TM Data School – Marketing dần chuyển giao từ các kênh truyền thống cho tới các kênh digital. Doanh nghiệp càng “sống dựa” vào digital, càng cần biết cách tận dụng dữ liệu để linh hoạt theo từng chiến thuật kênh và tìm ra insight cho những quyết định chiến lược. Nói cách khác, dữ liệu giống như “mỏ vàng”, ai biết cách khai thác sẽ ngày càng “giàu”. Thế nhưng làm thế nào để tìm ra tối đa giá trị của mỏ vàng này? Cùng TM tìm hiểu một số ứng dụng của phân tích dữ liệu trong Marketing (Marketing Analytics) để tối đa hóa hiệu quả của marketing nhé!
Đọc thêm: Data-driven Marketing – Kim chỉ nam cho chiến lược kinh doanh kỷ doanh số
1. Marketing Analytics là gì?
Marketing analytics là quá trình thu thập dữ liệu, đánh giá, phân tích và giải nghĩa để rút ra thông tin có ý nghĩa liên quan tới hoạt động marketing.
Đọc thêm: Đừng quyết định cảm tính, hãy sử dụng hệ thống dữ liệu để cải thiện ROI trong Marketing!
Marketing analytics là một quá trình liên tục: thu thập, phân tích, tối ưu và dự đoán để đảm bảo các chiến dịch thuyết phục đúng người, với chi phí tối ưu nhất nhằm hướng tới mục tiêu của kinh doanh: tăng doanh thu, tối ưu chi phí.
Marketing analytics thường bao gồm 3 hoạt động tương ứng với các giai đoạn phân tích dữ liệu.
3 level của phân tích dữ liệu – Slide khóa Data Analysis with Power BI | Tableau
- Đánh giá dữ liệu quá khứ: Dựa vào kết quả của các marketing campaign đã thực hiện trong quá khứ, bạn có thể đánh giá được hiệu quả chuyển đổi và các chỉ số retention, ví dụ như giá trị trong suốt vòng đời của một khách hàng (customer lifetime value – LTV), doanh thu trung bình trên mỗi (average user revenue per user – ARPU) hoặc tỉ lệ khách hàng rời bỏ theo từng giai đoạn của phễu chuyển đổi (sales funnel churn rate).
- Theo dõi tình trạng của hiện tại: Marketer cần theo dõi liên tục và đánh giá kết quả chuyển đổi của campaign và các hoạt động hiện tại để có bức tranh so sánh với campaign trong quá khứ và với mục tiêu chiến dịch.
Ví dụ, nếu chiến dịch tập trung vào tactics quảng cáo social media, bạn sẽ cần bẻ nhỏ để thấy được hiệu quả trong việc tăng website traffic theo source/medium, mức độ và tính tích cực trong tương tác (social media engagement), hành vi của người dùng (user behavior), tỉ lệ click through và tỉ lệ chuyển đổi cũng như số lượng đơn hàng và các chỉ số liên quan tới doanh thu.
- Dự đoán tương lai: Marketers cũng cần sử dụng dữ liệu quá khứ để dự đoán hiệu quả của các chiến dịch trong tương lai. Các hoạt động này bao gồm đào tạo các mô hình máy học (machine learning) để xác định mô hình chuyển đổi (conversion modeling), xếp hạng khách hàng tiềm năng (lead scoring), chọn kênh phân bổ nội dung (content distribution), và tìm ra các cơ hội upsell để tăng giá trị giỏ hàng của một khách hàng.
Đọc thêm: 10 cách tận dụng dữ liệu giúp doanh nghiệp phát triển vượt bậc
2. Vì sao doanh nghiệp cần marketing analytics?
Marketing analytics dần không còn là sự lựa chọn mà đã trở thành một hoạt động bắt buộc, bất kể là công ty với quy mô lớn và có bộ phận Data riêng hay với các công ty nhỏ & vừa với team Marketing cũng cần trang bị các kỹ năng phân tích.
