過去許多行銷專家口中所謂的「新零售」，本質是「數據驅動」！

透過數字開始「量化營銷」管理成效的好處

• 省時
• 有方向
• 知其所以然
• 可複製、標準化

數據營銷的「領先指標＆落後指標」

率先反應的狀況 vs 事件產生的結果

• 數據指標舉例：
  • PMI vs 大盤指數
  • 進食量 vs 體重
  • 活動門檻 vs 客單價

通常落後指標都是非常非常重要的 KPI

如果透過數據，發現了客單價與推薦量有相互影響，當推薦量拉高的時候，客單價也就隨之上升了，這時候也許可以考慮把經營管理成效放在帶客推薦流程的優化上。

C.D.C（Continue / Dismantel / Compare）

• 比較維度：
  • 資源＆成效：折讓與廣告費 & ROAS
  • 時間
  • 供給＆需求

數據營銷的基本模型

1. 找到問題（為什麼新客的轉換下降？）
2. 記錄可能的數字（ex. 想提昇新客的轉換：可追蹤的數字記錄展開）
3. 提出假設（ex. 新客是否是因為某些特殊需求才來做這件事情？）
4. 密集討論驗證（ex. 可能是 Landing Page 的影響，提出測試模型）
5. 發表（ex. 讓負責此專案的人，與他人分享新的發現！這在管理上是很重要的事情：Team Work）
6. 定義後續行為流程（ex. 制定可以可反應、反饋的應對方式） →（回到找問題的Loop）

遇到數據解讀的問題：先拆解問題、濾化、展開

※ 濾化的解讀法： 某 A 除 某 B ，產生出來的新指標，可以重新定義一些新的觀察策略。（Ex. 自訂一個「魅力指數」：網頁點擊次數 / 轉換次數）

規劃 → 分析 → 開發 → 專案流程主導

電商時代的反思，現在真的不是越賣越便宜越好；在到達最終目標的轉化前，可以試著測試、量測最佳的「平均客單價」作為決策的相關參考指標。

商品規劃應該思考的四個象限：時間、規格、風格、價格帶

從數字開始規劃：數位廣告的投放策略

以快時尚的場景上，通常 1000 左右的商品數，新品約佔 3%（30款新品），而新品可帶來對整體營收的影響約佔 25%～30%。

定義象限時間（通常為一年），同時思考那些逐漸邊緣的 Someone 的動態流失場景，有新的第一次轉換用戶，這個人也許從此流失不再回購；抑或是他進入沈睡週期，最後進入流失、再推進成 Dead User。這個流程通常是在進行「再行銷 Re-Marketing」過程時，比較不會去考慮到的「漏斗周圍用戶 Brand＆Someone」

• Active <> Sleep
• New <> Lost
• Dead

• 策略比例分配：
  • Someone（10%）：多樣廣泛｜目標：追求 CMP
    • 建立認知、信任度
    • 適合異業合作、網紅、新品策略
    • ex. Line 貼圖、公關媒體、網紅、直播
  • Visitor（10%）：密集｜目標：購物車成本
    • 建立認知、信任度
    • 適合推商品
    • ex. FB、SEO、Google
  • New（20%）：密集重複｜目標：追求二次消費
    • 信任度提昇、教育用戶
    • 適合活動推薦組合、搭配組合
    • ex. 粉絲團、簡訊、隨包
  • Activer（45%）：密集重複｜目標：追求客單提高
    • 提昇滿意度、擴張獨特性
    • 適合新品、滿額活動、社群領袖＆教主
    • ex. 簡訊、社團、直播、Line BC
  • SLD（15%）：深度高｜目標：近期消費次數
    • 刺激回憶、製造衝動
    • 適合低門檻活動、爆款組合、隱藏活動
    • ex. 簡訊