【91APP】RMN 3.0 革新未來行銷策略

前言

本逐字稿為湯六於 2024–09–27，參加 INSIDE FUTURE DAY RMN INSIGHT 論壇的講題。

也由於當天關於 RMN (零售媒體聯播網) 場次太多了，目前只選了有興趣的兩場做成逐字稿，希望這樣的分享，能幫助到對該議題有興趣的人。

另一篇文章則是 📕[【Family ADS】建立更緊密的通路及品牌新關係](http://【Family ADS】建立更緊密的通路及品牌新關係)

大家好，91APP 是一直不斷的在為零售業提出解決方案，所以我們是一家SaaS公司，也是一個為品牌服務的系統商。

所以我們的切角可能會跟在場的不太一樣，所以先來介紹一下我們是怎樣一路從電商平台慢慢的轉換到一個零售業的全通路解決方案。

一般來說做 CRM 行為數據，也就是說在一個客戶的消費者完整旅程中，傳統的作法是我們只看廣告進來之後的那一筆交易。

過去做 CRM，我們只 base on 交易。因為有交易，系統就能計算「點數」；只要有交易，我就能計算「升降等」， 可是中間有很多很珍貴的點擊，我們是沒有記錄的。

這是一個我們做出來非常標準的客戶的購物網站，那一提到購物就會有一個主流程。

消費者從首頁、分類頁 加入購物車、然後就算他沒有結帳，每一個點擊，它都是一筆重要的數據，比如說哪個消費者有加入購物車？哪個消費者有看哪些商品，哪個消費者有看哪個分類頁…等等。

最後才會產生一個結帳的數據，如果對比交易的話，在結帳之前的數據，大概有將近十倍多左右，所以我們後來就開始把這件數據，幫每一個客戶都把它留下來。

那它就可以做出發展出很多類似 CDP 的一些功能，像是我們就可以去做幫客戶做一個工具去做 Segmentation。

比如說，如果我們的客戶想要去找說「最近30天在門市加入會員，但最近 7天有加入購物車卻沒有結帳」的消費者，它就可以在他的第一方數據資料庫，用這個工具去撈出一包人。接著客戶就可以去設計很多的訊息，去跟它做溝通。

那這邊的溝通都是第一方數據，因為他是會員，所以我們有他的E-mail、我們他有手機號碼、我們可以做推播、我們甚至可以發 Line OA，所以他就可以做成一個「 Data Driven 」的循環。

然後撈出了一個名單，發出了一個通知，然後到我們幫客戶打造了一個全通路 D2C的解決方案。

無論是官網、App、Line 或者是他的門市，我們會把完整的整個 Full-Funnel 的數據追蹤回來，再把 Full-Funnel 秀給客戶看，這樣的一個循環，除了我們標準做一個名單的 campaign 之外。

那當然有時候，真的太多的維度，因為我們做的 有「行為維度、交易維度、會員維度」，那客戶也不知道怎麼做，所以我們就做了一些懶人包來講這些維度的事情，也就是所謂的「分群模型」。

這些分群模型，很好的表達什麼是沉睡客，什麼是活躍客，以至於什麼叫購買意圖高的客戶，這個模型，如 NAPL、DCIU 大概我們在兩三年前就推出了，背後是用 Machine Learning 去算的 。

幾年前我們跟客戶說這是用 AI 算的，客戶的表情都露出一個非常有趣的表情，就是「OK～你說了算」。其實我們大概在三四年前就在投入 AI 來算這種模型，不過這幾年講說是 AI 大家就覺得他是真的，哈哈。

其實這種貼標的方式，其實都是在做一個在各個產業最常見的 80–20% 的法則，他其實幫我們的客戶去分析判斷，他為了要發簡訊，可是一封簡訊我發十萬人會員全發其實蠻貴的。

這個貼標的方式是指說，我們貼標了三群人，比如說 NAPL 的 NAP，那它其實就是找出 20% 的人群發出去，它就可以拉回活動期間 80% 的業績，相較對比全部用戶都發簡訊來說，這也比較划算。