Marketing analytics tăng hiệu quả cho brand trong việc:
- Tiết kiệm thời gian cho các hoạt động chuẩn bị dữ liệu báo cáo: Marketing analytics với dashboard tự động hóa với dữ liệu liên tục được cập nhật, marketers có thể được giải phóng khỏi các công việc có tính lặp lại như chuẩn bị số cho các buổi họp, dành thời gian cho các hoạt động mang tính phân tích và đề xuất hành động.
- Đảm bảo đưa ra quyết định đúng đắn, có sự kết hợp giữa định tính và định lượng; đồng thời đảm bảo các hoạt động marketing đi theo văn hóa data-driven, câu hỏi và mục tiêu mà các hoạt động đưa ra đều có thể đo lường, đảm bảo kết luận “có hay không hiệu quả” về chiến dịch không còn mơ hồ và cảm tính. Ví dụ, marketing analytics có thể giúp bạn đưa ra quyết định trong việc lựa chọn kênh trong chiến dịch cross-channel, hoặc trong việc phân bổ ngân sách marketing tại thời điểm chạy chồng chéo campaign khác nhau, hoặc đảm bảo nguồn lực marketing đang được phân bổ tối ưu.
- Có chiến lược tiếp cận đúng người – đúng lúc – đúng nơi hơn: Với dữ liệu hỗ trợ, marketer có thể truyền tải chính xác thông điệp tới đúng đối tượng phù hợp, tại đúng nơi đúng thời điểm, đặc biệt nhờ chiến lược mass personalization – kết hợp khả năng linh hoạt và yếu tố cá nhân hóa để giải quyết nhu cầu phổ biến của khách hàng.
- Phát hiện ra vấn đề sớm hơn trước khi trở thành vấn đề nghiêm trọng: Ví dụ, marketers có thể phát hiện một ads campaign không hiệu quả mà nếu về lâu dài có thể tiêu tốn ngân sách cho kết quả không có ý nghĩa – chẳng hạn, ads đem về nhiều lượt click nhưng sai đối tượng mục tiêu dẫn tới không chuyển đổi.
Các doanh nghiệp đang ứng dụng Marketing Analytics cho những hoạt động nào? – Nguồn ảnh: Harvard Business Review
3. Marketing analytics gồm những công việc gì?
Thu thập dữ liệu:
Marketing analytics bắt đầu từ việc thu thập dữ liệu từ nhiều nguồn khác nhau, ví dụ như các nền tảng quảng cáo (advertising platforms), các công cụ đánh giá trực tiếp (on-site analytics tools), mạng xã hội (social media), các công cụ email (email marketing tools), trang web và hệ thống CRM.
- Thu thập dữ liệu thủ công: Đây là quá trình truy xuất dữ liệu theo cách thủ công trực tiếp từ các nền tảng (social media networks hoặc ad platforms), sau đó tiếp tục import vào một kho chứa – có thể là bộ công cụ lưu trữ và làm việc của Google là Drive và Sheets,…
- Công cụ thu thập dữ liệu tự động: Khi việc thu thập dữ liệu thủ công không hiệu quả do cần thu thập dữ liệu từ quá nhiều nguồn gây lãng phí thời gian và công sức, các marketer sẽ cần tìm tới các công cụ giúp tự động hóa quá trình này. Ví dụ: các công cụ phân tích social media,…
- Giải pháp dữ liệu Extract, transform, load (ETL): Nếu như các công cụ thu thập dữ liệu tự động chủ yếu tập trung vào việc thu thập và thường thiếu sót khi chuyển đổi dữ liệu thô này sang định dạng sẵn sàng để phân tích chuyên sâu, thì giải pháp ETL được sử dụng để trích xuất dữ liệu từ các nguồn khác nhau, chuyển đổi dữ liệu sang định dạng sẵn sàng phân tích và sau đó tải dữ liệu đó vào đích mong muốn để phân tích thêm (công cụ BI, kho dữ liệu hoặc công cụ phân tích). Quá trình từ đầu đến cuối này làm cho các công cụ ETL trở thành công cụ quản lý khối lượng dữ liệu lớn.
