Marketer Bạch Hạnh
Bạch Hạnh

Content Executive @ Brands Vietnam

Digital Transformation #15: Data-driven Marketing – Tận dụng dữ liệu để tối ưu tiếp thị (Phần 1)

Trong tương lai gần, sức mạnh dữ liệu sẽ góp phần “số hoá” các chiến dịch marketing để doanh nghiệp có thể tiếp cận đúng đối tượng khách hàng, cá nhân hoá hành trình trải nghiệm với quy mô lớn hơn trong thời gian thực nhằm mang đến những kết quả kinh doanh vượt bậc.

Đó là những chia sẻ của Ông Nguyễn Tấn Triều, nguyên Lead Software Engineer, Tiki Corporation về mô hình “Data-driven Marketing Model with U.S.P.A framework”.

* Ông vui lòng chia sẻ khái quát về mô hình Data-driven Marketing?

Mô hình Data-driven Marketing này được tôi nghiên cứu, tổng hợp và vẽ dựa trên nhiều nguồn khác nhau kể từ tháng 6, năm 2019. Đến tháng 3 năm 2020, tôi điều chỉnh, bổ sung thêm và phân chia mô hình này thành nhiều bước rõ ràng, cụ thể hơn.

Nhìn tổng quan mà nói, mô hình này cũng khá dễ hiểu.

Các chiến dịch marketing thường bắt đầu dựa trên hành trình của nhóm khách hàng lý tưởng, mục tiêu kinh doanh của doanh nghiệp, mục tiêu xây dựng thương hiệu, truyền thông, marketing để tạo đủ nguồn dữ liệu cho việc phân tích và tối ưu các chỉ số.

Hiện tại, phần lớn các nghiên cứu này thường được tiến hành bằng phương pháp truyền thống như định tính và định lượng để tìm ra insight. Từ những insight đó và việc cân nhắc các mục tiêu, khách hàng và agency sẽ nghĩ ra bản đồ hành trình trải nghiệm, thông điệp chủ đạo và kênh truyền thông để vạch ra chiến dịch tiếp cận nhóm đối tượng mục tiêu, đánh trúng insight với hy vọng họ sẽ thay đổi hành vi, từ đó tạo ra kết quả cho doanh nghiệp.

Cách làm này sẽ dựa vào yếu tố tư duy, trực giác của người làm marketing và số liệu thị trường ở thời điểm làm nghiên cứu chứ không phải ở thời điểm real-time. Còn thông điệp truyền thông lại đến từ sự sáng tạo của agency, xu hướng về kênh truyền thông tại thời điểm nghiên cứu. Mô hình nghiên cứu cổ điển (Classic Market Research) sử dụng mô hình tổng hợp dữ liệu dạng lô (batch processing), trong khi với các công nghệ Big Data hiện nay thì đã có thể xử lý dữ liệu lớn gần real-time.

Với việc khai thác dữ liệu vào marketing, một chiến dịch cũng được tiến hành bằng cách tương tự, nhưng mang lại nhiều thế mạnh to lớn như: được thực hiện trong thời gian thực, cá nhân hoá, tự động hoá, ở một quy mô tiếp cận lớn hơn nhờ vào công nghệ điện toán đám mây (cloud computing).

* Những doanh nghiệp nào có thể áp dụng mô hình này?

Đối với các doanh nghiệp đã có sẵn dữ liệu khách hàng và nền tảng công nghệ, thì chỉ cần họ có tư duy đúng, việc triển khai sẽ không quá khó. Tuy nhiên, mô hình này này sẽ là một thử thách đối với những công ty chưa có dữ liệu được chuẩn hoá, công nghệ phân tích hay mức độ đầu tư đúng các hạ tầng công nghệ cốt lõi.

Thêm một yếu tố nữa, đối với việc tiếp thị dựa trên dữ liệu, đòi hỏi ngành hàng phải hiểu hành trình người mua (shopper journey) ở nhiều điểm tiếp xúc cả online và offline. Do đó, đối với một sản phẩm mà quy trình mua hàng chưa được chuyển đổi số (digital transformation), sẽ rất khó để tạo ra first-party data, vì vậy doanh nghiệp sẽ gặp khó khăn trong việc đo lường và thực thi data-driven marketing một cách hiệu quả.

Ví dụ một vài ngành hàng như mỹ phẩm, điện thoại, máy tính bảng hay những đơn vị như nhà bán lẻ, công ty công nghệ như Momo, Tiki sẽ rất dễ triển khai phương pháp này vì đã có sẵn dữ liệu first-party, công nghệ nền tảng và bán hàng trên kênh online thuần tuý. Lý do chính là mô hình kinh doanh của họ thuần tuý ở trên không gian digital (digital-first business model).

Tuy nhiên, đối với các ngành hàng tiêu dùng nhanh như chăm sóc cá nhân (dầu gội đầu, bột giặt), có mức độ quan tâm, giá trị thấp, quyết định mua nhanh, dễ dàng tìm thấy hàng ở tất cả điểm phân phối rộng khắp như các quầy tạp hoá, siêu thị tiện lợi thì sẽ gặp nhiều khó khăn trong việc đo lường và triển khai hình thức data-driven marketing. Vì vậy việc hợp tác chiến lược kinh doanh và chia sẻ nguồn dữ liệu chung để cùng phát triển với nhau (win-win) giữa các tập đoàn bán lẻ và nhà sản xuất hàng tiêu dùng nhanh (FMCG) là quan trọng.

* Tại sao mô hình này có tên USPA?

