Marketing Data Science

之所以會在這邊介紹行銷資料科學或資料科學行銷，是因為最近公司的工作上的一些主系統都開始導入了Adobe Analytics，Adobe Analytics是可以將客戶在網頁或app的活動透過收集、組織、量測及視覺化來輔佐網頁及app的優化或行銷決策，國內目前網站及書籍討論Adobe Analytics並不多，大多是Google Analytics，所以對於Adobe Analytics深入的研究就不在這邊探討，這邊所要講述的是資料科學的基礎，將來有機會再來說明Adobe Analytics實際應用。

資料科學就是透過科學化的方式，對資料進行分析的一門學問，而資料科學存在的目的，在於解決或預防問題。這裡的科學化方式特別強調資訊科技與數學統計，跨學科領域的應用。舉例來說，像是Goodle透過大數據分析，就能藉由使用者查詢感冒症狀的資料，比美國疾病管理局更能提早掌握流行性感冒疫情發生的情報。對行銷資料進行分析的一門學問；而行銷資料科學存在的目的，在於解決行銷管理上的問題。舉例來說，平常大家使用FB的時候，FB便會透過演算法將你平常所點選的資料做出推薦清單，一併推薦給使用者，這就是行銷資料科學的目的與應用。

一般在資料科學裡，最重要的資料分類方式之一，即為SQL資料與NoSQL資料。這邊將「可用SQL查詢結構化的資料，稱為「SQL資料」，並將SQL以外可查詢的非結構化資料稱為「NoSQL資料」。SQL是Structured Query Language的縮寫，意指「結構化查詢語言」，其資料為結構化資料。結構化資料在資料庫裡意指：它擁有固定欄位，固定格式與順序.....等。例如：企業銷售資料庫裡的欄位，通常有「會員編號」，「購買日期」，「購買品項」和「購買金額」等。類似目前企業最常用的excel格式檔案。至於NoSQL的英文為Not Only SQL，意指「不只是SQL」，其中包含非結構化或半結構化資料。非結構化資料在資料庫裡意指：沒有固定欄位，也沒有固定格式。例如：影像檔，語音檔，圖檔，Office檔案，PDF檔，e-mail和網頁等；半結構化資料在資料庫裡則意指：具有欄位，但內容不一致，例如：人力銀行網站上的職務內容，就是半結構化資料。因為每家公司的需求內容不一樣，無法有一致性的填寫方式，這類型的資料就無法透過欄位一一存放。企業內部資料的來源，主要來自於資料庫（Data Base）或是資料倉儲（Data warehouse）。存放在資料庫裡的資料，源自於企業內各種資訊系統，包括：銷售系統，人力資源管理系統，進銷存系統，顧客關係管理系統（CRM），企業資源規劃系統（ERP），供應鏈管理系統（SCM）和企業網站。企業資料通常最難取得，因為這些資料攸關著企業的營業機密。當企業在進行內部資料分析時，通常採取自製（自行分析）或是外包（委外分析）的方式進行。一旦採取外包時，常要求外包商簽署保密協定，不得外洩，否則必須賠償。雲端資料的種類很多，包括各類社群網站（Facebook，Linkedln…等）所陳列的個人資料（Social network profiles）。還有許多人會在網路上PO文，撰寫評論，甚至是按「讚」（Like）等....。開放資料（Open Data）的概念由來已久，過去幾百年，科學界已經將許多的研究資料公開給其他研究者進行後續的研究。開放資料真正蓬勃的發展，是在網際網路出現之後。2001年維基百科成立，至今中英文已產生700萬個條目。「開放資料意指所有可取得的公開資料，同時民眾，企業，與組織可使用這些資料來創立新事業，進行資料分析，做出資料導向的決策。