本次將分享參與社群獲利轉換計畫後，自行彙整的筆記內容。數位時代旗下的 數位行銷學院 neoMarketing School 固定會舉辦相關課程，而本此主題為「社群獲利轉換計畫」一共分兩個場次 9/12 臉書粉絲轉換計畫 與 9/26 品牌會員轉換計畫，兩天都報名的費用為 $8,000，個人是覺得有點貴，不過剛好有機會在公司補助的情況下參與，勢必得把握機會好好學習。以下將陸續分享六篇文章，主題分別為 「挖掘粉絲經濟效益」、「廣告投放x數據分析」、「Facebook全串聯商務應用」、「超級會員經營：數據預測x名單蒐集」、「高轉換的直達行銷工具 LINE@生活圈」、「高轉換的直達行銷工具 電子報行銷」
超級會員經營：數據預測Ｘ名單蒐集
內容目錄
夏雨農 電通安吉斯集團 集思AAA總經理
Scott 夏雨農先前曾經歷 MIGO 台灣區總經理暨首席行銷公關、SAMSUNG OpenTide Taiwan 數位行銷事業群 Managing Director，目前於日本電通安吉斯集團下 集思AAA 公司擔任總經理。除了 SAMSUNG 之外，我想有些讀者可能不太熟悉另外兩家，我簡單稍微介紹一下。
MIGO 功典資訊 是一家軟體公司，主要客戶為零售業者，只要將品牌所搜集的 Data 倒給 MIGO，系統就會用儀表板的方式告訴品牌目前會員經營的狀態、可能回購的人群、聯繫的工具串接 (SMS、EDM、WeChat)，最後再驗證每檔品牌所做的 Campaign 成效，商業一點的說法則是「根據品牌以及企業不同的需要提供最適合的解決方案與顧問服務，協助企業從Data的角度重新理解品牌、產品與消費者之間的關聯性，將數據轉化為商機，引導新世代的行銷觀點與策略思維。」
Scott 於 2016 年底離開 MIGO 並於今年初加入 集思AAA，是電通安吉斯集團（Dentsu Aegis Network）底下的一家公司，電通安吉斯集團隸屬於日本電通集團（Dentsu Inc.），在台灣共有包含：台湾電通、電通國華、貝立德、凱絡、偉視捷、安布思沛、安索帕、安納特、集思（AAA）等行銷傳播品牌。透過提供專精服務及分布於多元市場中的品牌，共同實現「Innovating the Way Brands Are Built 創新品牌成功之道」的集團願景。至於集思（AAA）到底在做什麼呢？看完本次 Scott 所分享的內容後，或許能夠更了解一些。
用數據看見消費者：從B2C到C2B
美國行銷協會曾經有提出一個新的職稱 CIMO，簡單來說就是 CIO 與 CMO 的融合，以往行銷人要看數據往往得請技術人員協助，舉個例子來說，當行銷人想要一群去年曾經買過 A 商品者，想要再推個 B 商品給他。
因此開了一張工單給技術人員，幾天後提供了名單檔案，行銷人發現怎麼有些人是已經購買過 B 的商品了，因此詢問為什麼沒有排除掉這些人。
技術人員說工單上沒有寫，要重撈就再開一次工單，再等三個工作天… 有些時候其實只要雙方多想一點，很多時間是可以省下來的。往後的世界技術與行銷的界線分工會越來越模糊，進而合而為一，也就是所謂的 CIMO 並管理著相對應的部門。
數據其實從古至今是一直不斷被產生的，但以往我們只能人工紀錄，且大部分為靜態資料，但現今因為科技的發達，使得許多動態資料皆能完整保存下來，但不管技術再怎麼發達，更重要的是該如何把 Data 轉換成 Insight 並啟動 Action 帶來實質上的成效。
另外值得一提的點是，有些數據其實並不是技術能掌控的，比如像是消費者較隱私的資料，如果他們沒有主動告訴品牌，品牌就永遠無法曉得。這些數據的取得反而需要一點創意，用 idae 產生 data，不單單只是技術，重點是品牌知不知道自己需要什麼資料。
