Data︰Identity Stitching 把散亂數據拼湊成完整顧客檔案
預計閱讀時間︰5 分鐘
現在顧客數據對品牌比起任何時候都重要。根據 McKinsey 調查，擅長使用 personalised marketing 的品牌生意比其他品牌多出 40%。不過顧客數據不是收集了就能立即使用，品牌需要先把這些零散的顧客數據拼湊在一起，建立完整的顧客檔案。 這一過程稱為 identity stitching。今天我們將探討 identity stitching 是什麼！
內容大綱
Identity Stitching 是什麼？
Identity stitching (又稱 identity resolution 或「身份解析」)是一種數據管理過程。它以顧客為單位，從每個顧客接觸點收集與顧客相關的數據並互相連結起來，以建立一個更全面、完整的顧客資料檔案。這些顧客數據可以包括姓名、電話號碼、電郵地址、社交媒體帳號等 PII 個人識別資料，亦能是設備識別碼、Cookie 和離線數據等 non-PII 的數據。
例如在之前的一篇名為《4 個品牌需要進行 Data Unification 的警號》的文章中，我們使用陳先生的例子。他先使用電郵地址註冊成為 VIP 會員。後來，他在網上看到品牌的橫額廣告並前往實體店鋪購買其中一件產品。當被要求提供送貨聯絡資料時，陳先生提供了自己的電話號碼。身份解析就是把這些資料串連在一起，為陳先生建立一個完整顧客檔案的過程。
延伸閱讀︰PII、Non-PII 與個人資料
我知道某位顧客做了什麼又如何？
你可能覺得品種的目標顧客是大眾，知道某位顧客的行為意義不大。其實進行身份解析的主要目標並不是為了追蹤個別顧客，而是透過建立統一、完整、結構化的顧客檔案庫，為實現 personalised marketing (個性化營銷)、顧客數據分析、跨平台廣告投放和廣告成效量度提供關鍵的數據基礎。
以陳先生的情況為例，由於我們知道陳先生購買的是一部手提電腦，我們就可以向他推薦電腦周邊產品，例如人體工學鍵盤、螢幕保護貼等。另一方面，我們知道李小姐還在考慮的階段，就可以向她推薦不同型號的手提電腦，甚至有時限的獨家優惠券吸引她盡快購買。這些都是擁有準確、完整的顧客檔案後才能做到的事情。
兩種配對顧客數據的方法
顧客數據主要通過兩種方式進行匹配 – deterministic matching (確定性匹配)與 probabilistic matching (概率性匹配)。
Deterministic Matching 確定性匹配
Deterministic matching 是通過使用顧客的姓名、電子郵件地址和電話號碼等可辨認身份的資料把不同的系統的記錄連結在一起，準確度可達到 80-90%。例如李小姐使用電郵登記成為會員，之後又用同一電郵參加幸運大抽獎，品牌就會知道這是同一位顧客。然而由於顧客對這些資料比較敏感，因此未必次次都能收集這些數據，在規模方面存在一定的限制。例如李小姐瀏覽品牌網站時沒有登入帳戶，因此品牌不知道她曾查看哪些產品的資料。
Probabilistic Matching 概率性匹配
Probabilistic matching 使用位置、 IP 地址、設備 ID、操作系統或瀏覽器類型等數據，透過人工智能和大數據模型來計算資料相關的概率。例如社交媒體平台可以從你的朋友、追蹤的帳戶、喜歡的內容推測你的年齡及性別。雖然概率性匹配與確定性匹配相比精確度比較低，但是它的規模和應用範圍較大，能夠彌補第一方數據量的限制。
哪些行業適合進行 Identity Stitching？
FMCG 快速消費品
快速消費品品牌經常使用大規模的 omni-channel 全渠道營銷，旨在觸及盡可能多的顧客。然而，你怎樣知道你所投放的廣告是否真的能帶來生意？顧客是在哪裡發現你的產品？透過建立顧客檔案並追蹤每位顧客的購買旅程，你就能輕鬆找出顧客作出購買決策的關鍵時刻，辨識哪些廣告表現最出色，並制定更優秀的營銷計劃。
Finance 金融
金融產品是重要的投資工具，顧客做決策時需要更多時間和資訊，購買旅程亦會較長。透過建立以顧客為本的顧客資料庫，金融公司就能準確掌握每位顧客處於銷售漏斗的哪個階段，他們最想知道哪種服務的資料，是否曾經購買過其他金融產品等，以在最適當時機為顧客提供最適切的資訊，幫助顧客作出最理想的理財決定。
Ecommerce 電子商務
顧客經常都會在手機搜尋產品資料，然後用家中的電腦購買。若果你擁有顧客為本的顧客資料庫，你就能在不同渠道上提供無縫的顧客體驗。例如向加入購買籃數小時但遲遲未購買的顧客提供限時優惠，當產品即將售罄時向曾經瀏覽這產品的顧客發送提示，用 retargeting 廣告追蹤顧客等。
怎樣提升 Identity Stitching 準確度？
身份解析的好壞非常視乎顧客資料質素與數量。因此我們建議大家採取以下策略︰
利用先進的追蹤工具
App Tracking Transparency Framework (ATT)、GDPR 和其他隱私政策令 MarTech 收集顧客行為數據的能力大幅受限，尤其是第三方 cookies 方面的數據。品牌若要捕捉這些流失的數據，就要制度適合的顧客數據策略，利用先進的追蹤方法，例如 GA4、server-side tracking 等，以獲取更高質量和準確度的數據。
定期進行 Data Cleansing
錯誤或格式不一的資料會影響資料配對的成效。我們建議大家要定期進行 data cleansing，以保持顧客資料準確。另外我們亦建議大家定立一些措施，例如每年詢問顧客電郵地址是否依然正確，引導顧客自行更新資料。
用第三方數據填補數據空隙
雖然由品牌擁有的第一方數據精準度高，但是只限於曾經與品牌互動的人，視角難免較窄。尤其當品牌希望接觸新顧客時，單靠第一方顧客數據未必足夠。我們建議大家充分利用外部第三方數據來豐富自己的數據庫，以制定更準確的策略吸引新顧客。
相關文章
AI：AI 在 F&B 的七大應用，解構人工智能如何影響餐飲業
從餐廳營運到顧客體驗，AI 正掀起一場革新浪潮，為這個傳統行業注入新活力。今天我們來深入探討人工智能在餐飲業的應用趨勢，以及它如何為食肆帶來的改變。
CRM：你需要知道的 4 種 CRM 系統：助你輕鬆管理顧客關係！
業務增長，顧客資料管理也越來越複雜？別擔心，CRM 系統能幫你解決這個難題！但市面上 CRM 系統種類繁多，如何選擇最適合的呢？
Ecommerce：開網店必看! 認識 6 大網店新手常忽略的重要事項，讓你贏在起跑線
開設網店看似簡單，但實際上隱藏著許多鮮為人知的細節、策略及部署。讓我們一起探索網店新手經常忽視的六大關鍵事項。