如何利用数据分析做好NBO

正如其他企业战略一样，企业在最开始应该反映它们想用推荐来实现什么，以及如何最好地实现这些目标。推荐战略设计应该包括诸如这些这样的话题：

● 你想让推荐怎样影响你的客户关系

● 你计划使用何种销售渠道，并在什么环境下进行推荐

● 收集和分析什么数据

● 你计划推荐什么

● 推荐如何影响市场竞争

● 与制造商合作提供产品和金融服务推荐

以零售为基础的英国乐购公司就巳非常成功地执行了针对忠诚客户推荐优惠券的clubcard 计划。但对推荐计划设计来说，至关重要的一点是乐购始终期望自己能比任何其他公司知道更多和客户购买偏好有关的信息，又能使用客户欢迎和想尝试的优惠券来奖励客户的忠诚度和其他一些它所期望的行为。这些由乐购和其内部咨询顾问dunuhumby 想出来的推荐所实现的优惠券兑换率平均在8% —14%。这对超市行业中其余的公司来说是相当高的，因为其他公司的优惠券兑换率平均只在1% —2%。duhumby 的研究表明有针对性地向忠忠诚客户进行推荐还能带来更高的收人提升。

微软公司最近对其新的搜索引擎Bing举行的客户推荐活动关注让用户尝试使用Bing 或更加频繁地使用它。公司的营销人员本来想通过电子邮件来进行推荐，但公司也销售电子邮件应用程序，且垃圾邮件巳到了老鼠上街，人人喊打的地步。推荐需要让客户感觉和自己密切相关，而不是具有侵略性的。所以微软用了一种新技术，lnfor 公司的Iateraction Advasor，在其非常成功的推荐活动中实时发送有针对性的电子邮件。

推荐的目标也会随着时间改变。比如，DVD租赁公司Redbox一开始使用以电子邮件和自助服务终端为基础的推荐，目标是让客户自己尝试其租赁服务。在这个过程中，客户习惯于通过自己多数已去过(经常是小超市)，相对熟悉和方便的Redbox销售点租赁DVD。而Redbox 的技术流程决定自助结账和登记有个熟悉了解的过程。所以当业务蓬勃发展时，高管们意识到更多的收人和利润增长由鼓励客户每次租借多张DVD的推荐而来。

因为断定不要在推荐中追求什么东西是如此的重要，所以某个零售连锁公司得出了社交媒体在决定推荐内容时不是重要因素的结论。公司的市场营销分析人员对有关公司的社交媒体内容进行了监控，并观察到在网上讨论中，公司销售的产品并不是重点关注点。然而，对于Ticketmaster来说，毫无疑问社交媒体在年轻客户决定去看哪场演出会活动时扮演了一个重要的角色。因此，对社交媒体进行分析，并把它当做一个产品交付渠道使用在Ticketmaster的推荐中变得越来越重要了。

了解你的客户

有针对性地推荐是以详细分析客户、产品推荐和购买交易背景信息为基础的。客户信息I呼呼诸如人口统计信息、居住地、之前的购买交易、收人和资产这样的基本信息。从这丛引始的信息来源可知，以一些有意思的方式将相干和不相干领域中的东西整合在一块能创建出巨大的综合数据价值。从这些原始的信息来源可知，用一些有意思的方式——如比例方式、对派生字段进行统计以及对平均数和几率进行推导，可将相干和不相干领域中的东西整合在一起创建出巨大的综合数据价值。其中有一些领域的东西是马上可以用的，但其他一些领域里的东西可能很难获取并和其他一些客户数据整合在一起。除此之外，发展这些客户信息需I要打通其和 “SoMoLo ”(Social，Mobile，Location，社交、移动、定位) 数据的关系：

● 在某时客户在哪里——在我某家分店附近吗？

● 客户在社交媒体上是怎么说我的公司或品牌产品的？他的影响力如何？

● 我客户的朋友在网上购买和讨论什么？

沃尔玛公司要求启动Kosmix 以开始在其推荐中使用SoMoLo 数据。服装零售公司H&M 为收集和使用客户所在地信息和在线游戏公司My Town创建合作伙伴关系。如果某个潜在客户正在H&M 一家店附近用手机玩游戏，H&M 就会为其推荐游戏里要用的商品。客户被鼓励进店里扫描商品获取折扣。早期结果表明，在线登录游戏的客户有70万，其中有30 万会进店里扫描商品。

