隨著科技的逐漸進步，數據在商業領域的應用愈趨完整，在各個場景中都會產生許多數據，許多不同的商業決策也是透過不同類型的數據組成。而在這篇分析當中，就是希望能在繁雜的數據當中梳理出一些脈絡，從行銷領域的角度去分析數據的不同類型以及各自能產生之商業價值，以及分享一些實際在商業上的應用。

本文架構

一、分析背景：企業在搜集數據的收集、運用方式與過去有何不同？

二、數據類型之劃分：五大類型之數據如何產生商業價值？

三、數據應用趨勢：法規與技術的變化如何影響數據應用？

一、分析背景：企業在數據的收集、運用方式與過去有何不同？

首先我來看一下當前數據對於商業策略的角色，相較於過往數據扮演了更重要的角色，而具體而言主要有以下三項趨勢：

（一）數據量大幅提升

數據在生活中無所不在，隨著科技的進步我們所創造與收集的數據比以往多上許多，根據 IDC 的預測，全球的數據量在 2025 年會達到 163 zettabytes，這個數據量是 2016 年 16.1 zettabytes 的十倍之多，而數據量如此快速增長，企業端對於數據的應用肯定也有所改變。

（二）數據分析的精細化與人工智慧應用提升

根據 Salesforce 之 State of marketing 報告，超過 75 % 的企業已經開始嘗試導入 AI 在行銷活動中，進行消費者偏好分析或行為預測等數據分析，透過更加精細化的分析，將能夠有效提升消費體驗與企業之競爭優勢。

（三）數據整合應用與個人化體驗的重要性提升

根據 McKinsey 的報告中可以看到，數據驅動的個人化行銷愈趨重要，超過 70% 的消費者希望從企業端獲得個人化體驗，同時在獲得個人化體驗後，在實際的消費行為會產生顯著改變，包含購買、推薦、回購等等。

二、數據類型之劃分：五大類型之數據如何產生商業價值？

從上述的背景可以了解到，數據在商業領域扮演的角色愈趨重要，了解不同數據扮演的角色與價值變得格外重要，接下來我們就開始切入主題，了解數據的不同類型及價值。

首先先來了解三大指標之概念，如果我們把消費者從搜尋到實際購買商品或服務的過程稱為購買旅程，那麼在尚未進入購買旅程之前就能收集到的數據就是「用戶輪廓指標」，這是關於購買旅程中買賣雙方的訊息，大多是消費者端的會員數據居多（當然依業態不同，可能也會有關於賣家的訊息，如平台型的商業模式，像是 Uber＆Shopee 等等），用戶輪廓數據是最能夠能幫助我們深入了解消費者的背景進行行銷的訊息。

用戶輪廓指標：關於購買旅程中買賣雙方的訊息

而在進入了購買旅程之後，實際發生交易行為之前，所產生的數據便是「過程指標」，消費者在購買之前的各種行為，如瀏覽、點擊、實際到過哪些地方都可以算在這個範疇，包含了線上通路的「瀏覽與點擊數據」及線下通路的「地理位置數據」。過程指標對於行銷策略的成效追蹤較間接、不精準（相較於結果指標），然而卻是實際改善購買旅程的關鍵點，畢竟過程指標反應實際購買前各個環節的潛在問題。

過程指標：消費者在購買之前的各種行為

而在實際發生了交易行為之後，便是「結果指標」的範疇，包含「交易數據」以及「購物籃數據」，能夠幫助企業了解交易的時間、金額、對象以及交易內容等等，結果指標對於企業決策至關重要，是反應消費行為最直接的指標，能夠幫助企業預測未來銷售狀況、了解策略效益等等。

結果指標：反應消費行為的直接指標

了解了用戶輪廓指標、過程指標、結果指標以及彼此間的關係後，接下來就實際來看看五大數據類型的價值。

（一）用戶輪廓指標：會員數據

會員數據能提供消費者的個人偏好、生活方式、背景等資訊，是建構個人化行銷和顧客關係管理的重要基礎。在會員數據的應用上，可以進行客戶分群分析，制定差異化策略；也能夠結合交易數據、購物籃數據進行生命週期分析了解客戶所在的階段與終身價值或進行未來消費模式的預測。

例如我們可以利用集群分析 (Cluster Analysis) ，決定我們要哪些客戶特徵進行分群以及要切分成幾群，幫助企業根據顧客的年齡、消費行為、地理位置等特徵進行切分，再根據每個集群的特性制定差異化策略。

另外一種分析方式是生命週期分析，消費者從最初的認知到轉化為顧客，最後成為忠誠客戶，甚至可能流失的過程稱為顧客生命週期，透過消費者之消費習慣等特徵分析其現在處於何種階段，並提出相應策略，如針對睡眠戶或流失戶，可以發送優惠刺激其回購。

（二）過程指標：瀏覽數據與點擊數據

瀏覽與點擊數據可以幫助企業了解消費者的內容偏好、瀏覽行為和轉換路徑，具體而言包含哪些頁面、內容最吸引用戶、用戶在特定頁面上停留的時間以及流失的環節等，從而優化顧客旅程。就像剛才所提及，瀏覽數據與點擊數據相對於交易數據，對於購買的預測力較低、追蹤成效的準度較低，同時也較缺乏對於用戶資訊的了解，例如在社群媒體上的廣告投放，僅能追蹤到瀏覽、點擊的次數與人次等，但實際帶來的營收成長、ROAS 等便較難追蹤；然而若是在 Amazon 上投放商城內廣告，由於掌握了交易數據，便能夠很清楚了解到廣告帶來之財務效益為何。