開放資料的特性包括：開放給任何人，使用，資料授權給大眾可再利用，同時開放資料基本上是免費或是收費低廉，並且蘊含大量商機。所謂「物聯資料」即是透過物聯網所獲取的資料。物聯網的產業範疇物聯網的出現，影響了許多的產業。根據高盛司的預估，物聯網將在2020年以前，有超過280億個資料會連上網，影響範疇從穿戴式裝置，連網汽車，連網家庭，連網城市，工業，運輸，能源，健康醫療…等，影響的範圍遍及眾多產業，物聯網對於企業所帶來的商機，最直接的就是協助發展新產品。無論是消費行市場裡各種穿戴式裝置的出現，例如：智慧手錶，智慧眼鏡，健康手環，運動攝影機等。或是汽車產業也開發出連網裝置，以提供車主視聽娛樂，安全，保養等功能。同時，物聯網也促使連網家庭產品的發展，例如：智慧家電，居家安全監控，智慧恆溫空調，智慧健康照護…等，逐漸改變家庭生活的樣貌。在進行行銷資料科學分析時，必須一再強調，即便分析工具再完善，一旦資料品質不佳，分析出來的結果將會變得缺乏價值，產生俗稱「垃圾進，垃圾出的現象。以資料的來源來看，企業內部資料通常結構化程度較高，資料較完整也較正確，所以品質較好。外部資料（尤其是從網路社群上收集的資料）品質低的比例較高，同時，資料的雜亂程度也相對較高。

有關資料蒐集的技術，主要以網路探勘為主。根據統計，目前全世界連結上網的網站，已高達十億個，而可以算是各種知識來源之一的全球資訊網，對很多人來說是資料的來源之一。因為全球各地的網路使用者，都會按照其所關切的主題，不斷產生各式各樣的內容。因此，如何從這麼豐富的資源中挖出有用的資訊，就得依賴網路探勘技術。網路探勘是運用資料探勘技術，由網際網路上的文件及服務中，發現並獲得有用的資訊。資料分析首先探討資料庫知識探索，再就機器學習，監督式學習與非監督式學習，常見的機器學習演算法（如決策樹，Apriori演算法等），以及資料探勘與文字探勘。資料呈現部分先談資料視覺化與視覺化分析學，資料視覺化與視覺化分析學「視覺感知」是人類感官知覺中最主要的項目之一，在人類的五感當中，對外界資訊的取得，視覺感知就佔了百分之七十以上。無論是發佈複雜的資訊，或是要對資訊進行來回的溝通與修正，傳播者將所要傳播的資訊加以「視覺化」，對資訊傳播的成功與否，會有很大的助益。視覺化是指將繁雜的「資料」（包括結構化資料與非結構化資料資料）轉換成圖片，影像，希望透過圖像化的呈現方式，幫助使用者更容易了解其意涵的方法。美國國家科學基金會（NSF）在1987年，開始探討將視覺化的方法應用在科學資料分析領域。資訊視覺化處理的多為抽象的資料，且為非結構化的資料集，例如：文字，圖…等。早期傳統的資訊視覺化源自於統計學。與科學視覺化相較，資訊祖國化的資料通常屬於高維度資料，然而其呈現方式通常是在二維空間裡，因此必須在有限框架內傳遞大量的訊息。此外，資訊視覺化的方法與所處理的資料答類型有關，包括：時空資料視覺化，如：各種感測器装置，呈現時間與地理空間的關係。網絡資料視覺化，如：不同公司的組織結構圖及交通網絡分佈圖。文字資料視覺化，如：從社群媒體資料分析而得的文字雲圖。多維資料可視化，如：利用視覺化分析，找出電子商平台消費者的購買行為模式。視覺化分析學被定義成是一種使用者透過交互視覺化的界面，對資料進行分析，的科學，其涉及資料的收集與分析計算的過程，最終影響知識發現與決策。視覺化分析學是一種綜合性的學科，它的研究與應用範籌涵蓋甚廣，包括：地理「空間分析，資訊分析，科學方法分析，統計分析，知識發現等，在視覺化分析學中還特別考量人為因素，如：互動，認知與傳播等..。

