財經觀察

早期沒有行銷觀念的時代，不懂市場資訊的蒐集與運用，只好把產品準備好，等著顧客上門。隨著行銷理論漸趨發達，企業知道如何蒐集市場訊息，透過市場區隔，找出目標市場，主動出擊，所以有了較為具體有效的行銷作為。現在進入大數據時代，顧客消費動向的蒐集逐漸成熟，已成為最珍貴的消費資訊，可以進一步利用現有顧客的消費行為模式，採取因人制宜的行銷對策。

如若根據大數據，進行個別行銷，應該有哪些內涵？如何利用數據優勢，發揮最大的行銷功能。常見的大數據行銷，是利用現行顧客的消費紀錄，進行後續銷售的再強化。行銷基本觀念是從人為基礎，再擴大至產品，並連結產品與人的關係，以便採取最適當的行銷對策。大數據導向的行銷組合(Marketing mix)，可用4W來表示，作為行銷策略規劃的基礎。

大數據導向的4W行銷組合，其中第一個W(Who)，就是要識別特定之顧客，因為每個顧客都有其消費模式，所以行銷重點也各有不同，可以運用個人歷史消費紀錄，分析每一特定個人的消費型態與偏好，作為預測未來消費行為之基礎，以及識別顧客類型的重要依據。商家所需要做的就是，加強與消費者溝通，從顧客的需求為出發點，適時通知、提醒、建議，保持與顧客的黏度，提升忠誠度繼續回頭消費。綜而言之，Who就是設定個別之行銷對象，然後針對個人量身訂做，採取最有效的行銷對策。

其次第二個W(When)，就是選擇在什麼時候將訊息傳達給顧客，從過去顧客消費紀錄當中，找出購物之頻率模式，以便在最恰當的時機(Timing)，將行銷訊息傳遞給消費者，適時提醒消費者，或喚醒消費者，減少顧客之流失。

第三個W(What)，就是傳遞什麼訊息給消費者，無論促銷、新品、活動等訊息的通知，應先針對個別消費者，進行篩選，確認是消費者所需要的，以防落入無效的盲動，徒然引起消費者的反感。譬如，對於每逢折扣才會光顧的客人，在母親節、周年慶等舉辦促銷活動時，應是不可錯過的對象。至於走高單價趕流行的VIP顧客，當然在換季或新品時上市時，是率先通知的尊榮客人。

第四個W(Which)，就是介紹哪些商品給顧客，根據顧客過去的消費產品、購買週期，預測顧客未來可能有興趣的核心產品，以及相關或互補之周邊產品，適時傳遞訊息給顧客，切中消費者需求。舉例來說，如果從過去消費數據顯示，某顧客曾到商場購買尿褲、玩具、童衣等產品，表示他(她)可能有小孩，對於相關產品，必然是潛在的消費者。如果顧客購買頻率高，表示有可能是買給自己小孩的，為自用需求者。如若一年才購買一次，可能是買來送禮的消費者，必然有送禮需求。故可以配合商場的行銷計畫，採取不同的行銷策略。

在應用上，傳統STP行銷策略與4P行銷組合，適用於消費市場狀況不明時，針對預設的目標市場，有效的將銷售訊息，傳遞給市場中的目標消費群。但是進入大數據時代，除了上述傳統行銷工具以外，對於現有顧客維持與強化，則適用大數據行銷策略與4W行銷組合，根據系統性的個別顧客消費紀錄，針對不同顧客的消費習性、購物偏好、產品需求，設定不同的行銷對策，以提升顧客回流比率，並誘發潛在的消費需求。

消費趨勢的轉變

早期消費數據蒐集不易，廠商對於消費者的了解，總是摸著石頭過河，僅有少部分有能力花費高成本，進行消費市場調查。但是隨著電腦化的發展，廠商逐漸有能力建構自己的生產與銷售資訊，大企業有了自己的銷售數據，開始用於與客戶的關係管理，並逐漸運用在行銷管理上。接著網路化趨勢興起，改變了以往消費者行為模式，許多消費者，捨棄了實體商店，轉而從網路店面消費，由年輕人開始，漸漸普及至各年齡、各階層，趨勢不可擋。

傳統群體消費行為的分析與運用

過去因為缺乏個別消費者數據，所以只能進行群體消費行為研究，最簡單的方法，就是以抽樣方式，取得代表性樣本，替代整體消費者進行研究。至於在運用上，整體消費者之消費行為，過於粗糙與籠統。所以科特勒（Philip Kolter）認為，要做出有效的行銷作為，就必須採取STP三步驟的行銷策略，就是先將消費者進行更細緻的分群，再依自己的產品性質，選擇其中適合的消費群體，並根據該消費群體的特質，進行重點式的行銷。

在做市場研究時，欲將整體消費者進行分群，必須要有劃分標準，過去經常被使用的包括消費者的人口、經濟、社會、文化、心理等特徵。廠商通常會先就產品的特性，選擇適當的分群標準，進行消費市場區隔。分群標準可能為單一，也可能是多重，被劃分在同一群組的分眾，視為同一個消費市場。

