預測模型助力業務增長
用戶增長當中很重要的一環就是「數據驅動」，而今天將和大家分享「高階」版本的作法：透過預測模型助力業務增長。
本篇文章的內容是作者在「2021 AWS 台灣雲端高峰會」上所做的分享內容濃縮，將包含六大內容：
1. 數據驅動業務決策的五大常見分析方法
2. 為什麼需要預測模型助力業務發展
3. 三大常見助力業務發展的預測模型
4. AI 驅動「當下最佳策略」如何助力用戶增長
5. 通過 AI 驅動「當下最佳策略」實現用戶增長
6. AWS 最佳實踐落地三步走
7. 化被動為主動的擬定業務策略方法1. 數據驅動業務決策的五大常見分析方法
這裡將和大家介紹五種常被用來實現數據驅動決策的分析方法：描述性分析、診斷性分析、預測性分析、規範性分析及認知分析。
而數據驅動基於不同的分析方法，可以分為 BI & AI 兩大階段，BI 是透過數據做事後分析，總結發生了什麼或是為什麼發生，是目前較為成熟，應用較為廣泛的分析方法；AI 則是透過模型做預測，來達到「幫助」決策。
▍BI：透過數據做事後分析，支持決策
- 描述性分析（Descriptive Analytics）：透過歷史數據，總結發生了什麼。這也是目前使用最廣泛的數據分析方式。
- 診斷性分析（Diagnostic Analytics）：透過數據 deep dive，總結為什麼發生。
▍AI：透過數據做事前預測，幫助決策
- 預測性分析（Predictive Analytics）：基於現狀，預測將來「可能」會發生什麼。
- 規範性分析（Prescriptive Analytics）：基於現狀，現在應該做些什麼改變，將來「可能」會帶來最優的結果
- 認知分析（Cognitive Analytics）：透過數據驅動（data driven）＋pattern decision，來實現決策自動化。
【延伸閱讀】AI 在 MarTech 領域中的一些應用與趨勢，可以參考我去年在 WiDS conference 上所做的分享。
2. 為什麼需要預測模型助力業務發展
在開始分享如何助力業務發展之前，大家可能也會好奇，我們為什麼需要預測模型來助力業務發展，沒有不行嗎？
拍腦袋當然也能做決策，數據驅動決策的方式只是理性地幫我們增加決策的成功率。
這問題可以往前推到，為什麼需要數據驅動決策，憑主觀經驗拍腦袋決策不好嗎？在這高速競爭的環境下，若能透過預測模型，做對更多決策、做好更多事前準備，將可以幫助我們更加事半功倍。
就像是股市，比起事後總結，大家是不是更希望能夠「事前預測」？如果發生前能夠知道股市走勢，你是不是可以做出更好的決策達到更好的效益？就像是醫療，雖然事後透過藥物治療很好，但若是能做到預防性治療，相信大家都希望能夠透過預防性治療來作預防。相同的，在業務決策上，若能透過預測模型來幫助「事前」決策，將能更好地滿足用戶，更好地達到用戶和業務的增長。
3. 三大常見助力業務發展的預測模型
這裡我以人貨場作為框架來總結三大常見的預測模型，分別為：購買預測（人）、銷售預測（貨）以及流量分發（場）。
今天主要是針對三大常見預測模型中的「購買預測」做展開和大家分享，銷售預測及流量分發未來有機會在其他文章再做展開和大家分享。
稍微解釋下針對「流量分發」做個解釋：其實可以說是大家熟悉的推薦算法進階版。過去推薦算法只是單純的做商品推薦；而這裡所提的「流量分發」，雖然同樣需要倚靠推薦算法，但是是由多個不同的算法模型聚合再加上人為的一些策略條件，經過一系列的流程，對「場」，就是流量，做最佳解的分配。
接下來，將從兩大面向來和大家分享「購買預測」如何助力業務發展：
- 「購買預測」如何助力用戶運營
- 如何透過AI 驅動的「當下最佳策略」實現動態化運營
4. 「購買預測」如何助力用戶增長？
我將以用戶視角出發，透過用戶的購買旅程來和大家做分享。整個用戶的購買旅程中，我將用戶分為四個狀態階段，分別為：認知、考慮、購買及忠誠。而基於不同的用戶狀態，在做用戶運營時，也會對應不同的業務目標。各階段常見的業務目標如下：
- 認知：針對認知階段的用戶，常見的目標會是著重在擴大認知階段的用戶基數，也就是漏斗分析中，大家會盡可能地去擴大 top funnel 的流量。
- 考慮：針對考慮階段的用戶，大家肯定都希望可以將此轉化成購買階段。除了最直接的訂單轉化率外，多數用戶在下單前都會經過猶豫期，因此，一般還會有加車率（add-to-cart rate）作為階段性目標。
