大數據營銷：你該怎樣洞察客戶

分析數據能指導企業有針對性地有效調整自身營銷策略。你可以追蹤了解人們在互聯網上對你的產品和服務評價如何，以此調整改進你的定位。比如美國拉斯維加斯的凱撒宮酒店了解到，同城巴黎酒店的客人很喜歡在客房里遠眺拉斯維加斯長街的迷人景色。因此，凱撒宮改變了本公司官網上放置的圖片，以長街的美景作為特色。凱撒宮還發現，入住的客人對本酒店的客房設施興趣濃厚，如房間大小、酒店提供的餐飲和事無巨細的服務。于是，這家酒店開始在官網的介紹信息中加入套房的建筑面積、酒店供應的菜單等這類服務詳情。網站經過這樣一番改動后成效明顯：網上訂房業務攀升10%左右。

這個簡單的例子可以解釋為什么掌握客戶的需求和想法十分重要，具體了解的內容包括客戶看重哪些、他們喜歡什么、厭惡什么。總之，為了解應該與客戶交談什么內容，就要把握客戶的喜好。如果你真正理解了自己的客戶，就能適當修正自己傳達的信息、向客戶提供的產品、與客戶溝通的方式，甚至與客戶接觸的渠道。數據可以幫助你貫徹進行上述了解以后得到的深刻體會，如果你像銷售額增加數百萬美元的凱撒宮酒店那樣方法得當，必將受益無窮。

高斯的理論

讓我們來看一看促進客戶洞察最常用的信息源——市場調查。

定性調查可以提供很有洞察力的信息，但這類調查規模較小，需要確認交流的調查對象是的確代表一個人數較多的群體，還是僅代表他們本人。定量調查調查時間較短，不過調查群體規模更大，動輒數千人之多。可是，接受調查的受訪者越多，調查獲得的數據就越多，我們這些數據分析師就越開心。因為數據是我們的原材料，我們擁有的原材料越多，就越容易找出重要的觀點，識別趨勢，確認我們建立的多種模型。

將定性與定量兩類調查的調查結果綜合以后，你就可以得到有可信度的結果。我的朋友史蒂夫·納爾特（Steve Naert）為比利時安特衛普的研究機構Censydiam工作。納爾特所在的這家公司專門探究人們的心理。他們信奉的觀點是，客戶用來證明自己采購的外在理由是容易觀察到并測量的，然而，決定消費者滿意度戰略威力的最強大因素還深埋在表象之下。這也是Censydiam公司關注的焦點。“在漂浮著冰山的水位下方，我們能發現人們的感受與情緒、動機、欲望與需求。這些都是我們無法憑肉眼觀察到的。”

Censydiam不僅有心理學家，也有分析數據的部門。這個部門有一些像我這樣喜歡數字的分析師。他們會從定量調查與趨勢中篩選信息，提煉有關的客戶洞察。Censydiam和比利時根特大學教授赫爾穆特·高斯（Helmut Gaus）曾經攜手合作。在我所目睹的分析成果中，那次協作的分析是最有創造性的。由于從事的職業以數字為研究對象，我們始終在尋找方法，要依據數據預測我們現有與潛在的客戶可能有哪些行為。Censydiam和高斯的合作與我們這種工作特質毫無區別，但他們開頭會提出一個引人注目的問題，這個問題可能比較標新立異，類似于：社會心理變化是否會導致經濟也出現改變？

如果要證明衣裙越短時股價越高并非只是巧合，裙子的長度與股價高低其實有關聯，這通常會吸引人。可高斯是真正嚴肅對待經濟與社會行為之間的關系這個問題的。

高斯的理論起源于俄國統計學家尼古拉？康德拉捷夫（Nikolaj Kondratieff）的作品。康德拉捷夫1925年發現，宏觀經濟的增長與下跌交替出現，宏觀經濟長波則是歷史上每50年循環一次。

康德拉捷夫為自己的發現付出了沉重的代價。他預計經濟增長最終會下跌，但斯大林并不歡迎這樣的預測，將他流放到西伯利亞。當然，并不是所有人都相信存在康德拉捷夫長波，是否存在這種宏觀經濟波還需要大量論述。而事實是，直到今天，他們的預測依然有合理性。

