行銷資料科學(Marketing Data Science)與行銷研究(Marketing Research)
過年期間看了一本書
Thomas W. Miller的
《Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python》
開啟了我對「行銷資料科學」(Marketing Data Science)的研究
在接連閱讀了幾本相關書籍之後
慢慢有了一些心得
以下簡單先就
「行銷資料科學」(Marketing Data Science)與「行銷研究」(Marketing Research)的差異
與大家進行分享
簡單來說
「行銷研究」意指:
「針對某一行銷議題,有系統地收集、分析與呈現相關資料,並闡明研究發現」
此行銷議題可以是
SWOT(機會、威脅、優勢、劣勢)
或STP(市場區隔、目標市場選擇、定位)
也可以是4P(產品、價格、通路、推廣)…等
「行銷研究」將資料分成「初級資料」(一手)與「次集資料」(二手)
初級資料的收集方式
又可分成
「調查法」(survey research)
「實驗法」(experimentation)
「觀察法」(observation)
與「深度訪談法」(depth interview)
在收集資料的過程裡
「問卷」扮演非常重要的角色
透過問卷收集資料
再透過統計分析資料
最後透過圖表呈現資料
這就是行銷研究的基本概念
而「行銷資料科學」與「行銷研究」之間的差異
主要在於收集、分析與呈現相關資料的方法上的不同
「行銷資料科學」在方法上
寬度更寬
廣度更廣
而且所收集的資料也更加「客觀」
(畢竟問卷是由受試者主觀填答,容易產生偏誤,
例如:當一個人心情好與心情不好時,填答同一份問卷的差異可能會很大)
從資料收集的角度來看
「行銷資料科學」透過「網路爬蟲」技術
從Social media、Blog、論壇、API...等地方
擷取消費者的上網行為
(主要是「數據」與「文字」)
也可以透過網站監控軟體
記錄消費者瀏覽網站的路徑
「行銷資料科學」還可以透過影像辨識技術
來收集消費者在賣場中的真實消費過程
(例如:在哪個時間,哪個位置,看了哪件衣服,而且看了多久...等)
(此部分還可延伸至「物聯網」的各種應用)
或是透過「政府資料開放平台」等次級資料來源
收集巨量的外部資料
而在分析資料的過程中
過去「行銷研究」透過「多變量分析」等統計工具
協助找到問題的解答
「行銷資料科學」則還可透過
「機器學習」(Machine Laerning)、「文字探勘」(Text Mining)等工具
給與資料更多的解釋與價值
(例如:發展出準確度高的預測模型)
最後
在資料呈現的部分
以往「行銷研究」透過簡單的圖表
來呈現資料分析過後的統計結果
而「行銷資料科學」則可透過「資料視覺化」(Data Visualization)工具
來呈現資料分析的成效
(例如:文字雲(Wordcloud)、網路圖(Network Graph)...等)
當我對「行銷資料科學」的瞭解越深入
越發現她的迷人之處
剛好在我身邊
又有資訊工程專家、統計專家、與行銷專家可供諮詢
接下來
就是思考如何有計劃地
將此概念應用到公司裡
進而為公司創造價值
期待接下來專案的執行
加油!
Peter
留言列表