一覽工具箱全貌 行銷分析工具簡介 - Medium

文章推薦指數: 80 %
投票人數:10人

Kannan (2016), “Marketing Analytics for Data-Rich Environments,” Journal of Marketing, 80 (November), 97–121. 從圖1中可以發現,行銷分析工具 ... Marketingdatascience關於我們經理人商普筆記資料科學精華共筆文章行銷資料科學實戰案例產業情境數據分析應用熱門課程資訊所有文章檢索到粉專聯絡我們一覽工具箱全貌─行銷分析工具簡介行銷資料科學FollowMay14·6minread所謂「工欲善其事,必須利其器」。

要分析大數據,需要有一定的工具。

我們先前介紹過資料不同的類別屬性,從內部(Internal)資料到外部(External);從結構性(Structured)到非結構性(Unstructured)等。

學者威德爾(Wedel)與卡納安(Kannan)(2016)則依據資料屬性的差異(包括「內部」與「結構性」的資料來源,以及「外部」與「非結構性」的資料來源),將常見的行銷分析工具,描繪出以下的圖形,如圖1所示。

圖1大數據行銷分析工具資料來源︰Wedel,MichelandP.K.Kannan(2016),“MarketingAnalyticsforData-RichEnvironments,”JournalofMarketing,80(November),97–121.從圖1中可以發現,行銷分析工具分布的背後,從左邊偏向「內部」(Internal)與「結構性」(Structured)的資料來源,擴散到右邊偏向「外部」(External)與「非結構性」(Unstructured)的資料來源。

舉例來說,最右邊、下方的「廣告分析」(AdvertisingAnalytics),資料來源即以「內部資料」(Internal)與「結構性資料」(Structured)為主,而最左上角的「情感分析」(SentimentAnalytics),資料來源即以「外部」(External)與「非結構性」(Unstructured)為主。

這樣的圖解,對於企業界來說,有很大的幫助。

首先,根據資料的屬性,對行銷分析工具進行整理,背後意指企業必須先擁有「資料」,才能進行「分析」。

然而,在實務上,許多企業不管是對「內部資料」或是「外部資料」,或是「結構化資料」與「非結構化資料」,事實上,都未能有計畫地進行資料的儲存和管理。

其次,在做行銷分析時,許多企業並不清楚可以運用那些工具協助進行分析,而此圖無疑提供了一個清楚的方向,讓企業可以依此找到好工具。

至於想要學習行銷資料科學的讀者來說,提供了具體的學習項目。

學會使用這些工具後,也代表在行銷資料科學上,擁有了一定的專業。

我們接著將資料、演算法、功能、分析工具之階層關係,整理成圖2所示。

首先,最底層為資料層,這些資料包括內部資料、外部資料、結構性資料、非結構性資料等。

接著是演算法層,包括決策樹(DecisionTree)、先驗(Apriori)演算法、K-平均(K-means)、單純貝氏(NaïveBayes)、支持向量機(SVM)等。

再上一層,則為功能層,內容主要在談分類、聚類、關聯、網路、預測等。

最上層則為行銷分析工具層,常見的行銷分析工具:1.廣告分析(AdvertisingAnalytics)、2.顧客關係管理分析(CRMAnalytics)、3.零售分析(RetailAnalytics)、4.A/B測試(A/BTesting)、5.行銷組合(MarketingMix)、6.個人化(Personalization)、7.線上評論分析(OnlineReviewAnalytics)、8.市場區隔(Segmentation)、9.再行銷(Retargeting)、10.行為側寫與目標市場選擇(BehavioralProfilingandTargeting)、11.推薦系統(Recommendations)、12.關鍵字搜尋分析(KeywordSearchAnalytics)、13.全球定位系統與行動分析(GPSandMobileAnalytics)、14.成交路徑(PathtoPurchase)、15.網站分析(WebAnalytics)、16.社會分析(SocialAnalytics)、17.歸因分析(AttributionAnalytics)、18.競爭智慧(CompetitiveIntelligence)、19.趨勢分析(TrendAnalytics)、20.情感分析(SentimentAnalytics)等。

圖2行銷分析階層圖2的概念,說明這些行銷分析工具與功能、演算法,以及資料之間的關係。

以「推薦系統」(Recommendations)為例。

推薦系統能根據消費者過去的購買行為,或是在網站上的瀏覽行為,向消費者推薦其可能會感興趣的商品資訊。

它最常使用到的功能為「關聯分析」(AssociativeAnalysis),關聯分析能協助我們從資料庫中,找出某些產品之間所存在的關聯性,而關聯分析背後最常用到演算法為「先驗(Apriori)演算法」。

最終,透過演法算分析過去消費者個人或是他人的購買資料,即可向消費者推薦他可能會感興趣的商品資訊。

作者:蘇宇暉(台科大管研所博士生)、羅凱揚(台科大企管系博士)繪圖者:王舒憶、趙雪君【不寫程式的數據分析:Excel商業分析實戰】想知道業界有哪些常用於做市場區隔的集群分析演算法嗎?想知道集群分析如何幫您制定更好的行銷策略嗎?本課程藉由K-means演算法來做顧客分群分析,再根據顧客的「忠誠度」與「貢獻度」評估銷售與利潤佔比,並透過「性別比」與「年齡圖」分析以制定合適行銷策略。

教您使用Excel數據分析工具,達到和Python一樣的效果,挖掘出產品背後的商業價值!快來加入這門課~【不寫程式的數據分析:Excel商業分析實戰】————————————————往後的文章都會持續在行銷資料科學粉絲專頁上發表喔,喜歡我們就趕緊追蹤吧!同時再請大家多多follow我們的FB粉絲專頁,我們會在粉專上即時公布最新資訊,讓您重要消息不漏接!◼FB粉絲專頁:行銷資料科學◼官網:臺灣行銷研究歡迎加入我們的Telegram獲取即時訊息!https://t.me/marketingdatascience歡迎加入我們的Line@獲取即時訊息!https://line.me/R/ti/p/%40cde8265rMarketingdatascience行銷資料科學 — 數據驅動精準行銷。

基礎概念、趨勢、方法和實戰。

經理人商普筆記行銷資料科學4 claps4Marketingdatascience行銷資料科學 — 數據驅動精準行銷。

基礎概念、趨勢、方法和實戰。

Writtenby行銷資料科學FollowMarketingdatascience.台灣第一個行銷資料科學(MDS)知識部落,本粉絲專頁在探討行銷資料科學之基礎概念、趨勢、新工具和實作,讓粉絲們瞭解資料科學的行銷運用,並開啟厚植數據分析能力之契機。

粉絲專頁:https://www.facebook.com/MarketingDataScienceTMRMarketingdatascience行銷資料科學 — 數據驅動精準行銷。

基礎概念、趨勢、方法和實戰。



請為這篇文章評分?