高斯最感興趣的是康德拉捷夫長波的成因。大多數人認為自己受到GDP、失業率等宏觀經濟的力量驅使。高斯相信，真正的動力源于心理因素。他將心情焦慮波動稱為焦慮波，認為康德拉捷夫長波會與焦慮波吻合，甚至有時還會追隨后者而動。因此，康德拉捷夫波可以預測人們口味、價值與行為的變化。

為了證明自己的觀點，高斯收集了女性時尚潮流的數據。他發現，在心情很焦慮的時候，女士們著裝的色彩也沒有那么鮮艷，圖案比較少，領口開得較高，裙子較長。而在不那么焦慮的時期，女士們的服色會更艷麗，圖案也更明快，領口較低，裙子更短。根據這些時尚潮流的變遷歷史，高斯提出了焦慮波一說。

他發現，長期來看，人們的焦慮水平與自身婚姻狀況、生日、就業狀況、自殺行為和投資水平有驚人的關聯。

如果認為經濟的波動起伏是由上述焦慮的綜合水平所致，這種看法雖然饒有趣味，但很難證實。社會心理的數據是稀缺的，這就是高斯用時尚數據作為替代的原因。但現在出現了一種較新的數據源，它能提供極其豐富的信息體現人們的內心想法，這些數據都來自搜索引擎。假如了解人們搜索的具體內容，以及這些內容隨著時間流逝怎樣變化，就可能找到把握社會心理動向的晴雨表。

高斯的理論現在還沒有完全得到證實。可我喜歡這種設想，他主張將現實生活中的硬數據與深入的客戶洞察相結合，由此推斷的結論可能提供有用的信息。所以，我徹底研究了Censydiam公司的方式，我并沒有把精力主要投入到研究它們的調查報告上。與研究報告相比，我的時間更多用在和史蒂夫聊天，除了探討怎樣運用數據辨別與BT（英國電信）的哪些客戶交談，我們想更進一步，不僅是發現合適的目標客戶，還要讓BT的溝通交流對客戶有吸引力，進而幫助BT開拓業務。

BT從硬到軟的蛻變

為了真正了解BT的客戶，我們和本公司的策劃師以及一家位于倫敦的趨勢觀察專業機構Henley Centre（現名為Futures Company）合作。我們的目的是由此得出有洞察力的結論，同時將它與我們擁有的數據聯系起來。這樣我們就不僅可以發出吸引中小企業的信息，還能確認那些會對這類信息最感興趣的客戶。

我們采取的方式分為三個步驟：

第一步，我們擬訂一份有關小企業需求的全面清單，內容是BT可能滿足的需求。

第二步，我們必須確認哪些需求對中小企業客戶最為重要。

第三步，我們務必確定不同類型的小企業是否需求可能各不相同。例如，一家營業收入500萬美元的服務公司是否與一家營業收入相同的制造企業需求相同？

我們首先會開列一份我們盡一切可能想到的需要滿足的需求清單，包括17項內容：

新渠道與市場：1.進入新的地域市場； 2.開發新的分銷渠道；3.向市場推出新的產品或服務。

以客戶為中心：4.擴大你的客戶群；5.改善提供給客戶的服務及與客戶的關系；6.增加現有客戶給你帶來的營業收入。

運營效率：7.提高對供應及存儲鏈的管理水平；8.提高對采購的管理水平；9.提高對貴公司內部流程的管理水平；10.保證關鍵的業務系統與流程持續運轉。

企業管理：11.削減企業遵循政府法規的相關開支；12.提高對企業或財務賬目的管理水平；13.提高對信息技術的管理水平。

勞動力效率：14.與同事分享信息；15.讓員工的工作時間更有彈性（分擔工作或者在家工作）；16.讓員工能夠移動辦公。

安全：17.保證企業免受網絡詐騙、電腦病毒和盜竊等犯罪活動和其他風險的侵害。

既然專心致志處理以上全部17個事項很重要，那我們的第二個任務就應該是確定哪些客戶是我們最重 要的目標。確認需要進行定量調查，這意味著我們要采訪大量小企業，詢問哪些需求對它們而言最為重要。結果發現，這些企業所認為的最重要需要，所占的比例分別為：以客戶為中心占33%，勞動力效率占18%，新的渠道與市場占17%，運營效率占14%，安全占13%，企業管理占5%。