由於每個世代的消費者都不盡相同，一直以來，企業就不斷想藉由行銷研究來設法弄懂消費者的心。因此，行銷研究在方法與技術上也不斷更新。進入大數據時代之後，企業更必須整合行銷研究與行銷資料科學，才有機會做到正確的行銷。大數據並非專為特定目的而產生的，Google透過大數據分析，對5000萬個使用者常用的搜尋字串以及2003年到2008年間季節性流感的傳播資料進行比對，進而發展出預測流感的模型，但這些搜尋字串本身並不是為了特定目的所記錄的資料。有趣的是，Google透過大數據所進行的分析效益，遠勝於公部門透過專屬資料所獲得的預測結果。過去往往為了單一的研究目的，設計各種取得數據資料來源的方法（例如：透過各種調查）。在大數據時代，利用網路上的各種資料，透過數據分析技術，得到預測結果並創造潛在商機。大數據取代隨機抽樣在進行市場調查時，因為成本時效的限制，無法對來源進行普查，所以會透過抽樣來進行各種統計分析（如：收視率調查，滿意度調查，民意調查…等），但其預測結果，也會因受限於抽樣而產生誤差。有一句話說，「大數據就是全數據」，因為透過大數據所獲得的資料，大部分就是來源資料，因此不需要再進行抽樣。舉例來說，手機，電腦在許多國家的普及率已經超過了90％，透過手機，電腦裡的記錄，並利用大數據分析，所得到的結果，效益也常常高於傳統的市場調查。大數據的取得通常是即時資料網路上有許多即時資料，包括電商平平台上的交易行為，社交平台上的各種討論。每分每秒都有成千上萬筆的交易與互動，在電商平台與社交平台上進行。以電商平台企業為例，這些企業可以即時取得交易的資訊，並且即時做出銷售策略上的調整。大數據剛出現時，一度被稱為巨量資料或是海量資料，因此也讓許多人認在研究行銷資料科學時，背後的資料量要非常龐大，最好是又多、又大的「大數據（Big Data）」等級。正因如此，許多人覺得，行銷資料科學與大動地有著必然的關係。事實上，行銷資料科學與大數據並沒有絕對的關係。縱使是小資料，也能透過分析並獲取有用資訊。因此，對於推行行銷資料科學的企業而言，卻是數據有其必要性。根據維基百科的定義，大數據意指「傳統資料處理應用軟體，不足以處理其大或複雜的資料集的稱謂」。在這個定義裡，指的是「資料量龐大到資料庫系統無法在合理時間內，進行儲存，運算，處理，分析成能解讀的資訊時，就稱為大數據」。口日至於大數據的來源則包羅萬象，包括：網際網路文本和文件，社群網路資料，網路日誌，POS系統數據，RFID紀錄，或是人臉辨識，眼球追蹤，GPS，客服電話錄音，傳感器數據，以及天文學，大氣科學，醫療記錄，甚至是基因組學…等。大數據資料是即時產生的，例如：消費者在移動過程中，所產生的「位置」資料。許多時候大數據分析的結果，也必須能即時化為行動，例如：即時根據消費者的位置給予相對應的服務，像是不久前很流行的AR「寶可夢」抓寶遊戲。大數據的資料型態非常多元，包括結構化資料，半結構資料和電子郵件，網頁，社群媒體，圖片，視訊和聲音等非結構資料等...，資料的多元性會讓儲存，挖掘和分析的准度大幅提高。垃圾進，垃圾出是資訊科技領域受益到的一句話，意指將錯誤、無意義的資料輸入電腦後，不管分析工具再给大，輸出的還是錯誤，無意義的結果。以上即是常見的大數據特質，但對於學習行銷資料科學來說，擁有大數據是一件可喜的事情，但縱使只有小資料，也能透過行銷資料科學的分析，獲取有用的資訊，進而做出相關的行銷決策。許多公司也開始大手筆投資「大數據」，像是增聘人員，買設備，買軟體，但效果可能不如預期。這樣的結果，來自於大多數的公司還是依賴以經驗直覺做決策，未善用內部已有的資訊。