Mô hình E-T-L – Slide khóa học Data System with SQL
Xử lý dữ liệu:
Sau khi dữ liệu được thu thập, nó cần được xử lý và tổng hợp dưới dạng thích hợp để phân tích. Hoạt động này bao gồm làm sạch dữ liệu, thống nhất dạng dữ liệu, kết hợp dữ liệu từ nhiều nguồn, bổ sung những dữ liệu còn thiếu,… sau đó tiếp tục modeling dữ liệu để kết nối dữ liệu với nhau.
Đọc thêm: Data Cleaning là gì? Hướng dẫn các bước làm sạch dữ liệu?
Phân tích dữ liệu:
Các công ty sẽ có quy mô và nhu cầu khác nhau nhằm hướng tới các mức độ trưởng thành trong phân tích. Với mỗi mức độ, sẽ cần áp dụng các công cụ và kỹ thuật phân tích khác nhau.
Đọc thêm: 04 giai đoạn phân tích dữ liệu nâng cao
Lựa chọn Key Performance Indicators (KPIs) phù hợp: Đâu là chỉ số cần được theo dõi? Cải thiện những chỉ số này có thực sự giúp chiến dịch đạt được mục tiêu đã đề ra không? Sẽ có một số chỉ số chính như tỉ lệ chuyển đổi (conversion rate) cũng như tỉ lệ rời bỏ (churn rate) giữa các giai đoạn trong phễu chuyển đổi (funnel), chi phí trên mỗi click (cost per click), chi phí cho mỗi đơn hàng (cost per order),…
Nhìn chung, sẽ có ba KPIs của mỗi chiến dịch với hầu hết các doanh nghiệp:
- Customer Acquisition Cost (CAC): chỉ số này là tổng chi phí marketing để có được một khách hàng mới. Giữ được CAC thấp và ngày càng tối ưu cho thấy công ty đang thu hút được khách hàng với mức chi phí hợp lý.
- Customer Lifetime Value (LTV): CLV ước tính tổng doanh thu mà doanh nghiệp có thể thu được từ một khách hàng từ lần mua đầu tiên cho tới khi khách hàng churn khỏi doanh nghiệp. Khi kết hợp CLV và CAC, marketer có thể đánh giá giá trị lâu dài của khách hàng so với chi phí để có được họ.
- Return on Investment (ROI): được tính bằng cách lấy lợi nhuận ròng (net profit) trừ đi chi phí marketing rồi chia cho chi phí marketing. ROI sẽ là bức tranh về lợi nhuận tài chính do nhờ những đầu tư cho marketing.
Đọc thêm: ROI lên đến 12.2 lần! SEO có “thực sự” đáng để đầu tư?
Phân tích thống kê cơ bản (Descriptive analysis) để biết điều gì đã/đang diễn ra:
Descriptive analysis là giai đoạn đầu tiên của quá trình phân tích dữ liệu, trong đó marketer cần diễn giải dữ liệu lịch sử để lý giải xác định các xu hướng. Tại đây, bạn sẽ đặt những câu hỏi như “Chiến dịch đạt goal trong quý trước là gì?” hoặc “Tỷ lệ phản hồi của email campaign mới nhất là bao nhiêu?”
Case study phân tích tình hình kinh doanh của Olist trong quá khứ, từ đó đưa ra đề xuất giải pháp – Slide khóa học Data Analysis with Power BI | Tableau
Các công ty trong giai đoạn này đã bắt đầu thu thập dữ liệu thường xuyên nhưng việc tích hợp và phân tích có thể vẫn còn thủ công và tốn thời gian. Marketer sẽ chủ yếu làm việc với các công cụ đơn giản và phổ biến như Excel, Google Sheets để xử lý dữ liệu và có những mô tả đơn giản.
