Digital Transformation #15: Data-driven Marketing – Tận dụng dữ liệu để tối ưu tiếp thị (Phần 2) Lưu

Bạch Mei
Content Executive , Brands Vietnam
02/04/2020
2,797
0

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”.

Chiến lược thứ ba: Cá nhân hoá theo nhu cầu sử dụng, chi tiêu và thói quen của khách hàng theo từng phân khúc khách hàng ở giai đoạn 4.

Sau khi đã tạo các tập phân khúc (segment) và nhóm dữ liệu thành các nhóm khách hàng tiềm năng, chúng ta sẽ tiếp cận một cách cá nhân hoá, tự động hoá trong thời gian thực và có thể đo lường liên tục nhờ dữ liệu (Customer Personalization with AI).

Cách tiếp cận này sẽ được cá nhân hoá theo từng giai đoạn của hành trình mua hàng và tuỳ thuộc vào từng nhóm khách hàng, từ đó sẽ xác định từng thông điệp để xây dựng thương hiệu, trải nghiệm, kênh tiếp cận, thời điểm tiếp cận phù hợp.

Ví dụ như Netflix có thể phân chia user theo từng sở thích xem phim để tạo TVC theo từng nhóm đối tượng (nhóm thích xem phim Hàn Quốc, phim tài liệu hay phim hành động...)

Ví dụ khác ở các công ty e-commerce, cá nhân hoá về trải nghiệm (personalized experience) sẽ giúp chúng ta biết khách hàng này mua áo màu gì, size nào, vào thời điểm và ở khu vực nào, thậm chí biết được khách hàng mua áo này lần thứ mấy và đang cân nhắc điều gì. Ngoài ra còn cá nhân hoá theo thông điệp và sở thích cá nhân của khách hàng để lựa chọn những kênh tiếp cận thành công nhất (personalized ad & channel), khuyến khích họ quay trở lại mua nhiều hơn. Và dữ liệu có được từ việc chuyển đổi khách hàng thành công hay thất bại đều có thể tái sử dụng, để tìm ra nhóm khách hàng thành công tương tự, hoặc loại trừ những nhóm đã thất bại khi tiếp cận.

Sử dụng thông tin đã được cá nhân hoá để chuyển đến các kênh truyền thông thích hợp. Chúng ta cần tìm ra công thức kết hợp nội dung ở các kênh truyền thông trả phí như quảng cáo online, mạng xã hội hay tìm kiếm để tối ưu ngân sách marketing, từ đó tăng hiệu quả chuyển đổi. Ở kênh truyền thông mà doanh nghiệp sở hữu như website hay fanpage, người làm marketing cần làm theo phương pháp inbound, dùng nội dung miễn phí hấp dẫn để tăng tỉ lệ tương tác tự nhiên trên kênh sở hữu (owned media channel).

Chiến lược thứ tư: Xây dựng hành trình trải nghiệm khách hàng sau các hoạt động kích hoạt ở chiến lược thứ ba

Chiến lược thứ tư hoàn toàn ở trong tâm trí khách hàng, thể hiện qua hai giai đoạn 7 và 8.

Giai đoạn này để tạo ra nhu cầu sử dụng hàng hóa hay dịch vụ cho khách hàng trong tâm trí bao gồm nhận thức (awareness), quan tâm (interest) và cân nhắc (consideration).

Giai đoạn này bao gồm các hành động trong thực tế như mua hàng lần đầu tiên hay dùng thử dịch vụ. Nếu họ cảm thấy hài lòng, họ sẽ chuyển sang trung thành trong vòng lặp khách hàng để tăng chỉ số CLV (Customer Lifetime Value) hoặc trở thành đại sứ thương hiệu (Brand Evangelist) để quảng bá thương hiệu doanh nghiệp trên mạng xã hội. Lúc này, doanh nghiệp cần có chính sách tặng quà giới thiệu (referral marketing) để tăng NPS.

Khi doanh nghiệp thực hiện hoàn hảo 8 giai đoạn trên, với các tham số hợp lý sẽ cải thiện rất nhiều việc kinh doanh, hiệu quả marketing bằng hành trình mua hàng và trải nghiệm của khách hàng (Customer Journey & Experience) thông qua các chỉ số: tỷ lệ chuyển đổi quảng cáo (Conversion Rate), tỷ lệ lead giá trị vòng đời khách hàng (CLV), cải thiện sự hài lòng của khách hàng (NPS), chi phí xây dựng khách hàng (CAC) cho những khách hàng mua lần đầu.

