<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><span style="color: rgb(0, 0, 255);">重點新聞(0114~0127)</span></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Google </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> FLoC </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Topics </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">Google以新廣告追蹤技術Topics，取代遭到大家唾棄的FLoC</span></strong></p>
<p><a href="https://www.ithome.com.tw/news/142445">Google去年初發表並開始測試的「群組聯合學習」（Federated Learning of Cohorts，FLoC）</a>目標式廣告技術，由於遭到各方的唾棄，去年7月底終止了對FLoC的實驗，但近期又<a href="https://blog.google/products/chrome/get-know-new-topics-api-privacy-sandbox/">發表了用來取代FLoC的Topics</a>。Topics與FLoC一樣，皆為基於使用者興趣的目標式廣告技術，由瀏覽器的歷史紀錄來判斷使用者有興趣的內容，並將它們依主題分門別類，像是旅遊或健身等，而這些主題都只會在使用者的裝置上保留3周，並不會傳送至任何伺服器上。當使用者造訪一個參與Topics技術的網站上，Topics則會從裝置上過去3周的主題紀錄中，挑選3個主題與網站來與廣告主分享。</p>
<p>Google也預計在Chrome瀏覽器中提供使用者控制機制，讓使用者能夠查詢所被記錄的主題，還能移除特定的主題或直接關閉Topics功能。且為了避免使用者的敏感資料被歸類，Topics會忽略性別或種族等資訊。（<a href="https://www.ithome.com.tw/news/149080">詳全文</a>）</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> The Trade Desk </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 數位家外廣告 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 程序化廣告 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">TTD程序化廣告平臺觸及臺灣數位家外廣告市場，連美髮店、市府轉運站螢幕都能更精準投放廣告</span></strong></p>
<p>全球最大廣告需求方平臺（DSP）業者The Trade Desk（TTD），近期宣布要透過第三方廣告供應方平臺（SSP），與臺灣兩家數位家外（DOOH）媒體合作，分別是搜賣傳媒及統一數網，將程序化廣告的露出管道，觸及數位家外廣告市場，這些廣告播放場所包括近千家美髮沙龍店面中的聯網螢幕、統一時代百貨美食街、市府轉運站售票大廳等數位家外廣告版位。對企業來說，未來透過TTD的程序化購買平臺，就能更精準的在數位家外螢幕上投放廣告，還能即時追蹤並評測廣告活動成效，彈性調整廣告策略，甚至能獲得廣告活動洞察報告等。</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E5%9C%961%E3%80%81%E6%90%9C%E8%B3%A3%E5%82%B3%E5%AA%92%E9%AD%94%E9%AB%AE%E9%8F%A1%E5%9C%A8%E5%85%A8%E5%8F%B0%E8%BF%911%2C000%E5%AE%B6%E7%BE%8E%E9%AB%AE%E6%B2%99%E9%BE%8D%E9%83%BD%E8%83%BD%E7%9C%8B%E5%88%B0%EF%BC%8C%E8%81%9A%E7%84%A6%E5%A5%B3%E6%80%A7%E7%B6%93%E6%BF%9F.jpg" style="width: 700px;" /></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 圖嵌入理論 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 用戶特徵 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 廣告投放 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">Line臺灣用圖嵌入理論描繪用戶輪廓，比對找出潛在客群來投放廣告</span></strong></p>
<p>為了吸引用戶使用特定的Line服務，Line臺灣資料工程師Johnson Wu在Line臺灣開發者大上分享，如何在廣告技術上運用圖嵌入理論，在眾多的Line使用者中，找出更多特定服務的潛在用戶。比如A用戶會在Line上聽音樂、購物、看漫畫等，而B用戶只會在Line上聽音樂，但B可能也是Line漫畫或購物服務的潛在客群，若能對他們投放廣告，就有機會讓用戶觸及更多服務。</p>
<p>在這個問題上，Line臺灣運用了大量Line Family服務的用戶使用記錄，組建了一個龐大網絡，同時運用圖嵌入理論，將網絡上的節點（使用服務的用戶）轉化成有意義的特徵，並運用這些特徵來描繪用戶輪廓，比如喜歡閱讀特定類型的新聞、參加特定類型的集點活動、喜歡購買某類商品等。而因應不同的服務內容、數量、性質的差異，團隊也能設計不一樣的圖嵌入模型來因應，比如針對較為簡單的模型，適合用能快速訓練、重複應用的理論來訓練模型；針對複雜的網絡與數據，則可以用GraphSAGE演算法、注意力模型的圖嵌入網路（Graph Attention Network）等進行訓練。</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%8812_57_44.png" style="width: 700px;" /></p>
