2.3　行动中的网络数据

企业永远无法获知关于顾客的所有情况，我们只能根据可用的信息做出假设。如果只能窥见其中的一部分，根据它们推断出的全景，其准确程度通常已经足以保证完成工作。然而，也许那些缺失的信息描绘出一幅和预期大相径庭的景象。在这种情况下，所做出的决定即使不是完全错误的，也不会是最优的。

因此，企业应当努力收集和分析尽可能多的数据。我们已经讨论过了很多不同种类的网络数据及其广泛应用。现在，让我们继续前进，来看一些特殊的例子，例如，关于企业如何利用网络数据来提升已有的分析、促生新的分析，从而提升其业务水平。

2.3.1　最优的推荐商品

一个很常见的市场分析是针对每一个顾客做商品推荐。在所有可用的选项里，接下来应该向顾客推荐哪件商品，从而使成功的几率最大？拥有网络行为数据可以完全改变推荐商品的决策，并且使这些决策更加稳健。

假设你在一家银行工作，你知道顾客Smith先生的如下信息。

■　他有4个账户：支票、储蓄、信用卡和汽车贷款。

■　他每个月完成5次存款和25次提款。

■　他从未亲自前往一个支行。

■　他的储蓄共计50000美元。

■　他的信用卡和汽车贷款总额为15000美元。

在今天晚些时候，你应该通过电子邮件向Smith先生推荐哪个理财产品呢？根据Smith先生的个人档案，对其提供如下的选择都是合理的，例如更低的信用卡利率，或者因为他持有现金数额很可观而推荐一张CD。绝大多数人都不会向Smith先生提供抵押贷款这种选项，因为这个选项看上去和他毫无联系。然而，一旦我们查看过了Smith先生的网络行为，一系列非常关键的事情跃入我们的眼帘。

■　他上个月浏览了抵押利率5次。

■　他查看了关于房屋保险的信息。

■　他查看了关于洪水保险的信息。

■　上个月他调研了房屋贷款方案（例如，定期还是活期，15年还是30年）2次。

现在很容易决定接下来应该和Smith先生讨论什么了，不是吗？

处于竞争的前列

利用网络浏览行为，可以获得能够需要改变推荐策略的洞察。根据顾客最近浏览过的内容（很多情况下是他们以前没有购买过的产品或者产品线），企业可以做出决策。一旦网络数据提醒你出现了新的机会，你便可以采取行动将顾客拉到新的产品线上来。

对于任何一项业务，弄清楚顾客群体是否依然牢固是很困难的。网络提供了关于顾客的兴趣以及他们是否依然忠实的线索。设想一个目录零售商，它包含了很多个店铺地址。目录中要收集每个顾客在其他数据中的以下信息。

■　最近浏览过的商品。

■　最近评价过的商品。

■　购买历史记录。

■　营销活动及反馈记录。

这些数据被编纂并分析，以决定每个顾客对哪些产品最感兴趣。寄出的目录内容、长度，以及每个目录中推荐的商品都会被调整。与编目人的传统做法相比，这些调整很大程度上改变了促销的方法，并导致了如下的结果。

■　邮件总数的减少。

■　促销目录页总数的减少。

■　总利润的极大增加。

网络数据可以帮助将所有业务进行彻底改善。

2.3.2　流失模型

在电信行业，企业付出了很多时间和精力来创建、增强和完善“流失”模型。流失模型指出了那些最有可能注销账户的顾客，从而可以及早采取措施以防止这些客户流失。对于行业来说，流失是一个非常严重的问题，会使大量的资金处在危险中。这些模型对于账目的底线有很大的影响。

管理客户流失一直是，而且以后仍将是，理解客户使用情况和收益的关键。想象一下，如果今天能把网络数据用于适当的环境中，将会造成多么巨大的改观。Smith夫人是101电信运营商的顾客，她在Google搜索栏里输入了“我如何取消与101电信运营商的合约？”。然后她从一个链接进入到了101电信运营商的合约取消政策网页。想象一下，与其他数据相比，这个用户数据对于流失模型以及采取进一步的有效措施是多么的及时和重要。