- 購買：針對購買階段的用戶，下過首單以後，肯定會希望用戶可以再次產生複購。因此，提升複購率是此階段常見的指標。有些業太可能非頻繁購買性，因此，用戶留存率（用戶回訪但未產生購買行為）也是常見的階段性目標。
- 忠誠：針對忠誠階段的用戶，用戶養成持續購買習慣以後，會開始希望產生跨品類、跨產品的消費行為，或是 AOV（平均客單價）的提升，持續加深用戶的忠誠度。
那在各個階段我們可以如何透過預測模型來助力業務發展以達到目標呢？
我將針對各階段各舉一個常見的例子跟大家分享，當然實務上並不侷限這四個例子，你可以針對自己業務的實際痛點或狀態，選用不同的預測模型或手段來真正有效的助力業務發展。
- 認知：常見做法是透過 lookalike 模型做到新用戶的偏好預測。有了新用戶的偏好預測後，就能實現 dynamic content 及 dynamic offering 的行銷策略並以 dynamic 的 landing page 觸達新用戶。
- 考慮：當用戶在瀏覽你的 app 時，如何提升更多在考慮階段的用戶產生購買行為呢？這時，可以透過偏好模型及購買預測模型，結合 in-app push 手段，有效的將相關的內容（如商品、內容或是促銷折扣訊息）推送給用戶，提高用戶將商品加車（add-to-cart，ATC）甚至是直接購買。
- 購買：電商平台上滿滿的各式各樣的優惠券，而用戶的注意力極為有限。因此，為了有效提升購買轉化及優惠券的核銷率，可以透過購買預測模型，將優惠券「主動」推送給高購買機率的用戶。
補充說明兩點：關於優惠券的策略，常見的目標除了核銷率外，更進階的會做到提高優惠券的效益。為了實現優惠券效益上，將不是單純的推送給高購買機率的人就結束，而是會需要再進一步做到「用戶對促銷活動的敏感度做相關的預測」。有些用戶，你做促銷活動或是什麼都不做，他還是會購買；但有些人只會在有促銷活動時購買。因此，透過此模型排除「有些用戶，你做促銷活動或是什麼都不做，他還是會購買」人群，僅針對「高促銷活動敏感的用戶」進行此項策略，如此以來，便可以在高優惠券效益的狀況下實現高核銷率。
有此案例也能順帶跟大家分享，「預測模型助力業務」也非單指僅倚靠「一個模型」就能有效的助力業務發展。現在很多主流領先的企業在實現某項「預測模型助力業務策略」時，背後其實是透過「一系列的預測模型」來實現最終的策略，如前面所提到的「流量分發」亦是一個應用場景。關於「主動推送」，文末的「化被動為主動的擬定業務策略方法」中將有更詳細的介紹。
- 忠誠：透過會員權益強化用戶的忠誠度是常見的做法。而在制定會員權益時，如何透過數據驅動事半功倍呢？會員權益若是無法吸引用戶產生更多消費或黏著度，那麼該會員權益也就毫無意義。常見做法是透過用戶的行為找尋「pattern」，再透過「pattern」來制定個性化的會員權益。好比說某個客戶定期會購買某件商品，那麼就可以在即將到來的購買週期，把該件商品與其他你希望他跨品類消費的商品進行綑綁銷售或是作為提高客單價的折扣商品。
在制定優惠折扣時，若公司的技術還無法支持做到「個人化」，可以考慮至少做到「分群」。將所有用戶切分為幾個階段，不同階段的用戶基於策略給予不同優惠折扣形式，可以提升整體的轉化效率。5. 通過AI 驅動「當下最佳策略」實現用戶增長
接下來，我將基於五個 toC 業務常見的業務指標，來做詳細的展開和大家分享常見的應用案例。
▍提升推送打開率
App notification / Line message 的打開率是多數行銷會遇到的問題。這個問題可以拆分成幾個角度來看：
- 推送時間：根據用戶行為預測最佳 app 推送時間，實現推送時間個性化。
- 推送內容：根據購買預測獲取購買指數高的商品或根據偏好模型獲取高偏好指數的商品/內容，作為推送內容的主題。
如此一來，透過用戶的行為預測用戶打開推送機率高的時間節點來做推送，同時推送內容選用高購買指數的商品及相關內容或優惠券，即可有效提升打開率，同時提升購買轉化。
▍提升優惠券核銷率
電商平台上有大把的優惠券是常態，但用戶的注意力及時間是有限的。若是用戶沒發現或是用戶不感興趣不願意使用，只要優惠券沒被核銷使用，那對業績一點也沒幫助。常見提升核銷率的做法：
- 對的優惠券給到對的人：在既定的優惠活動中，透過購買預測將優惠券「主動」推送給高購買機率的用戶。如此一來，就能在用戶有限的關注度下，提高核銷率。
- 提供用戶感興趣的優惠券：如前面所提到的用戶的購買行為pattern，可以用來做優惠折扣的設計使用。老用戶：如前所提，將常購買的商品用來作為個性化搭售折扣提升轉化使用；新用戶：則可以搭配新人 lookalike 模型做折扣設計，提高首單轉化。
