數據化管理：如何透過數據策略持續強化數據管理能力
在新零售、電商，傳產或其他行業的中高階主管、老闆，乃至於基層的數據工程師或專案經理，在聽完我一次又一次的數據相關課程後，總會喜歡問我：「數據真的很重要，老師你講的數據分析案例也很棒，聽完很有感，但我仍對於如何運用在我們公司或工作上感到困惑，您提到必須要建立數據策略，有點感覺，但還是有點難下手，是否有更具體可實踐的程序或案例？」
大家會有這樣的提問，一點也不意外，我過去最常說：「所有的知識領域大概都有三個階層，最上層談概念、策略，中間層談方法論、流程，最下層談工具，最上與最下兩層談論的人多，談中間層的人少。」
但坦白說，很多聽起來厲害的概念與策略，若沒有實施的方法或流程，基本上都很難落地實踐，因此我特別梳理了「數據策略落地五步驟」，希望能以一個較具結構化的方法，讓大小企業能享受到數據化管理帶來的效益，本文我將以一個實際的案例來跟大家分享。
何謂數據策略？
所謂的數據策略，顧名思義就是企業如何採集、儲存、管理、使用數據，並對企業整體帶來助益。而在這個前提下，我們可以說數據策略是衍生自企業策略，而且數據與企業策略間的關係愈來愈緊密，企業不該只盯著落後指標看，而是從數據中挖掘出洞見，並採取行動，這中間涉及五個主要步驟。
Step1. 依據策略提出數據需求
提出你要數據幫上忙的地方是什麼？你要數據回答你什麼問題？這個問題你必然得回答，基本上數據能協助你找出你有疑問，但還不知道答案的問題，但若你連自己的疑問是什麼都講不清楚，那數據通常無法幫上忙。過去我在 BI 年代，總有人期待 BI 的 dashboard 可以直接告訴他經營上所有的問題，然而現實是「BI 只能讓你更清楚全貌」。
到了大數據與 AI 的年代，仍有不少人抱持這樣的想像，我總會告訴大家「如果有了大數據技術就能搞定經營的大小事，那你還猶豫什麼？花錢買解決方案就對了。」，但事實並非如此。
若你要開始做數據化管理，首先要思考的問題就是，你要數據回答你什麼問題？
Step2. 確認數據處理標的
有了清晰的數據需求，數據團隊就能從這樣的需求去討論他們要對數據做什麼樣的處理才能得到所需的資訊，可能是分析、匯總、統計等等，而處理完後的預計產出物我稱之為數據標的。
Step3. 盤點與彙整既有數據
有了預計產出物，接下來就是要實際去看看手邊的數據是否足夠了，在盤點數據時除了內部數據外，也要同時思考外部數據，當你盤點完內外部數據後，你應該先做一次基本的匯總動作，確認這些數據是否充足。
Step4. 盤點新數據採集需求
若數據盤點完後有所不足，那就要提出數據採集需求，並提列為數據行動方案。
Step5. 擬訂數據行動方案
將執行完上述程序後所提到的所有工作事項列為行動方案，有計劃、分工的逐步落實，如此才有可能讓數據開始幫上營運工作。
從企業策略出發
舉個實際例子來說，若今天行銷部門的年度策略中有一項是「落實精準營銷」，目標則是藉此「提高客戶年消費金額(從 5,000 元-->5,500 元)與成交率(從 3%-->4.5%)」，而在這樣的策略之下，行銷部門主管 John 在經過策略討論後認為以下四個行動方案會有助於達成這個策略目標，分別是：
1.實現交叉銷售，做also buy的交叉推薦
將電商平台很廣泛使用的交叉推薦機制用上，當顧客買了 A 產品後，告訴他其他買了A產品的客人也會連帶買 B 或 C 產品，藉此吸引顧客將 B、C 放入購物車中，例如買了衛生紙的客人，通常也會買牙膏，這個做法可以有效的提高客戶消費金額。
2.針對客戶做個性化商品推薦
