使用分析來瞭解客戶

本手冊將說明如何使用依賴 Retail Data Platform 的儀表板和人工智慧，對忠誠度方案的各種參數評估客戶行為和情緒。

業務解決方案

本手冊示範如何合併忠誠度管理系統中的資料、銷售點 /POS 交易資料，然後強化該資料與年齡群組和婚姻狀態周圍的外部消費者資料點、整理所有資料、處理資料品質，以及每小時自動準備分析。

此外，為協助驗證要採取的正確動作，此情境會使用所有資料和 Oracle 的內建 AI 模型製作來驅動假設情境以預測提議變更的影響，讓使用者可以選取最佳替代方案。

注意：

在較大的知識客戶案例中，這可能會獲得關於行銷活動、潛在推銷規劃、可能提供社交媒體饋送 (自動強化並轉錄成有用的格式) 及其他外部事件 (例如天氣、體育、活動等等) 的額外資料。

Oracle Retail Data Platform 可讓您擷取及管理資料的所有層面，並在單一位置妥善組織資料。從結構化到非結構化，從關聯式到影片到推文到地理空間，所有格式都在一個地方，允許安全和有組織的分析。

對於強烈仰賴 Oracle 產品的客戶，充分利用資料重力，也就是將所有資料整合在一個作業模型中，一個雲端，一個供應商提供了清晰的優勢，包括：

• 沒有傳出費用。
• 降低資料延遲和品質問題。
• 一個安全性和治理模型。

瞭解相關產業術語和概念

此手冊使用一些您應熟悉的產業術語和概念，以便您更加瞭解此情境的價值：

• 取得

  獲取客戶是通過各種渠道獲取新客戶的過程。付費廣告、社交媒體、口碑及電子郵件行銷只是企業能帶給新客戶的幾個例子。

• 區隔

  區隔是由使用追蹤行為和設定檔特性的資料所建立的客戶群組。每個區段都具有條件性準則，可使客戶資料庫中的特定客戶符合資格。您建立的區隔可匯出至其他 Oracle 行銷協調工具，以用於導入宣傳活動，例如 Oracle Responsys 與 Oracle Eloqua。例如，您的公司想要執行促銷活動，以銷售兒童冬季服裝的超量庫存。您可以在 Oracle Unity 中建立此行銷活動的區隔，以匯出至行銷協調工具。

• 啟用

  客戶活化是指激勵客戶充分發揮所測試產品優勢的行為，從而提高整體參與度。結果可能產生新客戶或重新參與無效的客戶。無論是哪一種情況，當客戶完全瞭解其優勢，透過相關行銷對您的產品或服務充滿熱情時，啟動就會發生 (令人讚嘆的「哈！」時刻)

• 轉換率

  轉換率是造訪您網頁並轉換優惠的人員百分比。轉換率的計算方式，是將已轉換的人數除以已造訪過您頁面的人數。

技術解決方案

技術解決方案是以 Oracle Retail Data Platform 為基礎，它是用於儲存、管理、強化及分析所有類型資料的單一平台。在此範例中，我們正在從 POS 和忠誠度系統 (API 介面) 匯入資料饋送，這些系統會透過資料品質和轉換管線來執行這些饋送，以建立彎曲的湖。接著，我們從 Oracle Advertising Cloud 饋送並帶入消費者的其他資訊，例如他們的年齡群組和婚姻狀態。

Oracle Fusion Analytics 和 Retail Insights 是加速器，可更快速地存取資料模型，Oracle 會假設部分維護負擔。這些服務使用相同的基準技術堆疊，可確保較佳的互通性。您可以從 Oracle Analytics 衍生的資訊包括：

• 來自消費者的信號 (來自社群媒體)。
• 客戶區隔可讓您推動更好的啟用 / 訊息傳遞，並推動商品化和供應策略。
• 根據行銷活動或外部事件 (天氣、體育、國家活動、當地活動) 的需求變更。

