Please note that JavaScript and style sheet are used in this website,
Due to unadaptability of the style sheet with the browser used in your computer, pages may not look as original.
Even in such a case, however, the contents can be used safely.

顧客特性推斷技術可利用最先進的AI技術推算出顧客的生活型態,實施精準行銷

目前為第3次AI研發浪潮,研究焦點在於能如同人類般學習的機械學習。

人類史上已出現兩次AI研發浪潮,第1次在1960年代,第2次在1980年代,而如今被稱為是第3次AI(人工智慧)研發浪潮。其關鍵字為機械學習。

 

所謂機械學習,係指AI能藉由大量資料,如同人類般學習與獲得概念,進而得到問題解答的技術與手法。若使用具備機械學習能力的AI,即可藉由電腦的協助,省去原本須由人花費長時間執行的活動。

 

例如讓電腦即時分析監視攝影機的影像,以隨機應變方式判斷車輛或人物的可疑行為,並通知管理者,就不再需要有人長時間盯著螢幕看。此種情況下機械學習必備的重點在,並不是由人事先將「可疑行為」分類,並設計成程式教導電腦,而是電腦從事先得到的大量影像進行學習,並獲得「可疑行為」的概念。

 

目前全球都在進行機械學習的研究,而NEC亦將旗下跨領域的AI技術群,命名為「NEC the WISE」品牌,積極推動包含機械學習在內的尖端AI技術之研發與運用。而在此努力下獲得的最新成果之一,就是資料科學研究所研發出的「顧客特性推斷技術」。

 

創始自英國超市,全球所有零售企業皆採用的顧客特性推斷手法。

在企業的行銷領域中,根據每位顧客的生命階段與生活型態等特性,進行分類的「顧客細分」概念已成為主流。這是因為若無法依據個人的喜好關注與興趣嗜好,進而制定、執行精準的行銷策略,不僅無法獲得成熟社會的消費者青睞,也難以使營收成長。

 

然而收集顧客詳細個人資料一事並不容易。能透過註冊集點卡等方式取得的資訊,主要為年齡與性別,但難以取得職業、年收入、喜好關心與興趣嗜好等資訊。

 

因此,業界長期以來一直在研究除了年齡與性別之外,如何由商品購買記錄推算顧客詳細資料的手法。其中最廣為人知,並獲得全球零售企業採用的手法,是一種名為「商品DNA」的手法。這項手法是由主要根據地在英國的特易購(Tesco)超市在1990年代後半期引進,該超市依據此手法取得的詳細顧客資料發行折價券,並大獲成功。

 

「商品DNA」是一種能顯示出影響顧客生活型態之商品屬性標籤。例如先對各種商品附註「有益健康」、「易於烹調」、「超值」、「高級品」等「商品DNA」。接著再依據顧客的購買記錄,分析其經常購買具有哪種「商品DNA」的商品,將顧客逐一區分成「重視價格」、「追求方便性」、「注重健康」、「注重高級感」、「美食派」等群組(顧客細分)。之後針對推算出生活型態共通的各群組,實施行銷策略。

 

不需賦予商品DNA的作業,由AI全自動推算出詳細個人資料
由AI技術反覆假設與驗證,實現超越專家的推算精準度

解決「商品DNA」的問題,在短時間內以高精準度推算出顧客資料。

雖然「商品DNA」手法已展現非常優秀的實用成績,但卻存在著問題:賦予商品標籤的作業需要行銷專家參與,以及需要非常龐大的作業手續與時間。

 

因此NEC的資料科學研究所運用具備機械學習功能的AI,研發出的「顧客特性推斷技術」,不須對商品賦予「商品DNA」,就能推算出顧客詳細個人資料。

 

在此技術中,首先由產生假設AI將顧客與商品分組,並同時以購買記錄將群組相互連結,再分別針對各群組,製作能導引出希望推算之個人資料(年收入、興趣等)的推算式。接著將部分顧客的詳細問卷調查回答結果(正確答案)與產生的假設進行比對與驗證後,回饋給產生假設AI。藉由不斷重複這樣高速執行「產生假設→驗證→回饋給產生假設AI」之循環的機械學習,而能用超越專家分析結果的精準度,推算出顧客個人資料。

 

由於不需要以人工方式為商品賦予標籤,故可大幅縮短獲得推算結果的時間。在NEC內部實施的驗證中,過去需要3個月的分析與推算時間,能大幅縮短至短短3天。此外,將此技術套用於多達100萬筆電影評論的公開資料時,相較於專家的分析,只用了20分之1的作業時間,就完成精準度提升6%的分析。

 

「顧客特性推斷技術」的活用法

利用「顧客特性推斷技術」,短時間內以高精準度獲得的顧客詳細個人資料,就能運用在決定DM寄送對象等的行銷策略上。例如百貨公司臨時決定要舉辦「秋季和服展」,只剩2週左右的時間來寄送DM。這時承辦人員得拚死檢查顧客名單,但卻沒有足夠時間委託專家進行分析。若此時使用「顧客特性推斷技術」,就能以客觀性判斷方式,選出參加和服展可能性較高的顧客,而能寄出極可能對營收做出貢獻的DM。

 

而在另一方面,超市則是致力於改善店內的陳列架。現場員工不僅提出陳列架的改善方案,也鼓勵提出新商品的建議案。而藉由「顧客特性推斷技術」將顧客個人資料可視化,也有助於驗證此類改善的效果。

 

例如某家分店的員工提出採購訴求健康且附加價值較高的麵包,並陳列在店內的方案。因此該分店採購了此種麵包,並針對注重健康的顧客,陳列在顯眼處。結果麵包類的整體營收在1個月後成長了2%。單純就上述情況而言,難以判斷新採購的健康訴求麵包,對於營收成長做出了多少貢獻。

 

然而以「顧客特性推斷技術」分析注重健康之顧客的購買行動後,發現他們購買的麵包量成長了15%。能夠確實證明該提案員工的假設與行銷策略,對於注重健康之顧客的購買行為產生了極佳影響。未來,藉由繼續增加「訴求健康」之麵包品項,來持續提升顧客的回購率。此外,像這樣依據現場提案實施的策略,做成報告與其他分店共享資訊的話,相信亦能讓其他「重視健康」顧客較多的分店,以相同策略提升營收。

 

藉由個人資料可視化來共享現場專業知識

研究者簡介

中台 慎二 (NEC資料科學研究所 主任研究員)

©DAVID RODRIGUEZ, PHOTOGRAPHY 2010, GIBRALTAR

大學時專攻電子工學,研究主題是光纖。進入NEC後被派任至中央研究所,從事網路邏輯層的研究,其後轉換領域研究分散資料庫,以及關聯式資料模式的隱藏資訊構造。2012年至2013年間以加州大學柏克萊分校的客座研究員身分,研究最先進的機械學習理論與分散系統。留學期間,所屬研究室開發出的Spark成為全球知名程式等,親身體驗到矽谷的優勢。目前致力於研發行銷用的AI。興趣是馬拉松。自2008年起5年內,擔任日本代表參加100km超級馬拉松比賽。並在2010年於英屬直布羅陀舉辦的比賽中獲得優勝。目前每個週六、日都會練跑20~30公里。

 

©DAVID RODRIGUEZ, PHOTOGRAPHY 2010, GIBRALTAR

Contact