猜一猜？消費者購買意圖：DCIU模型

每一個點擊，都在透露消費者的購買意圖

百貨專櫃裡，往往有一些很厲害的店員，他從你進門以後，就觀察你的穿著，看著你行進的步伐，紀錄你停留的位置，盤算著你觸摸的商品，然後大概就可以猜到，你是不是一個客人，你會不會買，還有大概想找什麼。

這需要的不是人工智慧，是人生智慧。

人生智慧是很多經驗的累積，而人工智慧則需要透過很多「數據」的累積。

電子商務網站是一種自動販賣機，也就是大多數時候，消費者是自己在逛商店，沒有店員在服務。但這台自動販賣機卻跟店員一樣，可以記錄下消費者逛商店的「足跡」。

也就是跟那些厲害的店員一樣，網站背後的系統，可以完整記錄每個消費者的「瀏覽歷程」：你從進來網站開始、看過什麼商品、停留多少時間、把什麼商品加入購物車。每一個點擊，都會被記錄下來，變成重要的「用戶歷程」數據，這些數據都變成人工智慧的養分，而人工智慧就可以開始猜測你的「購買意圖」，跟那些厲害的店員一樣。(延伸閱讀：廣告追蹤碼到底在追蹤什麼？—重建「顧客旅程」（Customer Journey）)

瀏覽歷程的Pattern（模式）

這些購買歷程可以看到幾種非常不一樣的 Pattern （模式）：

• 過路客（Passing）：點進來就離開了。他對你沒興趣，你對他沒感覺。就像來來去去的陌生人，在街上插肩而過，這可能成為彼此此生唯一一次最近的距離。

• 閒逛者（Browsing）：點進來看一看，看了好多個不太相干的商品（ABCDE），然後離開。覺得你看了不討厭，多看一些東西覺得還算特別，但還是勾不起什麼慾望，也許還需要一點時間互相多認識 。

• 搜尋者（Searching）：點進來，看了某A商品，又看了別的，又回來看A商品，搜尋了跟A商品非常相關的類別，在A商品的類別看了其他幾個類似的商品，又回來看A商品。很明確想要找A商品相似的東西，但不知為何遲遲還沒有決定下手。

• 買家（Buying）：把A商品加入購物車，把某些商品加入購物車，又從購物車丟掉，又加入其他某些商品到購物車，跑到結帳頁，又跑去看看其他商品。很明確的購物意圖，大概是在湊免運費或折扣活動。

以行為資料為基礎的行為模型

這種用戶分群的方式，跟傳統的CRM是非常的不同的。傳統的CRM的數據基礎是「交易資料」，而大多數的模型都是一種RFM模型，也就是跟據會員的交易資料數據，依據Recency（最近購買時間）、Frequency（購買頻率）、Monetary Value（累計購買金額）來分群。NAPL 就是一種RFM模型。（延伸閱讀：NAPL模型 - 零售業數據教我們的人生哲理）

而上述用紀錄用戶的瀏覽行為，透過這些瀏覽行為的歷程來分群的方式，其數據基礎是「行為資料」，也就是消費者在真正產生「交易資料」之前的資料，這種數據的資料量，通常是CRM的好幾倍。

消費者在產生一筆交易之前，通常會在網站上來來回回不停的點擊，每一個點擊就是一筆資料，也就是在一筆真正的交易資料產生之前，消費者在真正按下結帳之前，可能已經點了超過20幾個網頁，等於創造了20筆的行為資料數據。

這種行為資料為基礎的數據，通常也是CDP系統的數據基礎。他可以補充CRM系統的不足。因為某種程度上，CRM是一種「已經發生的」數據，而CDP利用的行為資料，也就是「即將發生的」數據。（延伸閱讀：會員經營 - 是什麼、為什麼、怎麼做？）

CRM用的分群通常是一種數據的「歸納」，CDP用的分群通常可以做到數據的「演繹」。透過分析消費者的瀏覽歷程行為資料，可以在消費者還沒有真正產生購物之前，「預測」消費者的購物意圖。

DCIU購買意圖模型

91APP的DSA團隊（資料科學家團隊），花了好幾年的時間，把利用行為數據為基礎的模型，變成直接提供給客戶使用的分群懶人包。透過協助每一個品牌客戶收集品牌自己的第一方行為數據，計算每個品牌客戶自己的訪客瀏覽歷程樣貌，分成以下的四個群：

• Decision（已決定）：近期購買意圖最強烈的一群人，通常在會員書中，人數佔比最低，但卻最容易驅動轉換的一群人。
• Consideration（考慮中）：近期高購買意圖的一群人，近期有考慮購物的可能，人數佔比通常比D多一些，也是可以驅動轉換的一群人。
• Interesting（有興趣）：近期購買意圖一般的一群人，也就是所謂的意義明確但意圖不明。
• Uninteresting（沒興趣）：近期沒有購買意圖的人，很有可能是剛買過，也很有可能是剛認識你。

這個分群方式，「時間」的因子影響非常的大，都是反應「近期」的分群情形，通常是一個兩週甚至一週的週期。

也就是說，每個禮拜進來看這個分群，裡面的會員分佈都是不同的，例如：一個在NAPL模型裡面是A(最活躍)的會員，兩週前可能在DCIU分在D（最高購買意圖）。

但兩週後因為他剛買過，結果變成跑到了U（沒興趣），因為他才剛買過啊。但過了一點時間，也許是一個月，他作為一個A（高活躍）的會員，在DCIU又跑到了D也是合情合理的。

相對於NAPL，是以已經結帳的「過去」交易資料為基礎的模型，DCIU是一個「活的」模型，每一天都在改變他的會員分佈樣貌。

DCIU的精準溝通成效範例

DCIU 相對來說得分群是更精準的，大多數情況，我們可以看到 D 加 C 兩群人，可能只佔了總會員數的 10%以下，但卻可以得到活動期間超過 60%的業績，比起NAPL大多看到的 20/80 法則還要再更近一步。

主要是透過消費者的瀏覽行為來預測購買意圖，例如消費者近期大量進出購物車，合理猜測這些會員近期真的很想買東西，原本就可以把購買意圖高的消費者分群出來，理論上對這群人做溝通，幾乎可以得看超過20%以上的轉換率。

• 零售業的大數據玩行銷五部曲

這系列是「零售業的大數據玩行銷」系列，預計推出的第五部曲，終於在拖稿一年之後完成了：

1. DMP 與 CDP - 網路廣告的數據基石
2. 廣告追蹤碼到底在追蹤什麼？—重建「顧客旅程」（Customer Journey）
3. 廣告成效是怎麼計算的？認識成效歸因-Attribution
4. OMO的顧客旅程：Show-rooming展廳現象與Web-rooming反展廳現象
5. 猜一猜？消費者的購買意圖：DCIU模型

歡迎訂閱「零售的科學」，以取得最新的文章更新。