那其實整個成本就少了3%，因為80%…對,80%是法則 我好像還是算錯了。

好，那再來就是「個人化行銷」， 那這個其實就是Multi-Automation，那這也是 base on 第一方數據，他可以做的事。

因為有蠻多這種範本，比如說加入購物車未結帳，它就是一個常見的事件，它很值得把它設進去，當消費者觸發的時候，它就自動去發動通知。

所以我們後來就發現，其實零售業常見的範本就這些。有時候我們做了一個很漂亮的工具，然後客戶其實設來設去，大概也是蠻多這些範本，後來我們就做成一些懶人包。

其實本來的工具是大概是長這樣，它有非常的多的設定項，那當然有些客戶就可以操作到把個人化行銷的點變操作得很細，不過其實大多數其實光我們的那個 Template，它的成效就會滿好的。這個只是大家秀一下說其實它大概可以做到的程度是這樣。

甚至在去年，我們團隊發現，當你有這麼大量的個人化的訊息要推給你的消費者的時候，也就會有很多的訊息要去設定。

也因此，我們也做了一些一鍵產生的AI工具 當然它就可以包含像是推播簡訊，因為每個管道的字數限制是不同的。它可以容忍技術範圍不同，我們只要寫了一些 Key Point 它就會自動依據每一個不同的銷售管道，依據你設定的活動主題，然後產出一些對應的訊息，然後幫客戶效率工作完成目標。

好，剛剛那談到這邊其實跟廣告、跟 RMN 都沒有關係。

那因為我們後來跟客戶的旅程一路走到說 那這個圖其實剛剛有出現過，它其實是一個漏洞 就是從廣告的投放去發現一些新客，探索一些新客，進來到站內，也就是我們幫客戶做 D2C 的官網 我們就可以開始拿到第一方的數據，可以在客戶方在累積。

此時，才會產生一個會員，有了會員才會產生交易，然後有一次購、二次購、再變回購客，它其實是隨著時間變化的一個漏斗，只是用選擇用這個方式來呈現。

所以其實如果真的要畫的話，那個圓會超級大的。也就是所謂第三方數據，在外站 audience 部分，可是一路上我們其實想幫客戶累積更完整的全通路數據。

所以第三方數據到底要怎麼樣幫我們品牌客戶，也能夠留下來呢？ 後來我們就開始在思考 也開始慢慢逐漸走進去廣告這個市場，那如果聊到廣告不外乎就是這些事情

「你的預算有多少?、那你的目標是什麼？轉換還是曝光？、 你要找新客？做熟客？ 那你的受眾是誰？、你要用什麼素材、你最後的廣告成效如何？」

我們發現大多數客戶在思考廣告投放，尤其在找新客的時候，最大的問題就是「那到底我的客人是誰？、 我的客人有什麼標籤？」

就廣告來講，那就是去探索 Persona，就是要找出我的會員，可能喜歡我的品牌，標籤是哪些人？」然後我再去想辦法找到這些消費者，才能回答「是誰喜歡我的品牌？」

我們一直在處理的一個 叫「零售業的根本問題」，就是「人跟商品的一個配對問題」或是說「 人跟品牌的配對問題」。再白話一點就是「幫人找到對的商品」或是說「幫商品找到對的消費者」。

那我給大家看一些 常見的零售的場景，它會發生什麼事情，那我們通常都以為消費者進來，他會把他的意圖講得很清楚，比如說我想要買一件洋裝。

店員就會使出渾身解數， 給你一堆洋裝，然後這位消費者就買一件洋裝走。那這個店員合格嗎？這個店員不合格。

現在的消費場景其實是長這樣，這狀況就很常發生在我太太身上，就是她想要買一件洋裝，然後在店員一番操作之後，她就買了一個外套、一個裙子、 一個皮包、一個鞋子。那她滿足需求了嗎？嗯…她滿足需求了(全場笑)

