數位行銷是透過數位媒體通路建立和發佈內容，並使用各種付費、認列及自有的數位通路以多種策略提升該內容的行銷方式。

數位行銷可以是任何使用電子裝置的行銷方式，包括網路影片、展示廣告、搜尋引擎、社羣媒體、電子廣告看板和電視等等。

相比傳統的行銷方式，數位行銷更加強調數據分析，通過特定渠道進行行銷活動和廣告曝光，更精準地找到對產品有興趣的潛在消費者。因此，想要做好數位行銷，學會使用數據分析工具是必要的。本文將使用自助式商業智慧BI工具FineBI, 來具體論述數位行銷中的數據分析方法，談談如何藉助商業智慧來進行行銷分析。

FineBI是一款大數據分析BI工具，專業好用，上手簡單，透過滑鼠點選和拖拽即可完成分析，輕鬆實現資料處理，探索式OLAP分析，可以完美滿足行銷人員的各種行銷數據分析需求。點擊按鈕，和軟妹一起發掘FineBI的無限可能吧！

數位行銷可以幫助企業和品牌在網路上建立和提高其線上存在感和知名度，進而增加銷售和收益。

以下是數位行銷的幾個主要用途：

1. 提高品牌知名度：數位行銷可以通過社交媒體、網站、博客等線上渠道來推廣品牌，讓更多的人知道你的品牌，從而提高品牌知名度。
2. 增加網站流量：數位行銷可以利用搜尋引擎優化（SEO）、搜尋引擎行銷（SEM）等方式，將更多的流量引導到網站上，從而提高網站流量。
3. 提高銷售和收益：數位行銷可以通過網路廣告、電子郵件營銷、社交媒體行銷等方式來推廣產品和服務，從而增加銷售和收益。
4. 提高客戶忠誠度：數位行銷可以通過個性化營銷、客戶關係管理（CRM）等方式來建立與客戶之間的良好關係，從而提高客戶忠誠度。

瞭解了數位行銷的基本知識之後，那我們具體該如何開展數位行銷呢？

成功的數位行銷首先要了解行銷數據分析，透過分析市場趨勢、消費者行為、競爭對手等數據，我們才能更好地了解消費者需求和行為，從而制定更有效的數位行銷策略和計劃。

分析思路

1、對誰行銷-用戶行為的分析

用戶行為指揮著行銷活動的走向，從新品開發到價格定製；從渠道管理到品牌管理。用戶行為分析是行銷分析的首要內容，是具有差異化的，也正是這樣的差異性，要做市場細分和目標市場的選擇，針對目標用戶做精準行銷。

2、如何行銷-4P行銷組合

4P行銷組合即開發產品、制定價格、鋪建渠道、市場推廣。

3、行銷效果評估

企業常做的行銷分析效果評估有三種：用戶滿意度、廣告效果評估和品牌資產診斷。

根據以上的行銷分析思路，針對行銷分析的這三項內容一共有這8種方法。

由於篇幅所限，本文每類各分析挑一種講述。

聚類分析是市場細分方法中最常見的。它根據樣本之間的親疏性，把越相似、差異越小的樣本聚成一類（簇），終究構成多個簇，使同一個簇內部的樣本相似度高，不同簇之間差異性高。
簡略來說便是儘量把相似的樣本聚在一起，不同的樣本分隔開。

聚類分析是進階的分析方法，需要處理相對雜亂的資料。Excel無法滿足聚類分析和大數據量分析的需求。因此，在傳統資料分析中，通常使用Python編寫代碼來處理资料清理、轉化、分析算法等操作。

但是，編寫代碼難度較高，而且生成中心資料檔案費時費力。為了讓沒有學習過Python的行銷分析讀者朋友也能進行聚類分析模型的建立，本文使用易於操作的商業智慧BI工具——FineBI進行示範。

