9 bài toán phân tích khách hàng quan trọng mỗi người quản lý nên biết (Customer Analytics)

Customer Analytics Flow

Để thành công và phát triển, một doanh nghiệp cần có khả năng tiếp thu, giữ chân, thỏa mãn và thu hút khách hàng của họ một cách hiệu quả. Phân tích khách hàng rất quan trọng để đánh giá doanh nghiệp của bạn làm việc này tốt như thế nào. Hãy cùng xem xét một số phân tích khách hàng (Customer Analytics) quan trọng đang sử dụng hiện nay.

1) Customer Satisfaction Analysis (Phân tích sự hài lòng của khách hàng)

Những khách hàng hài lòng với sản phẩm hoặc dịch vụ của bạn có nhiều khả năng mua lại từ bạn. Phân tích sự hài lòng của khách hàng là quá trình đánh giá xem khách hàng của bạn có nhận được những gì họ muốn và mong đợi từ doanh nghiệp, sản phẩm hoặc dịch vụ của bạn hay không - nói tóm lại là họ hài lòng hay không hài lòng. Cách phổ biến nhất để đánh giá sự hài lòng của khách hàng là kết hợp các khảo sát định lượng và định tính.

Mẹo: Thay vì chi nhiều tiền cho các cuộc khảo sát, tại sao không khuyến khích khách hàng của bạn tương tác với bạn thông qua trang Facebook, YouTube, Tiktok hoặc Twitter.

2) Customer Lifetime Value Analytics (Phân tích giá trị trọn đời của khách hàng)

Nếu bạn có thể quy một giá trị trọn đời cho mỗi khách hàng, bạn có thể thấy ngay những giá trị nào là quan trọng nhất và do đó quan trọng nhất đối với bạn. Phân tích giá trị trọn đời của khách hàng là quá trình phân tích giá trị của khách hàng đối với doanh nghiệp trong toàn bộ thời gian của mối quan hệ. Thay vì nhìn vào lợi nhuận giao dịch, bạn nhìn vào thời gian khách hàng có khả năng ở lại khách hàng, tần suất họ có thể mua trong khoảng thời gian đó và do đó họ có giá trị như thế nào trong khung thời gian đó. Điều này cho phép bạn tập trung chú ý tiếp thị vào các khách hàng có giá trị nhất. Hoàn thành tốt, phân tích này cũng có khả năng xác định các cách để tăng thời gian của mối quan hệ và giá trị của khách hàng.

Mẹo: Thách thức lớn nhất với giá trị trọn đời là tìm ra công thức phù hợp cho doanh nghiệp của bạn. Một chuyên gia KPI có thể giúp với điều này.

3) Customer Segmentation Analytics (Phân tích phân khúc khách hàng)

Phân tích phân khúc khách hàng là quá trình tìm kiếm các nhóm hoặc phân khúc trong thị trường tổng thể. Có thể đánh giá khách hàng của bạn và chia họ thành nhiều phân khúc khác nhau có thể mua nhiều sản phẩm hơn một sản phẩm khác hoặc mua thường xuyên hơn cho phép bạn điều chỉnh các nỗ lực tiếp thị và truyền thông của mình. Internet là một nguồn dữ liệu khách hàng hữu ích, giúp các công ty xác định các phân khúc rõ ràng - khai thác dữ liệu và phân tích văn bản là những công cụ hữu ích cho việc này.

Mẹo: Có thể chia các segment khách hàng gần với mô hình khách hàng lý tưởng bạn muốn hướng tới, sau đó A/B Testing để tính ROI và CLV

4) Sales Channel Analytics / Touchpoint Analytics (Phân tích kênh bán hàng và điểm chạm)

Trừ khi bạn biết cách bán hàng của bạn được thực hiện và kênh nào có lợi nhất thì bạn có thể lãng phí thời gian và tiền bạc cho các kênh bán hàng mà don lồng làm việc. Phân tích kênh bán hàng xem xét tất cả các cách khác nhau mà bạn phân phối sản phẩm cho thị trường của mình để xem kênh nào hiệu quả nhất, cho phép bạn sử dụng tốt nhất các tài nguyên của mình. Để phân tích này, bạn cần xác định tất cả các kênh bán hàng mà bạn hiện đang sử dụng hoặc có thể sử dụng, sau đó quy từng doanh số cho một kênh và trừ chi phí bán hàng có liên quan cho mỗi kênh.