了解你的推荐

很多公司会忽略一个事实： 他们还需要精确的产品信息和属性才能成功进行NBO。要让客户和基于特定客户、有吸引人的产品属性的产品相匹配，必须有个合理的原则。对于某I些产品来说，产品属性可从第三方的数据库中轻易获取。比如，制定电影推荐的公司(包括Nerflix、AT&T 和Comcast) 能推测到，如果你因为某个特定演员或剧情类型而喜欢一部电影，那么你也可能会喜欢有同一演员，或同一类型的另外一部。但对其他类型的零售行业来说，比如服装和超市零售行业，对产品属性进行整理就非常难。制造商不会对毛衣是 “时尚” 还是“传统”有个正式的分类。超市零售商公司也不能轻易断定何种食品会吸引喜欢冒险、偏好健康食品或吝啬的客户。

还有一点很重要· 了解产品制造商想推销什么，他们在客户产品使用上有什么目的。他们是否想让客户去尝试使用它. 要求得到更多或可能与另外一个产品组合购买？

乐购公司坚持不懈地追求产品属性分类，确保客户接受和他们偏妤相近的推荐。诸如产品是否冷冻或每公斤成本这样的属性都来源于它的产品数据库。但对于某些与食物口味和生活方式相关、更加难以分类的属性，乐购公司采用了一种被称为“滚雪球” 的方式来确认这些和口味相关的产品属性。比如，为了确认某个产品是否能吸引重口味的客户，它会把一个被一致认为口味重的产品放在一个国家销售。在英国，乐购公司通过分析相关系数，选择泰式绿咖喱酱进行销售，并由此确认了其他一些重口味的产品。如果一个购买了咖喱酱的客户还买了鱿鱼和野生火箭菜(芝麻菜) 香蒜沙司，那么这些产品就可能会吸引一些重口味的客户。

了解购买交易背景

推荐还应该以大量不同的购买交易背景因素为基础，比如用于联系客户的进口销售渠道 它是否会因走访、电话、电子邮件、网络浏览、接受大众传媒信息而发生？在线推荐能以大量不同的近前行为为基础，包括以前的网站访问和点击公司自己的官网。联系客户的理由也是一个重要的变量。他是因为其他人而购物、寻找服务、开展执行另外一种交易、寻求推荐，还是只出于个人原因这样做？

另外一些背景因素可能包括当天购买时间、当前天气状况和客户是一个人还是结伴前来种针对结伴购物者的推荐。当某位女士和她的丈土一起进入店内，这位零售商向她丈夫推荐了一个相对便宜的商品。决定向丈夫推荐何种商品绝大程度上取决于他作为陪同时对价格的高敏感度，如果他不是陪同而是自己来购物，这个敏感度会低一些。

今天，某此最有价值的购买交易背景信息来源于SoMoLo数据形式。经过恰当使用，零售商能发展出一种无所不在的 “魔力”来推荐产品和强化客户体验。社交和移动数据记录了客户心声和很多购买偏好、购买行为方面的信息，告诉零售商何种推荐更有可能成功以及何时会成功。

有一个有趣的、发展高度自定义化推荐的社交数据应用程序来自索尼公司，已经产了Facebook 公司的Connect 试验，Connect是一个让facebook用户在网上建立自己社交网络的工具户，索尼公司计划使用Connect 让它的开发者在Play Sation3e平台上创建一个个性化的的视频游戏推荐。游戏开发者们能把信息从Facebook 里拉取出来，并推送到PS3 平台中.下一代视频游戏推荐可能会把你的朋友或你的偏好和兴趣的照片构建其中。

如果经过恰当的分析，移动数据也能帮你更好地了解客户购买偏好、需求和向往。并明显强化零售商设计NBO 的能力。很多零售商专注于立即定位，这对定位为有强烈购买倾向的客户来说很有价值。但去过哪些地方的历史记录也能暴露大量有关客户的信息，有一家叫Sense Ner-works的公司开发了一个应用程序，以客户去过哪些地方的历史记录来推断客户的生活方式。Sense Ner-works宣称这能估摸出诸如年龄、出差可能性、拥有的财富和下一个极有可能去的地方这样的客户属性。将指出其他客户移动路线的数据和目标客户去过的地方进行比较，公司就能建立颗粒度的细分群体并让零售商们提供有针对性的、及时的NBO。