最后，我們希望根據客戶覺得重要的所需要素區分不同的類別。在此使用的統計技巧是我喜愛的一種，它名叫聚類分析。你可以表達數據透露的信息，組成不同的客戶群。但你還需要判斷這樣劃分客戶群是否有意義及是否可行。將數據與數據解讀融合始終是個有趣的過程，因為它既體現了科學又展示了藝術。

假設我們調查了1000家中小企業，只詢問它們有關供應鏈的需求。受訪企業之中，每十家里只有一家認為管理供應鏈很重要。假如我們得到的調查反饋結果中，受訪企業分為兩類：一類企業發現供應鏈管理（SCM）重要，另一類不這么認為。這種情況適合做一個簡單的聚類分析。我們可以用方形線框界定兩個顯而易見的現有類別。

現在，假設我們分別問了兩個問題，一個是管理供應鏈的重要性，另一個是調配員工進行供應鏈管理的重要性。假定調查這兩個問題得到的回答如圖1所示。

如你所見，這次我們發現受訪客戶可分為三類：有的客戶認為SCM重要（右側）；有的客戶雖然認為SCM不重要，但覺得員工流動性重要（左上方）；還有的客戶認為SCM和流動性都不重要（左下方）。

目前我們很容易把這些方框明顯區分開來，但如果要試著向一臺電腦解釋如何像我們這樣分類，難度就大了。有一種方法是告訴電腦用距離的概念劃分最佳的界線。以下是讓電腦了解聚類分析梗概的方法。我們會這樣詮釋：

①對屬于同一群體的那些圓點，要盡可能縮短它們之間的距離。這可以確保一個團體內部的客戶彼此很相似。

②對不同團體的核心，要盡可能擴大它們之間的距離，重復圖1。這么做是因為你想讓這些團體看起來差別明顯，這樣就更容易找到它們。

如果聚類分析不過就是詢問兩三個需求，我們根本不需要電腦。我們可以在觀察后自己列出圓點，然后在聚合的分類周圍劃下界線。但別忘了，實際上我們提的問題不僅與兩個需求有關，我們問的是17個需求。這就超出了常人的分類能力。（不信我的話？即使只是問7個需求的問題，分類的工作也能讓人抓狂了。）

如果我們讓電腦負責全部17個需求的分類工作，我會省略所有涉及圓點與分類方框的步驟，然后就會得到以下五大類別。在看待17種需求的重要性方面，這五類人的觀點截然不同。但在判斷17種需求哪些很重要時，屬于同一類別的中小型企業就非常相似。（請注意，下面所列的清單之中，ICT代表集成通信技術，BT這個常見的縮寫在這里指代尖端的通信產品。）

第一類—基本需求（16%）：這類講究“生活方式”的小企業主要著重于讓企業所有者能定期招聘用人及得到收入。這類公司對ICT的需求低。

第二類—以客戶為中心（33%）：面向客戶提供服務的公司希望減少增強客戶關系和改善服務的投入。這類公司需要那些以聚焦客戶為本的技術。

第三類—運營效率（14%）：中等規模的企業會為精簡生產流程及改善客戶服務而采取行動。這類公司對改善運營流程的技術有大量需求。

第四類—靈活性與安全性（18%）：對那些依賴科技的朝陽型服務業公司，靈活性是第一位的優先需求。這類公司對有利于靈活性和安全性的技術有大量需求，同時，它們也渴望得到ICT。

第五類—大量需求（18%）：對于偏重技術的初創企業，增長與擴張是主要的動機。這類公司各類需求都很多。

上述分類法會帶來極大的回報。將市場以這樣的方式區分使BT有機會與各種不同類型的客戶群交流。對于第二類專注于自己客戶的企業，我們談論的是安全相關的話題，這與第三類關心內部運營的企業迥然不同。比如與第二類企業交流時，談話內容也許就是BT的技術怎樣為該企業的客戶提供安全服務。而如果是與第三類企業交流，我們會強調BT的解決方案會有利于公司內部系統安全。