FineBI是一個易於上手的大數據分析工具，它能夠透過拖拽進行資料分析，內建資料處理功能和多樣的視覺化圖表及智慧圖表推薦功能，其中也包括了聚類模型。透過使用BI的資料分析模式，行銷人員可以顯著提高行銷分析效率。

本文就拿航空公司的資料為例，利用LRFMC模型，教大家介紹如何在實際工作中結合K-means聚類算法將客戶價值進行分類，進而實現客戶價值分析，進行精準的價格和服務設定。

點擊下方按鈕，一起開始今天的學習吧~

國內外航空公司最常使用的是基於客戶價值進行分析的特色LRFMC模型。這個模型將客戶聚類為重要保持客戶、重要發展客戶、重要挽留客戶、一般客戶和低價值客戶。然後，針對每一類客戶，制定相應的價格和服務。

LRFMC模型指標含義：
（1） L：會員入會時間距觀測視窗結束的月數。
（2） R：客戶最近一次乘坐公司飛機距離觀測視窗結束的月數。
（3） F：客戶在觀測視窗內乘坐公司飛機的次數。
（4） M：客戶在觀測視窗內累計的飛行里程碑。
（5） C：客戶在觀測視窗內乘坐倉位所對應的折扣係數的平均值。

在FineBI中建立航空LRFMC模型業務包用於此次分析，將準備好的.csv格式的原始資料上傳至業務包內。

资料清理

透過觀察可以看出，原始資料中存在票價為空值、票價為0、折扣率最小值為0、飛行公里數大於0的記錄。票價為空值的原因可能是乘客不存在登機記錄，其他資料可能是乘客乘坐0折機票或積分兌換造成。

由於這塊的資料所佔比重較小，故採用丟棄的處理辦法。

1. 刪除空值
2. 僅保留票價不為0，或折扣率和總飛行公里數同時為0的記錄

航空公司的客戶價值模型為LRFMC，即入會時間、距最近乘機月數、飛行次數，飛行里程，平均折扣。原始資料中與LRFMC指標相關的6個屬性為 FFP_DATE、 LOAD_TIME、 FLIGHT_COUNT、 avg_discount、 SEG_KM_SUM、 LAST_TO_END

我們需要在以上6個屬性的基礎之上，提取出LRFMC指標：

L = (LOAD_TIME - FFP_DATE) / 30（會員入會時間距觀測視窗結束的月數 = 觀測視窗的結束時間-入會時間）
R = LAST_TO_END / 30（客戶最近一次乘坐航班距觀測視窗結束的月數）
F = FLIGHT_COUNT （觀測視窗內的飛行次數）
M = SEG_KM_SUM （觀測視窗內的總飛行里程）
C = avg_discount（平均折扣率）

在自助資料集中新增快速挖掘步驟，選取聚類，聚類指標全選CFMRL五個指標，聚類數填5，最大疊代次數使用預設自動，距離函式使用預設歐式距離。

針對聚類結果，對各客戶羣進行特徵分析。

在儀表板中建立組件，畫出客戶羣密度分佈柱狀圖、客戶分佈雷達圖和各指標比例圖。簡單拖拽指標就可以使用FineBI完成一副視覺化分析的儀表板啦。

針對資料結果，進行行銷分析：
• 客戶羣1——12957人，重要保持客戶：R（最近乘坐航班）低，F（乘坐次數）、C（平均折扣率高，艙位較高）、M（里程數）高。
最優先的目標，進行差異化管理，提高滿意度。

• 客戶羣0——13657人，重要發展客戶：R（最近乘坐航班）低，F（乘坐次數）高，M（里程數）也不低，潛在價值客戶。
雖然當前價值不高，但是卻有很大的發展潛力，促使這類客戶在本公司消費和合作伙伴處消費。

• 客戶羣3——17392人，重要挽留客戶：C（平均折扣率高，艙位較高）、F（乘坐次數）、M（里程數）較高，但是較長時間沒有乘坐（R）小。
增加與這類客戶的互動，瞭解情況，採取一定手段，延長客戶生命週期。