同時，也未養成「資料導向」的決策文化。為了解決這個問題，企業應先體認到，很多決策無關乎「大數據」，反而與「小資料」有關，而且對於大多數的企業來說，其實並未擁有真正的「大數據」資料。企業應授權基層員工，善用內部已有的資料來進行決策。在2013年12月的哈佛商業評論上，發表了一篇文章誰需要巨量資料？，文中以日本的7-11為例，提到執行長鈴木敏文認為，存貨週轉率是7-11獲利的關鍵。因此，他將下訂單這個重要的決策，交由店裡的20萬名店員來執行，而這些人多數竟然還是工讀生。鈴木敏文認為，這些現場的員工才是真正了解消費者的人。7-11將每日銷售報表與天氣預測的資料，提供給這些第一線的員工，讓他們做好進貨的決定，例如預報下午可能會下雷陣雨，店員就可以在下雨前，就先把雨衣，雨傘擺出來，以提高顧客買走的機會。而這樣的做法，也是7-11獲利良好的原因之一。上述故事，在凸顯授權基層員工，並善用內部資料來進行决策的重要性，而這樣的做法，除了優化日常營運決策，也促使企業不斷地創新。

在這個資料爆炸的時代速度決定一切，有好的工具必定可以事半功倍。行銷分析工具分布的背後，從偏向「內部」與「結構性」的資料來源，擴散到偏向「外部」與「非結構性的資料來源。舉例來說，廣告分析，資料來源即以「內部資料」與「結構性資料」為主，「情感分析，資料來源即以「外部」與「非結構性」為主。對於企業界來說，有很大的幫助。首先，根據資料的屬性，用行銷分析工具進行整理，背後意指企業必須先擁有「資料」，才能進行「分析」。然而在實務上，許多企業不管是對「內部資料」或是「外部資料」，還是「結構化資料」與「非結構化資料」，事實上，都未能有計畫地進行資料的儲存和管理。其次，在做行銷分析時，許多企業並不清楚可以運用哪些工具協助進行分析，這解說無疑提供了一個清楚的方向，讓企業可以依此找到好工具。至於想要學習行銷資料科學的讀者來說，提供了具體的學習項目。學會使用這些工具後，也代表在行銷資料科學上，擁有了一定的專業。接著將資料，演算法，功能，分析工具之階層關係，首先，最底層為資料層，這些資料包括內部資料，外部資料，結構性資料，非結構性資料等。接著是演算法層，包括決策樹，Apriori演算法，K-平均，單純貝氏，支持向量機等。再上一層，則為功能層，內容主要在談分類，聚類，關聯，網路，預測等。最上層則為行銷分析工具層。過去在進行網頁設計時，通常是透過設計者或是網站主管本身的認知，來決定版面的設計，但是，這樣的設計概念有時難免流於主觀，或者根本不受青睞。為了更貼近消費者的想法和使用習慣，現在常用「A /B測試」來驗證。基本上，A /B測試是一種透過分析使用者瀏覽的狀況，來優化網頁，APP介面，網路廣告等頁面設計的方法。以往在設計網頁時，因為不曉得使用者的瀏覽偏好，通常只能用猜的方式，來捕捉使用者的喜好。然而這樣的設計方式，因為缺乏明確準則，再加上個人主觀想法的差異，常導致使用者搖頭。結果就是對設計者友善，而非對使用者友善。執行A /B測試時，網站常會依圖案，文字編排，按鈕顏色和版面設計…等，設計出兩款介面，分別為「實驗組」與「對照組」。當使用者們進入網站後，會輪流看到兩種不同的介面，而每個人在網頁內的動作，都會被記錄下來。之後，企業再對這些紀錄進行分析，就可以了解使用者在A或B版的點擊，瀏覽，停留時間，購買…等行為上的狀況，進而作為調整版面設計的依據。使用A /B測試的另外一個好處是可將廣告做小範圍的投放。企業可利用A/B測試了解使用者對新服務，新廣告，新產品的喜好，之後再進行網頁改版或是大規模廣告投放。