* Doanh nghiệp có thể tận dụng dữ liệu từ những nguồn nào để áp dụng mô hình Data-driven Marketing?

Ở đây tôi xin liệt kê 5 nguồn dữ liệu phổ biến nhất mà doanh nghiệp có thể tìm thấy và dễ dàng có trong tay, và dĩ nhiên vẫn còn nhiều nguồn khác có được từ việc mua hay tổng hợp từ camera cửa hàng, số lượng người đăng nhập wifi, số lượng người ra vào, v.v...

Đầu tiên là nguồn dữ liệu có được từ hệ thống CRM (thông tin dữ liệu khách hàng đang có sẵn), đây là những khách hàng đã có thông tin định danh cụ thể. Dữ liệu này có thể được lưu trên CRM, hay trên những hệ thống cũ như hệ thống kế toán, hệ thống bán hàng, thậm chí trên bút toán hay các file Excel (legacy systems). Cái quan trọng nhất là phải có công nghệ để chiết xuất, bóc tách dữ liệu.

Nguồn dữ liệu thứ hai là nhóm dữ liệu nhân khẩu học (Customer Demographics) của khách hàng mục tiêu của doanh nghiệp. Nhóm khách hàng này có được từ hệ thống CRM hoặc từ nghiên cứu trong cửa hàng hay nghiên cứu thị trường mà doanh nghiệp tham gia. Điển hình, doanh nghiệp có thể hỏi trực tiếp những người mua hàng để biết được khách hàng nào có khuynh hướng mua các sản phẩm của họ nhiều nhất thông qua nghiên cứu thị trường. Những dữ liệu về nhân khẩu học của khách hàng cũng có được thông qua Google Analytics hay Facebook Insight. Hai kênh này và các đơn vị cung cấp khác đều có thể cho ta biết được những người quan tâm đến sản phẩm, dịch vụ là ai, ở đâu, v.v... Có nhiều người sẽ bỏ qua nguồn dữ liệu này, nhưng tôi nghĩ đây là hai kênh lưu trữ có thể chiết xuất lại được.

Dữ liệu có được từ việc chuyển đổi khách hàng thành công hay thất bại đều có thể tái sử dụng, để tìm ra nhóm khách hàng thành công tương tự, hoặc loại trừ những nhóm đã thất bại khi tiếp cận.

Nguồn dữ liệu thứ ba đến từ những tài sản số của doanh nghiệp (Digital Data Hub) như website, fanpage, social media, v.v... Những kênh này có thể cung cấp cho chúng ta hành vi của khách hàng như đọc bài, xem chi tiết sản phẩm, số lần xem, thời gian xem, thêm vào giỏ hàng nhưng không thanh toán hay thanh toán nhưng bị lỗi. Tất cả dữ liệu trên được lưu lại trên tài sản số của doanh nghiệp (digital asset), thậm chí thông qua một số bên thứ ba như đơn vị affiliate, bán quảng cáo hay kênh DMP. Do đó chúng ta có thể tổng hợp được dấu chân số của người dùng qua các nguồn này để áp dụng vào chiến dịch marketing.

Nguồn dữ liệu thứ tư là yếu tố tôi nghĩ bất kỳ doanh nghiệp nào cũng có, đó là danh mục các sản phẩm, dịch vụthông tin (Products - Business Service & Domain Knowledge) như giá bán, sku, chủng loại sản phẩm, v.v...

Và cuối cùng, nguồn dữ liệu thứ 5 đến từ marketing (Marketing OKR). Những chiến dịch truyền thông sẽ thu về dữ liệu hành vi, số lượt tiếp cận, tương tác, v.v... và được lưu trữ từ chiến dịch qua chiến dịch khác. Ví dụ như 1 chiến dịch truyền thông chạy TVC, báo chí hay digital, chiến dịch Facebook có chạy tệp DMP, hay những tệp khách hàng đã tiếp cận với quảng cáo, viral clip thì đều có thể được thu thập lại rồi đổ về 1 nền tảng gọi là CDP.