然而瀏覽數據與點擊數據是改善顧客旅程的重要指標，可以做的分析像是轉換率分析或是顧客旅程分析，將消費者在線上通路的旅程盤點出來，分析這之中轉換率特別低的環節在哪邊，以及通常因為何種原因流失，又或是了解消費者通常從哪些網站進入，透過這樣的方式提升流量降低流失。舉例來說，Google Analytic 就是這樣的分析工具，幫助企業了解用戶之流量來源、瀏覽與點擊行為等。

（三）過程指標：地理位置數據

地理位置數據可以幫助企業了解消費者的實時地點，從而進行地區性行銷、推送針對性的折扣及活動通知，甚至優化實體店的展店位置和庫存管理。例如，漢堡王在 2018 年推出了 Whopper Detour，顧客必須位於麥當勞門市的 600 英尺範圍內，然後到附近參與活動的漢堡王取餐，「繞道」來取得優惠，這便是透過地理位置資訊進行針對性行銷的案例。

（四）結果指標：交易數據

交易數據能夠直接顯示消費者之購買習慣和偏好，是行銷策略效益追蹤之重要基礎，包含了交易地點、對象、金額、方式等數據，企業可以利用交易數據進行眾多分析，包含時間序列分析、RFM 分析、回歸分析等。

以時間序列分析為例，可以看到交易筆數或金額的長期趨勢、季節性等等的變化，以敘述性統計的角度了解行銷策略的效益概況，並發現問題；也可以透過納入具有關聯性的變數、季節性、市場噪音等等變因進行未來的銷售預測，透過與實際交易金額比對得知行銷策略的增額效益。

另一種分析方式是對於交易數據常用的分析方式：RFM 分析，透過衡量顧客的 Recency (最近購買時間)、Frequency (購買頻率) 和 Monetary (購買金額) 三個維度來評估客戶價值，能夠辨別出高潛力客戶，提升資源效率。

此外，結合交易數據與用戶輪廓進行回歸分析也是一種方式，透過將各種客戶屬性輸入進回歸模型，如年齡、收入、教育背景、過去的消費習慣等，我們可以預測不同客群未來的消費表現，從而找出高價值客戶，進行精準行銷，而非大規模的投放浪費行銷資源。

然而即使交易數據是一切的基礎，若僅有交易數據，而缺乏會員數據與購物籃數據，將會對於客戶輪廓的描繪較不清楚，難以針對性地執行行銷策略，同時預測效果也會變差，且若從交易數據中發現問題，也需要借用過程指標或用戶輪廓尋找根因，由此可見多種不同的數據類型需要交互分析才能有效提取洞察。

（五）結果指標：購物籃數據

購物籃數據可以幫助企業了解消費者的購物組合與時間，它有可能是交易數據的一部份，端看收集數據的角色為何，如果收集數據的角色是交易對象本身（如一般商家），那麼其交易數據很可能就具有購物籃數據了，反之如果不是交易對象本身（如支付公司、金融機構等），則這部分的視角將受到限制。購物籃數據能夠幫助企業了解不同商品是如何被購買的，進而做到搭售 (Bundling)、跨售 (Cross-selling)、產品推薦、產品組合優化 (SKU Rationalization) 等等之策略。

舉例而言，企業可以透過因數分析、關聯性矩陣，或使用 Pick rate 等方式找出最好的產品組合，或是進行精準的產品推薦，讓消費者消費特定產品後還能夠順帶購買其他產品；此外，也可以透過分析消費者對於該產品的忠誠度、帶來的購物籃大小、購買頻次等等來優化產品組合。

了解當前面對的數據類型屬於哪種類型，明白其限制，並知道自身的場景下數據會有哪些盲區

以上就是五大數據類型彼此之間的關聯性與價值，除了從類型的角度切分數據，也可以從場景的不同來看，畢竟每個角色所能收集到的數據場景都不同，例如飯店業者可以透過交易數據了解消費者在住宿方面的輪廓，然而可能不知道它的消費者在購買機票、行程套票的模式，兩者的消費可能高度關聯，但這樣的場景限制會將降低行銷策略的精準度。因此不僅要能了解當前面對的數據類型屬於哪種類型，明白其限制，也要能夠知道自身的場景下數據會有哪些盲區，透過與其他夥伴合作降低此限制，提高策略精準度。

三、數據應用趨勢：法規與技術的變化如何影響數據應用？

我們分析完了當前商業領域之數據分析模式，接下來可以探討的是：未來的數據應用還會再如何變化？

我認為影響數據應用的兩大因子分別是法規以及技術，在這兩者的影響下，數據量與多樣性會顯著提升，但企業在收集與應用這些數據時會面臨更多挑戰。

首先從技術的角度分析，隨著資料儲存、運算、分析等技術的進步，能夠負載越來越多企業在數據分析方面的需求，數據量的提升是肯定的，且數據的多樣性也會提升（包含結構化與非結構化資料）。

而在法規的部分，數據隱私法規（如歐洲之 GDPR、美國加州之 CCPA）影響了企業的數據使用方式，企業必須在數據收集之前獲得用戶的明確同意，並在數據處理過程中確保數據的透明性、可追溯性與安全性。此外，用戶可以要求刪除或修改他們的個人數據，並對其數據的使用進行控制。

這樣法規的變化讓企業在數據收集與處理方面會面對較多限制，特別是在用戶輪廓相關的數據，並迫使企業建立更強的數據治理機制，對企業而言，這不僅增加了合規成本，對於技術方面的要求也更加嚴格。

這也意味著企業需要更加重視內部在數據處理、分析的能力，以持續應對來自技術、法規、市場、競爭對手等的改變。

以上便是本次內容，希望以上內容能幫助到你！如果喜歡的話，歡迎進一步與我交流～