從結構化到非結構化，從關聯式到影片到推文到地理空間，所有格式都保留在一個地方，以進行安全和有組織的分析。雖然所有雲端供應商都有資料湖的形式，但 Oracle 是唯一一個可以自由將不同類型的資料組合到一個工具集的地方。您不需要在不同類型的資料庫之間移動資料，而且可以使用關聯式工具查詢非結構化資料或資料科學工具，就地在湖中進行機器學習。此外，整個資料平台共用一個安全模型、一個位置及一個管理方法，以簡化及更有效率的作業。

零售圖解描述 -lakehouse.png

零售連鎖店 -oracle.zip

架構

下圖說明此解決方案中說明的工作流程。

說明 retail_lakehouse_fc.png

retail_lakehouse_fc.png

架構具有下列階段：

• 尋找

  在這裡，我們擷取來自微型、企業來源系統 (ERP)、客戶體驗、產品和行銷等不同來源的結構化和非結構化資料，以及 IoT 輸入、商店營運，包括店內流量和社群媒體資料。

• 擷取

  資料是使用 OCI 整合服務從各種來源系統擷取，然後傳遞至資料湖物件儲存 (即資料平台的登陸區域)。

• 轉型與策展

  此外，資料會使用完全託管的 Apache Spark 服務來進行清理、轉換及強化，這些服務可在極大型資料集上執行處理工作，而不需要部署或管理基礎架構。我們會將資料從精選區域搬移至資料平台的最終儲存層，此資料平台結合了 Object Storage 與 Autonomous Data Warehouse (ADW)。可協助將整個組織的資料民主化。

• 分析、學習及預測

  資料現在用於透過集中式 Oracle Analytics Cloud (OAC) 儀表板分析並提供業務洞察分析。此外，我們還使用 Oracle 的 AI/ML 堆疊擴展分析，以學習並預測結果。

• 評估與行動

  資料平台現在可以與自訂行動 App、開源技術堆疊、混合平台整合。在這個示範中，與資料科學平台的整合顯示了附加的智慧來擷取客戶行為。

架構元件

此案例的架構包含下列元件：

• 資料來源

  這些是資料進入資料平台的來源點；例如，POS 系統 (例如 Micros)、使用者 Web 行為分析、Fusion Supply Chain Management 應用程式、eCommerce 來源等等。

• Oracle Data Integration Service，資料整合服務

  OCI Data Integration 是一項完全受管理、無伺服器的雲端原生服務，可擷取、載入、轉換、清理及重新將來自各種資料來源的資料轉移至目標 Oracle Cloud Infrastructure 服務，例如 Autonomous Data Warehouse 和 Oracle Cloud Infrastructure Object Storage。

• 物件儲存

  物件儲存可快速存取任何內容類型的大量結構化與非結構化資料，包括資料庫備份、分析資料，以及豐富內容 (例如影像和影片)。您可以安全地儲存，然後直接從網際網路或雲端平台內擷取資料。您可以無縫擴充儲存，而不會發生任何效能或服務可靠性的降低。針對快速、立即和經常存取的「熱」儲存，使用標準儲存。將封存儲存用於長時間且鮮少存取的「冷」儲存。

• 資料流程

  OCI Data Flow 是一個基於雲端的無伺服器平台，可讓您以任何規模建立、編輯和執行 Spark 工作，而不需要叢集、作業團隊或高度專業的 Spark 知識。在程式實際執行期間，「資料流程」會取得應用程式來源、建立連線、擷取資料、處理資料，以及將輸出寫入 Oracle Cloud Infrastructure Object Storage。

• Autonomous Data Warehouse

  Oracle Autonomous Data Warehouse 是一款自我驅動、自我保護且自我修復的資料庫服務，已針對資料倉儲工作負載最佳化。您不需要設定或管理任何硬體，或是安裝任何軟體。Oracle Cloud Infrastructure 可處理建立資料庫，以及備份、打補丁、升級及調整資料庫。