當然同樣的，如前描述，可以採用多模型（如搭配人群預測模型針對「高促銷活動敏感的用戶」）去做更複雜的效果優化。這裡就不再深入描述。
▍AOV 提升 / 跨品類轉化
通常做AOV的提升及誇品類的轉化時，都是針對「老用戶」。因此，常見做法如前所述，可以透過挖掘用戶購買行為pattern（如固定某個週期會購買某個品牌的日用品），將於下個購買週期，以該商品作為其他欲推商品進行搭售促銷，提高欲推商品購買轉化及AOV。
▍新人首單轉化率提升
針對新用戶首單轉化提升，常見做法除了直接推薦「爆款」、「熱銷」商品外，亦可基於新用戶的基礎數據（用戶性別、地區、年齡等）及行為數據（來源渠道、點擊商品等）做預測助力轉化：
- 內容上：除了針對「爆款」、「熱銷」商品，採用 lookalike 模型＋購買預測模型，將高偏好或高購買機率的內容/商品作為新人專區內容。
- 折扣內容上：採用 lookalike 模型＋購買預測模型，將高購買機率的商品作為折扣對象。
- 折扣方式上：優惠折扣方式多元，像是免運、滿減、綑綁折扣、新人贈禮等，可透過預測模型選用高轉化的方式作為該對象的新人優惠，以提高首單轉化。
在新用戶轉化上，如果公司的技術不足以支撐做到新人用戶數據的採集及預測，可以先透過既有的「新人首單」做數據挖掘，找到關鍵轉化因子（即 magic number，比如做了什麼樣的行為高機率會產生首單、怎麼樣的折扣方式更加吸引人轉化首單等）用來作為新人優惠折扣，即可有效的提升首單轉化。▍降低流失率
流失是大家都不希望看見的。
因此，流失預測也是常見的應用場景。透過在用戶真正流失之前，透過預測模型搭配對應的喚回策略，避免用戶真的流失。等到用戶真的流失後，往往需花費更大的喚回成本重新找回流失用戶，甚至是很難再次喚回。
在降低流失用戶這塊，如果公司技術還不支持做到「流失預測」，亦可以識別哪些用戶行為發生後高比例會產生流失，可以在用戶觸發該行為時給予他相關的「喚回策略」。比如在用戶申請押金退還時，立即發送訊息告知用戶，若取消押金退還立刻獲取多少折扣券，以此來留下用戶。[延伸話題] 大家可能會覺得，這樣發送優惠券喚回用戶是否成本過高？同前面所提的優惠券效益優化一樣，亦可透過模型來計算流失後再喚回的成本和流失前的喚回成本，做整體的效益優化。
【延伸閱讀】想更深入的了解如何實作流失預測？可參考下方影片深入學習流失預測並學習如何使用 AWS Sagemaker Low-Code 工具實作流失預測
6. AWS 最佳實踐落地三步走
要落地預測模型助力業務發展，AWS總結了三步走：業務痛點、預測模型及業務策略。
觀察很多人在落地時，很容易很著急得就進入到「預測模型」本身，而忽略了開始之前的業務痛點釐清與挖掘，以及預測結束後所需的配套-業務策略擬定。
預測模型若是離開了業務痛點及策略，那他就也只是預測模型，是無法有效的助力業務發展的。
如果在一開始沒有很好的去明確要解決的業務痛點，那麼所做出來的模型就無法很好的解決業務上的問題。相同的，在模型預測出結果後，本身的預測結果，並沒法直接地解決業務問題，是需要搭配一定的業務策略，才能讓預測模型有效的助力業務發展。
賣個關子，下一篇將和大家分享「如何透過機器學習玩轉增長駭客助力業務增長」並和大家分享如何透過三步驟定義業務問題並拆解成可以用機器學習解決的問題，同時也會舉例來凸顯前期「明確業務痛點」及後期「搭配業務策略」的重要性。
7. 化被動為主動的擬定業務策略方法
寫在最後，關於業務策略的部分，想和大家再補充分享一個觀念：化被動為主動。這裡舉兩個常見的業務策略作為例子。
- 優惠券發放：透過各種分析預測，給到用戶獨特的優化券還不夠。你透過推送，或是展示在平台上，用戶未必真能注意到。這時，應該再搭配分析用戶的行為，挑選合適的時間以不過度打擾用戶為原則，提供「主動式的優惠券驚喜」，能夠達到更好的轉化效益。比如用戶連續瀏覽了十分鐘的洗衣機，此時可以主動彈出洗衣機相關的優惠折扣。
- 推薦算法：過往大家在做推薦算法時，只是基於商品及用戶的數據做相關的推薦。可以將用戶分群，然後透過挖掘相似人群狀態轉化因子融入推薦算法中，不同用戶狀態的用戶採用不同的策略模型，主動性的引導用戶走向你期望的樣子，提升整體CLTV。
【延伸閱讀】更多 AI-powered Growth Hacking 案例與實作分享
謝謝你的閱讀！ 有幫助的話，歡迎拍手與分享👏🏻
產品三眼怪實驗室時不時會分享其他產品管理相關文章，追蹤起來！
