數據分析：基準比較＆CRM 階層分群
「數據分析」這個名稱聽起來很高大上、天生以來具有強大數據能力，但其實沒有大家想這麼遙不可及。透過策略性訓練和經驗累積，能夠來逐漸強大自己分析能力。此篇文章將與大家分享，我如何從數據菜鳥到慢慢建立起自己看數據邏輯，找出更多的商業洞見。
此篇文章適合誰？
- 想要做跨行轉職，做數據分析的菜鳥
- 做數據分析，遇到瓶頸的人（初階版）
- 想要了解初階 CRM 分析，如何分類？
文章內容：一、破除迷思：做數據一定要數理很好？
二、初階數據分析概念
a. 了解所有資料庫維度，後定義問題
b. 比較基準點
三、CRM 數據分析概念與方法
a. 分群
b. 標籤化
c. 基準匹配
做數據一定要數理很好？
在開始之前我想要先破除一個迷思，就是做數據的人，應該就是那些數據觀念很好、邏輯很強、必須學過統計人才能做到的事情！Well… 在我個人身上好像不是這樣。在此之前，先容許我分享一段小故事，遙想當年的我，也是數學學測考 5 級分的女人啊（遠目。
大學不好好念書，出社會前根本沒有碰過 Excel，更不知道世界上有這檔高級產物。直到步出這殘酷社會，才發現到 Power Point 和 Excel 叫做基本能力。
還記得畢業後，有幸到一家外商投資銀行當 Internship ，主管要我自己試著做看看報表，然後把兩個資料貫串在一起。但我只會打開表格，之後連凍結視窗都不會，更別說要在那邊 Vlookup V 來 V 去的把資料串聯在一起。
做出來的資料就跟狗啃過沒有兩樣，也幾乎不正確，左轉還向輔大正妹求救，完全被給海放。那時候羨慕別人不只長得正，做事情有邏輯、效率又高，真是後悔以前怎麼都不去上課、學基礎功，怎麼都在玩社團和談戀愛呢？果不其然，不到一個禮拜就跟這家投資銀行說掰掰了，主管說暫時人力凍結。恩，這就是沒實力的下場，隨時準備被市場淘汰。
切記在戰場上永遠不要告訴老闆：「我來這邊學習！（堅定貌）」。Instead of 應該說：「這個之前操作過，或許我們可以用另外一個方式試看看，更加節省時間且整理出更好理解的資料庫。更重要是要有真材實料！」在此告誡在學還有剛出社會的新鮮人，『社會在走，Excel 基本能力要有』。
但因為年幼受到創傷，至此之後痛恨 Excel 至極，發誓我這輩子都不要用這項我掌握不了的工具。殊不知….不小心跳進了精品業做起了 CRM （顧客關係維護）的資料分析，使用 Excel 頻率極高。我也知道很多人想要增進自己的數據思維，所以透過文章讓大家了解到我如何從一隻數據菜鳥，慢慢培養出自己的數據思維，來我們往下看。
世恩大大名言：「不要只會問，你 Google了嗎？」、「你有把問題拿去 Google 嗎？」
💡《如何掌握 Excel 》運用工具的熟練度就是一個門檻，function 要用時方恨少，如果 Google Search 能力不夠好，建議直接看 Excel 的工具書（也就是 Excel 字典），至少看過一次大概知道有什麼 function 可以拿來用，讓在實踐時，有個印象，就算要下關鍵字時，可以更清楚知道有什麼應用機會。文章連結👇 （來自Q Search 周世恩老闆文章補充）
了解所有資料庫維度，後定義問題
怎麼開始這件事情呢？由簡單的三步驟開始 :
第一步、了解所有可運用的工具、資料庫（Salesforce、GA、SEO 關鍵字）
第二步、資料庫裡維度定義、猜想未來的用途（購買時間、品項、年紀等）
第三步、拆解顧客購買歷程（行銷漏斗）