* Ông vui lòng phân tích rõ hơn về việc hợp nhất dữ liệu (Unification) sau khi tiến hành thu thập?

Sau khi có bước số hoá những hoạt động kinh doanh và có động tác thu thập dữ liệu, thì đến bước 2 là xử lý dữ liệu.

Có thể thấy rằng dữ liệu đến từ nhiều nguồn khác nhau của doanh nghiệp. Có những nguồn mà doanh nghiệp sở hữu như CRM, website, hệ thống legacy buộc phải số hoá để có hạ tầng lưu trữ, các dữ liệu hành vi cũng cần nơi để lưu trữ và đồng bộ. Dữ liệu về thông tin sản phẩm, dịch vụ, nhân khẩu học từ bên thứ ba như đối tác quảng cáo, Facebook, Google cũng cần được trích xuất.

Với những nguồn dữ liệu khác nhau và đa dạng như vậy, thì việc xây dựng được hạ tầng lưu trữ có khả năng tương thích với nhiều loại dữ liệu khác đòi hỏi phải có sự tham gia của giám đốc công nghệ, giám đốc kinh doanh, giám đốc marketing và cả những chuyên gia dữ liệu. Người chuyên gia dữ liệu sẽ làm cầu nối giữa các bên để hợp nhất dữ liệu từ các kênh khác nhau, dựa trên một vài thuộc tính chung.

Ví dụ như việc làm sạch dữ liệu (data cleaning) đều có quy tắc lưu trữ khác nhau. Vậy làm sao để biết được một người có đầu số 0902 với người có đầu số +84 902 là một người chứ không phải hai người, hay như một người có địa chỉ là 125/11 Nguyễn Cửu VânNguyễn Cửu Vân 125/11.

Thực tế là một dữ liệu được lưu từ Facebook, còn 1 dữ liệu được lưu bằng tay. Do đó, chuyện làm sạch dữ liệu là yếu tố đòi hỏi người thực hiện phải có khả năng làm việc với chuyên gia công nghệ, marketing và kinh doanh để viết nên những quy tắc làm sạch dữ liệu, để có thể chuyển dữ liệu từ 0902 thành +84 902. Còn đối với dữ liệu trên digital, một người dùng Facebook sẽ có một Facebook ID, nếu dùng Google sẽ là Gmail, hay Website thì có cookies. Vậy làm thế nào để hợp nhất và lưu trữ ba thông tin trên về cho một người dùng. Ví dụ này thuộc về công đoạn hợp nhất dữ liệu. Trong CDP, công nghệ identity resolution sẽ giải quyết bài toán này trên mức độ dữ liệu lớn.

Tuy nhiên, để làm sạch và hợp nhất dữ liệu trên một quy rộng, một hệ thống thôi sẽ không đủ, mà cần nhiều hệ thống. CRM không phải là 1 giải pháp đủ hiệu quả vì kênh này chỉ lưu trữ dữ liệu định danh. Trong khi DMP không phải là nơi lưu trữ dữ liệu mà chỉ là tệp khách hàng không định danh dùng cho chuyện targeting vào quảng cáo. Hiện tại có 1 giải pháp tương lai được gọi là Customer Data Platform (CDP), có thể giúp lưu trữ dữ liệu từ nhiều kênh khác nhau bao gồm cả định danh và không định danh, và có sẵn giải pháp để giải quyết vấn đề định danh là identity resolution, lead coring để đánh giá tiềm năng, cũng như khả năng tương thích và trích xuất dữ liệu ra nhiều kênh tự động hoá và bán hàng.

* Còn từ phân khúc khách hàng (Segmentation) chuyển đổi thành cá nhân hóa (Personalization) và hoạt động kích hoạt tương ứng (Activation) diễn ra như thế nào?

Sau khi hợp nhất và làm sạch dữ liệu, sẽ đến công đoạn mô hình hoá dữ liệu để có cơ sở xây dựng phân khúc khách hàng (segmentation). Mô hình hoá dữ liệu là chuyển từ tư duy kinh doanh thành các data model để sàng lọc ra những phân khúc khách hàng đúng với vấn đề mà doanh nghiệp cần giải quyết.