舉個例子來說，精品品牌舉辦公開的奢華活動，想要利用活動搜集潛在名單，但往往個人資料填寫單上的年收入欄位，真正有錢的人也都不會老實的告知，因此資料的精準度就有了偏差 (高端的人不喜歡告訴你賺多少錢)，那到底該如何判別年收入高的潛在名單呢？
利用一些小巧思，在活動現場設個小攤位，並告知所有入場人員「只要於攤位上出示環球卡、鑽石卡等，即能免費獲得限量粉紅香檳」，不用登記任何卡號，只要秀一下即可，但這些換取粉紅香檳的人，當下就已經被品牌下了一個年收入高的標籤，利用卡別來判斷消費能力，精準性也相對較高，這情境並沒有用到任何艱深的技術，但純是靠一個 idea 把 data 抓出來！
用數據看見消費者是每個品牌要做的課題，但在一個不斷在更新的世界中該如何做？就過去而言，可以用以往的經驗去辦別，但現今消費者因為科技的便利性反讓以往的經驗變得不可靠。在數據的世界裡可以用較理性的觀點解決，試著用象限方式呈現的話：
- X 軸：有左至右為 集中化 (確定的數據) 到 碎片化
- Y 軸：有上到下為 明確問題 到 模糊問題
在「數據驅動」的象限中，比較像是用靜態的資料去處理一個明確的問題，像是用生日的資料篩出本月生日客，再做一檔溝通告知這群人要記得享用優惠。而在「大數據驅動」的象限中，用到的是動態數據來處理一個明確的問題，像是用推薦參數讓系統去辦別每個會員在網頁上的行為與實際購買行為，進而達成個性化推薦其他商品。
最後在「大數據變革」的象限中，反而是要處理一個模糊的問題，這種例子相對難舉，譬如大陸前幾年在跨年期間發生了踩踏事件，但這種問題是發生後才知道的，如果能用數據得知可能會發生的話，或許就能提早預防。
事後在中國的電信業者也坦白提出在事發前，系統有監測到某地區的 4G 量異常密集，因為當下大家都在使用網路，而這可能就會是未來解決此問題的關鍵數據。但假使未來 5G、6G 更發達後，4G 的參數就相對不準了，某種程度上以往有些傳統參數可能也有相對應的現象，消費者也是一樣。
以往行銷常常是在「廣告標籤」而不是在經營會員，標籤化的消費者輪廓必須是要 down 到單一會員才會精準。有些行銷人會在意發簡訊時，系統商是否能夠有參數去判別該姓名然後自動帶上「先生」或是「小姐」，但簡訊中後大半段的內容卻都是一樣的，這樣並不叫個性化行銷，重點是 Content 是否個人化。
當品牌認識你的會員後，請經營你的會員，不要再廣告他。曾經有表驗類型的團體詢問 Scoot 說「為什麼他們發 EDM 給會員成效都很差？」，細問後才發現，這些 EDM 的內容皆是活動的海報 PDF 檔，這些資訊對於會員單純只是廣告，但會員想要的是更多的價值，而不是產品，讓會員了解演奏曲目的差異，看懂不同曲風指揮的細節，這些或許才是他們想要的，傳遞的是商品背後的價值，用價值經營你的會員。當他覺得自己有辦法聽出細節後，買的票就會是越往搖廣區靠近，而不是永遠只買最便宜的票坐在最後一排。
面對消費者，你得投其所好
試著把消費者當成女朋友來追，你就會懂為什麼要投其所好了，該問的是「好」該如何得知？這一刻的消費者「好」又是什麼呢？現今的消費者變動實在太快，品牌有時需要的反而是當下即時的數據參數做決策，或是前幾天的資料也來得相對有信心。
並不是說以往的資料皆無法參考，在不同的情境下會有不一樣的參考性，舉例來說我該如何辦別這個會員的回購機率，電腦要吃的當然是該會員曾經有史以來所有的交易主檔才會真實。
談到回購機率，就順便來說一下辨識會員這件事，當我用回購動機參數曉得你很有可能在這段期間內回購，但我卻不曉得如何辨識你其實也是枉然。
在線上的情境要變是很簡單，一登入會員後我就曉得是你來了，但是在實體的情境就相對困難，我該如何在結帳前就知道這個進店的客人身份？就店員流程面的角度切入的話，現今大部分認定會員的關鍵數據是手機號碼，因此問題點會是「我該如何在客人結帳前就取得他的手機號碼？」