透過資料定義，找出最重要的分析要件，也要釐清這份資料是給「誰」看。所以建立最基礎的知識層面後，最重要一件事情就是『多問問題』和搞清楚那這個數據主要是『解決什麼樣的問題』。
問的問題像是：
What : 現在是遇到什麼難題、顧客的痛點是？
When : 那未來三個月、六個月後想要達成目標為何？
Who : 這份資料給誰看？
How : 那有指標性指標可以做檢驗嗎？
Which Experience : 那過去有做過相關的研究、分析可以跟我分享嗎？
盡量透過大量問題，來定義自己需要資料是什麼等等。
永遠多想一步：但要是沒有人來問你，那我們是否也可以問自己哪些問題這，來找出問題點所在？可以透過下面的比較基準點，來幫助自己找對問題，提出改善策略。
好啦，有人會問：「我是把資料撈出來了，老闆也訂出目標了，也問了很多問題啦！但是怎麼看，對我來說它就是一堆密密麻麻的資訊還有數據，怎麼讀都讀不懂，到底怎麼看出中間細節、老闆說的要有 insight 又是什麼東西？」
以下會有幾個簡單的比較基準點介紹，先把這些東西都做出來了，才能找出跟自己理想狀態的差異化、誤差，有了這些資訊後，可以更深入去探討表現不佳的地方。
比較基準點
來檢查數據的分佈，找到不同類型的特徵，異常值在哪裡，為什麼它們是異常值？對我來說這些異常值為最大、最小或者是去年同期比較有劇烈差異。
那如何看出數值異常呢？其實基本上好壞、高低都是透過比較而來的。一些直接描述事物的變數，如長度、數量、高度、寬度等；通過對比得到比率資料，增速、效率、效益等指標，這才是資料分析時常用的。
比較數值時候，大致上能分為四種類型：
- 特定基準：拿經驗值、理論值或者是平均值來比較，例如上述特定行業的毛利率表現，這就是平均值比較。
- 計畫基準：公司、部門或者是個人計畫來比較，例如總部有訂定幾項 KPI ，透過與當初設定目標比較，已經完成多少，還缺多少。
- 時間基準：與特定的時間做比較，像是跟去年（同比）、上個月（環比）還有一季節（定基比）的差距做比較。基本公式：（今年/去年 -1 )＊100
- 分類基準：常見的比較時有透過產品、區域、部門、客群來做比較，例如列出所有產品的銷售金額、數量，來看看各產品的佔比狀況，或者是產品消費在各個管道上面的比重等等。
在 Gipi 老師《商業思維》一書中提到：「找出領先指標，像是對業務部門來說，業績就是結果指標，但如果要有效改善業績狀況，就必須深入了解到創造業績的過程，也是就是數據脈絡中的顧客、產品與通路，由不同的維度來探討問題。」
假設今年跟去年比較起來業績成長百分之40，表現比去年強勢。抑或是業績下降百分之5，此時就要向下深挖出哪個管道出了問題，在管道裡面最近做了什麼，跟去年差異又是什麼等等。
透過這樣的數據，再去細細拆解所有可能影響業績的因素，比如說，能知道上游、下游發生什麼事情，或者了解各個渠道的狀況等等。當然如果具有商業思維深度和廣度，更能透過成本、利潤和淨利等等來思考更加細微。所以非常推薦大家去閱讀 Gipi 老師的 《商業思維》。
CRM 數據分析概念與方法：分群、標籤化與精準匹配
為什麼大家一直在倡導 CRM 管理呢？ CRM 崛起原因主要是因為獲得一個新顧客的成本太高，基本上新顧客的獲得成本大約是既有顧客的 6 -10 倍左右。
為了降低成本，因此大家開始轉分析、研究既有顧客做更多的開發。但我們要如何觀察、追蹤這些既有顧客呢？像是新客人、舊客，付費流量、非付費流量，A 產品客戶、B 產品客戶，這算是簡易的客戶分群法。