Ở đây tôi chia ra 4 phân khúc tiêu biểu, đó là: nhóm khách hàng mục tiêu chính - Ad Targeting audience, khách hàng trung thành, mua nhiều, tạm gọi là most profitable segment, nhóm look-alike target audiencein-active segments. Trong đó, nhóm khách hàng trung thành rất dễ định nghĩa, vì đã có thông tin liên hệ và là những người tạo ra nhiều giá trị nhất cho doanh nghiệp.

Ở dưới phần màu xanh nhạt của biểu đồ được tạm gọi là phần dữ liệu khách hàng định danh. Đối với phần này, sẽ có hai hoạt động tiếp thị dành cho họ:

Chúng ta hoàn toàn có thể biết được lý do để cải thiện hoạt động, giá trị vòng đời khách hàng dựa trên dữ liệu định danh về họ.

Thứ nhất là khuyến khích nhóm khách hàng ưa thích chúng ta mua nhiều hơn nữa, bằng việc tiếp thị tự động cá nhân hoá, ví dụ như hệ thống đề xuất sản phẩm tự động, hay những hệ thống chat bot tự động gửi thông tin phù hợp đến đối tượng này. Đối với những nhóm này thì chúng ta không cần xây dựng nhận biết nữa mà chỉ cần gửi thông tin sản phẩm. Càng đúng nhu cầu thì càng tạo ra được interest và consideration. Có thể nói, họ chính là người chúng ta biết đến, có giá trị mua hàng cao do đó sẽ không quá khó để chuyển đổi hành vi của họ thêm một lần nữa.

Ngược lại, đối với những nhóm khách hàng để lại thông tin nhưng chưa mua, hoặc đã lâu không mua lại (in-active segments), thì chúng ta có thể đưa những tệp này đến hệ thống dự đoán (Churn Prediction System) để tìm hiểu lý do rời bỏ. Có rất nhiều lý do để khách hàng rời bỏ website như không có nhu cầu, hạn chế về mặt thời gian, giao diện website xấu hay không hài lòng về sản phẩm trước.

Việc dự đoán được lý do tại sao khách hàng rời bỏ có thể giúp chúng ta đưa ra những giải pháp, chương trình khiến họ quay lại, mua lại, hoặc mua lần đầu tiên bằng nội dung hấp dẫn (content push qua email, sms, website, app), thông tin sản phẩm mới, hỏi thăm trải nghiệm khách hàng (customer support bằng call center) rồi đưa họ đến quá trình xây dựng sự quan tâm và sự xem xét lại một lần nữa.

Chúng ta hoàn toàn có thể biết được lý do để cải thiện hoạt động, giá trị vòng đời khách hàng dựa trên dữ liệu định danh về họ.

Vậy còn đối với nhóm khách hàng không định danh, chúng ta sẽ không biết họ là ai nhưng cần phải tìm được những người giống họ. Từ dữ liệu của bên thứ 3 (DMP) kết hợp với dữ liệu nhân khẩu học về khách hàng hiện tại để tìm ra khách hàng có nhận diện tương tự với khách hàng trung thành. Ví dụ như từ việc tìm hiểu những người đọc sách, mua sách trên website có sở thích xem phim, ở thành thị, chúng ta sẽ đưa ra những điều kiện tương tự đối với những tệp khách hàng DMP hay look-alike. Từ đó, chúng ta sẽ phóng dữ liệu lên để tìm ra được nhóm khách hàng tiềm năng nhất.

Khi xác định đúng nhóm đối tượng, chi phí quảng cáo sẽ được giảm thiểu đẫn đến CAC giảm theo.

Những hành động có thể áp dụng được đối với nhóm khách hàng này đó là chạy quảng cáo cá nhân hoá vào từng nhóm khách hàng theo giới tính, độ tuổi, hay thu nhập, gọi chung là media personalization. Khi có những tệp khách hàng khó tiếp cận được bằng website, hãy tiếp cận họ bằng nền tảng quảng cáo Google, Facebook hay Affiliate. Sau khi đã đưa họ về website, hãy quay về với việc đưa thông tin hành vi, nhân khẩu học của nhóm khách hàng này vào CDP và tiến hành phân loại lại một lần nữa. Ngược lại, nếu chúng ta gặp thất bại trong việc chuyển đổi hành vi của họ thì dữ liệu này vẫn được lưu trữ để tiến hành re-marketing cho kênh khác trong tương lai.