• 客戶羣4——7829人，一般與低價值客戶：C、F、M、L都較低，但L高。
他們可能是在公司打折促銷時才會乘坐本公司航班。

• 客戶羣2——10464人，低價值客戶：各方面的資料都是比較低的，屬於一般或低價值使用者

因此，針對這5類客戶，航空公司可能採取的措施有：

會員的升級與保級（積分兌換原理相同）
會員可以分為，鑽石，白金，金卡，銀卡…
部分客戶會因為不瞭解自身積分情況，錯失升級機會，客戶和航空公司都會有損失。
在會員接近升級前，對高價值客戶進行促銷活動，刺激他們消費達到標準，雙方獲利。

交叉銷售
透過發行聯名卡與非航空公司合作，使得企業在其他企業消費過程中獲得本公司的積分，增強與本公司的聯絡，提高客戶忠誠度。

管理模式
企業要獲得長期的豐厚利潤，必須需要大量穩定的、高質量的客戶。
維持老客戶的成本遠遠低於新客戶，保持優質客戶是十分重要的。
精準數位行銷中，也有成本因素，所以按照客戶價值排名，進行優先的，特別的行銷策略，此類營銷也是維持客戶的關鍵。

Kano Model （也叫 Kano 分析模型、狩野模型）是東京理工大學教授狩野紀昭（Noriaki Kano）發明的對使用者需求分類和排序的有用工具。透過分析使用者對產品功能的滿意程度，對產品功能進行分級，進而確定產品實現過程中的優先級。

Kano模型是一個典型的定性分析模型，一般不直接用來測量使用者的滿意度，常用於識別使用者對新功能的接受度。它能夠進行系統的客戶需求梳理，對需求進行分析和提煉，提高效率。

透過對需求的滿意度、具備度二維分析，Kano Model 將需求劃分為基本型、期望型、興奮型、無差異型、反向型五類，分別以英文字母M、O、A、I、R表示。

• 基本型需求(M)：需求滿足時，用戶不會感到滿意。需求不滿足時，用戶會很不滿意。基本型需求是一款產品必須具備的核心需求，也是產品必須要做並且不斷完善的需求。
• 期望型需求(O)：需求滿足時，用戶會感到很滿意。需求不滿足時，用戶會很不滿意。這一類需求是一款產品應該要具備的需求，通常會作為競品之間比較的重點。
• 興奮型需求(A)：該需求超過用戶對產品本來的期望，使得用戶的滿意度急劇上升，往往能帶來用戶較高的忠誠度。但即使表現得不完善，用戶的滿意度也不受影響。這一類需求是在有餘力的情況下，產品可以具備的需求。
• 無差型需求(I)：需求被滿足或未被滿足，都不會對用戶的滿意度造成影響。儘量規避做此型別功能。
• 反向型需求(R)：該需求與用戶的滿意度呈反向相關，滿足該要求，反而會使用戶的滿意度下降。一般來說，產品不應該實現這一類需求，如果實現了需要考慮去掉。

關於Kano模型的具體制作方法，請參照：產品需求分析神器：Kano Model 模型分析法（實戰案例講解） ，此處不做展開。

漏斗模型是一種分解和量化的方法，用於量化某個過程中每個環節的效率，找到薄弱環節並解決問題。

漏斗模型通常將整個過程分解為一系列的步驟，並用轉化率等資料指標來量化每個步驟的表現。透過分解和量化，可以輔助達成目標，或者針對異常的步驟進行調優，最終達到總目標。