與1.有點類似，1.是針對商品與商品間的關係，這個項目則是找出相似屬性的客戶都買了那些商品，例如 35 歲白領女性特別偏愛的口紅顏色或保養品品牌，John 的團隊認為此作法可以同時提高客戶消費金額與成交率。
3.新會員的單品折扣
為了有效地吸引新會員成交第一張訂單，藉此提高成交率，John 認為若能找出最能吸引新會員購買的單品做更優惠的折扣能有效的提升成交率，並緊接著做 1.2 的交叉推薦與個性化推薦，客戶消費金額又可以因此提高。
4.舊會員的分級優惠
針對舊顧客，為了有效活絡回購頻率，希望能開始發展會員機制，並對舊會員提供分級優惠，但目前不確定哪一類的優惠對客戶成效最好，最能誘發頻繁的回購，若數據部門能找出來，對於舊客戶消費金額的提升將會有顯著幫助。
John 的團隊將他們的策略與目標做了上述的梳理後，便找了數據部門的 James 討論。在會議討論過程，John 意氣風發的談論上述構想，並認為若數據部門能搞定上述的問題，行銷部今年就有很高的把握能讓業績達標，聽完 John 的陳述後，James 問他：「所以你希望數據能幫上什麼忙？」
Step1. 依據策略提出數據需求
John 一時沒搞懂 James 所提出的問題，他本以為當他把他的需求提出後，James 就該知道怎麼做了，但現實是 James 並不是那麼熟悉行銷領域的知識，精準營銷、交叉銷售、個性化推薦、會員分級等概念，對 James 與他的團隊來說太過陌生，雖聽懂行銷部門想做些什麼，但對於要用到那些數據，或者要對數據做什麼樣的處理還是一頭霧水。
John 聽完 James 的難處後，稍稍思考了一會，他緊接著問：「你們能找出 A 與 B 或 C 產品被同時購買的狀況嗎？例如買了 A 與 B、A 與 C、A/B/C 同時在一張訂單的狀況，或者某個顧客過去的購買紀錄中，買了 A 與 B、A 與 C、或同時買 A/B/C 的狀況嗎？」
James：「應該可以，但如果要分析完全不的品項可能要花不少時間，是否可以先把暢銷品當 A，我們來找出 B、C？」
John：「可以。」
需求1：買了 A 與 B、A 與 C、A/B/C 同時在一張訂單的狀況，或者某個顧客過去的購買紀錄中，買了 A 與 B、A 與 C、或同時買 A/B/C。
John：「那個性化商品推薦的觀念其實很像，能幫我找出一樣屬性的顧客都買了那些商品嗎？例如 35 歲的白領女性都喜歡什麼口紅或保養品。」
James：「35 歲的女性這是一個群體，如果鎖定這個群體去找應該不會困難，我們只要找出顯著性就好，也就是說同為35歲的女性，他們買 A 品牌的口紅比例遠高於買 B、C 品牌，那就算是有顯著的偏好 A 品牌；同為購買 A 品牌口紅的顧客當中，35 歲女性的占比也顯著高 ，那應該就符合你的需要了，對吧？」
John：「我想是的。」
James：「但因為客戶的群體很多，35 歲白領女性只是其中一個群體，若要全部找出來必然得花一番功夫，我們能先聚焦在部分群體嗎？」
John：「那請幫我找出暢銷品目前的主要客戶族群，我想應該是 25-45 歲的白領女性。」
James：「嗯，但我想中間有一定的困難性，就是年齡可能不太精確，加上我們很難判斷顧客是否白領，過去我們並沒有收集收入與職業的數據。」
John：「那先看看既有的數據能做到那些吧。」
需求2：針對 25-45 歲白領女性，找出買 A 品牌的口紅比例顯著高於買 B、C 品牌，與同為購買 A 品牌口紅的顧客當中，35 歲女性的占比也顯著高的資料。
James：「好的，那到目前為找我們已經談妥了兩項了，接著第三項。」
John：「這兩項就比較麻煩點，我們過去做過很多折扣方案，我只依稀記得有幾個單品折扣後賣得很不錯，但我是從總業績數字上觀察的，但沒有想過折扣的成效如何，你能幫我找出過去做過折扣的單品，在有折扣與沒折扣狀況下的成交率變化嗎？然後還要包含打的折扣數造成的成交率反應。」
