使用分析了解客户

此手册介绍了如何使用基于零售数据平台的仪表盘和人工智能来评估客户针对忠诚度计划的各种参数的行为和情绪。

业务解决方案

此手册演示了如何将忠诚度管理系统中的数据、销售点/POS 事务处理数据相结合，然后将该数据与年龄组和婚姻状况周围的外部消费者数据点进行扩充，整理所有数据，处理数据质量，以及每小时自动准备分析。

此外，为了帮助验证要执行的正确操作，此方案使用所有数据和 Oracle 内置的人工智能建模来推动假设方案预测建议的更改的影响，以便用户可以选择最佳替代方案。

注：

在更广阔的客户情景中，这可能会获得有关商业活动、潜在商品销售、可能是社交媒体馈送（自动丰富和转录为有用的格式）以及其他外部事件（例如天气、体育、活动等）的其他数据。

通过 Oracle Retail 数据平台，您可以在一个位置提取和管理数据的所有方面，使数据井然有序。从结构化到非结构化，从关系到视频到推文到地理空间，所有格式都位于一个位置，从而实现安全和有组织的分析。

对于那些高度依赖 Oracle 产品、利用数据严重性（即将所有数据整合到一个运营模型中、一个云）的客户，一家供应商提供了明显的优势，包括：

• 无出站费用。
• 更少的数据延迟和质量问题。
• 一个安全和治理模型。

了解相关的行业术语和概念

此手册使用了一些您应该熟悉的行业术语和概念，以便您更好地了解此方案的价值：

• 获取

  客户获取是通过各种渠道赢得新客户的过程。付费广告、社交媒体、口碑和电子邮件营销只是企业为新客户带来的几个示例。

• 细分

  细分是通过使用跟踪行为和概要信息特征的数据创建的一组客户。每个细分都有条件标准来限定客户数据库中的某些客户。您创建的细分可以导出到其他 Oracle 市场营销编排工具，以实施市场活动，例如 Oracle Responsys 和 Oracle Eloqua。例如，您的公司想要开展促销活动，以销售儿童冬季服装的过剩库存。您可以在 Oracle Unity 中为此市场活动创建细分，以导出至市场营销编排工具。

• 激活

  客户激活是指激励客户充分发挥他们正在测试的产品的优势，从而提高其整体参与度的行为。结果可能是生成新客户或重新参与无效客户。无论是什么，当客户通过相关营销对您的产品或服务充满热情时，通过充分了解其优势（难以置信的“aha！”时刻）进行激活

• 转换率

  折换率是指访问您提供优惠时转换的网页的人员百分比。转换率通过将已转换的人数除以已访问过您页面的人数来计算。

技术解决方案

技术解决方案基于 Oracle Retail Data Platform，这是一个用于存储、管理、扩充和分析各种类型数据的单一平台。在本示例中，我们从 POS 和忠诚度系统（API 接口）导入数据馈送，并通过数据质量和转换管道运行数据馈送来创建精心设计的湖。然后，我们从 Oracle 广告云获取饲料，以提供有关消费者的其他信息，例如他们的年龄组和婚姻状况。

Oracle Fusion Analytics 和 Retail Insights 是加速访问数据模型的因素，Oracle 承担了一些维护负担。这些服务使用相同的基线技术堆栈，可以确保更高的互操作性。您可以从 Oracle Analytics 中获取的信息包括：

• 来自消费者的弱信号（来自社交媒体）。
• 通过客户细分，您可以更好地激活/消息，并推动商品销售和供应策略。
• 根据市场活动或外部事件（天气、体育、国家活动、当地活动）对需求进行更改。

从结构化到非结构化，从关系到视频到推文到地理空间，所有格式都保存在一个地方，用于安全和有组织的分析。尽管所有云供应商都采用数据湖形式，但只有 Oracle 能够将不同类型的数据自由整合到一个工具集中。您无需在不同类型的数据库之间移动数据，可以使用关系工具查询非结构化数据或数据科学工具在湖中就地进行机器学习。此外，整个数据平台还共享一个安全模型、一个位置和一个管理方法，以简化并提高运营效率。

插图零售的说明 -lakehouse.png

零售湖仓储 -oracle.zip

体系结构

下图说明了此解决方案中描述的工作流。

插图 retail_lakehouse_fc.png 的说明

retail_lakehouse_fc.png

该体系结构具有以下阶段：

• 搜索

  在此，我们将捕获来自不同来源（如销售点 (Point of Sale，POS) 系统（例如 Micros、企业源系统 (ERP)、客户体验、产品和营销）的结构化和非结构化数据，以及 IoT 输入、商店运营（包括店内脚流量）和社交媒体数据。

• 摄取

  这些数据使用 OCI 集成服务从各种源系统摄取，并传递到数据平台的登陆区域数据湖对象存储。

• 转换和策展

  此外，使用 OCI 数据流服务（完全托管的 Apache Spark 服务）清理、转换和扩充数据，该服务对非常大的数据集执行处理任务，而无需部署或管理基础设施。我们将数据从精选区域移动到数据平台的最终存储层，数据平台是对象存储和自治数据仓库 (Autonomous Data Warehouse，ADW) 的组合。它有助于在整个组织中实现数据民主化。