當客人進店時先詢問幫忙查詢會員資料，看看是否有任何優惠券與點數還沒兌換等，站在消費者的角度，只要給他好處就有機會提早拿到他的會員身份。要做好新零售，重點不會只是零售系統、全景數據等，讓每個位置的員工了解新零售的環節也是相對重要！當店員能夠提早了解這個進店客人的身份時，系統就能跑出個性化的推薦模型預測，此時的店員不單單能夠用以往的經驗判斷客人喜好，利用系統的預測讓提袋的機會增加。
如果我能曉得這個消費著的樣貌，就更有機會投其所好。但該如何拼出這個人的樣貌呢？其實所有的 Data 不難逃脫三種維度資料，分別是 Location、Event、Time，我在什麼地方，什麼時間點做了什麼事情？
這三個維度的參數用實際的例子說明的話就像是 15 分鐘前我在公車上用 APP 下單買零食。但這些數據取得的方式一定得是消費者願意提供，因此為了讓消費者提供數據，請先把服務提供出來，讓消費者為了優化服務主動提供個人數據。
舉例來說，為什麼 Google 能夠曉得哪裡有塞車，因為你希望使用 Google Map 所以把自己的定位資訊提供給 Google；再舉一個例子，販售按摩椅的品牌希望能夠曉得消費者是否有持續的在使用，因此推出每月可以下載 2 種新指法的服務，對於消費者來說是種新的服務，但背後卻是讓品牌得到 Data 觀察消費者是否有在持續躺按摩椅。
當未來萬物皆能聯網的世界，能丟回來的 data 皆是參數！投其所好，需要了解消費者狀態的變動，但消費者並不會主動提供，所以想一種方式讓消費者巴不得告知你這些關鍵數據。該如何做到 C2B，其實中文解釋就是客製化，現今 Adidas 已經能夠用 20 分鐘的時間馬上印一雙球鞋給消費者，零售業的革命不單單只是前端的場景，連源頭製造業的革命也是相對重要，不管是邁入工業 4.0 還是 5.0，未來的世界能掌握 data 且擁有技術著才能…
這也是為什麼現今的投資者除了看中營收外，也看數據背後的價值。
社群數據：認識消費者
目前市面上的廠商，大多數有在提供社群監控服務的不外乎都是用語意資料來做分析，但 Scott 也提到，大家慢慢的也習慣把時間花在看影片圖片上，因此也開始有影像資料辨識的資料庫。
當大多人花時間在影片上時，意見通常是隱藏在照片、影片裡的，因此社群的聲量可能就會被低估。未來的影像辨識就應該要能做到影片廣告可能會跟內容有關，像是當在播放蔡依玲的影片時，就差播一個她曾經有代言過的相關產品；當影片是與車子有相關時，偵測到就推出一個競品的逛告等，這些影片辨識的 data 就變成了未來廣告投放的受眾維度之一了。
上圖為社群語意分析時大概需要有的架構，時間可以看出發文頻率、出沒時間；回應數則可以看出你是不是一個 KOL；關鍵字的部分則是不會脫離品牌、競品、情緒/功能字眼等。當然監測的社群種類不同，結果也會有一定的影響，像是論壇中的語意通常相對真實，但是 Facebook 反而比較會發生粉絲團炒作所干擾真實訊息，不過也不是說 Facebook 就沒有效，反而可以看出目前競品大多都在談什麼。
語意分析基本上要注意三個要點，第一為 Comprehensive， 在下關鍵字時哪些需要包含一同收納也是考驗操作者的經驗，舉例來說若要監測 蔡正元 在社群上的聲量，如果只抓 蔡正元 這個關鍵字通常找不到什麼負面聲量，因為少數人會刻意將姓名改為「祭止冗」，所以負面聲論就抓不到。
第二為 Cleanliness，必須清除關鍵字中的雜質，像是美妝品牌通常會在意消費者使用後會不會起紅斑，所以會抓的關鍵字即為「紅斑」，但有一些雜質像是「紅斑馬」也會被收納，因此必須做清除的動作。雜質通常都是遇到才會發現，如果關鍵字是「口紅」，只會等到收納到「門口紅綠等」、「廟口紅茶」時才會發現會有這些雜質需做處理。