Mẹo: Hãy nhớ rằng bạn không phải luôn luôn biết khách hàng có tiếp xúc với một kênh bán hàng khác trước khi mua hay không. Nói cách khác, một khách hàng có thể đã nhìn thấy sản phẩm của bạn trong một cửa hàng nhưng thích mua trực tuyến hơn.

5) Web analytics (Phân tích trang web)

Bán hàng trực tuyến chỉ trong mỗi ngành công nghiệp đang tăng lên. Phân tích trang web là quá trình phân tích hành vi trực tuyến để tối ưu hóa việc sử dụng trang web và tăng mức độ tương tác và bán hàng. Có hai loại phân tích trang web: ngoài trang web và tại chỗ. Phân tích trang web ngoài trang web rất hữu ích để đánh giá thị trường và cơ hội trong khi tại chỗ rất hữu ích để đo lường kết quả thương mại. Có nhiều công cụ phân tích trang web và nhà cung cấp dịch vụ có sẵn, chẳng hạn như Google Analytics.

Mẹo: Giá trị thực của phân tích trang web xuất hiện nếu bạn tiếp tục làm điều đó và có thể thấy hiệu suất trực tuyến của bạn thay đổi theo thời gian (số lượng user session, thời gian tương tác, tỉ lệ bounce rate)

6) Social Media Analytics (Phân tích phương tiện truyền thông xã hội)

Nếu bạn không biết những gì mọi người đang nói về công ty hoặc sản phẩm của bạn, bạn có thể giải quyết mọi vấn đề phát sinh. Phân tích phương tiện truyền thông xã hội là quá trình thu thập và phân tích dữ liệu từ phương tiện truyền thông xã hội để xem mọi người đang nói gì về sản phẩm, dịch vụ, thương hiệu hoặc công ty của bạn. Trong phân tích phương tiện truyền thông xã hội, dữ liệu văn bản từ các bài đăng và blog trên phương tiện truyền thông xã hội được thu thập và khai thác cho những hiểu biết có liên quan về mặt thương mại bằng cách sử dụng phân tích văn bản và phân tích tình cảm.

Mẹo: Sức mạnh thực sự của phân tích truyền thông xã hội là bản chất tức thời, tức thời của nó. Nếu bạn có thể phát hiện ra những khách hàng không hài lòng một cách nhanh chóng thì bạn có cơ hội để xoay chuyển tình huống đó và tạo ra một khách hàng trung thành.

7) Customer Engagement Analytics (Phân tích sự tham gia của khách hàng)

Các doanh nghiệp nổi tiếng là kém trong việc thu hút khách hàng, nhưng nó có tác động trực tiếp đến lợi nhuận của công ty. Phân tích sự tham gia của khách hàng là một lĩnh vực phát triển nhanh chóng, nơi các doanh nghiệp đang cố gắng lập bản đồ toàn bộ hành trình tương tác của khách hàng trực tuyến và ngoại tuyến. Về cơ bản, đó là quá trình đánh giá mức độ (hoặc nói cách khác) bạn thu hút khách hàng của bạn với các sản phẩm, dịch vụ hoặc thương hiệu của bạn thông qua các tương tác khác nhau này. Các cách đo lường sự tham gia của khách hàng bao gồm khảo sát và phân tích phương tiện truyền thông xã hội.

Mẹo: Bạn có thể làm hài lòng tất cả mọi người mọi lúc nhưng phân tích mức độ tương tác của khách hàng có thể giúp xác định các khía cạnh nào của giá trị sản phẩm hoặc dịch vụ của khách hàng để bạn có thể liên tục cải thiện dịch vụ của mình.