Phân tích chẩn đoán (Diagnostic analysis) để hiểu vì sao lại xảy ra điều đó:
Dựa vào dữ liệu quá khứ, marketers có thể tìm ra các yếu tố có mối quan hệ (correlation) để dự đoán xu hướng trong thời gian sắp tới.
Diagnostic analysis bao gồm các công việc nhằm khám phá xét dữ liệu để hiểu nguyên nhân của phân tích thống kê – tại sao hoặc điều gì đang xảy ra. Ví dụ: nếu một chiến dịch email có tỉ lệ click chuột (click-through rate) và tỷ lệ chuyển đổi (conversion rate) lại thấp? Phân tích chẩn đoán sẽ giúp hiểu lý do đằng sau – có phải do thông điệp không đủ hấp dẫn, hay thời điểm gửi email chưa thích hợp?…
Các công ty ở giai đoạn này đã xác định chiến lược phân tích Marketing, tận dụng phân tích để hiểu hiệu quả các chiến dịch trong quá khứ và rút ra được insight/pattern chung của một số chiến dịch, đồng thời thường xuyên sử dụng dữ liệu trong việc ra quyết định.
Các marketer lúc này đã kết hợp với các công cụ phân tích tích hợp cơ bản như Google Analytics, các công cụ phân tích của social media,… để theo dõi trang web và phân tích dữ liệu trong chính mỗi social media.
Phân tích Predictive analysis để tối ưu các hoạt động marketing với:
Predictive analysis sử dụng các kỹ thuật thống kê và thuật toán machine learning để dự đoán các kết quả trong tương lai dựa trên dữ liệu lịch sử. Kết hợp với những hiểu biết về đối tượng mục tiêu, marketer có thể trả lời các câu hỏi như: Kênh tiếp thị nào có khả năng thúc đẩy nhiều chuyển đổi nhất trong quý tiếp theo?
Các công ty ở giai đoạn này thường có văn hóa dữ liệu có “độ chín” nhất định, đã có hệ thống thu thập dữ liệu từ nhiều nguồn, có nhà kho lưu trữ, và đã chuyển đổi dữ liệu, cũng đã tích hợp các công cụ BI và phân tích marketing nâng cao để tự động hóa toàn bộ quy trình báo cáo. Dữ liệu ngày càng được hợp nhất và tập trung vào việc tạo ra một source-of-truth.
Phân tích đề xuất Prescriptive analysis để đưa ra các quyết định marketing:
Dựa vào insight và các chỉ số đo lường kết quả của chiến dịch, doanh nghiệp có thể tối ưu chiến lược marketing, bao gồm lựa chọn điểm chạm, phân bổ ngân sách,… và ưu tiên cho các kênh đang đem lại hiệu quả cao hơn: Ví dụ, với một chiến dịch digital ads, Facebook, Google hay LinkedIn sẽ đem lại hiệu quả cao hơn và cần tập trung cho kênh nào hơn?
- Nên phân bổ ngân sách tiếp thị như thế nào để tối đa hóa ROI?
- Nên nhắm tới phân khúc khách hàng nào để tăng doanh thu?
Ở giai đoạn này, các công ty đã tối ưu hóa hoàn toàn việc sử dụng phân tích marketing. Những công ty này duy trì hệ thống báo cáo tích hợp phân tích đa góc nhìn về các chiến dịch, về kênh và khách hàng. Việc ra quyết định dựa trên dữ liệu đã trở thành một phần “văn hóa”.
Đọc thêm: Làm thế nào để xây dựng văn hóa dữ liệu khi không có Data Team
Tóm lại, phân tích dữ liệu là sử dụng các phương pháp và công cụ để biến dữ liệu thô của bạn thành những thông tin có giá trị để hành động và đưa ra quyết định marketing. Điều quan trọng nằm ở việc hiểu loại phân tích và công cụ nào phù hợp nhất với nhu cầu và mục tiêu cụ thể.