第三則是 Data Expansion，以往所偵測的社群管道不外乎 大型論壇媒體、Facebook 等，但當有新的社群渠道冒出後，偵測的管道則必須擴張，像是近幾年 Dcard 的論壇聲量也不小，而且大多為年輕的消費族群，因此若是沒有擴張開始分析，相對呈現的社群聲量則為較有偏差。
當未來影像辨識分析的技術更加普及後，影片廣告的出現也可能會跟內容有關 (變成一種維度的概念)，當我正在觀看某藝人的相關影片時，插播影片則會是有下此 藝人 tag 的影片廣告。又或是當有影片是跟車子有相關時，插播廣告則會是競品的影片等。
做 CRM 要幹麻？ 當然是希望消費者能夠掏出更多的錢！
就大多數的零售業者而言，開始想要擁有一套給力的 CRM 系統，背後真正的原因不會只是想要提供消費者更貼心的服務，想要經營會員等，但其實說穿了就是想要讓會員消費更多呀！不過也是有些品牌使用 CRM 不是為了要讓自己的會員花更多錢，舉個例子秒懂，Facebook 使用 CRM 真正原因是想要讓廣告主買更多的廣告，因為 CRM 讓受眾樣貌能夠分類得非常精準。不管如何，使用 CRM 背後的目的最終就是錢、錢、錢！
要做到的第一步，就是品牌必須用 單一會員為主檔 建立標籤，再來則是擁有 全景的數據，虛實融合的數據必須健全。第一題還算簡單，但要能做到第二題就勢必得下功夫了，線上、線下雖然就一個消費者的角度來看，其實就都只消費的地方，只要能夠給予消費者同樣的權益，他就夠滿足了。但是就經營者的角度來看線上、線下，對於虛實融合這個題目真的是不好解，尤其是在 data 上，因為線上、線下的場景本來就不同，不管是在行為面、交易面很多細節問題是得討論的。
品牌若沒有辦法做這件事，就好好的評估一家 CRM 系統商，讓技術端的事情交給系統商，當然若能夠提供專業的顧問服務當然是最好！或許你可能會問，開始使用後我要如合達成營收增加的目的，其實大原則是不會變得「營收 = 有效會員 * 購買頻次 * 客單價」，請試圖利用 CRM 再讓你的有效會員持續提升，除了招募新會員外也要防止會員流失；思考如何讓會員常常回來買，並且越買越多。把重點專注於這三件事情，營收就會有所成長，你可能又會說「我平時就在關注這些事情了，所以 CRM 到底有什麼用？」簡單解釋的話，就是讓品牌更容易達成目的，也就是上述一直再提的「投其所好」。
如果品牌找到的系統商是擁有 AI 實力的，背後通常能進一步去利用現有交易資料去產出一群回購機率高的名單，讓系統自己告訴你這群人在這個月是很有可能回購的一群人。不要覺得好像是在胡扯，只要是品牌的資料搜集的完整且乾淨，且持續的產生數據，利用 machine learning 讓機器自己學習，複雜的運算邏輯通通讓電腦自己做，品牌只要等著拿一批精準的名單。
Pre-Customer 到 CRM 主檔的關鍵動作為成立第一筆交易，雖然說消費不等於成立會員，但至少你與他又更近了一些。當往後真正進入 CRM 主檔後，切記一件事情，請用心經營他，不要再一直無腦的廣告他，確保他不會離開。除此之外，也必續試圖讓一次購的客人邁向二次購，因為必須要有持續不斷的交易紀錄產生，回購預測模型就會越來越精準。
你的會員數據正確嗎？
在整個消費旅程 (customer journey) 中，消費者與潛在消費者可能產生的數據機會是非常多的，但重點是品牌有沒有在搜集？且有沒有試圖拼起來？品牌真的曉得自己需要哪些數據？先搞清楚自己的商業問題，進而推測需要哪些數據，定義出你生意相關的黃金數據！