只能說非常神奇，那其實大多數的消費者的狀況是長這樣。就是他進來一個門市之後，他說他隨便看看，千萬不要相信隨便看看這種事情。只要那個店員夠厲害的話，那他就會莫名其妙還是買了一堆東西走，雖然說我講這個案例是比較誇張，但這是真實存在的案例。

在現在台灣這個時代，其實我們看了我們所有的數據裡面，其實大多數的消費者「買的不是需要，他買的是想要」

甚至他甚至在逛你的網站的時候，他也沒有真的一定要幹什麼，其實很大的消費金額跟產值，是來自於那個「想要」，而「想要」是最難 Finding，因為有時候消費者也不知道，你要 Sale 給消費者的他是要還不要，所以這時候我們就嘗試開始導入一些工具。

接著就會談到 AI 這個工具，我們怎麼樣用 AI 去 Find 你的想要，後來 91APP 就開始做一些事情去解決「人跟商品的配對問題」。

在技術上或在AI的世界裡面，有一個五六年前的古老模型叫做「雙塔模型」，稍微講一下一點技術面，這個其實就是大家看 YouTube、看 Netflix 的首頁，每一個人首頁都不太一樣的原因 。

你自己進去首頁跟你朋友進去首頁都長不一樣，背後幾乎都是這個模型在運作。只是左邊是人，右邊是音樂；左邊是人，右邊是電影；左邊是人，我們右邊自然就把商品丟進去，看看會怎樣。

這個背後在生成式 AI 以後的世界，它的邏輯叫做把每個東西向量化 向量化的概念叫做反生成。

反生成就是「這個生成來自於數學，然後你把一個商品反生成，就是把這個商品變成一個數學，就是變成一堆向量，叫做 1300 多維度的向量。雖然物理上不存在，但數學上可以存在的一件事情。」

那你做了這件事情之後，你就會發現很神奇的，某些相關的商品，它們會群聚在一起。那你去觀測它，用數學式觀測，不是用人眼觀測 。

因為它是 1300 多個維度的一個向量空間 ，那我們後來發現 這個真的滿有意思的。

然後我們就用反生成的 AI 去做了一個 RAG(擷取增強生成)，那它就會出現一個更有趣的結果。當一個消費者問說 我想要買一個白色托特包，他就真的會給出一個相對的結果。

但是沒有白色，那理所當然的，消費者可能會覺得這個 AI 不太行。有時候「顏色」是一個很重要的關鍵字，你不可以推薦他黑色，那這次發生什麼事情呢，我們後來才發現零售業的標籤。

我們講 RMN ，來等一下會談到一些標籤跟受眾的關係，那標籤的「精確度、乾淨程度」其實很重要。

尤其是零售業的白色，我跟大家介紹一下零售業的白色：有「珍珠白、雪亮白、霧面白、純真白」它就通通都叫「白色」。

可是如果你用以前的斷詞、斷字。你用白色是找不到珍珠白，因為它是不一樣的事情，我們的客戶很喜歡寫一些高大上的關鍵字在裡面，但是你卻要讓它是相似的。

所以很自然的就是再把關鍵字 也把它 Embedding，它就變成了比雙塔更厲害的三塔模型，我們就進階比 google 再厲害一點點。

我們甚至還去註冊了一個商標，所以後來我們就發展了一個零售業的產業模型，我們叫 Jooii。為什麼叫這個名字，因為我們叫 91，它是一個諧音，當時是為了硬湊出來的。Jooii它是有個展開的全名的，但我也不記得全名，只記得 Jooii。

Jooii 其實就是把我們所有的客戶數據，都做了一個訓練，然後真的算出了一個這樣的三塔模型。

這個三塔，它可以幹嘛呢？它可以丟一個人給它，它會告訴你這個人的標籤；丟一個標籤，它會幫你找一群人；丟一個商品，它會幫你找一群標籤；丟一個標籤，它會幫你找一群商品

因為有了AI模型，我們再回來講「廣告」，所以我要探索一群人的 Persona， 我把客戶的會員資料丟進去之後，然後我就可以開始告訴你這群人的標籤，展開有哪些東西？