• 資料目錄

  OCI Data Catalog 是一項描述資料管理服務，可協助資料專業人員尋找資料，並支援資料治理。專為與 Oracle 生態系統搭配運作而設計，提供資產庫存、業務詞彙及資料湖常見的描述資料存放區。

• 數據科學

  OCI Data Science 是一個完全受管理的平台，讓資料科學家團隊使用 Python 和開源工具建置、訓練、部署及管理機器學習模型。

• Oracle Machine Learning

  機器學習是人工智慧 (AI) 的一部分，著重於建立根據所使用資料來學習或改善效能的系統。

• OML 記事本

  Oracle Machine Learning Notebooks 是供在 Oracle Autonomous Database 中執行機器學習的資料科學家和商業 / 資料分析師使用的協作使用者介面。

• OCI 語言

  OCI Language 是一種雲端 AI 服務，可大規模執行複雜的文字分析。此服務運用 REST API 和 SDK 處理情感分析、實體識別、翻譯等非結構化文字，協助您打造智慧型應用系統。

• Oracle Analytics Cloud

  Oracle Analytics Cloud 是可擴展且安全的公有雲服務，可為業務分析師提供資料準備、視覺化、企業報告、增強分析和自然語言處理與產生的現代化 AI 驅動自助服務分析功能。透過 Oracle Analytics Cloud，您還可以獲得靈活的服務管理功能，包括快速設定、輕鬆擴展和修補，以及自動化生命週期管理。

• 資料用戶

  資料用戶是視覺化和使用資料平台所處理資料的實體。這可能包括業務主管、Oracle Business Intelligence 應用程式、Oracle Analytics Cloud 或客戶的行銷活動、訊息和忠誠度方案。

儀表板

忠誠度客戶行為會在這兩個分析儀表板上收集並呈現：

• 管理儀表板
• 客戶設定檔儀表板

此手冊中的範例著重於這些儀表板，以及零售商如何從這些儀表板獲得洞察分析。您也可以將從這些儀表板收集的指標與忠誠度方案管理應用程式 (例如 Oracle 的 CrowdTwist) 結合，以更深入瞭解並處理客戶行為。這些應用程式通常提供註冊、點數追蹤、優惠和獎勵兌換等功能。忠誠度方案應用程式 (例如 CrowdTwist) 將用作來源，且可能是此案例中顯示的分析消費者。

忠誠度方案儀表板上提供的各種觀點，顯示跨美國的忠誠度方案績效和轉換率。它會分析過去幾年的成員身分變動，並識別業務偏差的原因。客戶分析觀點會顯示客戶識別與行為的不同層面，例如成員資格、轉換率 (每一商店流量)、方案地理位置、拒絕原因、點數兌換，以及管理行銷活動。

雖然這些看起來像是單純的乾淨資料圖表，但資料在單一位置幾乎只能以簡單格式提供。雖然業務使用者主要會看到結果，但此處的實際過程相當複雜，過去，大部分的組織都能夠像手動程序一樣，每年可能一次或兩次。我們的解決方案可讓您持續分析所有問題。為了最有意義，我們讓 AI 找出幾種類別並協助塑造模型。

請注意，並非所有這些資料都可在公司內部使用。部分項目 (特別是年齡與婚姻狀態) 是 Oracle Advertising Cloud 外部來源的資料強化功能。

商店流量轉換率

此「主管」儀表板是客戶加入或離開忠誠度方案的最上層檢視，提供支援正面和負面評量標準的理由。這可協助您更進一步瞭解一段時間內與所選季別在特定年度中的業務行為。

以下範例說明此案例：第一個圖表顯示整體忠誠度會員資格與每季轉換率 (亦即，新的忠誠度會員)。在季對季比較中，您可以從 Q3 2021 開始查看忠誠度轉換率的向下趨勢。現在，深入瞭解其他長條圖。該報告顯示，2021 年店舖流量大幅上升 (增長約 100%)，但新交易淨額約為 25%。因此，自 2021 年起，忠誠度方案似乎出錯了。