很难想象取消合约意愿的指向标要比了解Smith夫人调研取消合约以及完成取消请求的最终过程更加重要。或许分析专家已经看到了她使用率的降低，或许他们还没有看到。通常需要几周或几个月的时间才能发现使用模式的改变。然而，通过收集Smith夫人的网络行为，101电信运营商可以更快地采取措施以避免失去Smith夫人这个顾客。

如果不能在早期就发现那些正在研究取消合约选项的顾客，那么就意味着直到客户心意已决，并且另外一个对手已经赢得了他们的业务时，我们才开始想办法把客户夺回来。大多数这样的情景都已经为时过晚，丢失的客户已经无法再被挽回。

2.3.3　响应模型

很多模型用来帮助预测当要求顾客对某项请求进行响应时，他们可能做出的选择。这些模型通常会试图预测哪些顾客会购买或接受某项服务，或者点击某个电子邮件链接。这样的模型通常使用一种叫做逻辑回归分析的技术。这些模型通常被称为响应模型或倾向模型。我们刚刚提到的流失模型也属于这一类模型。区别在于，流失模型的目的是为了预测负面的行为（流失）而不是正面的行为（购买或响应）。

当使用响应模型或倾向模型时，会将所有顾客根据其采取行动的可能性进行打分和评级。然后，根据评级的结果生成不同的群组，以对不同群组内的顾客采取不同的措施。理论上讲，每个顾客的分值是唯一的。但在实际中，由于这些模型中只有少数几个变量，因此最终可能会有很多顾客的分值是相同或几乎相同的。对于那些不经常高消费的顾客，情况尤其如此。在这种情况下，很多分值非常低并且很相近的顾客最终会被划入同一个很大的群体中。

网络数据可以极大地帮助区分顾客，尤其是对于那些不常购物的或分值很低的顾客，可以根据他们的网络数据将他们的分值进行大幅地提升。让我们来看一个具体的例子，我们首先利用一个变量很少的响应模型对4个顾客进行打分。由于这些顾客对模型中每个变量的取值都相同，因此它们最终的分值完全相同。这些分值都是假想的，因此不必担心它们是被如何计算出来的。这4个顾客的档案如下所示。

■　上一次购买在90天之内。

■　上一年总共消费6次。

■　总共花费了200～300美元。

■　拥有住房者，预计家庭收入为100000～150000美元。

■　忠诚计划的会员。

■　上一年所购买特色产品的目录。

在这个例子中，所有的顾客都得到了完全相等的分值，并且看起来响应的可能性也是相同的。假设他们的分值都是0.62，任何基于这个模型的营销项目都会将这4个顾客同等对待。毕竟，基于以上的这些信息是无法将他们进行区分的，他们看起来完全一样！

现在，利用网络数据，让我们来看一下情况发生了什么样的明显改变。看一下网络数据如何为我们提供强大的新信息。

■　顾客1从未访问过你的网站，因此他的分值降低到了0.54。

■　顾客2上个月浏览过你们提供的产品，因此他的分值提高到了0.67。

■　顾客3上个月浏览过你们提供的特色产品，因此他的分值提高到了0.78。

■　顾客4上一周浏览过你们提供的特色产品3次，有一次将其放入购物车，然后取消，但是后来又再次浏览了该商品，因此他的分值提高到了0.86。

即使顾客尚未达成购买意愿，网络行为仍可以让我们明确顾客当前的兴趣，从而可以对顾客进行更好地打分，并将其严格进行区分，这在以前是根本无法区分开的。现在，将这4个顾客的例子延伸到不同渠道、几百万顾客上，你将看到巨大的改观。

当被问到利用网络数据所带来的价值时，一个来自多渠道美国专业零售商的市场总监这样回答，“这就像是在印钞票！”好消息是，不管有没有网络数据，都很容易建立起验证模型，这些模型要验证在任意给定情况下，业绩是否得到了改进。事实上，这种对企业环境造成影响的测试不会带来任何风险。

2.3.4　顾客分类

网络数据使得很多全新的分析方法成为可能。其中一种是根据顾客的典型浏览模式将他们进行分类。比起传统的基于人口和销售的分类，这种分类提供了一个关于顾客的全新视角。另外，这种分类也可以产生独特的见解和行动。

考虑一个名字为梦想者的基于浏览行为的分类。梦想者们重复地将某件商品放入他们的购物车，然后又取消。梦想者总是多次添加和取消同一件商品。对于某些昂贵的商品，例如，电视或者电脑，这种情况尤为常见。不难找出哪些人进行了这样的重复操作。而一旦他们被发现了，你可以做些什么呢？