這種根據需求分類的方法使我們擁有了可以有針對性地調整自己溝通交流的有力武器。

這種方式可以與你已開展的工作相輔相成

為了更進一步地深入了解自己的客戶，你可以將這種以需求為本的方式與你現在開展的任何一種分類工作結合使用。我們在思科就是這樣做的，我們當時分類分析的依據就是客戶對一類需求（技術）的投入，以及客戶購買思科產品的支出。雖然思科的銷售人員都急切地希望采用我們的價值分類框架，但一些營銷人員起初并沒有那么熱情，因為他們已經有自己的分類方法。思科營銷部門原有的方法是根據對技術的態度將客戶分為四類，比如受建議驅動的客戶、受價格驅動的客戶、處于最前沿的客戶、像財富100強企業那樣經營的客戶。有些營銷人員認為兩種分類框架是相互競爭淘汰的關系，但在我看來，顯然它們是互補的。思科的營銷人員已經采用基于態度進行分類的方法，這樣的方法告訴他們要與客戶交流什么內容。

我試圖用圖2展示兩種可以相互配合發揮作用的方法。

從左到右一列列看過去，你會發現價值分類的類別。而從上到下看下來，你會看到以態度為依據分類的類別。圖2的泡泡大小代表屬于某一類型的公司有多少。泡泡越大，該類別的客戶越多。

我們從第一列看起，它代表著金塊，是對思科最有價值的一類客戶。這些是比其他類型更前沿的金塊。不過，很多金塊類客戶都是建議驅動、價格驅動或是類似知名企業。同時運用兩種分類法不僅能讓你找到金塊，還能讓你根據每位客戶的需求專門設計要傳達的信息。

我們發現思科最初有16類客戶，類別太多，無法一一制定不同的戰略及進行相應各異的溝通交流。于是，我們最終將思科的客戶分為三大類。劃分的依據是憑直覺感到有什么意義以及我們怎樣區分對待這些類型。

①戀愛類（Romance）：這些客戶對思科而言最有價值，而且很有潛力，即金塊與頭獎類客戶。他們是思科品牌的最佳客戶，金塊與頭獎也出現在圖3中的“最前沿”和“類似知名企業”類型里。我們需要愛上這些客戶，用談戀愛那樣的互動保證我們始終留住這些客戶。

②防御類（Defense）：這類對思科而言價值高的客戶（金塊）并非十全十美（我們把這些客戶歸入了“建議驅動”及“價格驅動”類）。我們需要確保一直擁有這些重要的客戶，不要在競爭對手發起的公開爭奪戰中失去他們。

③普通類（Vanilla）：這是指除以上兩類客戶以外的其他所有客戶，我們最初決定在與這些客戶溝通時不會區分對待。

由于僅僅需要專心對待三類客戶，所以我們能十分迅速地推行有針對性的不同類型營銷活動。聚類分析不僅能很快操作，而且成本很低。

自動推薦工具

除了我們剛提到的依據態度分類，其他技巧也可以幫助你溝通時有針對性地做出調整。

例如，購物籃分析（m a r k e t b a s k e t analysis）就常常可以揭示你需要了解的一切信息，因為它向你透露的許多信息都與客戶感興趣的產品有關。顧名思義，這類分析就是發現客戶的購物車里購買了哪些物品。20世紀90年代，購物籃分析深受零售商喜愛，因為它講述了“啤酒與尿布的故事”。

這是個精彩的故事。遺憾的是，事實證明，它是一家咨詢公司編造的謠傳，目的只是要兜售購物籃分析，凸顯這種分析的價值。沒有哪家零售商做過這種研究，得到這樣的發現。雖然情節是虛構的，但這個故事本身很好地詮釋了為什么購物籃分析可以成為營銷的利器。讓我們用另一個幻想的故事進一步解釋說明。

假如有一家采取直接郵購營銷方式的大型商家在考慮針對特定產品與客戶溝通，需要從中得到一些改善目標定位的建議。他們希望深入了解客戶怎樣使用產品，尤其是客戶在購買產品時還買了什么以及同時沒有買什么。他們還想用這些客戶洞察在與客戶溝通產品時如何更好地設定具體的目標產品。

這個商家的數據庫里有3360種不同的產品。為了幫助他們達到以上目的，我們首先會將相似的產品歸為一類。因為要尋求相似性，我們用了兩個級別的分類標準。第一級將這3000多種產品分為20個產品系列。第二級將這些產品分為159個范圍更小的產品系列。無論哪一級別，我們都會分析可能與其他某種產品共同購買的一種產品。我們憑直覺也會理解，這種搭配組合的數量會爆炸式增加，遠超產品系列的數量。