store_traffic_conversion.png 圖解說明

忠誠度客戶績效

您可以在「忠誠度客戶績效」儀表板上檢查目前忠誠度方案成員的行為。

loyalty_customers_performance.png 圖解說明

在此範例中，如果您檢查前 10 季，前兩個長條圖向上表示 Q3 2021 客戶成員資格中的重大忠誠度方案反覆 / 選擇退出。聚焦於儀表板下半部，您可看到已兌換點數 vs. 已到期點數的行為表示已兌換點數減少，以及相應的到期點數增加。在此情況下，您可能會認為客戶無法在指定的獎勵到期日前兌換點數。圓餅圖 (右下角) 表示約 50% 的客戶表示，指出點數到期是選擇退出忠誠度方案的主要原因。根據此資料，您的可行洞察力可能表示您詳細檢查點數分配和到期時間表。

行銷活動方案

使用「行銷活動方案」儀表板來進一步分析客戶行銷活動。例如，在案例中，這是保留忠誠度方案「退出」客戶的行銷活動。在此，過去三個月收集的資料有助於識別已退出忠誠度會員資格的頻繁買家。

campaign_program.png 圖解說明

藉由應用資料科學，您可以識別少數個人化優惠，以協助保留客戶，例如：

• 現金回贈優惠
• 買一，獲得一 (BOGO)
• 禮券
• 特殊折扣

從 2021 會計年度的第 3 季開始，您可以看到選擇退出客戶中的尖峰，因為這些客戶因各種原因無法兌換積點，如圓餅圖所示。作為主動式評量，若要回收選擇退出的客戶，您可以執行特定行銷活動，使用電子郵件行銷提供個人化優惠，或變更兌換規則的參數。

忠誠度摘要儀表板

使用「紅利積點摘要客戶設定檔」儀表板來比較收益，與您加入新忠誠度訂閱者的有效性。

說明 loyalty_summary.png

在此案例中，您可以使用過去五年的資料來查看自 2021 年起的收益已經減少。截至 2022 年 3 月最近，收益仍然不出色，但透過分析瀑布圖，您會看到，令人驚訝的是，收購新忠誠度成員的向上趨勢。

現在，請聚焦於底部長條圖，並評估忠誠度客戶的新 / 續約活動。您會注意到，您的忠誠度方案主要著重於現金回贈優惠和聯盟忠誠度，但自 2021 年起，我們的部分業務策略將焦點轉移至「付費」和「分級」忠誠度方案。根據此資料，可採取動作的洞察分析可指出需要重新檢查您的業務策略，以決定如何將焦點轉回「現金回饋」和「聯盟」方案。

客戶資料檔

「客戶設定檔」儀表板是客戶行為的另一個觀點，根據與收入相比的人口統計指標。

customer_profile.png 圖解說明

在此案例中，您可以看到自 2021 年起的業務收益已經大幅下滑。若要識別銷售落後的原因，此儀表板可讓您檢查不同層面，例如會員資格、地理位置、忠誠度方案分類、婚姻狀態、年齡及購買模式。然後，在您決定要變更兌換規則之後，即可使用此儀表板提供的視覺化來嘗試不同的參數，並查看它們如何影響您的忠誠度成功。例如，如果您查看 2020 年，忠誠度方案主要是設計來檢視已婚人員，對整個客戶群的 51% 以及不同的忠誠度方案 (例如聯盟與現金回饋以及分層忠誠度)，這些方案提供 25 到 35 歲群組的深度主要貢獻。因此，您需要瞭解如何推出優質優惠，讓已婚客戶在 25-35 歲群組中回購。因此，若要取得可行的洞察力，您可以執行假設分析並根據兌換規則，嘗試不同的參數，以視覺化方式影響您的忠誠度成功。