在純粹的多通路行銷中，每個通路會各自蒐集和使用資料，來讓通路的成效局部優化（suboptimizing），但沒有誘因讓其他通路優化，至少對個別員工而言是如此。多通路行銷聚焦在個別通路，例如建造一套優異的應用程式或網站，但一談到要整合所有通路時，挑戰就出現了。
跨通路行銷（cross-channel marketing）是多通路行銷和全通路行銷間的跳板。多通路行銷和跨通路行銷的根本差異在於資料的使用，跨通路行銷認為顧客在購買旅程中將多次切換通路，因此鼓勵通路經理從其他通路取得資料，因為更廣泛的資料將創造出更好的客製化及市場區隔結果。
但是，在這個階段尚未出現以顧客為中心的組織，因此，各自為政的封閉心態仍十分強烈。
下一個層次的行銷是全通路行銷（omnichannel），在這個階段，整個組織已經熟悉顧客的購買決策並非線性思考。基本上，每一個溝通管道都是雙向的，由組織蒐集與儲存資料，供以後所有通路與顧客進行互動，因而稱為「全」通路。
實務上，客服中心可以馬上知道線上的顧客是否開啟電子郵件，以及最近是否登入；客服中心也知道這位顧客先前在網路與實體商店的購買歷史。通路之間不會產生衝突，員工並不會把顧客推往特定通路，而是以開放且熟悉的方式在顧客的購買旅程中提供幫助。
所有對外溝通也根據顧客以往和公司的互動情形，以及他們言明或推論出的興趣與偏好量身打造。這一切結合起來更貼近每個顧客的需求，因而促使他們買得更早、更多、更頻繁，並且告訴朋友自己感受到良好的體驗。
從前面描繪的全通路可以明顯看出，成功的全通路策略需要整個組織更徹底的努力，而且不僅僅是「數位化」。
全通路發展的六項修練
為了更有成效且有效率的推動全通路行銷，你和你的事業應該發展與加強這六項修練，藉此變得更加顧客導向，更精密的操作全通路行銷。這六項修練分別是：
1. 辨識顧客並取得行銷許可：
愈能辨識各通路上更多的顧客，並主動積極的接觸他們，透過客製化行銷產生的整體效果及利益就會愈大，在付費媒體上的支出與曝光需求就會愈少。
2. 蒐集資料：
資料是公司對每一個顧客的記憶，也是使你的溝通與服務更適合每個顧客的先決條件。你必須有系統的蒐集與整合顧客資料，藉此得到每個顧客的全貌。
3. 資料分析與人工智慧：
人工智慧和預測性分析提供細部的洞察資料，了解數據資料與想要和不想要的顧客行為間的關聯性，這些洞察資料建構出對待每個顧客的方法，並排定優先服務的順序，評估全新的全通路工作成效。
4. 溝通與服務：
如果不使用數據與洞察資料，就沒有任何價值。利用資料分析產生的洞察，開發每個個別顧客的溝通與服務，並在適當的時間和適當的通路傳遞訊息。這樣做的話，不論在你主動接觸顧客，或是當他們主動找上你的時候，就能確認與每個顧客往來的情況。
5. 績效分析：
若你想要發展一個以顧客為中心的組織，並評量績效，就必須監測以往未監測的指標。你應該在績效分析中納入顧客面指標，而非只是聚焦在個別通路和行銷活動上。
6.組織與管理：
組織與獎勵制度應該對各通路的客服優化提供支持，否則，個別的計畫及目標很快就會阻礙你朝全通路邁進。你的事業也必須有適當的文化、技能與工具。
這六項修練適用於所有通路。這些修練沒有固定順序，但在許多情況下，若一項修練未達一定成熟度，很難在另一項修練做到完全精通的水準。舉例而言，除非你在蒐集資料上相當嫻熟，否則沒道理去做資料分析與人工智慧；若你無法辨識顧客，並擁有一定數量的數據資料，你很難適當的與每個顧客溝通。因此，你的目標應該是所有修練都漸漸朝內推進，同時還要建立、普及與強化各通路及組織部門間的交互作用。
活用AI精準行銷關鍵6問題