Trực quan hóa và báo cáo:
Sau khi dữ liệu đã thống nhất, nhất quán và phù hợp — đã đến lúc để trình bày và trực quan hóa dữ liệu. Các yếu tố trực quan sẽ giúp marketers nhanh chóng tìm ra xu hướng, các điểm bất thường, những điểm chung trong một tập dữ liệu hoặc có thêm những câu hỏi để khai thác, đồng thời dễ dàng chia sẻ và trình bày với các thành viên khác và với stakeholders.
Cách chọn loại biểu đồ phù hợp để minh họa cho tệp dữ liệu – Slide khóa Data Visualization with Excel
Báo cáo được tổ chức tốt, mạch lạc theo một “flow” và được trình bày theo biểu đồ sẽ truyền đạt thông tin chi tiết một cách hiệu quả, rõ ràng và dễ dàng nhìn ra pattern/điểm bất thường/điểm có thể cải thiện.
Có nhiều công cụ BI giúp trực quan hóa dữ liệu và trình bày báo cáo, tùy thuộc theo nhu cầu và quy mô của công ty, từ Microsoft Excel cho các biểu đồ và báo cáo đơn giản, cho đến các tùy chọn nâng cao hơn như Tableau, Looker Studio và PowerBI cho dashboard toàn diện và tự động.
Khi xây dựng dashboard theo dõi và đo lường, cần lưu ý một số nguyên tắc:
- Tập trung trực quan các chỉ số chính (KPIs) có tác động trực tiếp tới mục tiêu marketing.
- Đảm bảo dashboard có thể cập nhật liên tục và tự động.
Hai nguyên tắc này giúp bạn có thể theo dõi quá trình thực hiện kế hoạch mà không cần mất nhiều công sức lặp đi lặp lại trong việc chuẩn bị báo cáo.
Đọc thêm: Làm thế nào để thiết kế các dashboard hữu ích cho doanh nghiệp? 5 nguyên tắc bạn cần ghi nhớ
4. Ứng dụng Marketing Analytics như thế nào để đánh giá hiệu quả của các hoạt động Marketing?
Marketing Analytics được ứng dụng như thế nào?
Phân tích hiệu quả của các chiến dịch (Campaign Performance Analysis):
Bạn cần phải biết đâu là chiến dịch đóng góp lớn vào kết quả chung, đâu là chiến dịch đang lãng phí nguồn lực và ngân sách và làm thế nào để giảm thiểu những nỗ lực không đem lại hiệu quả, cân đối và phân bổ hợp lý khi kết hợp giữa nhiều kênh khác nhau. Với bài toán phân tích này, key performance indicators (KPIs) cần được bám sát chặt chẽ để đánh giá tác động của từng chiến dịch.
Một số KPI thường gặp như tỷ lệ chuyển đổi (conversion rates), tỷ lệ click (click-through rates), tỷ lệ hoàn vốn trên chi phí quảng cáo (return on ad spend – ROAS), và chi phí cho mỗi hành động chuyển đổi (cost per acquisition – CPA). Đánh giá này sẽ giúp marketers biết đâu là chiến dịch có kết quả chuyển đổi cao và đâu là kênh cần sự phân bổ nguồn lực hơn.
Đọc thêm: Các mẫu báo cáo digital marketing giúp bạn theo dõi hiệu quả chiến dịch
Báo cáo đa kênh (Cross-Channel Report):
Việc phân tích sẽ giúp chọn ra đâu là kênh và thông điệp theo từng nhóm đối tượng tiếp cận cụ thể. Số lượng các kênh và điểm chạm ngày càng nhiều, ngoài các công cụ truyền thống như báo in, truyền hình và phát sóng, marketer ngày nay còn quen thuộc với các kênh digital như social media, SEO hơn nữa.