<p>Johnson Wu實際舉例，若要吸引更多官方帳號的用戶使用任務牆（Line Points Wall）服務，首先，團隊先蒐集使用任務牆與Line官方帳號的使用者網路，找出同時使用任務牆與官方帳號的用戶群，以及僅使用官方帳號但未使用任務牆的用戶群。接著，透過圖嵌入模型來描繪用戶輪廓、將用戶分類，比如團隊就發現，使用任務牆的許多官方帳號用戶，喜歡累積點數的行為不同，有些偏好透過購物、有些偏好加好友或官方帳號、有些則偏好閱讀廣告或影片。在找出特徵並進行兩用戶群的特徵比對後，就能進一步排序出對任務牆更有興趣的官方帳號用戶，並對其投放相關廣告。</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%8812_57_58.png" style="width: 700px;" /></p>
<p>Johnson Wu指出，模型上線後，近三個月來，任務牆新用戶的累積趨勢顯著提升，每月新用戶自然增加率的占比上，模型帶來的用戶占比已經達到25～50%以上。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 增益模型 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 廣告投放 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 用戶購買意願 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">Line臺灣用增益模型評估廣告對用戶購買意願的影響，找出可被說服的受眾投放廣告</span></strong></p>
<p dir="ltr">為了推廣特定創作者的貼圖，Line會透過點數回饋這類廣告形式的推播，來提升用戶的購買意願。不過，如何在預算有限的情況下最大化廣告成效？Line臺灣資料工程師Charlie Tang在Line臺灣開發者大會上分享Line資料工程團隊的做法。</p>
<p dir="ltr">首先，團隊從用戶層面著手，根據他們接受廣告的反應區分為四種族群。一是Line貼圖的忠實顧客，由於無論如何都會購買貼圖商品，廣告對於他們並無影響；二是默默在購買貼圖的用戶，受到干擾反而會產生負面想法，廣告對他們而言有負向作用；第三類則是無論如何都不會來購買貼圖的用戶，廣告對他們來說也沒有影響；最後一類，則是可被說服的用戶，雖然他們本來並不想購買貼圖，但若給予一點獎勵或回饋，就有機會說服他們進行購買。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%8812_58_24.png" style="width: 700px;" /></p>
<p dir="ltr">「如果可以把廣告投放在可被說服的人身上，避開另外三種人，就有機會將廣告成效最大化。」Charlie Tang點出，可被說服的群體，才是真正會受廣告影響的用戶群。為了找出這一群用戶，Line採用了增益模型，來評估廣告對於用戶購買意願的增益。這個做法相較於傳統響應式模型，可以更好地區別出忠實顧客與可被說服客群之間的差別，以節省更多廣告成本。</p>
<p dir="ltr">Charlie Tang也說明，如何運用增益模型來找出可被說服的用戶群。首先，團隊透過A/B Testing從Line貼圖用戶之中，找出相似的用戶群，並隨機抽取兩組具有代表性的樣本，作為控制組與實驗組，並設定僅實驗組的人會收到廣告，來確定兩組樣本購買行為的差異，來自於廣告投放的效果，進而讓增益模型有能力去推論廣告的影響力。</p>
<p dir="ltr">實作過程中，團隊將顧客是否在廣告期間內產生轉換，設為首要目標變數，同時也分析兩組用戶的廣告轉換率數字及差異顯著性，來確認廣告是否有效、是否適合用於增益模型的學習。不只如此，團隊也會針對顧客特徵，搜集過去一個月的歷史資訊，透過顧客對貼圖的瀏覽、購買與使用行為，來描述顧客對於貼圖產品的涉入程度。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%8812_59_07.png" style="width: 700px;" /></p>
<p dir="ltr">有了這些資料後，團隊運用增益模型中的S-Learner進行建模，先將兩組樣本混合在一起，並且建立一個控制變數稱為treatment，以treatment=0或1，來標示該樣本是屬於實驗組還是控制組，再訓練一個單一的分類器，根據用戶的歷史貼圖使用與瀏覽行為，來預測其購買貼圖的機率是多少。此時，透過調整treatment，就能取得一個用戶收到、未收到廣告分別的購買機率，最後將兩個數值相減，則可以得到增益（uplift），得知廣告如何影響一個人的購買意願與程度。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%8812_59_30.png" style="width: 700px;" /></p>
<p dir="ltr">透過這個模型，未來投遞廣告時，操作者就能將所有Line貼圖的用戶行爲輸入模型，推論不同用戶受廣告影響的增益效果，並依照他們的增益進行排序，再根據預算限制與目標，來決定投放的人數比例。這個模型也已經實際用在官方帳號廣告投放上，藉由減少訊息投放、降低成本，來提升廣告的投資報酬率與獲利。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> RFM </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> CLV </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 用戶分群 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">如何找出高價值用戶？Line臺灣結合RFM與CLV模型對用戶貼標分群</span></strong></p>