漏斗模型廣泛應用於流量監視、產品目標轉化等日常資料營運工作中，也可以用於產品、服務銷售。常見的案例有以下兩種：

電商購物流程轉換率

分析電商的轉化，我們要做的就是監視每個層級上的使用者轉化，尋找每個層級的可優化點。對於沒有按照流程操作的使用者，專門轉列他們的轉化模型，縮短路徑提升使用者體驗。
 

關於電商轉換率漏斗模型的具體制作方法，請參照：電商轉換率怎麼算？多少算高？教你用漏斗圖來分析，有效提升轉換率！，此處不做展開。

AARRR模型

AARRR模型是指Acquisition、Activation、Retention、Revenue、Referral，即使用者獲取、使用者激活、使用者留存、使用者收益以及使用者傳播。這是產品營運中比較常見的一個模型，結合產品本身的特點以及產品的生命週期位置，來關注不同的資料指標，最終制定不同的營運策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個使用者的生命週期是呈現逐漸遞減趨勢的。透過拆解和量化整個使用者生命週期各環節，可以進行資料的橫向和縱向對比，進而發現對應的問題，最終進行不斷的優化疊代。

漏斗模型的轉列很簡單，做資料報表的時候可能會用到，資料量不是很大的話，用Excel幾分鐘就能搞定。

整體的步驟大致可分為：計算整體轉化率 → 計算佔位資料 → 插入圖表 → 設定坐標軸格式 → 調整資料順序。

但如果資料量很大的話，需要長期監測維運，一般是需要連結資料庫的。可以用專業的資料分析軟體或者BI軟體搭建一個dashboard，這裏我用的是FineBI，匯入excel表，拖拽“漏斗圖”，選定分類和指標，美化樣式。

FineBI軟體內建了漏斗資料模型，可以幫助進行行銷分析，你要做的就只是選擇欄位，非常方便。漏斗每個層級的大小都反映了當前層級資料的大小，如果資料差距較大，比如像我這樣的，會不那麼美觀。

像網際網路電商行業，交易的資料量很大且是即時資料，這個技術excel是做不來的，所以像FineBI類的大數據分析工具這時就具備了一定優勢。

關於AARRR模型的具體制作方法，請參照：關於AAARR模型，還停留在理論卻不會用？附實例講解！，此處不做展開。

我們已經瞭解了數位行銷的定義、意義和基本分析方法，那做好數位行銷需要具備哪些能力呢？

首先，我們應該具備資料優先的思維。
將大量的資料善加利用，這不僅能夠更深入瞭解客戶，預測他們的需求，還可以節省客戶的時間。

其次，應該最大限度地發揮自動化和智慧功能的作用。
行銷自動化可以幫助擷取大量的資料並即時為客戶提供服務。

最後，不應該將所有客戶一視同仁。
我們需要擷取許多瞬間的情報，拼合成客戶的完整面貌，以建立更高程度的互聯體驗。此外，我們還應該擁抱全通路流動性，準備好在客戶在所有通路上進行即時互動，緊跟客戶的轉換通路。
 

在當今高度競爭的市場環境下，行銷分析是成功的關鍵之一。透過分析資料，企業可以瞭解其受衆和競爭對手並藉此優化市場策略。但是，對大量資料進行分析可能會非常耗時且容易出錯。在這種情況下，你需要一種可靠的工具來輔助行銷分析。

因此，我們推薦使用BI工具。BI工具可以幫助你輕鬆地分析和視覺化資料，使你更容易找到趨勢和模式，並支援你在短時間內做出準確的決策。

FineBI便是這樣一個完美的BI幫手。FineBI可以成為你的最佳合作伙伴，幫助你快速搭建各種業務行銷模型。

FineBI是企業級商業自助分析工具，能夠輕鬆應對各種業務的資料分析。更棒的是，它的圖表設計非常美觀，讓你能夠一眼看出資料中隱藏的規律和趨勢。即使沒有很專業的資料探勘技能，搭建模型也是非常簡單的。

使用FineBI，你可以用系統化的方法來規劃、執行、測量和優化你的客戶需求管理計劃，做好數位行銷分析，進而實現更高度個性化的服務。

如果你希望提高業績並且做好行銷分析，FineBI會是你必不可少的助手！

好了，對數位行銷分析的詳細解讀就到這裡，快點擊下方圖片，讓FineBI在資料分析之旅上助你一臂之力吧！