【Gipi 數位思維】為什麼有「數據策略」的企業擁有更強的競爭力?

這將會大幅提升公司在商業上的競爭力,因為當別人都還在土法煉鋼,你做什麼決策其實已經都比別人更有依據了。
評論
評論

上一篇 用三國志為引,談完商業數據管理的重要性後,在各個場合中總會有人問我:「我已知道數據很重要,但我對於如何開始做數據管理仍是毫無頭緒,gipi 你怎麼看?」,我的回答是:「你需要建構公司的數據策略。」

本文,我將跟各位分享何謂數據策略(data strategy)?以及如何建構數據策略。

何謂數據策略?

所謂的數據策略,顧名思義就是企業如何採集、儲存、管理、使用數據,並對企業整體帶來助益。而在這個前提下,我們可以說數據策略是衍生自企業策略,而且數據與企業策略間的關係愈來愈緊密(回顧一下我上一篇文章: 談商業數據管理的重要性),企業不該只盯著落後指標看,而是從數據中挖掘出洞見,並採取行動。

我認為,未來領先全球的頂尖企業,絕對都是擁有並能善用數據的公司。

建構數據策略的 4 個步驟

Step1. 依據企業目標設定數據目標

任何的計畫一定都有一個目標,而數據策略的目標必須衍生自企業策略,因為數據管理的目的是為了改善企業營運績效,若數據管理未對企業帶來任何助益,那一切都是白搭。

不論你是用五力分析、競爭策略、價值鏈、SWOT 或者策略地圖來展開公司策略,你最終都該有幾個明確且必須執行的策略目標要達成,例如 A 產品的業績比例提升、客戶滿意度提高、市占率拉升、行銷的精準度提升等。

為了達成策略目標,我們會設定一些對應的行動方案,並依據行動方案展開專案,確保行動方案完成時,策略目標也同時達成。

在企業目標之下,你對數據的期待是什麼?或換個問法,你希望數據可以幫上你什麼忙?以下我援引《大數據,從概念到運營》書中所提到的五級成熟度索引,希望讓各位對數據的用途先有一個宏觀的了解。

  •  業務監督:
    這是最基礎的數據應用,關鍵點在於「監督營運上是否有異常」,常見的管理工具例如銷售報表、dashboard(儀表板)等各種基礎的統計分析內容,是最典型的應用。
  •  業務洞見:
    若說業務監督的數據是管理的落後數據,那這部分的數據一般是領先的數據,可以「提早告訴你哪些地方有狀況」,包含哪些產品銷量突然暴增或暴跌,哪些生產線的 workload 已經超標,哪些客戶的行為已經發生改變。這部分一般會建立一些統計模型或試驗項目,用來挖掘或預測潛在的機會與問題。
  •  業務優化:
    在挖掘出洞見後,能自動化並批量的運行,例如根據客戶屬性與行為交叉推薦合適的商品、根據當下個行銷通路的表現自動調整投放金額、根據社群媒體的議題與聲量,決定某些產品的進貨與囤貨,智慧製造、智慧零售、智慧 XX,很多跟 AI 或智慧扯上邊的應用,大致上都歸於這一個層級。
  •  數據貨幣化:
    就是將數據包裝後用來服務客戶。當你擁有廣大的數據,而這些數據對於特定的目標客戶是有價值的,那你就能做數據生意,re-targeting 就是一種典型的應用,而 open data 若經過包裝,也能稱的上是一種數據貨幣化。
  •  業務轉型:
    這可能好發於硬體公司,尤其是那些想搞 IoT 的公司?過去他們以生產硬體為主要獲利方式,而數據採集很大一部分是仰賴終端的載具,載具的範圍從大家熟知的 PC、手機等漸漸的擴展到其他的 device 或 sensor 上,當數以百億計的數據都是透過這些硬體裝置採集而來,而硬體公司擁有這些數據的使用權時,他們就有機會轉型成以數據賺錢。

你希望數據可以幫上你什麼忙?

做數據策略前必然得先回答這個問題,因為有了期待,目標明確了,策略才得以展開。這個問題對老闆或高階主管來說或許困難了點,我建議你找商務分析師與數據專家們一塊討論吧!