很多網站幾乎天天在改版，因為比起實體店鋪的改裝，電子商務的網站要改版不僅便宜而且容易許多。至於改版的依據，通常來自網站的訪客行為研究，並稱網站分析。網站分析能透過量化與質化的工具，分析從企業網站中所獲得的資料，進而了解使用者對於企業網站的使用狀況。網站分析主要了解使用者在瀏覽企業網站時的瀏覽行為（包括網站流量，瀏覽路徑，點擊熱點銷售狀況…等），以改善使用者在網站上的體驗。從商務應用的角度來看，網站分析是研究某些網頁為何比較容易激發顧客的購買慾望，透過網站分析，企業可了解自身網站設計的優劣，進而作為修改網站的依據。要收集網站資料加以分析，目前主要有兩種方法，第一種是「日誌分析，即分析使用者瀏覽器與網站伺服器互動歷程中，所產生的網站日誌檔，以判斷點擊數，網頁檢視，網站停留時間等，以了解網站的使用狀況與經營成效。有一種方法是加入網頁標籤，在每一網頁插入JavaScript告知第三方提供分析服效的伺服器（如：Google Analytics），某些頁面已被瀏覽器所讀取。以GoogleAmaltics為例，它能提供即時報表，協助企業與個人觀察目前的網站流量。也一心了解消費者是透過哪種管道，進入自己的網站。同時，它還可以統計個別消費者在特定網頁停留的時間。NH至於要分析或比較網頁內容好不好，有許多的衡量指標可參考，常見的指除了上述所提到的點擊數（hits），網頁檢視（page views），還包括訪問量（Visits），訪客（Visitor），新訪客（New Visitor），重複訪客（Repeat Visitor）…等。值得注意的是，每一個行業的網站分析所注重的指標都不太一樣，像是新聞網站以內容取勝，每一則新聞的網頁點閱數（Page View）很重要，畢竟來看重大新聞的讀者越多越好，根據經驗，一則大新聞一來，超過一百萬的PV是常有的事。而電子商務網站，可能就是要最後成交率越高越好。最後，網站分析技術現在已經非常成熟，因為經過分析，有機會能得到正確且精準的答案。但更重要的是，如果企業或網站負責人沒有後續的配套措施與相對應的行動，有人就戲稱，這就好像到大醫院花錢做了一堆電腦斷層或核磁共振，找到病因之後，卻不做後續治療，讓前面的網站分析做白工了。

許多新興的企業準備在市場裡放手一搏，沒想到進入市場後沒多久，可能還沒有搞清楚對手是誰，就慘遭競爭者擊潰。這樣的事情不僅經常發生在中小企業身上，很多企業與學校根本不了解誰是敵手，在不能知己知彼情況下，當然無法百戰百勝。為了解自己的競爭對手，企業主必須先釐清自己的「競爭者是誰？」，「競爭者在消費者心目中的位置為何？」，「競爭者最新的動態？」等狀態，設法進行競爭者分析。過去要回答這些問題，傳統的作法通常是請調公司協助收集相關的資料，並透過問卷調查或是深度訪談對市場做個深度剖析，或者由資深經理人依據自己的觀察與判斷釐清對手的可能樣貌，然而，在講求速度且科學數據化的時代來說，上述兩種方法的速度及準確性變得愈來愈難以掌握。不過值得慶幸的是，進入大數據時代之後，以行銷資料科學的技術來說，則可透過網路爬文以及資料挖掘，文字挖掘等技術，及時且快速的協助解決上述問題。想要做生意，就要知道客人在哪裡。在行銷管理課程中，有一項工具可協助公司找出「新客（近期曾經前來公司消費的客人）」，「常客（經常前來消費的客人），以及「貴客（消費金額大的重要客人）」，這項工具稱為「REM模型。有人可能會不服氣，要知道這三類客人在哪裡，不是很簡單嗎？利用公司的電腦打一打不就全部跑出來。是啦！對客戶資訊系統建置很完整的企業，可能很簡單，但可不是每一家企業都有良好的資訊系統，或者老板本人有超強的記憶力，才能辦得到。