• 分析、学习和预测

  数据现在用于通过集中式 Oracle Analytics Cloud (OAC) 仪表盘分析和提供业务洞察。此外，我们使用 Oracle AI/ML 堆栈扩展分析，以了解和预测结果。

• 衡量和行动

  数据平台现在可以与定制移动应用、开源技术堆栈和混合平台集成。在此演示中，与数据科学平台的集成展示了额外的智能来捕获客户行为。

体系结构组件

此方案的体系结构包含以下组件：

• 数据源

  这些是数据平台获取数据的来源点；例如，诸如 Micros、用户 Web 行为分析、Fusion Supply Chain Management 应用、eCommerce 源等 POS 系统。

• Oracle Data Integration Service

  OCI 数据集成是一项完全托管的无服务器云原生服务，它可以将各种数据源中的数据提取、加载、转换、清理和重新配置为目标 Oracle Cloud Infrastructure 服务，例如 Autonomous Data Warehouse 和 Oracle Cloud Infrastructure Object Storage。

• 对象存储

  通过对象存储，可以快速访问任意内容类型的大量结构化和非结构化数据，包括数据库备份、分析数据以及丰富的内容（例如图像和视频）。您可以安全可靠地存储数据，然后直接从互联网或云平台检索数据。您可以无缝扩展存储，而不会降低性能或服务可靠性。将标准存储用于“热”存储，您需要快速、立即和频繁地访问这些存储。将归档存储用于保留很长时间、很少或很少访问的“冷”存储。

• 数据流

  OCI 数据流是一个基于云的无服务器平台，可用于创建、编辑和运行任意规模的 Spark 作业，而不需要集群、运营团队或高度专业化的 Spark 知识。在运行时，数据流获取应用程序源、创建连接、检索数据、处理数据并将输出写入 Oracle Cloud Infrastructure Object Storage。

• Autonomous Data Warehouse（自治数据仓库）

  Oracle Autonomous Data Warehouse 是自主运行、自我保护和自我修复的数据库服务，针对数据仓库负载进行了优化。您不需要配置或管理任何硬件，也不需要安装任何软件。Oracle Cloud Infrastructure 处理数据库创建以及备份、打补丁、升级和优化数据库。

• 数据目录

  OCI 数据目录是一种元数据管理服务，可帮助数据专业人员搜索数据并支持数据监管。该服务专为配合 Oracle 生态系统而设计，可提供资产清单、业务词汇表以及用于数据池的常用元存储。

• 数据科学

  OCI 数据科学是一个完全托管的平台，让数据科学家团队可以使用 Python 和开源工具构建、训练、部署和管理机器学习模型。

• Oracle Machine Learning

  机器学习是人工智能 (Artificial Intelligence，AI) 的一部分，它专注于构建基于所使用的数据学习或提高性能的系统。

• OML 记事本

  Oracle Machine Learning Notebooks 是一个协作式用户界面，适用于在 Oracle Autonomous Database 中执行机器学习的数据科学家和业务/数据分析师。

• OCI 语言

  OCI 语言服务是一种基于云的 AI 服务，可大规模执行复杂的文本分析。此服务利用 REST API 和 SDK 来处理非结构化文本以进行情感分析、实体识别、翻译等操作，帮助您构建智能应用。

• Oracle Analytics Cloud

  Oracle Analytics Cloud 是一项可扩展且安全的公有云服务，它为业务分析人员提供了现代、人工智能支持的自助分析功能，可用于数据准备、可视化、企业报告、增强分析以及自然语言处理和生成。借助 Oracle Analytics Cloud，您还可以获得灵活的服务管理功能，包括快速设置、轻松扩展和打补丁以及自动生命周期管理。

• 数据使用者

  数据使用者是直观显示和使用数据平台处理的数据的实体。这可能包括业务主管、Oracle Business Intelligence 应用程序、Oracle Analytics Cloud 或客户的商业活动、消息传递和忠诚度计划。

仪表盘

在以下两个分析仪表盘上收集并呈现忠诚度客户行为：

• “主管”仪表盘
• 客户概要信息仪表盘

本手册中的示例侧重于这些仪表盘以及零售商如何从中获得洞察力。您还可以将从这些仪表盘中收集的度量与忠诚度计划管理应用（例如 Oracle 的 CrowdTwist）结合使用，以更好地了解和解决客户行为。这些应用程序通常提供注册、积分跟踪、优惠和奖励兑换等功能。忠诚度计划应用程序（如 CrowdTwist）将用作此方案中显示的分析的来源，也可能是使用者。

忠诚度计划仪表盘上的各种视角展示了整个美国的忠诚度计划绩效和转化率。它分析了过去几年的成员变动以及确定业务偏差的原因。客户分析视角显示客户识别和行为的不同方面，例如会员资格、转化率（每个商店流量）、计划的地理位置、拒绝原因、积分兑换和管理活动。