<p dir="ltr">在資源有限的情況下，Line臺灣也希望與對的顧客溝通，優先將行銷預算花在最有價值的用戶群上，來提高營收、加速企業成長，「但要如何找出這群人？」Line臺灣資料工程師Nina Cheng指出，Line臺灣透過RFM與CLV模型來進行用戶分群，讓行銷人員能與不同群體進行有效溝通。</p>
<p dir="ltr">就如認識新朋友，通常會針對朋友的喜好與他互動，來建立良好的關係，Nina Cheng指出，這個觀念同樣可以套用到認識顧客之上，透過用戶的歷史購買行為，包括最近一次的消費時間點（Recency）、消費頻率（Frequency）與消費金額（Monetary），也就是運用RFM模型，來了解顧客的歷史價值。「但我們更在意的是，他未來還不會再來買。」因此，團隊也訓練了機器學習模型來預測顧客的未來價值，也就是顧客終身價值模型CLV（Customer Lifetime Value），不僅能提早預知顧客行動來布局，且綜合過去與未來顧客價值評估，還能透過適當的行銷操作，進一步推升用戶的潛在價值。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%881_02_33(1).png" style="width: 700px;" /></p>
<blockquote><p dir="ltr">RFM資料示意圖。</p>
</blockquote>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%881_00_10.png" style="width: 700px;" /></p>
<p dir="ltr">實際操作上，團隊會先透過大量歷史交易資料，來計算每位用戶的RFM三個數值，再透過三個數值的大小，在三維空間中切分出八群人，但Nina Cheng點出，「如何切出那一刀，就是一個困難點。」因為在原始數據中的資料分布極為不均，按中間值來切分，仍無法有效區分出屬性相似的用戶。因此，團隊採用聚類分析（Clustering）的技術，比如將資料映射到R、F兩個維度上之後，先透過Clustering找出資料中的代表點再進行切分，如此一來，切分出來的8組群體會更具代表性，能找出真正高價值的顧客。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%881_01_16.png" style="width: 700px;" /></p>
<p dir="ltr">下一步，則是要透過CLV模型預測顧客未來的價值，Nina Cheng指出，CLV模型的整體架構，是透過人口統計、瀏覽記錄、購買歷程、官方帳號互動的行為，從中萃取出上百種特徵來進行建模，團隊會運用過去450天的資料，來預測一個用戶未來180天內，可能帶來多少價值。而在預測結果上，團隊並非將每位顧客的確切價值估算出來，而是將這個問題重構為分類問題，根據預測的價值高低將用戶分為三類，分別是高、中、低價值的客戶，透過為每個用戶貼上標籤，來作為後續進一步利用的基礎。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%88%AA%E5%9C%96%202022-01-27%20%E4%B8%8B%E5%8D%881_01_28.png" style="width: 700px;" /></p>
<p>結合RFM與CLV，就能提供行銷人員清楚、可解釋的用戶分群，以便對不同的顧客群進行有效溝通。比如一位過去RFM價值都非常高的人，在經過CLV預測後，發現他未來的價值降低，此時，就能進一步留存（Retain）該位用戶；又或是透過CLV預測到一位用戶未來的價值很高，但從RFM來看，卻發現他RF高、M較低，這時，也能對他進行向上銷售。實際與Line旅遊服務合作後，團隊平均能將點擊率推升到將近3倍，在有價值的顧客上，甚至能將點擊率推升到6倍之多。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ML開發規模化 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 自動化 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 模組化 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">建立自動化與模組化ML開發流程，Line臺灣要將Martech服務規模化</span></strong></p>
<p dir="ltr">Line臺灣在運用Martech來輔助廣告行銷後，也遇到一個棘手問題：如何將ML模型規模化？尤其，Line的服務多樣，許多服務都會面臨獲新客、評估用戶價值的挑戰，但是，若要讓模型應用到不同場景，可能面臨資料儲存在各自服務的資料庫中、命名規則不同、儲存格式不同等問題。</p>
<p>Nina Cheng指出，Line臺灣工程團隊的做法，是把不同的資料來源進行整合，存放在統一的資料倉儲平臺，以達到集中化；同時也透過資料正規化，處理不同資料來源的資料，並把取得的特徵值存放在Feature Store，以供後續的Pipeline快速存取，省下重複計算的資源；團隊也將Pipeline模組化與自動化，若新服務產生獲客、提升營收等問題，只要擁有足量資料，就能直接利用Pipeline來訓練新模型。目前，Line臺灣的Family Service中，至少已經有5個服務使用了這套自動化與模組化的ML開發流程，來建立Martech服務與應用。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 零售科技 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Amazon Style </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 虛實整合 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">Amazon要開實體時裝店Amazon Style，以科技輔助服飾推薦與試穿，更提供虛實整合購物體驗</span></strong></p>