那你找出兩個標籤之後，你就可以用兩個標籤找出一包受眾。那這個操作就是「標籤找人，然後人找商品」，它在整個廣告的這個旅程中，他可以扮演很多很重要的角色。

所以我們現在把這個 Jooii AI 的受眾，這樣的一個系統獨家授權給AD2來操作，這個等一下我會稍微工商一下 那它可以看到什麼，它可以看到很多，除了標籤以外很精彩的事情。

包含到你探索的受眾不只有標籤，它有消費力，你會知道這一包受眾它花得起多少錢，它的平均課單價可以做到多大。

這個標籤，甚至你可以看到他用什麼方式付錢，不只是什麼信用卡，在哪個超商，他用 LINE Pay、還是街口支付。

這個我要秀快一點，因為不能給大家看到太細，會大家知道金流的市占率。

這樣的消費方式，還會分到不同的年齡層，那不同的年齡層使用的 的消費頻率是不同的，而且他不是指全貌的狀況。它是指你拉出來的那個標籤的受眾，可能這個標籤的受眾為三萬人，這三萬人他的表現狀況如何。

甚至這個標籤也可以看到他的價格敏感度，就是不同的年齡層，他到底在這一包受眾裡面。他每次結帳，有沒有用折價券。

那其實這也很有趣，就是你會發現年紀越大越不太看價格，就是後面就是65歲以上，那基本上就是不太用折扣，他也會用原價買，那這個也是符合我們的常理。

甚至標籤，他可以看到「Buy also buy」，就是你是某個產業的產品品項，它可能相關聯的消費品有哪些？

以這個案子為例，如果我是一個美妝品牌，賣的是膠原蛋白。如果品牌想要知道，在這個品項之外，他的消費者可能還對哪些標籤 or 哪些商品有興趣。

它不只是有興趣 他可能近期真的還產生購買 所以其實我們這個數據 它目前來講大概是 全台灣大概可以看得到 一千三百多萬的消費者的興趣標籤。

而且是每天即時更新且跨很多產業的消費數據，那如果等一下分享結束後，大家很有興趣的話，請洽Ad2。

那當然在廣告的投放的策略上它就會非常幫助好，最後我們用這個方式逐漸的幫我們客戶湊齊了第三方數據的消費者旅程。

因為除了透過我們現在跟 Ad2 合作去幫客戶投放廣告之外，那對我們的客戶來講每一個廣告它都一樣會產生數據回流。

也就是說每一個廣告不只是去在「Facebook、Google、聯播網」把新客帶進來，一檔廣告帶進來新客，就算沒有轉換也沒有關係。我們甚至接回到 CDP，就可以把剛剛說的這些標籤。

我們用這個標籤撈出了受眾，然後用 Pixel 去監視從這個 campaign 連結 UTM 帶來的人，這樣就知道這是哪個標籤的受眾進來的。

於是乎，我們再設定一個由 第一方數據 CDP 設定的 Campaign，也因為是特定受眾包，我們就可以看到它是哪個標籤進來的新客。

例如：「它有加入購物車，但是它這30天都沒有結帳」，那我們就可以用這個方式，自動化的撈出一包名單 然後用「簡訊、EDM、LINE OA 」的這個溝通方式，再收最後一次。

也就是說最後一里的 Retargeting 轉換，品牌方投廣也不一定需要透過用 Facebook、Google 後台的方式做再行銷。

其實在我們品牌客戶的操作系統裡面，它也可以用第一方數據的方式做廣告再投放。

對我們客戶來說，每一個廣告的投放，它也都會變成一筆一筆的數據，然後累積進我們客戶自己的 Marketing Cloud，就是我們提供給客戶的一個全方位的數據的中台。謝謝大家