实验学习(Test&Learn):来自全球最佳零售业者的课题

标签:大数据营销效果衡量

访客:21275  发表于:2014-08-07 15:09:44

在将新构想推广至全部连锁店铺之前,大多数零售业者都会先在某些店铺中进行试验。很遗憾地,尽管这种实验过程能提供解答,通常却也同样引起许多问题。

在数据种类与数量方面的掌握能力正快速成长,加上云端预测软件效能的提升,都造就了更加有效实施“实验学习(Test & LearnTM)”的绝佳机会。目前,有越来越多零售商已将之推展至全新境界,并在竞争对 手仍摸不着头绪时,使用其技术来创造每年数千万美元的额外利润。这些企业的成功经验都是所有零售业者重要的学习对象。

何谓“实验学习(Test & LearnTM)”?

在零售通路中,充满各种可提升获利的构想,而其中许多是属于投入资本来创造营收的方式。从开设全新店铺至改装现有店铺,从购买电视广告至实行店内促销,从推出全新产品至训练新进员工,任何实行于庞大店铺网络中的新计划都可能创造大笔的营收。很遗憾地,事实上也可能反其道而行,实施情况不如预期的新计划若推广至整个营业网络而最终失败,也可能对于获利造成重大的负面影响。实验学习的概念,便是在将构想全面推广之前,先于少量店铺中实验,以了解此构想的潜在影响。其实零售业者在早期历史中已运用了实验学习的基础概念,也就是说,一位拥有两家店铺的老板可能会展开店内的实验过程,先在其中一个店铺尝试新的构想,若构想可行,便也在第二家店铺中如法炮制。

随着营业网络的逐渐增长,自店内实验中搜集可行数据的规模与复杂度也如指数般倍增。直到近年,几乎所有大型连锁零售业者均只会在特殊情况下进行店内实验(若有进行任何实验),因为动用、追踪与分析庞大数据时,需要面对几乎无法克服的艰难挑战。然而,近年来,随着运算能力的爆炸性发展,以及运用巨量数据(Big Data)的成本逐渐降低,均已大幅改变零售分析的样貌,使得大型零售业者得以运用云端预测软件,让实验的过程更为严谨与系统化。

如今,符合最佳实践标准的实验学习分析过程已能可靠和一致地运用公司内部的数据,在全面推广构想前,先行解答有关任何店铺实验计划的三个问题与预期效益:

◇若能在店铺网络中执行本计划,将会对于关键绩 效指标(如营收)造成哪些影响?

◇本计划对于某些店铺是否会造成相较于其他店铺更大的影响?

◇本计划中的哪些部分能真正创造价值?

如今,运用实验学习的零售业领导者几乎遍布了所有零售市场类别,包括沃尔玛(Walmart)、CVS、美国劳氏公司(Lowe’s)、史泰博(Staples)与维多利亚的秘密(Victoria’s Secret)等。运用实验学习的零售业者将此方法应用至各类决策上,包括营销(例如:媒体广告、店内视觉陈列、促销等)、营运(例如:销售人员训练计划、营业时间、人力配置等),以及资本投资(例如:店铺改装、“未来店铺(store-of-the-future)”计划、店内科技推广等)。不管任何时候,零售业领导者都可在本身店铺网络中进行数十项此类实验。

例如:

◇全家便利商店(Family Mart)希望能正确了解在数千家店铺中销售现煮咖啡的影响。在数家店铺中尝试此构想后,根据实验学习分析的结果显示,新咖啡机的投资将是个利润极高的决策。

◇Michaels是一家市值达40亿美元的艺术与工艺品零售商,该公司实验了以发送电子刊物取代印刷品的构想。根据实验学习软件的分析结果显示,这项作法在某些市场中是可获利的策略,但在其他市场中却并非如此。

◇美国知名便利商店Wawa是一家市值达70亿美元的企业,该企业实验了每周增加50小时店铺人力的作法。根据实验学习软件的分析结果,已协助该企业获得业绩大幅成长。

实验学习成为零售业者策略效能的原因有三。首先,实验学习已经协助零售业者在企业中使效能制度化,进而创造每年数千万美元的获利成长。其次,实验学习协助零售业者具备快速实验全新构想的能力,响应顾客变化多端的口味,推出具竞争力的方案。最后,竞争对手相当难以得知此种效能并进而模仿,不同于一般众多零售创新方案容易让竞争对手破解,因而实验学习能提供可持续的竞争优势。

实验学习效能的内容

符合最佳实践标准的实验学习效能具有四大部分:

1. 商业程序

2. 组织设计

3. 分析技术

4. 数据

以下针对每个部分进行简述:

商业程序: 要具备实验学习效能,首先必需订出假 设设定、实验设计、实验执行、实验分析与全面推广 等程序的详细内容。尽管完整的详细内容无法于本文 件中一一说明,例如最佳实践具体过程等,不过,以 下举出应在此程序中纳入的重要技术范例:

◇进行正式估计,并了解要使实验对于选定绩效指 标(如营收)的影响表现出统计显著性,所需要的实验组与对照组正确规模为何。

◇选择实验店铺,以反映出最终全面推广时可能目标群体的随机样本。

◇根据该项实验的实证配对条件,并且考虑关键绩效指标,将对照组店铺与实验组店铺进行适当配对

◇订定实验时间,以正确评估对于重要结果的影响。

◇有关影响的分析可能需要进行第二次“噪声过滤”,包括根据季节进行调整、长期店铺成长率调整、偏离值的侦测等。

◇依照店铺分析影响,自动进行区隔,以找出所有提升或降低实验影响的可能环境因素、店铺设计,或者其他驱动因素。

请注意,以上为程序步骤的范例,而非实验学习程序的完整说明。

零售业者已经学习到,采用正式化程序的价值不仅在于可获得更为可靠与可行的实验结果,同时也能更快速地进行实验程序。由于这是一种已经过定义的程序,公司再也无需耗费数个月的时间争论应该如何执行试验,然后由某个团队执行实验,期间仍需摸索如何顺利执行,接着又是第二次为期数个月的争论,对于实验中所学得的数据议论纷纷,最后通常对于实验中所「学得」的数据发表出多种针锋相对的意见。通常不具有正式实验学习程序的组织往往做出与实验结果无关的决策。而一项严谨的程序通常可更为快速地为实验做出定义,更一致地执行实验,并且提出有关实验影响的明确评估结果。

组织设计:尽管每个组织都具有独一无二的架构, 实验学习的集中控制程度往往都是执行此效能时的一个关键议题。在一个极度集权组织的模式中,将会由单一实验小组来负责决定所执行的实验项目,决定项目时间表,设计实验,将实验交由营运部门着手执行,最后解读分析实验结果。在一个完全分权组织的模式中,将会由每个营运部门负责根据共同方法来决定、安排时间表、执行与解读实验分析结果,并与其他营运部门协调,最后分享这些结果。零售业者已经藉由集中程度不等的各种模式成功执行实验学习分析。不过,一般情况下,较为折衷的作法通常最为有效。在折衷模式中,将由一个中央实验小组与各个重要营运部门的所属分析师密切合作。实验小组与分析师会分享一个数据与分析平台,并且运用共同方法。

实验小组的角色如同内部专业的中心、中央交换所与规划小组,同时也是建立实验的正式团队。然而,此实验小组仍属于一个员工组织,而程序中每个阶段的决策都需交由负有营运责任的高阶经理人委员会来完成。

不具一致性,而组织在评估特定计划的预期影响时,也将持续受到各种版本数据的问题所苦。此外,缺乏自动化通常会使得应用此类分析在任何非最重大的决策上都显得极为昂贵,因此无法使实验学习效能制度化为企业一般日常营运所应用。

第二个重要的组织议题为高阶参与。高阶经理人必须制定方向,并且负责决策有关实验学习中所获得的利润与策略优势。高阶经理人必须制定参数与目标,推动组织不断学习,进而对于全新知识采取行动。例如,符合最佳实践标准的实验学习组织将有能力每年执行数以百计且架构良好的实验,并且预期这些实验大多数将会“失败”。经理人必须能够了解,根据实验经济学显示,若采取相反作法,也就是进行少量实验却只能确认原本已存在的意见,将会是一种浪费,而经理人应该领导组织运用实验来创造全新的有用数据。大多数经由此程序而发展出的违反直觉的数据,将会挑战原本已建立的商业运作模式以及根深蒂固的内部思维,而只有高阶经理人拥有权责范围来推广此类行动。最后,经理人必须要求将实验分析列入所有相关决策的必要条件中。

分析技术:实验学习通常需要一个专门的分析平台。这项分析技术所扮演的角色为:(1)使工作流程 与程序协调自动化,以及(2)进行缜密、具一致性且有效率的分析程序。此项分析技术的设计应可支持所有程序参与者之间的共同合作,运用共同的数据集与分析假设,同时,也应该有助于整个流程中的程序参与者,包括从初期假设的发展,一直到不同类别推广计划的执行。在诸如此类的核心分析步骤中,必须娴熟自动化的数学运算效能,才能建立起实验结果的有效解读,否则很可能会犯下代价相当高昂的错误。