<p><a href="https://www.aboutamazon.com/news/retail/amazon-reimagines-in-store-shopping-with-amazon-style">Amazon宣布</a>，今年將在洛杉磯的Americana at Brand廣場開設該公司首家實體時裝店Amazon Style，要將Amazon線上商店的流行服飾於實體店面提供。商店中運用了多種零售科技，比如消費者只要透過Amazon Shopping行動程式掃描商品的條碼，就能馬上得知它的尺寸、顏色與評價等詳細資訊；若在行動程式上選擇欲試穿的服飾及尺寸，它們就會被送到試穿室，試穿之餘，消費者還能透過試穿室中的觸控螢幕瀏覽其它選項，要求送來其它尺寸或是Amazon推薦的服飾，也可直接將服飾送達結帳櫃臺。</p>
<p>不只如此，Amazon Style也提供消費者虛實整合的購物體驗，讓消費者可以在門市試穿，自網路購買；或者是在試穿之後存放於Amazon Shopping程式上，以利之後購買；又或是在網路上購買時直接要求送至門市，試穿後若不滿意則可直接退貨。（<a href="https://www.ithome.com.tw/news/149012" target="_blank">詳全文</a>）</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/0122-Amazon%20Style-600-1(1).png" style="width: 700px;" /></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Adobe </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 行銷人 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 科技工具 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;">Adobe：科技與數據之於行銷更加重要，但破碎化Martech應用是未來的一大挑戰</span></strong></p>
<p>Adobe Workfront去年發布了一份採納了1,100位行銷人意見的調查報告（Tomorrow’s CMO）。這份報告點出，未來的行銷領導人更重視科技帶來的效益，比如有34%行銷人認為，科技可以更好的改善工作流程與資料使用，也能改善即時工作狀態的可見度（33%），以及讓他們更清晰也更有自信的轉換業務優先順序（32%）。</p>
<p>行銷人也將更加依賴資料來進行決策、創新、測試與改變，比如有近8成的行銷人會常態性的使用數據來做出行銷決策，也有超過7成5的企業，已經靠技術來管理多樣的活動、專案和創意資產，也透過數據來精簡行銷工作流程和資源、制定客戶體驗旅程，以及向企業其他部門展示行銷工作的價值等。因此，68%行銷人希望在未來對技術層面進行投資，來推動企業創意的提升和流程優化。</p>
<p>不過，雖然科技能對疫情間的行銷工作帶來支持，但企業Martech堆疊的破碎化性質卻使行銷變得更加困難，有近7成的行銷人認為，他們的Martech堆疊不能有效地適應遠距工作，也有63%行銷人認為，用來管理行銷工作的工具已經過時了，並沒有讓他們的工作更加容易。因此，需要透過簡化與精簡Martech工具堆疊來調整工作策略，讓團隊以最好的方式來執行工作，這是未來行銷的一大挑戰。</p>
<p>研究調查也顯示，未來的CMO需要發展多元技能才能成為靈活的領導者，以推動組織的創新和增長。這些技能包括：資料分析、財務、專案管理和協調工作（31%），管理和激勵員工（26%）， 以及業務策略與數位化轉型（21%）等。（<a href="https://www.workfront.com/resources/tomorrows-cmo-marketings-generation-change" target="_blank">詳全文</a>）</p>
<p dir="ltr"><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 更多Martech動態 </span></strong></span></strong></p>
<p>1.<a href="https://www.ithome.com.tw/news/149091" target="_blank">Line CLOVA AI產品中文化落地臺灣，今年新推CLOVA Note，CLOVA Chatbot更推出三種部署版本</a></p>
<p>2.<a href="https://www.ithome.com.tw/news/149001" target="_blank">Google Analytics被判違反GDPR，Google呼籲歐美建立新的資料傳輸框架</a></p>
<p>3.<a href="https://www.ithome.com.tw/news/148940" target="_blank">Walmart有意發展加密貨幣與NFT</a></p>
<p>4.<a href="https://www.ithome.com.tw/news/148975" target="_blank">Google針對零售商推出能精確預測需求的工具Vertex AI Forecast</a></p>
<p>責任編輯／翁芊儒</p>
<p>圖片來源／Line臺灣、搜賣傳媒、Amazon</p>
<p>資料來源：iThome整理，2022年1月</p>
</div></div></div>
