有推薦的語氣、語調和感覺讓客戶感到煩人且帶有侵略攻擊性的問題。

這里有一此有關這個話題的核心問題：

● NBO 是如何公平或不公平地對待消費者的？

● 正在制定中的推薦是以錯誤和偽造的數據還是以真實而又精確的信息為基礎的？

● 面對來自于看似不相關的信息和有假定傾向的推薦時，消費者會感到舒服嗎？

● 消費者知道和接受正在演變發展中的數據使用功能嗎？他們能對未來的數據使用技術I進行選擇、加以甄別嗎？

● 如果某種推薦導致了”假陽性”結果，或者還有某種推薦傷害或冒犯了人的感情，那么消費者會有什么反應？

這個簡短的擔心列表包括了某些重要的話題，需要特別和全盤的考慮。某些觸動到了一此高度技術化和有爭議的、已明文規定的法律條例，比如公平信用報告法(Fair Credit Repoating Act，FCRA)。在美國之外，特別是在歐洲，某些限制NBO 使用消費者信息的條例可能會讓人感到更加拘束。

學習和適應NBO

因為創建一種推薦是個不精確但又可持續改進的學問，所以一個成功的NBO 過程中最重要的一個組成部分是學習和適應這一結果。某些推薦比起其他推薦更好地滿足了客戶需求，所以必須有一種方式來測量和改進過程，不管是針對整體還是個別客戶。正如某位CVS王管所說的，審視NBO 的最好方法是“每種推薦都是一個測試”。如果你不能堅持不懈地嘗試新的變化因素、算法和業務規則，那么你的推薦就不會越來越好。

一種學習推薦結果的方法是明文規定一些能治理推薦創建的經驗法則。這因每個公司具體情況而異，但重要的是要明白無誤地對它們進行明文規定，使它們能指導推薦過程。這里有一些經驗法則，來自我們和某些公司所進行的討論：

● 追加銷售只會發生在面對面推薦時 (美國商業零售銀行)

● 只有前衛時尚的鞋子才會在社交媒體中被人們討論(FootLocker 公司)

● 我們的客戶喜歡對他們之前買的同一東西提供折扣的推薦(cvs 公司)

● 在可從我們會員那里賺到錢的商品分類中，推薦大量相關的商品折扣，能為我們和供應商創建可增值的價值。( Sam 俱樂部))

● 在銷售點，我們的推薦一般都通過客戶和營銷員的關系直接提供給他們，有時還會以強大的前瞻式數據分析工具所支持的面對面互動方式提供給他們。（Nordstrom)

● 客戶不會經常性地尋求購買銀行服務的機會，所以我們需要耐心地和其他供應商搞好關系 (歐洲銀行)

經驗法則應該以數據驅動的和面對面驅動的分析為基礎，而不應該以慣例或口口相傳的經驗知識為基礎。而且應該不定期地對它們進行測試來確保它們依舊可以被使用。

對NBO 來說，關鍵是要通過行動來取得進展和創新。對今天的零售商公司來說，將所有可能的變化因素整合進一個NBO 模型里是非常難的。但一定要明白收集和整合關鍵變化因素的意義，比如基本的人口統計數據和客戶購買交易歷史。事實上，大多數零售商公司需要加速它們在這領域里的工作，這是因為到目前為止推薦的質量和價值都不會讓客戶感到ep.深刻。銷售渠道和可預測的變化因素將會在數量上持續增長，所以如果不能快速改進和發展“最優產品推薦”，那么它們只能被人落的越來越過。