試想一下，如果你的企業大到一個規模，每天有數萬人或者數十萬名消費者，進出你分散在全國數百個營業據點時，相信你也記不住誰是誰，或是他們究竟在你的公司買了多少金額的東西。REM能做什麼呢？其實它是一個利用三項指標，將客戶分群的工具。RFM模型是由喬治·卡利南於1961年所提出，他發現資料庫分析中，有三項重要的指標：最近一次消費（Recency），消費頻率（Frequency），與消費金額（Monetary）。要在這競爭的社會上，起碼得先知道自己身處的環境，到底長成什麼模樣，究竟自己的身旁是鳥語花香，還是野獸環伺。企業管理界最常使用偵測的工具之一，就是美國史丹佛大學漢佛列教授提出的SWOT分析，讓你可以在江湖中知己知彼，知道自己身在何處。不過，這裡得先說清楚一件事，SWOT分析能否發揮功效，要記得很重要的一件事是，務必先把自己的偵測天線打開，並且誠實以對，才能讓它有效運作，否則只是浪費時間。1960年代，美國史丹佛研究所的亞伯特·漢佛列提出了SWOT分析的概念。SWOT分析協助企業檢視自身的優勢（Strengths）與劣勢（Weaknesses），並分析外部環境的機會（Opportunities）與威脅（Threats），進而發展規畫方案。企業在使用SWOT分析時，需要注意的是，即使相同的環境，對於不同企業而言，所代表的機會與威脅並不相同。對於企業來說，能掌握的才叫機會，不能掌握的則有可能成為企業的威脅（尤其是機會遭競爭者所掌握）。當然，SWOT分析的四個象限輸入條件，可能非常主觀，就看當事的企業要一隻眼閉一隻眼，還是決定無視外界環境挑戰，逆勢而為。更重要的是，現在市場的競逐，有時已不見得是來自業內可見的競爭者，反而是來自跨業的競爭者的偷襲，像是美國以賣書起家的網家亞馬遜，不僅擊潰了員體的書店，現在更跨行至日用百貨，連百貨業者都受其影響，因此這也是要在使用這項工具時，務必把天線打開，將各類訊息都納入，企業要能知己知彼，也才能在市場上百戰百勝。零售業的歷史非常悠久，過去業者要佈建一個零售網，必須要考慮顧客，產品，位置，通路等四大因素，而現在進入大數據時代，行銷資料科學不僅賦予零售業新的意義和使命，還加進新的「時間」因素，等於讓所有零售業進入全天候，全通路營業的境界。美國賓州大學旗下華頓商學院教授艾瑞克·布萊德洛等人於2017年，發表了一篇文章「大數據與預測分析在零售業中的角色」，裡面提到大數據零售的五大構面：顧客，產品，位置，時間，通路。大多數的人一想到大數據，直覺的反應就是要擁有或處理很多的資料。事實上，以目前的行銷資料科學技術，已經以協助企業做到個人化行銷。在零售業裡，常用的顧客資料來源包括：個人表面上的刷卡資料，IP位址，註冊用戶登錄等，企業可將這些資料來源，連結內部顧客關係管理（CRM）系統中的交易資料，email調查資料，來店消費資到等，以進行資料分析。甚至企業還能結合社群媒體的資料，以及「使用者生成內容」等，讓顧客資料變得更有價值。在大數據的時代，不但產品品項越來越多，產品資料也從一維的產品基本資料，擴展到第二維的產品屬性面向（特色，品質，設計，知覺，擴增產品服務…等）。在這樣的發展趨勢下，零售商將擁有更多元甚至是動態的產品資料矩陣，進而協助企業做到個人化行銷。能在任何特定的時間，定位消費者「位置」的能力，為零售業開展了新的契機。無論是在店內或店外，零售商可將消費者所處的位置，與公司的顧客關係管理系統（CRM）進行連結，並從消費者的購買歷史中，推薦他們最可能購買的產品。