James：「我再確認一下，你想要看的是 A 產品在 7 折、8 折、9 折，以及沒有任何折扣下的成交率表現嗎？」
John：「對，但可能只幫我抓出只有購買一件商品的訂單，因為我怕受到其他促銷活動影響，所以先排除多個商品在同一張訂單的狀況。」
James：「這可能性蠻高的，好的，那就如此。」
需求3：找出只有購買一件商品的訂單，從中比較各產品在不同折扣下的成交率表現。
James：「終於剩下最後一項了。」
John：「我們先前沒有會員分級制度，但如果我先把客戶分成三個等級，白金級、金級與銀級，分別以年度消費總額來區隔，大於 10,000 元的是白金級，大於 5,000 元的則是金級，5,000 元以下的屬於銀級，這樣應該不會很困難吧？」
James：「這沒什麼太大問題。」
John：「過去舉辦過的優惠活動很多，滿千送百、累積紅利點數、現金回饋、買一送一、買五送一...我猜想應該有超過 20 種以上，但怎麼去定義哪種方式對哪類客戶最有效呢？」
James：「我們能先針對不同的折扣方案作定義嗎？或許有些客人比較偏好現金回饋或積點，而有些人則偏好直接折扣，我們能試著幫過去做過的促銷活動打上屬性標籤，再透過標籤的方式去分析。」
John：「標籤是什麼概念？」
James：「舉例來說，滿千送百的標籤可能是"滿額贈+千送百"，滿 5,000 送 800 的標籤可能是"滿額贈+ 5,000 送 8000"，兩者不完全相同，但都有滿額贈的標籤，如果這兩個方案對同一個客人都有顯著性，即便千送百與 5,000 送 800看似不同，但我們最少能找出這個顧客對滿額贈是有偏好的。」
John：「感覺可以。」
James：「我們會整理一下過去辦過的促銷活動，但會需要行銷部幫我們做標籤分類。」
John：「沒問題，但我們這次主要的對象是三種分級的會員，我們也會先針對與會員優惠有關的促銷方案作處理。」
需求4：先將會員分成白金、金、銀三個等級，並找出各分級會員偏好的促銷方案。
在第一步驟的關鍵工作是確認出數據需求，也就是具體要數據處理的問題，其實在討論過程中最麻煩的點莫過於行銷部門對數據的理解程度較低，而數據部門則對行銷領域的知識熟悉度較低，這個階段需求的溝通與引導是很關鍵的任務，但無論如何總是有了初步的結論，往下我們便進入到第二步驟。
Step2. 確認數據處理標的
開完會，James 帶著前一個會議整理好的數據需求回到座位上，開始思索在這些需求下，數據部門應該展開那些工作，他分別將四項需求展開。
需求1：買了 A 與 B、A 與 C、A/B/C 同時在一張訂單的狀況，或者某個顧客過去的購買紀錄中，買了 A 與 B、A 與 C、或同時買 A/B/C。
- 找出所有的暢銷品清單，根據過去公司對暢銷品的定義，就是銷售數量 > 50,000 件的那些商品。
- 找出所有購買暢銷品的訂單與顧客。
- 分別以訂單與顧客為源頭去找那些商品同時出現的其他品項。
需求2：針對 25-45 歲白領女性，找出買 A 品牌的口紅比例顯著高於買 B、C 品牌，與同為購買 A 品牌口紅的顧客當中，35 歲女性的占比也顯著高的資料。
- 找出 25-45 歲白領女性顧客清單。
- 找出上述顧客購買的訂單。
- 分析這群顧客對暢銷品購買的顯著性。
需求3：找出只有購買一件商品的訂單，從中比較各產品在不同折扣下的成交率表現
- 找出訂單清單中商品數只有一件的訂單。
- 找出做過折扣的單品清單。
- 找出1.的訂單，其中是購買2.單品的列表。