8) Customer Churn Analytics (Phân tích tỉ lệ khách rời bỏ sử dụng dịch vụ)

Giữ khách hàng hiện tại của bạn luôn dễ dàng và rẻ hơn nhiều so với cố gắng tìm kiếm khách hàng mới. Phân tích khách hàng là quá trình đánh giá số lượng khách hàng bạn mất trong suốt một năm. Nó cũng cho phép bạn dự đoán khách hàng trong tương lai và có hành động phản ứng trước khi bạn mất những khách hàng đó. Khách hàng có thể được đánh giá bằng cách sử dụng KPI như tỷ lệ giữ chân khách hàng và tỷ lệ doanh thu của khách hàng.

Mẹo: Luôn quan tâm dữ liệu sau hành động mua hàng (Post-purchased Data Points), sự hài lòng về trải nghiệm mua hàng là chìa khóa để giảm khách rời bỏ (Customer Churn)

9) Customer Acquisition Analytics (Phân tích khả năng thu hút khách hàng mới)

Nếu bạn không có đủ khách hàng, doanh nghiệp của bạn sẽ thất bại và điều tương tự cũng xảy ra nếu bạn chi quá nhiều tiền để có được những khách hàng đó. Phân tích thu hút khách hàng tìm cách thiết lập mức độ hiệu quả của bạn trong việc có được khách hàng mới, bao gồm cả hiệu quả của bạn trong việc chèn ép khách hàng từ đối thủ cạnh tranh. Có một số số liệu có thể giúp thiết lập việc thu hút khách hàng, chẳng hạn như chi phí cho mỗi khách hàng tiềm năng và tỷ lệ chuyển đổi khách hàng.

Mẹo: Khi tính chi phí cho mỗi khách hàng tiềm năng và chi phí cho mỗi khách hàng tiềm năng đủ điều kiện, hãy tính riêng chúng cho từng sáng kiến ​​tiếp thị (marketing plan) hoặc chiến dịch bạn thực hiện. Điều này sẽ cho bạn một bức tranh rõ ràng hơn nhiều về những gì đang hoạt động và những gì không.

Các phân tích khách hàng được nêu ở đây đi đôi với các công nghệ Marketing. Nền tảng dữ liệu khách hàng (Customer Data Platform - CDP) có thể giúp bạn làm những công việc phân tích trên nhẹ nhàng hơn:

Bài viết về CDP https://knowledge.leocdp.net/2020/10/gioi-thieu-ve-customer-data-platform.html

Statistical Data Analysis in Python

Description

This tutorial will introduce the use of Python for statistical data analysis, using data stored as Pandas DataFrame objects. Much of the work involved in analyzing data resides in importing, cleaning and transforming data in preparation for analysis. Therefore, the first half of the course is comprised of a 2-part overview of basic and intermediate Pandas usage that will show how to effectively manipulate datasets in memory. This includes tasks like indexing, alignment, join/merge methods, date/time types, and handling of missing data. Next, we will cover plotting and visualization using Pandas and Matplotlib, focusing on creating effective visual representations of your data, while avoiding common pitfalls. Finally, participants will be introduced to methods for statistical data modeling using some of the advanced functions in Numpy, Scipy and Pandas. This will include fitting your data to probability distributions, estimating relationships among variables using linear and non-linear models, and a brief introduction to bootstrapping methods. Each section of the tutorial will involve hands-on manipulation and analysis of sample datasets, to be provided to attendees in advance.

The target audience for the tutorial includes all new Python users, though we recommend that users also attend the NumPy and IPython session in the introductory track.

Outline

Introduction to Pandas

• Importing data
• Series and DataFrame objects
• Indexing, data selection and subsetting
• Hierarchical indexing
• Reading and writing files
• Sorting and ranking
• Missing data
• Data summarization

Data Wrangling with Pandas

• Date/time types
• Merging and joining DataFrame objects
• Concatenation
• Reshaping DataFrame objects
• Pivoting
• Data transformation
• Permutation and sampling
• Data aggregation and GroupBy operations

Plotting and Visualization

• Plotting in Pandas vs Matplotlib
• Bar plots
• Histograms
• Box plots
• Grouped plots
• Scatterplots
• Trellis plots

Statistical Data Modeling

• Statistical modeling
• Fitting data to probability distributions
• Fitting regression models
• Model selection
• Bootstrapping

Required Packages

• Python 2.7 or higher (including Python 3)
• pandas >= 0.11.1 and its dependencies
• NumPy >= 1.6.1
• matplotlib >= 1.0.0
• pytz
• IPython >= 0.12
• pyzmq
• tornado

Source: https://github.com/fonnesbeck/statistical-analysis-python-tutorial

What is Customer First Marketing ?