為什麼要做到分群、分類呢？其實就是希望提供給顧客一個更好的服務，或者是更精準來打中顧客痛點，來經營更長期的顧客體驗，進而提高轉換率、顧客忠誠度。
所以將會透過：
- 分類，固定和變動分類
- 標籤化，像是男、女、年紀等
- 精準匹配： 資料分群＋RFM 標籤化，做出更精準行銷
分群的方式：主要分為兩類，一種是按屬性分類，另一種則是以行為分群。
屬性分類，又可以分為固定與變動的屬性：
- 固定分類：固定不變動資料，像是血型、生日等。
- 變動分類：隨著時間轉移改變，結婚、年紀、職場身份、收入、居住地等等。
行為分群，相對來說比較複雜，多數的行為分群圍繞著三個面向：消費者行為、使用行為與服務行為。
- 消費者行為，像是購買、回購、推薦、退換物品等
- 使用行為，如註冊、登入、開箱、使用頻率等
- 服務行為，如撥打客服、客訴案件、主要關懷、廣告推送等。
標籤化：典型的顧客分群法如 RFM ，即透過最近一次的購買時間、消費頻率、消費金額等三個維度，將用戶進行分群，這也是我常用來分群顧客的方式。
R ( Recency ) : 近度，最近一次購買（或者是付費）時間
F ( Frequency ) ：頻度，一定時間內購買（或者付費）次數
M ( Monetary ) ：值度，一定時間內購買（或者付費）總金額
所以就是 R 越近越好， F 越多越好，M 越大越好。當這指標趨近於 R 越近、F 越多、M 越大，將被歸類為高價值顧客。反之亦然， R 越遠、F 越少、M 越小，代表越容易流失這個顧客。但當然每個產業都自己對於 R 、F、 M 的設定指標來做更細微的分群。
精準配對：藉由分群， RFM 的模型，來替不同的客群客製化服務內容
假設，今天 R > 5次，且頻度 > 4 次和金額超越 > 300K 為高強度的顧客，因此會將分配更多資源，還有邀請到不同的活動等等。當然資料量累積越多，就能更清楚相階層劃分出來，來客製化所有階層的服務、策略還有資源。
總結，上述提的兩種分群， 一旦發展到一定階段，並將走向標籤化。所謂的標籤，即為一堆屬性與行為的結合，例如男性、45 –50歲、資訊業、高階主管、桃園市等。
透過一次又一次不斷的互動，來收集更多用戶的資訊，並在這資訊上滿足特定分群的條件時候，為你打上一個又一個標籤。在藉由 RFM 的階層，來完善整理顧客分層，訂出不同的執行目標和該產出的價值。
小練習：若以下的分群來看，公司應該花費資源在哪個顧客階層呢？以及挑戰自己是否能解釋出原因呢？
數據策略擬定行動方案五步驟
Step 1 : 依據策略提出數據需求
Step 2 : 確認數據處理標的
Step 3 : 盤點和彙整既有數據
Step 4 : 盤點新數據採集需求
Step 5 : 擬定數據行動方案
透過上述的方式，來定義需要深入探討的問題，找出數據目標為何。因此剛剛一直提到學會定義問題是一項很重要的能力。很多人會有疑問，在剛剛開始學數據時候，如何開始找到對的方向？我覺得一開始是先與相關人溝通、清楚定義問題，找出現實狀況與期望中間的落差。
再來寫出每個過程的步驟（產品、通路還有受眾是誰）；盡可能透過流程，找出各種數據的維度，搜集能縮短期望差距之間的任何數據，來加以觀察、佐證，最後就只能透過不斷嘗試來累積經驗值。
以下將再透過 Gipi 老師的 《商業思維》數據策略擬定架構，來跟大家分享我過去數據分析經驗。
Step 1 : 依據策略提出數據需求
