2014 亞洲實效營銷與策略獎「數據與分析」得獎作品:麥當勞的產品喜好模型

AMES logo4

坎城創意節今年大舉將「數據與分析」加入整個行銷與創意獎系統內,首先發佈的是剛在五月份於新加坡結束評審的 AMES 亞洲實效營銷與策略獎。AMES 今年正式設立「數據與分析」(Data & Analysis)競賽項目。接下來將連續介紹 2014 年 AMES 「數據與分析」類的得獎作品。首先介紹本年度的最大獎得獎作品。

AMES 各類的最大獎是「白金大獎」,2014 年 AMES 「數據與分析」類白金大獎的得獎作品是東京 DDB 為日本麥當勞執行的個案「產品喜好模型」(Product Preference Modeling)。參加的項目是第一大類「數據與洞察類」編號 DAA04 項的「資料採掘——閱聽眾關聯性與群集分析」(Data Mining – Audience Association and Clustering Analysis)*

本項目定義是:

利用多個不同類別閱聽眾集體性或共享性決策或偏好而獲得洞察的閱聽眾策略性分析。報名本項競賽的個案,必須展現數據的測量、搜集與分析,如何提供、貢獻、增強對閱聽眾的了解或獲致洞察。

本案簡述,翻譯大會官網上公佈文件如下

日本麥當勞在過去四年已經打造出相當受歡迎的手機會員系統。系統讓消費者能每週收到折價券和消費機會。這個會員系統已經在日本麥當勞的行銷和銷售策略中占有關鍵地位,並造就日本全國銷售中相當大的百分比。

消費者是經由手機上的應用程式連接到會員系統。程式不只傳送優惠與產品訊息,也利用近場通訊(NFC)幫助在店內領取優惠。每次消費者在麥當勞店內利用 NFC 讀取裝置讀取優惠時,交易的內容以及消費者的識別碼也都被輸入到銷售時點系統(POS)內。

我們因此得以借助這些交易與消費者數據,建構一套產品喜好(PP: Product preference)模型,增進每週優惠的效果。

PP 是個預測每位消費者產品喜好的統計模型。這個模型讓我們能根據個別消費者喜好,增強溝通與特價的相關性,因此增強了消費者對麥當勞品牌的參與投入程度。根據 PP 指數設計的優惠使麥當勞得以增加銷售並減低折扣金額。

所有 AMES 「數據與分析」類得獎作品請參考 AMES 官網

* 2014 年 AMES 「數據與分析」競賽項目架構:

一、Analytics & Insight Categories 數據與洞察類

DAA01. Web Analytics 網路分析
DAA02. Social Platform Analytics 社群平台分析
DAA03. Social User Analytics 社群平台使用者分析
DAA04. Data Mining – Audience Association and Clustering Analysis 資料採掘——閱聽眾關聯性與群集分析

二、Strategy & Technique Categories 策略與技術類

DAS01. Audience Segmentation 閱聽眾區隔
DAS02. Response/Real Time Data 回應與實時資訊
DAS03. Data Storytelling 數據敘事
DAS04. Personalisation 個人化
DAS05. Single Customer View at Scale 單一消費者規模化
DAS06. Multiple Data Sourcing/Merging 多重數據集整合分析

三、Use of Data Technologies & Tools 數據科技與工具

DAU01. Analytics Innovation 分析創新
DAU02. Database Application 資料庫應用
DAU03. Social Data Tech 社會性數據科技
DAU04. Personal Data Tech 個人性數據科技
DAU05. Customer Intelligence (CI) 顧客情資
DAU06. Business Intelligence (BI) 商業情資
DAU07. Data Visualisation 數據視覺化
DAU08. Geo Database Application 適地性數據應用
DAU09. Innovative use of Data Technology 數據技術創新運用

四、Special Awards 特別獎

Platinum Award 白金大獎

One thought on “2014 亞洲實效營銷與策略獎「數據與分析」得獎作品:麥當勞的產品喜好模型

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料