分析技术应能运用高阶数学运算,来自动进行重要分析步骤,例如实验小组的选择与优化的对照组配对、噪音过滤与计划影响的分类预测。这些核心步骤的自动化相当关键,若非如此,则尽管程序设计良好,却不具一致性,而组织在评估特定计划的预期影响时,也将持续受到各种版本数据的问题所苦。此外,缺乏自动化通常会使得应用此类分析在任何非最重大的决策上都显得极为昂贵,因此无法使实验学习效能制度化为企业一般日常营运所应用。

数据:需要三类数据来支持实验学习效能:

◇依照店铺与依照时间阶段所列出的绩效指标 ƒ

◇说明每间店铺与其环境特性的数据

◇说明实验组成、时间与地点的相关数据

以下针对每类数据进行简述。

绩效指针数据通常可自企业内部数据系统中轻易取得。对于一家普通的零售商而言,这类数据可能是依照产品、店铺和周别所列出的营收与毛利率,也可以是依照类别和月份所列出的店铺营运成本,或者是依照店铺和季别所列出的顾客满意度指标。根据定义,各店铺目前用以追查业绩的任何指针均可在实验学习程序中加以运用,因为只需自目前所使用的系统中进行复制,便可将这些数据纳入实验学习系统中。

特性数据一般需要整合多种数据来源,包括地方人口统计数据、竞争业者数据、邻近商家/共同租地人数据库、车辆数交通数据、每日天气、社交媒体数据、以地点为基础的数据等众多项目。此项数据可简单地自内部来源收集,或者购买自外部资料厂商。

实验学习系统通常会成为第一个系统性的数据库,纳入有关于实验项目、时间与地点的相关数据。实验学习程序本身也会建立与储存此类数据。

实验学习与巨量数据

随着公司能更轻易且有效率地收集更多数据,经理人正寻求更良好的方式来运用这些巨量数据,进而提升获利与减少损失。如今,知名企业已不再只分析全店指标,而是寻求更为详细且多样化的数据,例如交易层级的数据、以社交媒体与地点为基础的数据,以及顾客数据等。因为当公司能探索与整合多向数据,经理人得以更快速与正确地了解企业,并做出决策,挑战也因此随之而来。实验学习系统运用专利算法,有能力处理巨量数据,可根据多变量模型来对多种数据来源进行预测。

总结:零售业者的课题

基于充分理由,大型零售业者已对于在店铺中进行实验感到兴趣:它可以在企业中推动变革,并为股东创造庞大价值。然而,此处所指的实验,需要发展出一套专业效能才可达成上述成果。若不具备此类效能,实验也可能带来伤害。要完全执行实验学习效能最佳实务的商业程序、组织设计、分析技术与数据等部分,看来相当艰难,不过,已有大型零售业者成功执行,并且因而为股东创造出高度价值。

零售业者的经理人首先应该评估公司中目前所具备的实验学习效能。向自己提出以下问题:

◇我们是否具备有架构的计划,可用以在店铺中实验看似可行的新构想?

◇公司是否拥有一致性的方法,可用以建立实验,并解读其结果?

◇我们是否会根据这些结果做出行动,甚至是当这些结果违反我们直觉的情况下?

◇我们是否能根据不同市场区隔来解读实验结果,以找出可让营运、营销货投资行动达成效果的条件, 或者是否每项实验都只能提供“成功”或“失败” 的结论?

◇实验学习分析是否能应用于企业的所有重要部分, 包括营销、广告、产品管理、资本投资、商品优化与定价等方面?

——————————————

作者为现任APT亚太区负责人 李展宏副总裁, 本文由APT公司授权刊载,禁止转载。

“商业实验学习”的提出者APT公司(Applied Predictive Technologies,亚博德)创建于1999年,主要业务集中在成熟的北美市场,是一家通过“实验学习”协助企业优化策略的软件公司,曾先后为星巴克、赛百味、卡夫食品、沃尔玛等公司提供服务。APT目前的亚太地区超过十大市场皆有提供客户服务,包含中国、日本、新加坡及澳洲等地区。

更多信息请访问APT官方网站:www.testandlearn.asia/cn

评论(0)

您可以在评论框内@您的好友一起参与讨论!

<--script type="text/javascript">BAIDU_CLB_fillSlot("927898");