你必須盡快展示價值，來向同事與管理階層（與自己！）保證人工智慧和進階資料分析是對組織有益的好東西。我們在下文提供選擇起始點和規劃接下來的人工智慧旅程時應該考慮的因素。一個不錯的起始點是列出可以在業務中應用人工智慧的使用案例，然後針對每個使用案例考慮下列因素。
它配合行銷目標嗎？ 如果你的事業完全聚焦在獲取顧客，那麼顧客維繫與流失管理或許不是最佳起始點。
它能帶來價值嗎？ 在無法於自家公司內檢驗這點的情況下，你能有信心使用的最佳方法是思考：什麼方法已經在競爭對手或其他跟你的事業類似的公司裡發揮功效。你可以尋找案例研究，並依循有很多人試驗過、其他公司已經成功的路徑。
它可能帶來什麼價值？ 試著評估每個使用案例的效益，並估計出一個數字。若針對的某個推薦產品類別預測出回應率將提高為三倍，這代表什麼？如果線上購物的交叉銷售推薦將使購物車中的品項增加10%，這個功能的價值有多少？請考慮樂觀、悲觀和可能的情境。
這個分析方法的困難度高嗎？ 較為複雜的計畫將會花更長的時間，需要更多技能，隱含的風險也較高。
需要什麼資料？ 只需要簡單資料的預測模型比較容易執行，需要你再蒐集更多資料或必須大費周章事先處理資料的模型，在執行上比較有困難。
分析結果容易應用在行動上嗎？ 切記，在你將分析結果應用在行動上之前，資料分析專案不會帶來任何價值。你應該考慮需要花費多少心力才能將分析結果投入現有營運，而那些能夠無縫接軌的將分析結果投入現有系統與流程，不需要或只需要少許調整現有系統與流程的使用案例，將是不錯的起始點。
接著，你便可以根據這些標準來把可能使用的案例進行排序，並從中挑選出最佳起始點。也許你會覺得這個流程聽起來似乎複雜困難，但其實你不必太過擔心，因為無論你列出的可能使用案例數量有多大，你通常很快就能看出最多只有幾個合適的起始點。
而且，你也不必非得自己做這件事，在這個領域裡，有經驗的產品、服務與顧問供應商將很樂意協助你。雖然我們無法告訴你該從哪裡著手，但很顯然有些類型的應用通常是很自然的起始點。
以購買型的產品交叉銷售為例，這種預測模型使用的是容易取得的關聯分析演算法，最簡單形式的演算法只需要使用購買資料來加以學習並建立模型，許多公司已經這麼做，而且成效頗好。
你可以對最近購買的顧客進行交叉銷售行銷，方法是藉由寄發電子郵件來推薦產品，這種做法應該相當簡單，而且容易執行，同時，透過顧客對這些推薦行銷的回應率，你就能評量這個交叉銷售模型的成效和創造的價值。反觀「下一步最佳行動」的全面實行就不太可能作為起始點，因為這需要建立和管理許多模型，也需要廣泛的資料來源。（摘錄整理自《AI行銷學》，天下文化出版）
書籍簡介
拉斯穆斯．賀林（Rasmus Houlind）、科林．謝爾（Colin Shearer）著；李芳齡／譯
天下文化出版
售價：420元
作者
拉斯穆斯．賀林（Rasmus Houlind）
曾在北歐多家知名公司任職，為許多大品牌提供全通路行銷、顧客體驗管理等領域的顧問服務。自2015年起擔任行銷技術公司愛吉利（Agillic）的策略長。
科林．謝爾（Colin Shearer）
早年共同創辦Integral Solutions Limited（ISL），開發出的Clementine Data Mining System，在被IBM收購後成為IBM SPSS Modeler。任職IBM期間，幫助許多大型國際公司研擬人工智慧及預測分析策略。2016年12月進入Houston Analytics擔任策略長。
熱門新聞
2024-11-25
2024-11-29
2024-11-15
2024-11-15
2024-11-28
2024-11-14