Các bài viết về Customer-first Marketing và công nghệ liên quan từ BigDataVietnam.org 
https://www.bigdatavietnam.org/2019/08/customer-data-platform-branding.html
https://www.bigdatavietnam.org/2019/08/customer-data-platforms-how-marketers.html

Bản thuật ngữ glossary marketing and technology :
https://drive.google.com/file/d/1otcFhFzTR6Kd77y4uS_GHOcyiHqQZFG1/view?usp=sharing

Tech:
https://www.bigdatavietnam.org/2019/09/uspatech-open-source-framework-to-build.html

Glossary of Data Terms for Data Analyst, Marketing Scientist and USPA.tech Developer

Link: https://docs.google.com/document/d/11JgyPTKle9xG-t9pLUOof_FPPY-ZRdB1dzwt7AeKQVo/edit?usp=sharing

Customer Data Platform (CDP) - Industry 4.0

Mô hình kinh doanh lấy khách hàng làm trung tâm xuất hiện từ khi nào ?
Triết lý lấy khách hàng làm trung tâm trong marketing đã xuất hiện từ lâu, nó xuất hiện từ thời con người buôn bán ở chợ và trao đổi hàng hoá. Tuy nhiên khi xã hội  được công nghiệp hoá (Industry 2.0 và 3.0), xuất hiện mô hình sản xuất hàng loạt (mass production),  tư duy người làm marketing chuyển trọng tâm từ con người sang sản phẩm (product-first), sau đó mới tập trung làm marketing để kiếm khách hàng. Lúc này (đầu thế kỷ 20) mới xuất brand-driven marketing và trade marketing để công ty chỉ tập trung quản lý, sản xuất và kiểm soát đại lý phân phối sản phẩm.

Từ đầu thế kỷ 20, từ mô hình quản trị kinh doanh cổ điển của Peter Drucker, lấy vai trò của người làm kinh doanh như CEO chỉ là tập trung quản lý con người, nguồn vốn, phát triển thị trường và tập trung vào doanh thu. Điều này dẫn đến rất nhiều cuộc đại suy thoái và khủng hoảng kinh tế vì hàng hóa được sản xuất một cách vượt ngưỡng cung-cầu (demand supply and market equilibrium), nó thể hiện phương thức sản xuất theo cách tư duy ý chí của ban điều hành công ty (từ mong muốn chủ quan lợi nhuận trên hết, thay vì nhìn vào dữ liệu thực tế cung-cầu và mong muốn của khách hàng).

Nếu không thu thập đủ và chính xác dữ liệu về thị trường, các công ty không thể xác định chính xác trạng thái bão hòa của khi cung và cầu tiếp xúc nhau

Marketing đã cứu thế giới khỏi chiến tranh thế giới thứ 3 như thế nào ? 😀

May mắn là sau cuộc đại khủng hoảng 1933 (vốn cũng là nguồn gốc của chiến tranh thế giới thứ 2), các mô hình quản trị hiện đại đã giúp các công ty tránh đi vào vết xe đổ của cách tư duy tư bản 1.0 . Các mô hình ứng dụng data-driven marketing thế hệ đầu tiên ra đời, ứng dụng toán học thống kê, tạo ra bộ môn Market Research. Nó thể hiện rõ nhất trong  mô hình marketing theo trường phái của giáo sư Philip Kotler với triết lý marketing cơ bản trong tất cả sách giáo khoa:

Ông tin rằng marketing là một phần thiết yếu của kinh tế và thấy nhu cầu bị ảnh hưởng không chỉ bởi giá cả mà còn bởi quảng cáo, khuyến mại, lực lượng bán hàng, thư trực tiếp và nhiều người trung gian khác nhau (đại lý, nhà bán lẻ, bán buôn, v.v.) hoạt động như bán hàng và phân phối kênh truyền hình. Nguồn: https://en.wikipedia.org/wiki/Philip_Kotler