例如：當消費者接近零售店時，主動提醒消費者優惠資訊，吸引消費者前往購買。或是當消費者在店內消費時，提醒消費者特價商品的優惠出現在哪一區。這樣的效益，對零售商來說，短期內顯而易見，但應考量是否牽涉到消費者的個人隱私，以及對消費者所造成的負面影響。在零售資料中加入了時間的維度，會使資料量變得更為龐大。過去零售業只能分析每月或是每週的消費者資料，但現在已經可以連續測量消費者的瀏客行為，行走動線，購買的品項，賣場環境變化等。例如：零售商想發展是加折扣組合，改變產品擺放位置，或是改變消費者的動線，這些決策因為加入了時間的維度資料，並透過資料分析得以實現。除此之外，將時間維度資料與POS系統，CRM系統連結，零售業在倉儲管理上也更即時，更有效率。

現在的消費者在購買產品前，通常會先搜集產品資訊，並詢問他人的購買經驗等。企業若能收集，整合並分析這些資料，將可協助企業了解，追蹤消費者的購買歷程，並對產品利潤進行評估。此外，消費者收集資訊與實際購買的行為，極有可能發生在不同的時空，零售業要意識到新型態購買行為的出現。例如：消費者可能先到實體通路觀看產品，之後再到網路平台進行購買;或者消費者先在網路平台蒐集產品資訊，再到實體商店體驗後進行購買。零售業要能收集並分析各種不同接觸點的資料，以進行更有效的通路管理，甚至發展或運用新型態的通路類型。今日零售業所產生的資料量大幅增加，企業若能妥善運用以上的五項構面，一定能更精確地掌握消費者行為，制定更佳的行銷策略。為了促進消費者交易，企業無時不在思索如何建構隨時隨地都能購物的管道，而所謂的「全通路策略」，就是要鼓勵消費者多多進行「跨通路消費」，換言之，要想辦法讓原本在實體通路消費的人能夠上網購物。同時，也要讓原本在網路上消費的人，能夠到實體商店購物。不過，值得一提的是，美國大學教授，一度懷疑這種策略的有效性。於是，他率領了一支團隊，與中國的一家大型連鎖百貨公司合作，分析了33000多名在實體通路與網路通路消費的顧客，最後得到了以下的結論。「企業應該鼓勵網路消費者到實體通路消費，這樣有助於企業獲利的提升。而當企業鼓勵實體商店的消費者上網購物時，利潤反而會減少」。這樣的結果，基本上與企業認知的「全通路策略」做法並不一致。為何企業要鼓勵實體商店的消費者上網購物呢？主要的目的，在於降低實體通路的經營成本，另外就是上網購物已成趨勢。那為何鼓勵實體商店的消費者上網購物之後，企業的利潤反而會減少？主要的原因在於，在實體通路購物的消費者，通常消費量比較大，同時「衝動性購買」的機會也比較大。除此之外，在實體通路，一位好的客服人員，有機會讓消費者買的更多。而且，不但消費者自己會買，消費者還會推薦別人，以及找客服人員詢問購買，這些行為很像是消費者滿意後的口碑推薦。所以，對擁有全通路的企業來說，不但不應該一直鼓勵實體通路的消了購物，反而要想辦法鼓勵網路通路的消費者，到實體通路進行消費。若實體通路的消費者上網改推行消費。這樣一來，重店面要有人事，店面有助於企業利潤的提升。當然有人會說，開設實體店面要有人事、店面和資金成本呀）。不過，行銷資料科學提供一項工具，讓企業透過內部的顧客資料，配合電子地圖，清楚看到自身企業的顧客分佈狀況。如此也會讓開店成功機率比較高。實體店面消費者分佈圖範例以一家連鎖企業為例，透過以上的視覺化呈現，企業可以清楚瞭解各分店與消費者的距離，進而發展相關的行銷活動。對於擁有全通路的企業，即可透過上述繪製顧客分佈圖的工具，將「實體通路」與「網路通路」的消費者分佈，在電子地圖上呈現。再透過各種資料的交叉比對，配合行銷管理學的理論，行銷人員將有機會發展出更有效的行銷方案。相形之下，有了行銷資料科學協助，開店成功率會比盲目設點大很多。