分析結束后，我們接下來的工作就是建立一個模型，用它預測（在同一交易中或是特定的時間段內）顧客購買不同的產品時有多大可能性也選購其他產品。測試這個模型需要與兩個客戶群進行同樣的營銷溝通。以推銷0.5美元的肯尼迪紀念幣為例。第一群客戶會用購物籃分析的原理從數據庫里選擇，我們希望這些客戶買過其他的紀念幣；第二群客戶不會遵循任何原理隨機選擇。購物籃分析的公式如下所示：

A = B C D → N， P， S

乍看起來，這樣的公式就像沒有來由的胡言亂語，但它是真正直截了當的說法。

①A = 根據原理預測一定范圍的產品（產品或產品系列）。在這個例子里，我要試著預測你是否會買那款0.5美元的紀念幣。假如你在某個商家的網站購物，A就代表上述紀念幣。

②B、C和D = 預測指標（用于預測購買A的指標）。它們是其他一些也許你會購買的產品（如其他紀念幣、真正的紀念品和有特殊歷史意義的物件）。這些產品可以代表你也會將0.5美元肯尼迪紀念幣放入購物籃的可能性。

③N = 表示絕對范圍的數值（在同一交易中購買B、C和D的客戶總數）。

④P = 已經買了B、C和D的顧客會再購買A的可能性。

⑤S = 支持（購買B、C、D和A的顧客人數分別在購物顧客總人數中占多少百分比）。

為測試這一模型，我們會用同樣的營銷溝通手段，向兩個客戶群直接郵寄購物名單。第一群客戶將用購物籃分析原理從數據庫中選出。第二群客戶則是沒有運用任何原理隨機選擇而來。如果第一群客戶的轉化率明顯比第二群高，前者也許是后者的5倍。那就意味著分析數據取得了成功。

如果你喜歡這個，就會愛上那個

購物籃分析這樣的自動推薦工具在互聯網已經很受歡迎。正如我們所說的，亞馬遜和Netflix的推薦引擎可能是這類工具中最負盛名的。它們為顧客提供購買產品的建議，比如你喜歡某本書或者某部電影，自動推薦工具對比你和那些讀類似圖書或者看類似影片的顧客，就會推測你可能也對相似的書或者電影感興趣。我喜愛Netflix向我推薦電影的方式，它們推薦的都是我從未聽說的影片。這是我準備付費訂購Netflix的一個主要原因，這家網站也了解我的想法。它們追蹤到我根據它們的推薦租了多少部電影，也知道我租過的片子占它們推薦總數的百分比。亞馬遜和Netflix所做的和超市預測你的購買行為毫無二致。如果你在一家超市購物，超市就會預計，同一次購物期間你會不會既買蘋果又買香蕉。此前我們提到的郵局服務也是，郵局會盡力分辨提供的哪些產品組合能得到郵票收藏家青睞。

目前可以采取的現有解決方法能提供幫助，有助于讓你的營銷溝通大多像亞馬遜和Netflix提供的那樣人性化。這些工具使較小的企業能與業內巨頭同登一個競技場，同場競技。那些做過這類客戶調查并特別為相關客戶調整推薦的企業擁有了極大的優勢。正如此前提到的，我們探討的大多數現有解決方法隨時都可以使用，它們揭示的客戶洞察成本并沒有高得離譜，而且能很好地發揮作用。你沒有任何借口不用這樣的方法，應該看看別的公司成效如何，比如Audience Science、Proclivity和Netmining這樣的公司。其中Netmining通過實時網絡瀏覽收集客戶的數據，用這些數據預測客戶會對什么感興趣。然后，這家公司就自動調整廣告內容，讓它符合客戶個人的興趣。

這樣的工具可以帶來驚人的效果，體現了將對的產品提供給對的人有多大的威力。例如，剛開始用這種工具時，菲亞特公司的網站訪問量就增長了350%，銷售轉化率高達500%。而Netmining真正了不起的地方是形象地展現分析的成果。這家咨詢公司讓菲亞特的管理者很容易就發現，客戶最感興趣的是哪種車，以及客戶可能怎樣買車。