Bắt nguồn từ chiến lược dữ liệu dành cho marketing, mô hình này gồm 4 bước sau:

  • Unification: hợp nhất các dữ liệu và thông tin về một nơi lưu trữ tập trung.
  • Segmentation: phân chia các profile khách hàng theo các segment lớn dựa trên mục tiêu kinh doanh.
  • Personalization: cá nhân hoá thông điệp quảng cáo, sản phẩm và dịch vụ.
  • Activation: kích hoạt không gian nhận thức trong tâm lý tiêu dùng của khách hàng về thương hiệu doanh nghiệp, gây sự chú ý tích cực, khiến họ đưa ra hành động dùng thử và trở thành khách hàng trung thành lâu dài.

Tuy nhiên thực tế mô hình sẽ phải hiện thực chi tiết theo sơ đồ phức tạp sau:

Như tôi đã chia sẻ trong bài Chiến lược dữ liệu trước đây, dữ liệu có thể phát sinh trong bất kỳ hoạt động nào của doanh nghiệp, từ online đến offline. Điều quan trọng nhất là doanh nghiệp có nhu cầu sử dụng dữ liệu để tối ưu mô hình kinh doanh của họ hay không.

Đặc biệt, mô hình USPA chi tiết hơn sẽ gồm 4 chiến lược như công cụ định hướng tư duy và 8 giai đoạn chính để hiện thực hoá cụ thể vào hoạt động marketing ở doanh nghiệp như sau:

Chiến lược thứ nhất: Chuyển đổi số mô hình kinh doanh hướng về những thuộc tính của khách hàng lý tưởng (Ideal attribution model from customer persona)

  • Giai đoạn 1: Thiết kế hành trình trải nghiệm (Design Experience Journey)

Hiểu rõ khách hàng mục tiêu (customer persona), vì đây là nhóm người tạo ra doanh thu chính cho toàn bộ dòng tiền của doanh nghiệp. Chúng ta cần hiểu nhu cầu và vấn đề của họ ở hiện tại và cả tương lai, từ đó suy ra hành vi thói quen tiêu dùng, các kênh tiếp thị hiệu quả, những điểm chạm (touchpoint) của dữ liệu để thiết kế hành trình trải nghiệm digital đúng với thực tế.

  • Giai đoạn 2: Tích hợp thông tin (Information Intergration)

Doanh nghiệp sẽ tiến hành liệt kê và tích hợp các nguồn thông tin quan trọng vào một hệ thống cơ sở dữ liệu tập trung. Tại đây tôi có liệt ra một vài nguồn dữ liệu phổ biến nhất trong giai đoạn thu thập dữ liệu là: CRM, hệ thống thông tin khách hàng nội bộ, dữ liệu sự kiện (event data) từ website và mobile app, thông tin nhân khẩu học của thị trường mục tiêu, thông tin về sản phẩm, dịch vụ và các chiến dịch marketing đã thực hiện. Ngoài ra doanh nghiệp cũng cần phân tích quy mô thị trường (market size) với trọng tâm từ các thuộc tính của khách hàng lý tưởng. Nếu quy mô lớn nghĩa là doanh nghiệp đang bước vào một thị trường đỏ với sự cạnh tranh lớn, họ cần tìm ra điểm khác biệt trong sản phẩm, dịch vụ và thương hiệu để thực hiện các chiến dịch marketing hiệu quả. Nếu quy mô thị trường nhỏ, doanh nghiệp cần tích cực marketing theo hướng trải nghiệm thực tế và tối ưu trải nghiệm sau khi mua hàng.

Chiến lược thứ hai: Hợp nhất các nguồn dữ liệu tiếp nhận trực tiếp từ khách hàng (first-party data) về một cơ dữ liệu tập trung hay nền tảng dữ liệu chung (Customer Data Platform - CDP)

  • Giai đoạn 3: Hợp nhất dữ liệu (Data Unification)

Với Customer Data Platform (CDP), vốn được thiết kế như một công nghệ Big Data để lưu trữ và xử lý dữ liệu (Data Analytics with CDP). Việc xử lý sẽ bao gồm những bước như làm sạch (data cleaning), hợp nhất (unification), mô hình hoá (modeling) dữ liệu để phân tích và tìm ra những phân khúc khách hàng mục tiêu phù hợp nhất, nhằm chia dữ liệu thành những phân khúc tương ứng. Đó cũng là giai đoạn kế tiếp.

  • Giai đoạn 4: Phân khúc dữ liệu (Data Segnmentation)

Giai đoạn này để tìm ra các khách hàng tiềm năng nhất đòi hỏi hai yếu tố: tư duy kinh doanh (business mindset) và tư duy số liệu (data-driven mindset). Tư duy kinh doanh dựa trên việc quan sát tình hình kinh doanh, dùng khả năng phân tích, trực giác, kinh nghiệm lẫn số liệu kinh doanh để đưa ra vấn đề, một vài giả thuyết về nhóm khách hàng mục tiêu. Để nhận diện, phân khúc, sàng lọc hay tìm ra vấn đề cốt lõi của nhóm khách hàng, phải có một chuyên gia phân tích dữ liệu (data analyst) để chuyển “tư duy kinh doanh” thành “tư duy số liệu”.

Hai hình ảnh sau sẽ minh hoạ cho 2 phương pháp phân chia dữ liệu phổ biến: theo hành vi, hành động của khách hàng (behavior-based segmentation) và theo mô hình RFM để phân chia khách hàng theo các mục tiêu tài chính.

Phân chia dữ liệu theo hành vi

Phân chia dữ liệu theo mô hình RFM

(Còn tiếp)

Xem các bài khác trong chuyên mục tại đây.

* Nguồn: Brands Vietnam