Step2. 盤點數據,檢視落差

Step1 我們先設定期待,希望數據可以幫上什麼忙,而 Step2 就要來檢視現階段所擁有的數據是否能滿足我們的期望了。

舉個例子,如果今天的策略目標是要「提高用戶滿意度」,一般我會透過以下的步驟去盤點我所需要的數據。

首先問,「如何衡量用戶滿意度?相關指標為何?」

這是我第一個會問的問題,得到的答案可能是服務使用頻率、回購率、推薦率、客訴狀況、退款紀錄、服務滿意度調查等等指標。如果你無法提出你的衡量指標,數據就很難幫得上忙,在此請再次回顧我前一篇文章所提到的觀念:數據不會完全精準,但是可以比之前更好,就值得做。

接著問,「這些指標所需的數據是否完備?」

所謂的完備指的是正確、完整且可取得。此問題得到的答案可能如下表,各個指標的數據完備狀況可能略有不同,其中可能涉及彙整、合併、擴展、加工與採集的需求,而這些就是數據的落差,必須衍生對應的數據行動方案。

到上面這個步驟,我們已經盤點完衡量客戶滿意度相關的數據,只要這些數據完備了,我們就能做好業務監督的工作,但我們的策略目標是提高用戶滿意度,這已是業務洞見與業務優化的層次,所以我會進一步問:

「能找出哪類型的客人回購率最高、最低嗎?」
「能找出哪類型的客人推薦率最高、最低嗎?」
「客戶退款前通常有什麼行為?能找出早期徵狀嗎?」
「滿意度調查分數的高低是否與回購、推薦、退款有正相關?」

要回答這些問題,會需要做一些統計分析與模型建立,同時涉及一些自動化機制,例如對潛在回購或推薦的客人推送合適的 eDM 或廣告,鼓勵他們採取行動,或對潛在高退款風險的客人,自動推送關懷訊息,或告知客服人員必須立刻介入關懷等。

Step3. 規劃數據行動方案

設定目標,檢視落差設定方案,這是策略規劃中的典型作法。一般策略規劃中,行動方案結構大致如下:先選定一個企業策略目標,說明用來衡量策略目標完成的基準為何,並描述相關限制,接著展開將採取的行動方案,以及行動方案的細節,包含成員、目標、專案執行計畫、里程碑等等。

而在 Step2 時,其實已經挖掘出相關的數據落差,差別只在行動方案的細節仍未展開,當我們把數據行動方案加到策略行動方案的結構時,看起來就會像下圖這個樣子,數據策略正式與企業策略掛勾了。(以 B 代表業務行動方案,D 代表數據行動方案)

Step4. 讓數據策略成果回歸「商業數據管理」機制

透過反覆執行 Step1 ~ Step3,就能將每個企業策略相關的數據工作展開來,公司的短期數據工作就有了個全貌,如下圖,就可作為這個策略週期內數據團隊所要執行的相關工作。

有別於傳統的數據管理,這邊我特別加上了商業兩個字。這意味著我們談論的數據管理,不僅僅限於技術層次的管理工作,而是建基於商業目的之上,例如針對業績、客戶、行銷、服務、財務等主要營運流程所需數據的管理,企業需要有個長期的數據策略去採集、儲存、管理與使用各種商業數據。

以客戶的數據為例,原先我們不清楚哪些客戶是潛在高退款風險的,但隨著模型的建立始能找出這些客戶,而模型比對後,自動將這些客戶標示並推送到服務人員手中,要求服務人員對客戶做關懷,透過數據管理將相關工作自動化,也提升了營運效率。

你可以逐一將各主要業務領域在數據上能做到的事情盤點出來,這可用來呈現該業務領域的商業數據成熟度。老話一句,高價值的事都不會容易做,但萬事起頭難,請從今天開始思考公司的數據策略吧!這將會大幅提升公司在商業上的競爭力,因為當別人都還在土法煉鋼,你做什麼決策其實已經都比別人更有依據了。


Cookie 消失?試試看全新 AI 影像內容辨識:讓用戶看的內容決定看到的廣告

Google Chrome 即將淘汰幫助廣告主的工具—— Cookie ,它的離去將再一次地影響數位廣告產業。
評論
Photo Credit:<a href="https://www.shutterstock.com/zh/image-photo/ai-artificial-intelligence-big-data-internet-1075853384" target="_blank">shutterstock</a>
評論

透過GA分析進站者發現, Safari的新客數越來越多,難道這表示 iOS 的用戶數也跟著增加了嗎?注意了,這有可能是 Apple 封鎖第三方 Cookie 帶來的影響。隨著 Google 即將淘汰 Chrome 上的 Cookie ,這個幫助廣告主記住用戶受眾的小工具,將要再一次地影響數位廣告產業。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

後 Cookie 時代的廣告受眾如何鎖定?