分析和执行：决定和制定推荐

NBO 是由以一系列变量或属性为基础的前瞻式模型创建或测试的。目标是确认和某些特定及期望客户购买偏好、举动和成果最相关的属性。诸如亚马逊网站一开始使用的 “买这个的人可能也会买那个”这样的交叉购买相关性分析推荐只是一种简单的前瞻式NBO，不需要大量的客户或产品属性知识。除此之外，亚马逊还使用了以过去的购买行为为基础的电子邮件NBO。遗憾的是，如果某个客户是为他一个朋友买东西，他可能会好几年都被不相关的推推荐困扰。

个性化推荐通常是以一种算法组合为基础的，这种组合包括预测某位客户可能的购买偏好、客户人生价值、跨销售和追加销售可能性以及管理在何种环境下进行何种推荐的业务规则。比如，在某位客户对几个产品有相同的购买偏好指数，或受限于他自己对产品整体的接触感知频率的情况下，我们可用某个业务规则来决定对他进行何种推荐。

执行推荐的一个关键方面是决定如何和由谁传达推荐内容。传达推荐内容的输出模式通常和它的输入频次相同，但这也不是经常的。它包括：

● 让某个人面对面地向客户推广产品

● 店内的自助服务终端

● 移动设备

● 在线： 电子邮件或网站广告条

● 注册收据

● 大众传媒

很多公司正尝试使用多种销售渠道来处理推荐问题，“我们的客户从来不会碰到他们不喜欢的销售渠道”，某个零售银行业务主管说。在CVS，公司通过注册收据、店内的自动服务终端、电子邮件，甚至是有针对性的店内通告来向人传达它的ExtraCare 忠诚计划推荐，而且公司也正在试验手机电子优惠券。Qdoba Mexican Grill，一个有快速服务经营权的公司正在使用手机电子优惠券来推广它原来以卡为基础的忠诚计划。在某些时刻它能靠传达推荐内容来增长网站流量，在高峰时间顺利处理客户要求。在大学附近的午夜场促销活动己经让人们看到了40% 的优惠券兑换率，而在整个计划中，平均兑换率只有16%。

星巴克用其所有11 个在线销售渠道来发展它的针对性推荐、客户满意度和反应测量、产品开发和品牌认同度强化。今天，有三千多万的Facebook用户“喜欢”星巴克，超过200万用户在Twitter 上 “关注” 了该零售商公司，还有30 多万张星巴克图片标签被上传到了Flickr。每位Facebook 粉丝平均每年在星巴克上要花235 美金——两倍多于非粉丝花的钱。这些粉丝组成了一介对星巴克有强烈购买偏好，有忠诚度和认同度的客户群体。公司还用了诸如Foursquare这样基于定位的服务向客户提供奖励推荐，加深品牌认同度。它的智能手机app 应用还以客户年龄、性别、兴趣和所在位置为基础让客户选择收取短信，这让星巴克能调整自己为特定受众举办的促销活动。

某些诸如Nordstrom 这样高档的零售商和为富有客户服务的金融服务公司相信传达推荐内容的最佳销售渠道是人。很多企业提供了多种通常以客户的购买偏好为级别的推荐，希望大众能接受它们。销售人员能以客户实时的认知感受和感觉舒适的级别为基础选择一种推荐给客户。当销售人员向客户传达推荐内容时，在销售人员对客户的认知度和由模型展现的推荐之间常常会发生一种微妙的影响。坚持在所有情况下都让销售人员传达推荐内容可能会导致较低的客户满意度并降低推荐的合规性。投资公司T. Rowe Price 预估自己在向客户传达有针对性的推荐内容时，不应该用超过50% 的时间来做这件事情。否则，自己的雇员就不会根据客户真正想要的东西，对推荐内容进行优化调下。