Báo cáo cross-channel là một cách để thu thập hiệu quả hoạt động của các kênh marketing và đóng góp vào chiến lược marketing tổng thể. Bạn có thể tổng hợp báo cáo của tất cả kênh và nền tảng marketing vào một dashboard để theo dõi, sau đó trực quan hóa với biểu đồ (chart, graph) để chỉ ra xu hướng, điểm bất thường và các kênh có thể cải thiện.
Analytics sẽ trả lời những câu hỏi:
- Đâu là thông điệp nên tập trung trong mỗi chiến dịch media? Thông điệp nào sẽ tạo được mối liên kết với đối tượng mục tiêu?
- Phân bổ kênh và ngân sách như nào?
Ví dụ:
- Phân tích dữ liệu social media sẽ giúp marketer hiểu được loại nội dung hiệu quả, từ đó phát triển phễu marketing TOFU – BOFU để tăng tỉ lệ chuyển đổi.
- Phân tích dữ liệu trong SEO cũng giúp xác định các từ khóa có lượt tìm kiếm cao để tăng organic traffic hoặc khoanh vùng các cụm từ có search intent mua hàng cao.
- Đánh giá dữ liệu hành vi tương tác của người dùng cũng sẽ cung cấp insight về cách người dùng tương tác với các hoạt động digital: vào trang web, click một nút CTA, điền form,… để tìm ra điểm chuyển đổi hiệu quả hoặc điểm cần tối ưu.
Marketer có thể áp dụng đa dạng mô hình phân bổ (attribution models) để đánh giá mức độ ảnh hưởng của các kênh/điểm chạm marketing tới chuyển đổi khách hàng. Một mô hình thông thường bao gồm:
- First Click: đại diện cho những tương tác đầu tiên giữa khách hàng và doanh nghiệp.
- Last Non-Direct Click: đại diện cho những tương tác gián tiếp cuối cùng.
- Linear: phân bổ đồng đều giữa các điểm chạm.
- Time Decay: cung cấp nhiều ý nghĩa phân tích cho các điểm chạm gần đây.
- U-shaped: đại diện cho lần đầu và lần cuối khách hàng tương tác.
Thử nghiệm đa dạng mô hình để tìm ra đâu là mô hình phù hợp với mục tiêu của doanh nghiệp, kết hợp với marketing dashboard để đảm bảo quá trình đưa ra quyết định dễ dàng hơn.
Đánh giá theo ngành hàng và portfolio sản phẩm (Portfolio Analysis):
Product intelligence liên quan đến việc tìm hiểu sâu về các sản phẩm của thương hiệu cũng như phân tích cách các sản phẩm đó tăng trưởng trên thị trường. Thông thường, product intelligence được thực hiện bằng một số kỹ thuật như phỏng vấn, khảo sát người tiêu dùng, đánh giá hành vi, lịch sử và hành trình mua hàng để hiểu rõ hơn về sự khác biệt và lợi thế cạnh tranh của sản phẩm cũng như cách người dùng tiếp cận sản phẩm ở nhiều góc độ. Từ đó, bộ phận Product và R&D có thể điều chỉnh sản phẩm tốt hơn cho phù hợp với nhu cầu, pain point người tiêu dùng và giảm bớt những rào cản trong chuyển đổi.
Bên cạnh đó, với những doanh nghiệp kinh doanh đa dạng ngành hàng, sản phẩm, việc phân tích theo chiều dọc cũng rất quan trọng. Hướng tiếp cận này giúp cung cấp thêm nhiều insight về ngành hàng. Phân tích theo sản phẩm giúp marketers biết được đâu là sản phẩm “ngôi sao” với tốc độ tăng trưởng nhanh, đâu là sản phẩm “cash cows”với thị phần lớn trong ngành, đâu là sản phẩm “question marks” vẫn có khả năng tăng trưởng và đâu là sản phẩm “dogs” không tạo ra nguồn doanh thu, từ đó phát triển ma trận BCG và có chiến lược theo danh mục sản phẩm.