* Vậy ưu điểm của mô hình Data-Driven Marketing này là gì?

Cá nhân hoá ở mức từng profile khách hàng chính là ưu điểm của mô hình này. Dựa trên tệp dữ liệu, chúng ta có thể cá nhân hoá mẫu quảng cáo, thông điệp tiếp cận, nội dung, kênh tiếp cận phù hợp và hành trình mua hàng của khách hàng để bán cho họ những sản phẩm phù hợp.

Doanh nghiệp có thể đồng thời thực hiện trên nhiều tệp khách hàng khác nhau với quy mô rộng nhưng vẫn đem lại hiệu quả.

Và rõ ràng những điều này không thể thực hiện được nếu bạn không có dữ liệu, và đây chính là hạn chế của cách làm marketing truyền thống. Với chiến dịch marketing truyền thống, chúng ta chỉ có thể chọn được một nhóm đối tượng mục tiêu với duy nhất một thông điệp chủ đạo. Nhưng với Data-driven marketing, doanh nghiệp có thể đồng thời thực hiện trên nhiều tệp khách hàng khác nhau với quy mô rộng nhưng vẫn đem lại hiệu quả.

Ngoài ra, nhờ mô hình này, chúng ta luôn luôn có thể học hỏi, đo lường trực tiếp từ số liệu để đưa ra những quyết định kịp thời như tạm ngưng chiến dịch hay dùng dữ liệu của chiến dịch đó, có thể là tỉ lệ thành công, thất bại để cải thiện kết quả của những chiến dịch sau. Việc này tất yếu làm ngân sách marketing được sử dụng tốt hơn, được phân bổ hợp lý vào những kênh truyền thông phù hợp với khách hàng mục tiêu (target persona).

Những công ty có sẵn công nghệ dữ liệu đã áp dụng mô hình này thành công như Thế Giới Di Động, The Coffee House hay gần đây là chuỗi bán lẻ nhà sách FAHASA. Đó là các thương hiệu đã chuyển đổi số thành công. Dĩ nhiên họ không thành công dựa trên mô hình của tôi, vì mô hình của tôi chỉ là tổng hợp lại theo nhiều nguồn khác nhau. Tuy nhiên, đâu đó trong cách làm của họ đều tận dụng dữ liệu để tối ưu hoá hoạt động marketing đã đem lại những kết quả kinh doanh vượt bậc thời gian qua.

* Cảm ơn Ông về những chia sẻ trên!

* Nguồn: Brands Vietnam

Digital Transformation #1: Giới thiệu Chuyên mục Digital Transformation
Digital Transformation #2: Chatbot Pika - Nỗ lực không ngừng của FPT Shop
Digital Transformation #3: “Khó đầu tư chuyển đổi số khi chưa xác định vòng đời khách hàng”
Digital Transformation #4: "Đừng gõ cửa doanh nghiệp, nếu chưa hiểu họ"
Digital Transformation #5: Cách ứng dụng The Coffee House (TCH) số hóa hoạt động bán lẻ của cà phê truyền thống
Digital Transformation #6: “Dữ liệu doanh nghiệp đã sẵn sàng chưa?”
Digital Transformation #7: “Một kiện hàng gửi đi, một dây chuyền phải số hoá”
Digital Transformation #8: “Chuyển đổi số ngành sơn là một hành trình thú vị”
Digital Transformation #9: “Khám chữa bệnh ứng dụng công nghệ là bàn tiệc đa sắc màu”
Digital Transformation #10: Cá nhân hoá là tương lai của tiếp thị qua tin nhắn
Digital Transformation #11: Salesforce – Tương lai của dữ liệu khách hàng và CDP
Digital Transformation #12: CTO Tugo – Sức mạnh của kinh tế quy mô
Digital Transformation #13: “Dữ liệu lớn hay TMĐT cũng cần sáng tạo và nội dung ý nghĩa”
Digital Transformation #14: Sáng lập Datalytis – “Làm giàu dữ liệu để tiếp cận chính xác hơn”
Digital Transformation #15: Data-driven Marketing – Tận dụng dữ liệu để tối ưu tiếp thị (Phần 1)