- 針對3.的列表，分別比較各單品在不同折扣狀況下的成交率表現。
需求4：先將會員分成白金、金、銀三個等級，並找出各分級會員偏好的促銷方案
- 彙整每個客戶去年全年的消費金額，並根據 10,000 與 5,000 先將客戶分成三個等級。
- 將促銷活動設定好對應標籤(行銷部負責)。
- 分析不同等級會員對促銷方案偏好的顯著性。
James：「看來有好多事情要做，目前的數據狀況不知是否足夠，直覺問題應該出在年齡、職業與收入那個環節中，還是先請 Jack 他們來討論討論吧。」
Step3. 盤點與彙整既有數據
Jack：「James，行銷部提出來的需求，我們大致看過了，我們也盤點過目前我們擁有的數據，下面這是我們對此案的看法。」
需求1：買了 A 與 B、A 與 C、A/B/C 同時在一張訂單的狀況，或者某個顧客過去的購買紀錄中，買了 A 與 B、A 與 C、或同時買 A/B/C。
數據盤點：足夠，仰賴訂單與顧客數據即可。
需求2：針對 25-45 歲白領女性，找出買 A 品牌的口紅比例顯著高於買 B、C 品牌，與同為購買 A 品牌口紅的顧客當中，35 歲女性的占比也顯著高的資料。
數據盤點：不足，若沒有顧客年齡與職業數據，現有的數據基本上無法獲得有意義的結果 ，我認為需要與行銷部討論如何收集到這些數據。
需求3：找出只有購買一件商品的訂單，從中比較各產品在不同折扣下的成交率表現。
數據盤點：足夠，仰賴訂單數據即可。
需求4：先將會員分成白金、金、銀三個等級，並找出各分級會員偏好的促銷方案。
數據盤點：足夠，主要仰賴訂單數據，但目前缺乏促銷方案的明確定義 ，這一點要待行銷部門提供。
James：「所以目前看來關鍵點還是顧客年齡、職業數據的問題，我明白了，我會與 John 討論如何往下進行。」
Step4. 盤點新數據採集需求
與Jack討論完之後，James 撥了通電話給 John：「John，我們針對行銷部精準營銷計畫做過討論，大致上沒有太多的問題，但如同我會議中跟你提到，顧客的年齡與職業資訊我們沒有，這會影響到你所提出的第二個需求，能請行銷部想想如何有效的收集到這些資訊嗎？」
John：「可以，我請我們部門規劃一個運營活動，用一些贈品或其他誘因吸引客戶來補齊這些數據。」
James：「好的，這部分再麻煩你了，如果可以，請給我一個計劃完成的時間。」
James掛上電話，動手寫下針對這個專案的數據採集需求。
需求1：買了 A 與 B、A 與 C、A/B/C 同時在一張訂單的狀況，或者某個顧客過去的購買紀錄中，買了 A 與 B、A 與 C、或同時買 A/B/C。
需求3：找出只有購買一件商品的訂單，從中比較各產品在不同折扣下的成交率表現。
需求4：先將會員分成白金、金、銀三個等級，並找出各分級會員偏好的促銷方案。
不須採集。
需求2：針對 25-45 歲白領女性，找出買 A 品牌的口紅比例顯著高於買 B、C 品牌，與同為購買 A 品牌口紅的顧客當中，35 歲女性的占比也顯著高的資料。
需採集顧客的年齡與職業數據，由行銷部門透過活動進行採集。
Step5. 擬訂數據行動方案
到目前為止，該做什麼，誰來做大致上都有譜了，最後一個步驟就是要把上述談到要做的事情給落實下去，也就是要成立專案並有效執行，在此我就不多做贅述了。
結論
大數據剛出來時，很多的老闆期待數據能告訴他很多他所不知道的事，但很多老闆其實連公司的策略都沒有，對數據管理的觀念也是很薄弱的，這種狀況下，就更不可能妥善運用數據了。針對本文的案例，我作了一個比較精簡的簡報來呈現，一樣提供給大家參考。
數據策略落地五步驟+數據脈絡其實已經可以打通你對商業數據管理的基本功。