Ý tưởng mới mẻ này là thay vì chỉ nghiên cứu thị trường từ dữ liệu khách hàng, người làm marketing sẽ chủ động tạo ra mạng lưới truyền thông tiếp thị đa kênh (multi-channel marketing media network). Nghĩa là dùng truyền thông đại chúng tạo ra hiệu ứng tâm lý đám đông, từ đó ảnh hưởng sức mua nhờ  tạo ra nguồn cung mới . Điều này có được từ truyền thông đa kênh (multi-channel media or marketing mix) đã ảnh hương trực tiếp tâm lý và hành vi mua hàng. Hình ảnh sau có thể minh hoạ vài ý chính:

Từ mô hình này, người làm marketing có thể tạo market mới , dùng marketing research để sampling (chọn mẫu từ một tập customer) và thống kê , dự đoán hành vi mua hàng (sức mua). 

Industry 4.0, sự phục hưng của mô hình kinh doanh lấy khách hàng làm trung tâm và kiến tạo thị trường mới như thế nào ?

Trong cuộc cách mạng công nghiệp 4.0 (Industry 4.0), một xu hướng phục hưng customer-first business model với khách hàng là tài sản của công ty (và cả dữ liệu của họ) đang diễn ra. Đây là một xu hướng không thể đảo ngược

Những hình ảnh sau đây sẽ đáng giá nghìn lời nói 😎

Source: https://innovator.news/the-platform-economy-3c09439b56

Source: https://www.superoffice.com/blog/how-to-create-a-customer-centric-strategy/

Source: https://blog.treasuredata.com/blog/2017/03/09/what-is-multi-touch-attribution/

Kết luận cho quan điểm triết lý "Customer-first Business Model"

Với kinh tế thị trường tự do,  các tập đoàn và quốc gia sẽ kết nối với nhau qua các hiệp định thương mại tự do, họ sẽ chủ động tìm hiểu thị trường và dùng data-driven marketing để kết nối khách hàng. Điều này giảm thiểu rủi ro khủng hoảng kinh tế do dư thừa hàng hóa, khả năng xoay vốn cũng xảy ra nhanh hơn. Con người sẽ dùng dữ liệu và trái tim khách hàng làm trung tâm, thay cho dùng chiến tranh để giành đất đai và tài nguyên.

Tài nguyên quý giá nhất mà mỗi công ty có là gì ? Chính là trái tim và dữ liệu khách hàng, điều này sẽ giúp công ty trường tồn theo thời gian. 

Slide chi tiết về Customer Data Platform: 
https://drive.google.com/file/d/1RJvigcd8Ws2480ssOJaF72wOZe3qAsQv/view?usp=sharing

Data Science Full Course - Learn Data Science in 10 Hours | Data Science For Beginners

This Edureka Data Science Full Course video will help you understand and learn Data Science Algorithms in detail. This Data Science Tutorial is ideal for both beginners as well as professionals who want to master Data Science Algorithms. Below are the topics covered in this Data Science for Beginners tutorial video:

2:44 Introduction to Data Science 9:55 Data Analysis at Walmart 13:20 What is Data Science? 14:39 Who is a Data Scientist? 16:50 Data Science Skill Set 21:51 Data Science Job Roles 26:58 Data Life Cycle 30:25 Statistics & Probability 34:31 Categories of Data 34:50 Qualitative Data 36:09 Quantitative Data 39:11 What is Statistics? 41:32 Basic Terminologies in Statistics 42:50 Sampling Techniques 45:31 Random Sampling 46:20 Systematic Sampling 46:50 Stratified Sampling 47:54 Types of Statistics 50:38 Descriptive Statistics 55:52 Measures of Spread 55:56 Range 56:44 Inter Quartile Range 58:58 Variance 59:36 Standard Deviation 1:14:25 Confusion Matrix 1:19:16 Probability 1:24:14 What is Probability? 1:27:13 Types of Events 1:27:58 Probability Distribution 1:28:15 Probability Density Function 1:30:02 Normal Distribution 1:30:51 Standard Deviation & Curve 1:31:19 Central Limit Theorem 1:33:12 Types of Probablity 1:33:34 Marginal Probablity 1:34:06 Joint Probablity 1:34:58 Conditional Probablity 1:35:56 Use-Case 1:39:46 Bayes Theorem 1:45:44 Inferential Statistics 1:56:40 Hypothesis Testing 2:00:34 Basics of Machine Learning 2:01:41 Need for Machine Learning 2:07:03 What is Machine Learning? 2:09:21 Machine Learning Definitions 2:!1:48 Machine Learning Process 2:18:31 Supervised Learning Algorithm 2:19:54 What is Regression? 2:21:23 Linear vs Logistic Regression 2:33:51 Linear Regression 2:25:27 Where is Linear Regression used? 2:27:11 Understanding Linear Regression 2:37:00 What is R-Square? 2:46:35 Logistic Regression 2:51:22 Logistic Regression Curve 2:53:02 Logistic Regression Equation 2:56:21 Logistic Regression Use-Cases 2:58:23 Demo 3:00:57 Implement Logistic Regression 3:02:33 Import Libraries 3:05:28 Analyzing Data 3:11:52 Data Wrangling 3:23:54 Train & Test Data 3:20:44 Implement Logistic Regression 3:31:04 SUV Data Analysis 3:38:44 Decision Trees 3:39:50 What is Classification? 3:42:27 Types of Classification 3:42:27 Decision Tree 3:43:51 Random Forest 3:45:06 Naive Bayes 3:47:12 KNN 3:49:02 What is Decision Tree? 3:55:15 Decision Tree Terminologies 3:56:51 CART Algorithm 3:58:50 Entropy 4:00:15 What is Entropy? 4:23:52 Random Forest 4:27:29 Types of Classifier 4:31:17 Why Random Forest? 4:39:14 What is Random Forest? 4:51:26 How Random Forest Works? 4:51:36 Random Forest Algorithm 5:04:23 K Nearest Neighbour 5:05:33 What is KNN Algorithm? 5:08:50 KNN Algorithm Working 5:14:55 kNN Example 5:24:30 What is Naive Bayes? 5:25:13 Bayes Theorem 5:27:48 Bayes Theorem Proof 5:29:43 Naive Bayes Working 5:39:06 Types of Naive Bayes 5:53:37 Support Vector Machine 5:57:40 What is SVM? 5:59:46 How does SVM work? 6:03:00 Introduction to Non-Linear SVM 6:04:48 SVM Example 6:06:12 Unsupervised Learning Algorithms - KMeans 6:06:18 What is Unsupervised Learning? 6:06:45 Unsupervised Learning: Process Flow 6:07:17 What is Clustering? 6:09:15 Types of Clustering 6:10:15 K-Means Clustering 6:10:40 K-Means Algorithm Working 6:16:17 K-Means Algorithm 6:19:16 Fuzzy C-Means Clustering 6:21:22 Hierarchical Clustering 6:22:53 Association Clustering 6:24:57 Association Rule Mining 6:30:35 Apriori Algorithm 6:37:45 Apriori Demo 6:40:49 What is Reinforcement Learning? 6:42:48 Reinforcement Learning Process 6:51:10 Markov Decision Process 6:54:53 Understanding Q - Learning 7:13:12 Q-Learning Demo 7:25:34 The Bellman Equation 7:48:39 What is Deep Learning? 7:52:53 Why we need Artificial Neuron? 7:54:33 Perceptron Learning Algorithm 7:57:57 Activation Function 8:03:14 Single Layer Perceptron 8:04:04 What is Tensorflow? 8:07:25 Demo 8:21:03 What is a Computational Graph? 8:49:18 Limitations of Single Layer Perceptron 8:50:08 Multi-Layer Perceptron 8:51:24 What is Backpropagation? 8:52:26 Backpropagation Learning Algorithm 8:59:31 Multi-layer Perceptron Demo 9:01:23 Data Science Interview Questions