虽然这些数据看起来像是干净数据的简单图形，但这些数据很少以简单格式在单个位置提供。虽然业务用户主要看到结果，但这里的实际流程很复杂，过去，大多数组织已经能够将此作为主要的人工流程每年可能一次或两次。我们的解决方案使您能够持续分析所有这些内容。为了最有意义，我们让 AI 不依赖静态分类，而是找到几个类别并帮助建模。

请注意，并非所有这些数据都在内部提供。其中一些项目（特别是年龄和婚姻状况）是来自外部来源 Oracle Advertising Cloud 的数据扩充。

商店流量转换率

此“高管”仪表盘是关于有多少客户加入或离开您的忠诚度计划的顶层视图，并提供了支持正面和负面指标的原因。这有助于您更好地了解一段时间内的业务行为以及特定年度的选定季度的业务行为。

下面的示例讲述了这个故事：第一个图表根据季度折换率（即新忠诚度成员）显示整体忠诚度会员资格。在季度对季度的比较中，您可以从 Q3 2021 开始，了解忠诚度转换率的下降趋势。现在，深入了解另一个条形图。它显示，2021 年商店流量大幅增长（约 100% 增长），但新交易净额约为 25%。因此，从 2021 年开始，忠诚度计划出现了问题。

插图 store_traffic_conversion.png 的说明

忠诚度客户绩效

您可以在“忠诚度客户绩效”仪表盘上检查当前忠诚度计划成员的行为。

插图 loyalty_customers_performance.png 的说明

在本例中，如果您检查前十个季度，前两个条形图表示从 Q3 2021 开始，客户成员资格会出现明显的忠诚度计划迭代/退出。侧重于仪表盘的下半部分，您会看到已兑换积分与已过期积分之间的行为表明已兑换积分减少，以及到期积分相应增加。因此，您可能会得出以下结论：客户无法在给定奖励到期日之前兑换积分。饼图（右下方）表示大约 50% 的客户将点到期作为选择退出忠诚度计划的关键原因。根据这些数据，可行的洞察可能表明您详细检查积分分配和到期时间轴。

营销活动计划

使用“商业活动计划”仪表盘进一步分析客户商业活动。例如，在方案中，保留忠诚度计划“选择退出”客户是营销活动。在这里，前三个月收集的数据有助于识别经常选择不使用忠诚度会员资格的购买者。

插图 campaign_program.png 的说明

通过应用数据科学，您可以确定一些有助于保留客户的个性化产品，例如：

• 返现优惠
• 买一，买一 (BOGO)
• 礼品券
• 特殊折扣

从 2021 财年第三季度开始，您会看到选择退出客户的峰值，因为他们由于各种原因无法兑换积分，如饼图所示。作为一项主动措施，要回收选择退出的客户，您可以运行特定的营销活动，使用电子邮件营销提供个性化宣传内容，或者更改兑换规则的参数。

忠诚度汇总仪表盘

使用“忠诚度汇总客户概要分析”仪表盘将收入与注册新忠诚度订户的有效性进行比较。

插图 loyalty_summary.png 的说明

在此方案中，使用过去五年的数据，您可以看到自 2021 年以来收入一直在下降。截至 2022 年 3 月，收入仍然没有那么大，但是，通过分析瀑布图，你竟然看到获得新忠诚度会员的上升趋势。

现在，请重点关注底部条形图，评估忠诚度客户的新活动/续订活动。您会注意到，截至 2020 年，您的忠诚度计划主要关注返现优惠和联盟忠诚度，但自 2021 年以来，我们的业务战略的一部分转向付费和分级忠诚度计划。根据这些数据，具体可行的洞察表明需要重新审视您的业务战略，以确定如何将焦点恢复到返现和联盟计划。

客户概要信息

“客户概要信息”仪表盘是基于人口统计指标和收入的另一个客户行为的视角。

插图 customer_profile.png 的说明

在此方案中，您可以看到自 2021 年以来业务收入下降。要确定销售下降背后的原因，此仪表盘允许您检查会员资格、地理位置、忠诚度计划类别、婚姻状况、年龄和购买模式等不同方面。然后，一旦确定要更改换购规则，您可以使用此仪表盘提供的可视化来尝试不同的参数，并查看它们如何影响您的忠诚度成功。例如，如果您查看 2020 年，则忠诚度计划主要针对已婚人员，他们贡献了整个客户群的 51% 以及不同的忠诚度计划（例如联盟和返现以及分级忠诚度），这些计划为 25 至 35 岁人群提供了深度的主要贡献。因此，您需要了解如何推出利润丰厚的产品，以便将已婚客户带回 25-35 岁组。因此，为了获得具体可行的洞察，您可以执行假设分析，并根据兑换规则，您可以尝试不同的参数来直观地显示它对您的忠诚度成功有何影响。