進入大數據時代之後，第一個得利的行業會是零售產業。因為消費者只要進入賣場，任何一個舉動都會留下龐大的資料。零售業者只要好好將消費者留下的結構性資料和非結構資料加以記錄，篩選和分析，都會是企業行銷資料科學的珍貴來源。來看一下屈臣氏這家美妝用品連鎖店的實例。屈臣氏從2010年開始，就依據數據分析，進行店型改造”。這種做法已徹底打破以往由自己決定店型的模式。屈臣氏主要是以超過500萬位會員以及店內25000項商品的銷售資料進行分析，發掘出不同市場區隔的顧客，並藉此設計出七種店型，其中包括：高價住宅，價值取向型住宅，目的消費型，遊客型，商業區型，車站商場型與學校型等七種。表面上看，這些店面的外觀並沒有太大的差異，但內部的陳列卻有很大的不同。根據商業周刊的報導，屈臣氏總共設計出約1500種的貨架陳列圖，透過對消費者資料的掌握，對於營收下滑的店，在貨品陳列上可採取「快速轉換」類型。舉例來說，以陸客為主的「遊客型」店，就因應消費者的需求，成立「台灣冠，軍伴手禮」專區，販售台製面膜等產品。一旦環境改變時，屈臣氏能馬上因應，調整成「住宅型」店，藉此抓住本地消費者。透過數據分析，轉換的過程非常迅速。屈臣氏在一週內先降低庫存，並對新店型進行布局，並在一個月內，完成所有調整的細節。根據以上的作法，屈臣氏「遊客型」店在陸客大幅減少超過四成以上時，業績衰退的幅度大多還能控制在5％左右。運用大數據，屈臣氏成功地進行了通路店型的改造。另外，依據今周刊報導，剛下班的王小姐趁著回家路上到屈臣氏買東西，原因是周三購物紅利乃是以兩倍積點計算。選好商品，拿著會員卡，結帳時生命員卡，結帳時不忘收下發票和折價券，回家一看發現店員給的折價券，正好是她下周想買的去油髮精。而如果就此認為屈臣氏送給每位消費者的折價券都是一樣的，那可不一定。因為它送出來的每張折價券，其實是屈臣氏搭配消費紀錄與個人喜好的大數據所算出來的。屈臣氏發現，過去三年王小姐買的都是特定功能的洗髮精，所以才會給予王小姐該產品的折價券，而這正是大數據的預測力量。有趣的是，以上的故事，很像以前傳說中，台灣經營之神王永慶賣米的故事。話說王永慶在創設米店之初，只要送米到客戶家，就會偷偷測量人家的米缸有量，大約估算還可以吃幾天。然後他就把握機會，在人家快吃完米的前一天，將全新的米送到，以免被人搶走生意，而精準估算這一點則是靠王永慶個人所估算出來的。此外，屈臣氏一度透過數據分析，發現自己的年輕客群逐漸流失，因此決定與」速食業者合作，進行跨業促銷，並成功找到約兩成的全新年輕客戶。透過數據分析，屈臣氏在全省零售業整體營收年增不到2％，甚至是持平的情況下，它卻能持續成長超過5％。企業在面對外部環境變化時，透過對市場的預測以及對消費趨勢的掌握，察覺消費者的潛在消費市場與未來市場，此即「適應能力」。而動態能力與適應能力最大的區別，在於「適應能力」並非來自組織結構的變化，而是從整體消費者活動中找到利基市場，並成功運用大數據為企業提供強化適應能力的機會。以前面提到過的塔吉特公司為例，它利用大數據找出對消費者的可能需求，並有效預測消費者行為。像是能預測女性消費者是否已經懷孕，甚至在其家人與競爭對手還未知道之前，就掌握消費者的潛在購買行為，並提供各項採購建議如各類嬰兒用品。這就是利用大數據加強企業的適應能力。事實上，企業藉由數據分析的結果，洞察出消費者的潜在需求（即對消費者的洞察力），對組織進行調整（動態能力），同時預測消費者的行為（適應能力），藉以製訂各種行銷方案（價值創造），最終就能創造無可取代的競爭優勢。