各大廣告平台在過去幾年不斷地透過 Cookie 以及其它方式,悄悄收集使用者的用戶數據,隨著這幾年用戶的隱私權意識抬頭, Apple 與 Google 對於藉由 Cookie 辨識用戶資料的廣告投遞方式,持有不同的態度,這也將是所有廣告主的極大挑戰。當 Cookie 不復存在,要如何辨識使用者資料?

Cookie 消失了,或許會有新的數據辨識工具來取代,但是任何試圖跟蹤受眾的方式,都難以符合大眾對於保護隱私權的期望。另一方面,也極有可能無法再通過日趨嚴格的媒體監管限制。無論如何,數位廣告不能像過去一樣,無條件地使用類似 Cookie 的追蹤方式,來達到與現在同樣的廣告效果。

後 Cookie 時代內容辨識類型的廣告鎖定方式,將成為未來具指標性的投放策略。廣告與瀏覽平台或內文主題的高相關性,不僅能顯著提高受眾的互動度,更重要的是,完全不需要收集任何個人數據。

FreakOut Taiwan 不斷嘗試更友善的廣告投遞形式, 自 2016 年進入台灣市場的原生廣告,到 2020 年末引進「 Mirrors 」 AI 影像視覺內容辨識系統,都是以網路使用者的角度出發。「 Mirrors 」不需要使用傳統的受眾興趣設定,即可針對「目標受眾在觀看的影像內容」、「品牌自身競爭對手或相關指定系列產品出現的影片」來投遞 YouTube 上的影音廣告。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

AI 人工智慧影像技術突破,推動新一代內容辨識功能

傳統的內容比對廣告皆為自然語言處理 NLP 中心,基於「純文字」的比對來顯示相關廣告,如大家很熟悉的 Google AdSense 。但是,結合新興的 AI 演算和複雜的圖像辨識,已然能夠達到「影片」的內容偵測,透過增加多個比對層和基於自然語言處理 NLP 的基準定位,可深度學習並提供更精細的辨識洞察力。

舉例來說,若想要將汽車廣告投放給對汽車有興趣的人,我們要先從可能對汽車感興趣的受眾中開始推估,並且根據過去的經驗加入不同的興趣條件,最後針對素材更進一步地測試。透過 Mirrors ,我們可以讓廣告出現在有滿足特定條件的影片內,例如:在消費者觀看的影片中,出現汽車評測報告、自家品牌或競爭對手的 LOGO 、代言人等指定條件,再依照不同廣告主設定的預算判斷是否露出廣告。

藉由這樣的影像比對方式,可以更有效地根據消費者行為觸發廣告投遞條件,而不再是現行的用戶受眾數據。人的興趣是多樣且多變的,當對汽車有興趣的用戶在完成汽車的選購後,短期內將不會再瀏覽相關資訊,轉而瀏覽其他更具時效性的內容。透過消費者當下正在觀看的影片內容,取代消費者身上被貼上的數位標籤,將更貼近消費者本身的使用行為。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

Mirrors AI 影像辨識:用消費者看的內容決定廣告

2021 年台灣數位報告指出,台灣人在各網路內容服務中,最愛「網路影片」的比例高達 97.9%,遠超過 Vlog、串流音樂、網路廣播、Podcast 。

影音廣告早已是品牌經營的趨勢:根據 DMA 2019 年台灣數位廣告量統計報告指出,台灣各類型廣告中,影音廣告以 37.2% 的成長比例大幅領先奪冠。其中 YouTube 持續蟬聯台灣最常被造訪網站第 2 名(僅次於 Google ) ,在台灣各大影音平台中的觸及率及影響力不容小覷。

2021 年 FreakOut Taiwan 已與客戶合作,進行搭載新系統的 YouTube 串流內廣告投遞,在針對品牌及產品客製化的多層鎖定策略建議下,房地產廣告的 CTR 表現高於平均,並發現「人臉」群組辨識表現為佳,其中多為財經、名嘴等名人。而美妝品牌廣告 VTR 表現優異,則以品牌「 Logo 」、「人臉」群組有最出色的表現。

本文章內容由「驚點股份有限公司( FreakOut Taiwan )」提供,經關鍵評論網媒體集團廣編企劃編審。