白露閱讀：陳傑豪《大數據玩行銷》
書名：《大數據玩行銷：改變世界的18個大數據新思維，第1本把大數據變營業額的行銷聖經》
作者：陳傑豪 (Tony)
MIGO 執行長。
作者：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。
MIGO：www.migocorp.com
內容介紹：
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
一條營收方程式 、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
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？
推薦序：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。
車品覺
作者序：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。
書摘：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。
文章定位：