Với dạng phân tích này, một số chỉ số quan trọng bao gồm sản lượng bán (sales volume), tỷ lệ chuyển đổi (conversion rates) và doanh thu đóng góp (revenue).
RFM Analysis:
Phân tích RFM (Recency, Frequency, Monetary) là một hướng tiếp cận phân tích và phân khúc khách hàng theo các đặc điểm hành vi tiêu dùng dựa trên các dữ liệu giao dịch trong lịch sử. Marketers có thể chia thành ba tiêu chí đánh giá: tần suất mua hàng (frequency), lần cuối mua hàng (recency) và tổng giá trị mua hàng (monetary) của mỗi khách hàng, nhằm xác định khách hàng có sức mua lớn và có thể điều chỉnh các chiến dịch theo nhiều phân khúc khách hàng nhằm đáp ứng nhiều nhu cầu khác nhau.
Case study ứng dụng RFM để phân khúc khách hàng – Slide khóa học Data Analysis with Power BI | Tableau
Phân khúc khách hàng – Customer Segmentation (Clustering):
Analytics giúp doanh nghiệp có thêm đa dạng góc nhìn và có thêm chiều sâu trong hiểu biết về đối tượng mục tiêu: về cả hành vi, sở thích, chân dung nhân khẩu và địa lý. Với những dữ liệu này, doanh nghiệp có thể tìm ra insight và cá nhân hóa chiến lược để “căn đo” với từng nhu cầu của khách hàng:
- Thông điệp/ý tưởng sáng tạo nào gây ấn tượng với họ?
- Họ đang mua những sản phẩm nào và họ đã nghiên cứu sản phẩm nào trước đây?
- Quảng cáo nào có hiệu quả trong chuyển đổi và quảng cáo nào thường xuyên bị bỏ qua?
- Xuyên suốt customer journey, khách hàng đã tiếp xúc với những điểm chạm nào?
- …
Các mô hình phân khúc sử dụng các mô hình phân cụm như K-means hoặc DBSCAN (Density-Based Spatial Clustering of Applications with Noise – Phương pháp phân cụm dựa trên mật độ), từ đó nhóm các khách hàng thành nhiều phân khúc riêng biệt dựa trên các đặc điểm hoặc hành vi chung. Marketer sau đó sẽ điều chỉnh chiến lược và cách tiếp cận để phù hợp với từng nhóm khách hàng cụ thể.
Trong đó, Cohort Analysis là công cụ đắc lực trong việc hiểu rõ hơn hành vi của từng tệp khách hàng theo thời gian. Thay vì coi tất cả khách hàng là một, có chung một pain point, một nhu cầu, một rào cản và chung tất cả các hành vi tiêu dùng, cohort sẽ chia khách hàng thành nhiều tệp để hiểu thêm về vòng đời của mỗi nhóm khách hàng.
Mô hình dự đoán vòng đời khách hàng (Customer Lifetime Value – CLV) (Predictive modeling / regression analysis):
Những mô hình này thường được phát triển dựa trên phân tích hồi quy – một phân tích thống kê để xác định xem các biến độc lập quy định các biến phụ thuộc như thế nào – ở đây vòng đời khách hàng và giá trị giỏ hàng sẽ là biến phụ thuộc, với các biến khác như nhân khẩu, thu nhập,… và các biến độc lập.
Ví dụ: mô hình này được ứng dụng để xác định những khách hàng có nhiều khả năng quay lại nhiều lần, từ đó đề xuất chương trình tri ân khách hàng thân thiết để kéo dài vòng đời của họ.
