몇 년간의 운영 끝에 저는 이익을 조사한 결과 고객과 데이터라는 두 단어로 요약할 수 있다는 사실을 발견했습니다. 이전 두 기사에서는 고객 관련 콘텐츠에 대해 이야기했습니다. 이번에는 데이터를 마케팅에 활용하는 방법에 대해 이야기하겠습니다.
여러번 대화를 하다가 제가 데이터 마케팅을 하고 있다고 말하자마자 상대방은 바로 저를 수학자처럼 보더니 마음속으로 "클러스터 분석, 회귀 분석, 그룹 선호도"를 생각하기 시작했습니다. . "등등. 우리가 대화를 나누고 내가 그런 것들을 전혀 언급하지 않는다는 것을 알았을 때 그들은 나에게 "데이터 마케팅이 정확히 무엇을 의미합니까? "라고 묻기 시작했습니다.
이론에 대해서는 자세히 다루지 않겠습니다. 최근 타오바오 형제들과 타오바오 슈퍼마켓에 대해 많이 논의했습니다. 온라인 슈퍼마켓을 예로 들어 데이터 마케팅이 무엇인지 알아보겠습니다.
데이터 기반 마케팅의 1단계 : 수천명의 사람들이 같은 얼굴을 가지고 있다 - 수천명의 사람들이 같은 얼굴을 가지고 있다
데이터 마케팅의 두 번째 계층: 고객 라이프사이클 관리
데이터 마케팅의 세 번째 단계: 기존 고객 육성
데이터 기반 마케팅의 1단계 : 수천명의 사람들이 같은 얼굴을 가지고 있다 - 수천명의 사람들이 같은 얼굴을 가지고 있다
데이터 기반 마케팅의 첫 번째 주요 역할은 타겟 고객을 보다 세밀하고 정확하게 세분화하여 프로모션 프로세스의 콘텐츠를 구매자에게 보다 관련성 있게 만들고, 운영을 일률적인 방식에서 일률적인 방식으로 변경하는 것입니다. -모두. 디지털 마케팅의 주요 목표 중 하나입니다.
나는 이전에 1번 매장으로부터 다음과 같은 홍보 이메일을 받았습니다.
다들 이런 이메일을 매일 많이 받고 보내시는 것 같아요. 오늘은 이메일 자체에 대해서는 다루지 않겠습니다. 데이터 마케팅을 통해 이 이메일을 어떻게 개선할 수 있는지 살펴보겠습니다.
이 이메일을 100만 명의 회원에게 보낸다고 가정해 보겠습니다. 가장 높은 구매율을 얻으려면 100만 명에게 100만 개의 개인화된 이메일을 보내고 각 회원에게 서로 다른 제품을 홍보하는 것이 가장 좋습니다. 그러나 이 방법은 실제 운용에서는 당연히 불가능하다. 따라서 데이터 기반 마케팅은 가장 높은 구매율을 얻을 수 있는 실행 가능한 마케팅 방법을 찾는 것입니다.
100만 명에게 보낸 위 이메일이 어떻게 전환율을 높일 수 있을까요?
먼저 조금 더 나은 방법을 살펴보겠습니다.
고객을 연령, 성별에 따라 4개 그룹으로 나누고, 그룹의 특성에 따라 추천상품을 선정하여 4페이지로 구성하여 4개 고객그룹에 각각 전달하였습니다.
연령별, 성별별 대표 상품의 대표 카피라이팅
15-25 남성용 콜라, 콜라가 한 상자에 18위안으로 슈퍼마켓보다 5위안 저렴합니다. 더 이상 직접 들고 다닐 필요가 없으며 반나절 안에 집까지 배달됩니다.
15~25세 여성 각종 간식, 샴푸
25-35 남성 맥주,
25-35 여성용 샴푸, 종이타올, 샐러드유
데이터 마케팅의 주요 전제 조건은 데이터 축적입니다. 데이터 축적 정도에 따라 데이터 마케팅이 얼마나 정교해질 수 있는지가 결정됩니다. 여기에 축적해야 할 정보는 거의 없습니다. 나이와 성별은 단지 두 가지 속성일 뿐입니다. (여기에 더 많은 고객 속성을 추가하면 전체 고객 기반을 "소득", "교육 수준", "직업" 등과 같은 더 작은 그룹으로 나눌 수 있습니다. 은행은 이 정보를 기반으로 고객을 만듭니다. CRM 관리 및 위험 관리의 장점은 보다 정확할 수 있다는 것이지만, 단점은 프로모션 비용이 더 높다는 것입니다. 동시에 고객 기반이 더 작은 세그먼트로 분할됨에 따라 프로모션 효율성의 한계 이익이 감소합니다. 그래서 분할이 어느 정도 괜찮습니다.)
그러면 이보다 조금 더 나은 작업을 해보겠습니다.
각 그룹에 "카테고리 찾아보기"와 "구매 카테고리"라는 두 개의 필드를 더 추가합니다.
연령 및 성별 기준 상위 3개 검색 카테고리 상위 3개 구매 카테고리 일반적인 카피라이팅
15-25 남성 음료, 종이 제품, 수입 식품 및 음료, 수입 식품, 종이 제품은 1박스에 18위안으로 슈퍼마켓보다 5위안 저렴하며 더 이상 직접 들고 다닐 필요가 없습니다. 반나절 안에 집 문앞까지.
15~25세 여성
25-35세 남성
25~35세 여성
그러면 "15~25세 남성이 가장 많이 구매한 3가지 카테고리는 식품 - 음료, 일용화학제품 - 종이제품, 식품 - 수입식품"임을 알 수 있으며, 다음과 같이 여러 가지 선택이 가능합니다. "음료, 종이제품, 수입식품"을 각각 프로모션 패키지로 제작하여 그룹 전체에 홍보합니다.
여기서 데이터 축적은 더 복잡합니다. 먼저 각 회원의 구매 기록과 열람 기록을 축적해야 합니다. 이 두 필드만으로도 엄청난 데이터베이스가 필요합니다.
더 나을 수 있을까요?
모든 사람의 거래 기록과 검색 기록을 확인한 후 기업은 더욱 구체화할 수 있는 몇 가지 아이디어를 갖게 됩니다.
1. 고객이 자주 보지만 구매하지 않는 것은 무엇입니까?
2. 고객이 A를 구매한 후 구매할 가능성이 가장 높은 B는 무엇입니까?
1을 위해서는 열람 기록과 구매 기록을 연관시켜야 하며, 데이터 분석을 통해 '카테고리 조회수 > N, 구매 없음'이라는 기준을 세워야 합니다.
2를 하는 것은 더 복잡합니다. 가장 일반적인 방법은 전체 고객 기반을 분석하여 알고리즘을 설정하는 것입니다. A 제품을 구매한 사람이 10,000명이라고 가정합니다. 이 10,000명의 구매 기록을 분석하여 알아냅니다. 이 사람들이 구매한 다른 제품. 가장 많이 구매한 제품 B, C, D가 A 페이지에 추천됩니다(기본적으로 Amazon이 하는 일입니다).
오늘은 먼저 첫 번째 수준에 대해 글을 쓰겠습니다. 관심이 있으신 분들은 두 번째 수준인 고객 라이프사이클 관리에 대해 말씀드리겠습니다.
기사 출처: Paidai.com