在线推荐虽然不太个性化但优雅精致。以前，在线营销商会创建一些不同的电子邮件推荐，并把它们发送到所选择的客户群体中，且在客户打开邮件之前对推荐进行设计。然而，诸如微软这样成熟的公司正提出一个让推荐更加动态化的方案。比如，为了让电子邮件推荐变得更加有参与度，我们可以在打开Bing搜索引擎时，对其进行定制。在200 毫秒这个罕人几乎感觉不到的延迟时间内，推荐会以其他客户最近回复的内容为基础进行再次组装，从而为当前客户提供可用的实时信息。有针对性的实时广告在不同的环境中所提升的转换率在20% —70% 之间。

考虑到多数用于NBO 的数据的丰富性、多样性和内在的人性化本质，NEO 在触碰到法律、伦理、政冶和国家策略概念时自然而然会出现大量问题。这些问题就其背景来说极其广泛，但它们正在变得越来越突出。这里要解决的不仅仅是身份保护或个人隐私问题，还有推荐的语气、语调和感觉让客户感到烦人且带有侵略攻击性的问题。

这里有一此有关这个话题的核心问题：

● NBO 是如何公平或不公平地对待消费者的？

● 正在制定中的推荐是以错误和伪造的数据还是以真实而又精确的信息为基础的？

● 面对来自于看似不相关的信息和有假定倾向的推荐时，消费者会感到舒服吗？

● 消费者知道和接受正在演变发展中的数据使用功能吗？他们能对未来的数据使用技术I进行选择、加以甄别吗？

● 如果某种推荐导致了”假阳性”结果，或者还有某种推荐伤害或冒犯了人的感情，那么消费者会有什么反应？

这个简短的担心列表包括了某些重要的话题，需要特别和全盘的考虑。某些触动到了一此高度技术化和有争议的、已明文规定的法律条例，比如公平信用报告法(Fair Credit Repoating Act，FCRA)。在美国之外，特别是在欧洲，某些限制NBO 使用消费者信息的条例可能会让人感到更加拘束。

学习和适应NBO

因为创建一种推荐是个不精确但又可持续改进的学问，所以一个成功的NBO 过程中最重要的一个组成部分是学习和适应这一结果。某些推荐比起其他推荐更好地满足了客户需求，所以必须有一种方式来测量和改进过程，不管是针对整体还是个别客户。正如某位CVS王管所说的，审视NBO 的最好方法是“每种推荐都是一个测试”。如果你不能坚持不懈地尝试新的变化因素、算法和业务规则，那么你的推荐就不会越来越好。

一种学习推荐结果的方法是明文规定一些能治理推荐创建的经验法则。这因每个公司具体情况而异，但重要的是要明白无误地对它们进行明文规定，使它们能指导推荐过程。这里有一些经验法则，来自我们和某些公司所进行的讨论：

● 追加销售只会发生在面对面推荐时 (美国商业零售银行)

● 只有前卫时尚的鞋子才会在社交媒体中被人们讨论(FootLocker 公司)

● 我们的客户喜欢对他们之前买的同一东西提供折扣的推荐(cvs 公司)

● 在可从我们会员那里赚到钱的商品分类中，推荐大量相关的商品折扣，能为我们和供应商创建可增值的价值。( Sam 俱乐部))

● 在销售点，我们的推荐一般都通过客户和营销员的关系直接提供给他们，有时还会以强大的前瞻式数据分析工具所支持的面对面互动方式提供给他们。（Nordstrom)

● 客户不会经常性地寻求购买银行服务的机会，所以我们需要耐心地和其他供应商搞好关系 (欧洲银行)

经验法则应该以数据驱动的和面对面驱动的分析为基础，而不应该以惯例或口口相传的经验知识为基础。而且应该不定期地对它们进行测试来确保它们依旧可以被使用。

对NBO 来说，关键是要通过行动来取得进展和创新。对今天的零售商公司来说，将所有可能的变化因素整合进一个NBO 模型里是非常难的。但一定要明白收集和整合关键变化因素的意义，比如基本的人口统计数据和客户购买交易历史。事实上，大多数零售商公司需要加速它们在这领域里的工作，这是因为到目前为止推荐的质量和价值都不会让客户感到ep.深刻。销售渠道和可预测的变化因素将会在数量上持续增长，所以如果不能快速改进和发展“最优产品推荐”，那么它们只能被人落的越来越过。