Đọc thêm: Cách đo lường và tăng giá trị vòng đời khách hàng (Customer Lifetime Value)
Time Series Analysis (Predictive modeling):
Phân tích dữ liệu chuỗi thời gian có thể xác định patterns, xu hướng thay đổi, tính chu kỳ và tính thời vụ của một yếu tố theo thời gian. Marketer có thể tận dụng phân tích chuỗi thời gian song song với phân tích marketing mix hoặc phân tích đa điểm chạm (Multi-Touch Attribution – MTA) để dự báo doanh số, nhu cầu hoặc lưu lượng truy cập trang web, cho phép lập kế hoạch nguồn lực và tối ưu hóa chiến dịch hiệu quả.
Recommendation Systems (Machine learning):
Recommendation Systems sử dụng các thuật toán machine learning như collaborative hoặc content-based filtering để cung cấp đề xuất được cá nhân hóa cho người dùng sở thích và hành vi.
Một loại phân tích khác cũng có đặc trưng của Recommendation Systems là Phân tích giỏ hàng thị trường (Market Basket Analysis) – một bài toán phân tích mối quan hệ giữa các sản phẩm hoặc dịch vụ thường được mua cùng nhau. Các marketer có thể sử dụng phân tích này để tăng cơ hội cross-selling, up-sell hoặc cá nhân hóa các đề xuất sản phẩm/dịch vụ/nội dung.
Ví dụ: Một nhà bán lẻ sách trực tuyến có thể đề xuất sách dựa trên các giao dịch mua trước đây của người dùng và sở thích về thể loại.
Mô hình chấm điểm khách hàng tiềm năng – Lead Scoring (Machine learning/Predictive modeling):
Mô hình này có thể kết hợp từ nhiều thuật toán, ví dụ như logistic regression, decision trees, random forests, support vector machines (SVM), hoặc neural networks để gán điểm cho khách hàng tiềm năng dựa trên nhiều yếu tố khác nhau, đó có thể là nhân khẩu học, hành vi trực tuyến, và mức độ engagement.
Các marketer sau đó sẽ có các chiến thuật khác nhau cho các khách hàng có mức điểm khác nhau: ưu tiên chuyển đổi khách hàng có mức độ tiềm năng cao và nuôi dưỡng những khách hàng chưa có mức độ tiềm năng đủ tốt để chuyển đổi.
Mô hình dự đoán tỷ lệ rời bỏ – Churn Prediction Models (Machine learning/Predictive modeling):
Tương tự Lead Scoring, mô hình dự đoán tỷ lệ rời bỏ dự báo khả năng khách hàng rời bỏ thương hiệu. Marketer có thể dựa vào đây để kịp thời có những hoạt động warm-up tệp khách hàng này.
Ví dụ: Xác định những khách hàng có khả năng hết hạn subscription và gợi ý các mức phí giảm giá/ưu đãi khi tiếp tục đăng ký.
Tạm kết
Mỗi tiếp xúc của người dùng/khách hàng với mỗi điểm chạm lại sinh ra dữ liệu, càng thu thập nhiều dữ liệu từ khách hàng, doanh nghiệp càng có khả năng cung cấp nhiều giá trị hơn cho họ. Và càng tạo ra nhiều giá trị cho khách hàng, doanh nghiệp càng đạt được nhiều doanh thu hơn.
Để làm được những điều này, bạn cần có một tư duy phân tích dữ liệu vững chắc, luôn biết từng bước mình cần làm gì khi đối mặt với lượng dữ liệu khổng lồ. Thành thạo kỹ năng xử lý dữ liệu, hiểu được “số” từ đâu mà có, làm thế nào để kết hợp “số” từ nhiều nguồn và biết cách tự trực quan hóa báo cáo với Power BI | Tableau kết hợp cùng tư duy đặt câu hỏi đúng sẽ giúp bạn tăng tính chủ động, tự tin đưa ra các quyết định kinh doanh đúng đắn. Nếu chưa biết cách trang bị tư duy phân tích dữ liệu như thế nào, tham khảo ngày khóa học Data Analysis của TM Data School nhé!
Bài viết được biên dịch từ improvado bởi TM Data School, xin vui lòng không sao chép dưới mọi hình thức!