舉個例子來說，大型百貨公司通常擁有自己的 APP，因為能夠累積回饋的關係，大部分的消費者會願意百貨購物時出示 APP，一但這些交易有過卡，所有的紀錄都會綁定在你這個會員主檔上，不過當品牌利用回購模型預測曉得有一批會員在本月的回購機率很高，但卻不曉得你有沒有在百貨裡面，Location 的數據該如何被搜集到是個關鍵數據。
仔細想一想有可能的辦法，或許利用停車場的資訊就能夠掌握，利用某種機制讓客人於百貨停車時也要過卡，這樣子品牌就能夠曉得當下有哪些人已經在這間百貨公司了，這時候再利用個別推播的功能，要不讓他回櫃消費也難呀！
註：上述純屬舉例，當然聰明人馬上就想到又不是所有人都一定會開車去百貨公司，這裡主要是想點出如何把 data 拼起來的精神！
用 Data 發動行銷決策
下圖簡單模擬一個 CRM 行銷人該有的作業思考流程，細節的部分皆僅是舉例，並不包含所有。何謂用數據驅動決策，其實過往每個品牌早就有在實行，像是把每個月的生日客抓出來，然後對他們做一檔活動，並給予更個人的經營方式，這就是用數據在發動行銷決策。
只要品牌所使用的系統能夠搜集該參數種類，進而就能做下一步地利用，參數像是商品偏好、貢獻分群、回購預測等，就商品偏好來說線上的角度就是網站上的商品推薦功能，反之線下則是撈取偏好分類的名單進一步做活動，或是當會員回櫃上消費時，店員能夠藉由實體店的工具了解該會員的購買偏好，藉此增加提袋率與向上銷售的機會。
切記，做任何活動一定要比較，且有個基準值。若是有在操作 Facebook 廣告者，你會曉得自己的每單成本、轉換率大概平均會落在哪個範圍，這就是基準值。
線上的活動大多皆有數據能夠做事後評斷，但實體端所發生的數據則相對較難統一整理並簡化成方便評估的資料，不過品牌還是得試著做，不然做的每檔活動就無法曉得到底是好是壞。簡單舉幾個品牌該看的關鍵數據，各種溝通方式的回應率、實際回櫃消費的轉換率、用商品偏好分眾做實體活動後的比較等。提到溝通方式，其實每個人對於不同工具的依賴性是不一樣的，這也可以是 CRM 系統中能夠記錄的標籤。
經營超級會員的 6 個策略和 6 個執行技巧
6 個會員經營的策略
- 讓你的會員經營計劃成為公司營運計畫的一個重要指標
- 不要過分干擾，建立會員與品牌之間穩定的互動關係
- 傳遞你的商品服務價值，而不是一昧的溝通價格
- 善用數據建立對會員輪廓的動態掌握
- 找出你的貴人會員、釐清你的貴人定義然後培養更多貴人
- 認識你的生意、賦予會員經營合理的期待
6 個會員經營的技巧
- 先端出牛肉，再讓客戶因單情願地掏出 Data
- 建立以「單一會員」為軸心的「動態」會員資料主檔
- 建立並維護最「基本」 「有效」 的溝通管道
- 善用系統與工具建立「個性化」溝通的可能性
- 建立品牌或產業專屬的「特色」會員標籤 (優化管理、銷售與會員經營)
- 多接觸新知，對新技術和新數據抱持好奇心與實踐力
最後再次提醒品牌們，請好好照顧會員數據，讓你的會員數據永遠都在保鮮期；請切記全景數據的重要 (線上/線下)；請努力創造首購，一購客推向二購，讓 Data 持續產生，未來有機會能夠操作回購預測模型時，名單將會精準的難以至信；千萬不要過度干擾會員，用超級下殺的折扣干擾會員實際的購買頻率；請試圖找出自己產業的獨特數據，讓會員更加信服品牌所提供的服務。
就最後一點舉個小例子：以往不管是在網路還是實體書店中的書榜排名皆是用「銷售量」為唯一指標，但是 Amazon.com 除了利用「銷售量」外還同時使用該書籍「電子書閱讀數」的參數，因此 Amazon 所提供推薦模型的信任度就相對來得更高了。以往作家想要衝排行榜，可以自己買一大堆書，讓自己的書看起來銷售量非常多，但其實買來的書都是私底下拿來送人用的；反之加入電子書的閱讀參數時，雖然有心的作家還是防不勝防，但就消費者的角度，確實提高了信服度。
謝謝分享，非常有幫助:)
不過…他叫做Scott…
謝謝你，已更正