群體市場的劃分技巧，在於讓群體間的消費行為差異愈大愈好，而群體內的的消費行為愈相近愈好。在特定消費群體當中，對於商品的消費傾向、消費習慣、決策過程、購買通路、廣告偏好、價格接受等消費行為，儘可能有某種程度的一致性。廠商可以集中資源，選擇最有效的行銷手段，達到最大的效果。

一般而言，消費市場的資訊取得不易，所以過去想要進行消費行為研究時，必須進行市場調查，以掌握消費者行為動向。但是受限於調查樣本較小，無論樣本抽取、問題設計、詢問技巧、分析估計等，都是非常專業、高成本的工作，不是每個廠商都願意投資。即便是廠商做好市場研究，又完成了市場區隔，但是消費者散布在各處，如何能夠利用廣告、宣傳、通路等接觸到消費者，還存在著許多實務上的不確定性。

許多公司長期與顧客來往，留下許多寶貴銷售資料，包括會員背景資料、交易品項、金額、時間等。但經常沒有被充分利用，拿來作為行銷工具，甚為可惜。

過去在處理資料的觀念上，主要是就總體策略面考量，習慣將顧客區分成不同的目標群組，再以過去的經驗，判斷各該群組的購買行為與傾向，作為目標市場行銷的依據。譬如，男性與女性在購買行為，或投資行為上均有顯著的不同，所以簡單區分男女性別，來判斷或預測消費者的可能購買或投資傾向。當然其他如年齡或工作等，也都是經常被當作行銷策略的判斷工具。但是，現在進入電腦時代，消費數據累積比以往容易，而且快速，其中隱藏著許多寶貴資訊，有待商家在應用層面作更廣泛地應用。

傳統目標市場分析

傳統資料處理與分析架構，主要在發掘顧客所購買的產品，與其背景特徵之間的關聯程度如何，多屬於靜態的因果關係模型，可簡單表示如下：

商品銷售量q = f(人口特徵)

該模型表示商品的銷售量q，受到某些人口特徵的影響，只要能驗證某項顧客特徵與產品銷售，兩者具有關聯性，就可以建立顧客與消費之關聯模式。並針對相關特徵的消費者，進行銷品銷售活動。但是這種行銷方式太過粗略，因為消費動機百百種，關係錯綜複雜，未必男人就不上市場，女人一定會做家事，大亨一樣上小館，月光族吃豪華大餐，都不是稀奇事。

大數據個別消費者分析

所以有了大數據資料，可更精準的分析消費行為，只需要改變觀念，根據過去實際的消費行為，量身訂做，建立個別顧客與商品的動態消費模型，以提高企業行銷能力。以下謹嘗試舉例說明應用方法，以顧客i，對商品A的消費為例：   

商品A銷售q_i=g_i(A商品_t1、A商品_t2、A商品_t3、----- A商品_tn)，i=1--k

Google利用大數據，協助美國疾病管制局預測疫情

麥爾荀伯格在「BIG DATA」一書，提到Google幫助美國疾管局自2009年成功預測流感的例子。Google工程師利用民眾上網搜尋有關流感資料，挑出前5千萬個字眼，再與2003至2008年美國疾管局流感資料比對，從字眼搜尋的頻率與當時流感傳播的時間、區域等，找出之間相關性。他們試了4.5億種模型，以不同的搜尋字眼組合，最後找出一組45個搜尋字眼，建立最適模型。並利用2007年與2008年資料進行實證預測，預測結果與官方發布的流行資料十分吻合，有高度相關性。所以在2009年，新型流感病毒H1N1，在短短幾星期內迅速蔓延，當時傳言可能爆發如1918年西班牙流感，最後奪走數千萬人的性命。當時就是利用Google系統，提供最即時流感資訊，先一步防止疫情擴散。

傳統預測模型建構方法

一般傳統統計模型為：流感流行=f(代表各種可能原因的解釋變數)，但是模型f，是要靠過去經驗設定，譬如那些原因導致是流感發生，只要因果之間關係建立，就可以從各種原因當中，成功預測流感是否正在流行。模型完成之前的實證過程，會不斷的修改因變數，或調整模型架構，直到找出解釋力最高的模型。

無須先驗假設的大數據預測模型應用

可是如果過去並無類似經驗，就無法用傳統方式找出合理的預測模型，所以也無法進行預測。大數據預測模式與傳統預測不同之處，在於無須利用過去的經驗法則，預先人為建構模型的因果關係。只需要將大數據中，無論有關或無關的變數，通通視為解釋變數，用強大的電腦運算能力，以一定的模式重複篩選因變數，直到找出滿意的解釋因子為止。所以因果關係模型，不是用經驗建立，而是用篩選方式建構。此舉，有利於幫助人們，建立對於新事物的認知，不必再像過去，花長時間的人力與物力去摸索，才能找到適合的預測模型。