首先、定義命題。假如我接受到 GM 或者是店經理的要求時候，第一步會思考他們想要拿到這份資料目的是為什麼？第一步我會先釐清目的，是為了向更大老闆要資源，還是說需要找到對的顧客來做店上活動的邀請等等。
如果是希望做到比去年成長 10 % 新女裝顧客成長、還有增加既有女裝顧客的平均消費能力，或者是增加交叉購買的機會。
Step 2 : 找出資料＆ 發現問題點
再來，了解現在在後台裡面所有資料，且定義分別為何，有沒有哪些資料是可以符合這些需求的，可以先抓出來研究看看；再來把流程寫出來，透過顧客在購買旅程來拆解，會不會有什麼環節是可以多加研究的。
延續上述問題，這時候我們要思考這些顧客過去大致上過買過什麼的產品，來參加過多少次活動促使他們轉單等等。以及這些客人光顧的近度、頻次、和金額等等，都能成為佐證、成長的數據。
當然有時候做一做就會卡點，這時候可以回到剛剛提到的把消費者的購物流程寫出來。這樣可以進行一個漏斗行銷，來檢驗是否哪個環節被遺漏了。
假設一、電商平台的路徑就會像是：
a. 用戶登錄/註冊》搜索關鍵詞》查看商品詳情》加入購物車》點擊下單》確認付款》確認收貨
b. 用戶搜索關鍵詞》類目和店鋪》賣家交流》點擊下單》確認付款》確認收貨
通過這種關鍵路徑，能對於每層漏斗分析，從而進行流量的轉化分析，找出影響到達最終結果的關鍵環節。
假設二、對於既有顧客的後續追蹤，過去購買狀況如何，多少顧客只有做一次的回訪 （ Repurchase Rate ），是為了參加活動而購買，是對於產品忠誠對還是對品牌的忠誠度等等。也可以對於既有的會員做年齡的分層、性別、購買頻率、還有購買力等，從不同的角度作切入。
Step 3 : 盤點和彙整既有數據 ＆Step 4 : 盤點新數據採集需求
開始整理所有的資料，另外還有沒有可能遇到無法收集的資料等等，有沒有辦法透過其他的方式來獲取他。如果有需求，希望採集的資料為何？從哪裡採集等。
Step 5 : 擬定數據行動方案
數據結果出來後，如何透過量化圖表的方向，清楚顯示這些資訊。在設下清楚行動方式，還有如何檢驗的 KPI，在未來可以清楚追蹤成效。像是 SMART 的制定目標方式。
- S：具體的（Specific）
- M：可量化的（Measurable）
- A：可達成的（Achievable）
- R：現實的（Realistic）
- T：有期限的（Time-related）
總結
步驟一：明確目的（爭論、提問）
步驟二：針對目的（提問）建立假說（故事、情境）
步驟三：實際搜集資訊
步驟四：現存資料量不足，如何透過蒐集額外資料輔助
步驟五：透過分析驗證和確定是否合乎假說
最後，數據分析要發揮價值，有兩個面向。第一，從資料的分析中，看出問題。第二，從資料、別人的闡述中發現問題、大膽假設，再透過大數據找答案。
「數據分析」主要是著重在思考邏輯，最重要是形成獨特的見解，這就必須來自於人不斷的學習、挑戰和思考，所以很多人開始強調跨領域知識和專業加疊，能創出獨特價值。
- 那請大力幫我鼓掌，給我動力往下走，10-40拍手對我文章內容的肯定；50拍手，證明鋼鐵Ｖ鐵粉忠誠度。- 鋼鐵V社團開張:歡迎大家加入鋼鐵Ｖ·職場思領域一起討論新鮮人職場問題、英文學習、個人品牌還有活動發佈等消息，想要參加我所舉辦的活動，千萬不要錯過這個社團。- 鋼鐵V粉絲頁也開張了：鋼鐵 V 。 薇琪職場學，歡迎大家 Follow 來獲取每天最即時的商業訊息、英文學習（面試、簡報還有寫作等）、個人品牌經營、新書推薦（還有送書活動）！