一个可取的方法是看一下这些顾客正在取消哪些商品。也许某个顾客正在看一个非常昂贵的高清电视。你在过去已经发现这个顾客经常挑选价格过高的商品，在重复选择和取消很多次之后，却最终购买了另一件稍微便宜一些的商品。那么，给他发一封电子邮件，并告诉他那些具备大多数相同特征但稍微便宜一些的产品，或许可以帮助他迅速下定决心完成购买。

从网络数据中崛起的新分析

有很多种数据源都可以用于顾客分类。销售、人口统计、问卷反馈只是其中几种。现在，还可以根据浏览行为对顾客进行分类。从中可以了解顾客的购物风格和思考过程，并为你的分类准则提供一个非常重要的、额外的维度。

另外一种方法也随处可见。对顾客取消购物车商品的统计信息稍加调整，便可用于对顾客进行分类。在企业看来，购物车中的商品被取消通常意味着失败。然而，通过查看浏览历史，可以确认有10件被取消的商品是由于某个顾客定期重复地取消很多商品导致的。因此，其取消商品的次数可以降低，而且所有对这件商品的取消都可以看作同一次取消。这使得对商品取消有了更加清楚的认识。将这类顾客的统计数据调整后，平均的取消率要比开始时更低一些。不仅新的数字看起来更漂亮，而且它们也是对现实更加真实的反映。

2.3.5　评估广告效果

更好地评估付费搜索和广告效果是用户网络数据所产生的另一种高影响力的分析。传统的网络分析专家仅提供一些高度概括的信息，如点击总数、搜索总数、每次点击或展示费用、点击次数最多的关键词，以及网页位置统计等。然而，这些指标都是总体水平的指标，是对个体浏览会话的总体反映。它们的使用环境也通常仅限于网络渠道。

这意味着所有的统计信息都基于通过搜索和广告点击产生的单个会话。一旦顾客离开网站，并且网络会话结束，分析的范围也到此为止。统计信息里并没有考虑过去和将来的访问。通过整合顾客的浏览数据，并将视野拓展到其他渠道，有可能在一个更深的层次上对搜索和广告效应进行评估。

■　广告或搜索词所产生的网站访问，是否和最有价值的顾客或价值最低的顾客相关联？

■　在顾客第一次点击之后的数天或数周内，最初的会话有多少转化为了销量？

■　某些推荐网站是否比其他网站吸引了更多的访客，并且销量更高？

■　通过对其他渠道的活跃度进行跨渠道的分析，网络广告和搜索所产生的购买兴趣是否导致了第二渠道的销量大幅降低？

让我们来看一下这个来自金融机构的例子。信用卡申请已经随处可见，在电子邮件、杂志、网络中，到处都能看到申请信用卡的广告。本例中的银行理解“眼球和点击”仅仅是整个营销的一部分。在点击之后，你才能够看到广告投放带来的价值。

银行进行了大规模的分析，并且挖掘到了更深的层次，而不局限于最初会话中的点击。它们还跨时段地查看顾客的数据和会话，以评估申请进度、顾客服务查询、信用卡发放、激活和初始信贷消费。这些点击之外的广告效果，可以帮助我们更加全方位地了解如何成功地投放广告并且更明智地分配广告预算。

为什么把你自己局限在当下

仅仅了解那些始于广告、电子邮件链接或搜索的单个网络会话所带来的产出，会错过真正的关键点。很多顾客会回来继续完成他们之前的交易，甚至会通过不同的渠道。传统的网络分析专家不会考虑初始会话之后的行为，也不会考虑会话之前的行为。请升级你的技能以处理这两种情况。

利用详细的、顾客层面的网络数据，可以通过更广阔的视野，而不仅仅是初始网络会话的汇总结果，以真正理解哪些广告、关键词或推荐网站导致了“最优”的点击。通过这些扩展的、跨渠道的、跨时段的视野所提供的额外知识，可以看到一些之前看不到的景象。能够理解这种更深层关系的企业将有机会使用新的战略，这些战略是那些使用传统分析方法的企业所无法理解的。这是一个颇具竞争力的优势。