機器學習 X 精準行銷 KDD 2.0程序：【外部資料】概念 （附實案應用）
由先前撰寫的這篇文章【學習機器學習必知的程序 — 資料庫知識探索】，我們基礎了解到利用資料庫知識探索（Knowledge Discovery in Database, KDD），可以將大量已存在的「資料」，透過層層的處理，最終分析出有意義、甚至可以幫助企業決策的「知識」，如圖1所示。
精準行銷 — KDD 2.0程序
本文特別由精準行銷及業界專案的角度，將過往的KDD程序進行延伸與更新，讓KDD轉變為更貼近實務的「精準行銷 — KDD 2.0程序」（圖2）。
接下來我們將以 「化妝品電商」的外部資料分析，引領讀者理解外部資料分別如何簡單的應用在分析上~！
KDD 2.0程序 — 外部資料「案例1.化妝品電商」
以某家化妝品公司為例，該公司的通路為網路銷售，其行銷方式主要透過關鍵字廣告與內容行銷（如透過部落客寫推薦文）的方式，來推廣自家最新推出的面霜。廠商認為消費者應該會對某些特定的關鍵字產生興趣，例如：乾爽、細嫩、保證、緊緻等，所以就依照自身的觀點來進行行銷推廣。但實際執行後卻發現，廣告投放的效果非常不好，文章的反應也不如預期，但廠商對於為何會發生這樣的情況毫無頭緒。
接著我們對上述公司的狀況進行診斷，透過KDD 2.0程序的步驟，發掘出該公司網路行銷績效不佳的問題：
步驟1 — 決定目標
首先我們要了解該化妝品公司最想遇到的難題是什麼，經過討論後，可以發現公司「最想找出最能吸引消費者的關鍵字詞與文章類型，最終能夠提高點閱率與轉換率」。確認目標後，就進入到第二個步驟！（圖3）
步驟2 — 建立目標資料集（搜集資料）
在網路上大量蒐集消費者對於該品牌面霜的評價（表1），以此資料作為接下來分析的基礎。（圖4）
步驟3 — 資料清理與前置處理
消費者對於文章的評價可能包含各式各樣的文字內容，其中對於分析較無實質意義的資料就必須先行去除與整理，例如刪除語助詞，或是統一品牌的名稱（如有些網友會稱7–11為小7、小七）等，確保資料的正確性。
最終將非結構化的資料轉變成結構化的資料，以便將進行步驟4的分析建模（圖4）。
步驟4 — 分析建模
在消費者的評論中，我們使用機器學習分析建模方法找出「同時可以是提升點閱數與轉換率的關鍵字詞」，產出建模後資料結果（圖5）
步驟5 — 策略行動
建模完成後，我們開始可以比較廠商與建模後結果，以展開「策略行動」（圖6），透過 KDD 2.0的流程，我們歸納出一組影響文章點閱數最重要的關鍵字詞：保養、順序、白天、晚上等（圖7）。
不知道各位讀者有沒有發現？ 在關鍵字分析的結果中，廠商自認可能受歡迎的字詞（乾爽、細嫩、保證、緊緻等）和實際上消費者評價的字詞（保養、順序、白天、晚上等）可以說是大相逕庭（圖8）。透過KDD 2.0的結果，我們可以發現，消費者更注重產品的保養功能以及使用的時機與方式，但是廠商在推廣時，專注的卻是產品的功能，才會無法和消費者產生共鳴，進而造成行銷結果不如預期。
步驟6 — 評量成效
為了鞏固發現的知識，所以我們必須「評量成效」，了解我們機器學習所發現之資料背後的模式是否真的對本問題可以派上用場，所以這一步也是我們就會以「企業獲利」的角度開始評估整體機器學習的成效（圖9）！
我們最終進行成效評量後，發現使用機器學習找出來的消費者觀點是遠比廠商觀點還要更好（達到統計上的顯著效果），而且達到的轉換率是較原本還要提高5倍（圖10）。
管理意涵
- 理解消費者心中的真正想法，本產品廠商欲推產品特色為「乾爽」類別，但是消費者實際比較在意的是「保養」怎麼做，所以KDD 2.0在外部資料的分析中，還有一個重要的行銷觀念 — 「以消費者為中心」進行分析，讓廠商的想法可以更落地的了解消費者對於新品推出後，會在乎什麼話題，如此廠商就可以投其所好，操作網路輿情與留言的方向，增加產品曝光的最大可能性。
- 以往我們要經過很多的數位行銷測試才能確定重點關鍵標籤或關鍵字，透過KDD 2.0結合機器學習分析，建立起pipeline後，我們就可以針對欲推產品快速的了解消費者Care的關鍵字是什麼，作為廣告投放、寫手創作內容的重要參考依據。
- 當我們拿到資料後，我們可以透過KDD 2.0，簡單且有系統性的一步步檢視資料的分析流程，乃至後續的成果驗證。
- 透過資料庫知識探索，我們可以用更快的速度處理更多的資料，進而做出更客觀的判斷，不必再依靠管理者主觀的印象來做出不確定的決策。
作者：郭柏睿（臺灣行銷研究特約編輯）、鍾皓軒（臺灣行銷研究有限公司創辦人）
繪圖：廖庭儀（臺灣行銷研究特約設計師）、鍾皓軒（臺灣行銷研究有限公司創辦人）
