过去，消费者会依赖熟悉的售货员（或街坊小店的店主）帮助自己找到想要的东西。而这位售货员会根据自己对顾客的了解，或者能够迅速推断出的顾客信息，准确找出正合顾客心意的产品，而且经常建议顾客购买一些他们没想到的其他商品。不过，这已是陈年旧景。如今的顾客，被纷繁的信息和多样的选择弄得心烦意乱，很难找到最符合自身需求的产品或服务。许多零售场所一线销售员经常人手不足，且所知有限，不可能再现以前人情味十足的购物氛围。至于网上购物，顾客仍然主要靠自己来甄别商品。

这种令人遗憾的状况正在改变。信息技术、数据搜集和分析学方面的进展，使得公司能够为顾客提供类似于甚至优于店主推荐的购物建议。各公司开始利用日益精细化的数据——从详细的人口统计特征到消费心态，再到消费者网上点击量——创建高度定制化的购物建议，在合适的时刻以合适的价格，通过合适的渠道，引导顾客购买“合适”的商品或服务。这些建议被称为“下一个最佳购物建议”（next best offer，NBO）。让我们看一下微软公司（Microsoft）是如何通过电子邮件成功推销其搜索引擎“必应”（Bing）的。这些电子邮件在打开的一刹那根据其接收者度身定制。在0.2秒之内（接收者无法察觉这一延时），高级分析软件基于接收者的实时信息，包括地址、年龄、性别、历史在线活动和即将进行的在线活动数据，以及其他顾客的最新反应，综合处理后提出一个购物建议。这些电子邮件广告将用户转化率提高了70%之多，这一比率要远远高于非定制化的类似营销手段。

构建NBO的技术与战略在不断发展，但迟迟不在这方面采取行动的公司会发现，自己的顾客已转投先行一步的竞争对手。微软只是其中一例，其他公司也展现出了精心设计的NBO所具备的商业潜力。然而，根据我们对几十家零售、软件、金融服务和其他公司NBO策略所做的研究，包括与15家先锋企业的高管进行的访谈，我们发现，即使有公司在做NBO，往往也是做得相当糟糕。大多数NBO搞一刀切或选错对象，比如，向那些早已购买此项产品或服务的顾客推销。一家零售银行就发现，自己的NBO更可能让顾客反感，而不是增加销售。

公司可以运用顾客分析来实现各种期望目标，但无论从潜在投资回报率（ROI）还是从竞争力的提升来看，NBO项目提供的价值可能都是最大的。在本文中，我们提供了一个构建NBO的框架。或许你不能马上实施所有这些步骤，但是要想改进你的购物建议，你必须分阶段推进每一个步骤。

确定目标

许多公司在NBO行动上栽了大跟头，不是由于缺乏分析能力，而是由于缺乏清晰的目标。因此，第一个问题是：你想达到什么目的？增加收入？提高顾客忠诚度？扩大钱包份额（share of wallet）？还是吸引新顾客？

总部位于英国的零售企业Tesco， 将NBO策略的目标定为：通过会员卡项目发送定制优惠券，增加对常客的销售额，提高其忠诚度。如罗兰· 拉斯特（Roland Rust）及其同事所述（参见本刊2010年2月号《再思营销》一文），Tesco通过会员卡跟踪顾客光临了哪家门店，买了什么东西，如何付款。这让公司能够根据当地偏好调整商品，并在从超级市场到街坊小店的各种门店形式中，为顾客提供个人定制化选项。例如，拥有会员卡的顾客第一次在Tesco购买尿不湿后，不仅会收到婴儿湿纸巾和玩具的优惠券，还会收到啤酒优惠券，因为有数据显示，初为人父者由于泡吧时间减少，会购买更多的啤酒。最近，Tesco尝试了抢购活动，结果使某些会员卡优惠券的兑换价值达到原来的三倍之多，实质上也就使选定顾客能得到更多更好的优惠。倒计时机制显示了促销活动还有多长时间会结束，产品多快会销售一空，造成了紧张感，推动顾客做出响应。结果，某些产品90分钟内就全部售完。

Tesco的NBO策略力求扩大顾客的采购范围，但它也针对常客经常购买的产品推出优惠活动。正是由于精心设计并创造性地实施了NBO，Tesco公司达到了8% ～ 14%的优惠券兑换率（redemption rate），远远高于百货行业一般公司1% ～ 2%的优惠券兑换率。微软公司对“必应”搜索引擎的NBO则制定了一套不同的目标：让新顾客试用这项服务，将它下载到智能手机中，在浏览器中安装必应搜索工具栏，将它设置为默认搜索引擎。

一开始就明确目标非常关键，必要时修正目标也同样重要。低成本DVD租赁公司Redbox一开始用电子邮件和优惠券网站让消费者熟悉他们的自助租片机。自助租片机是一种新型零售概念，但人们很快就开始习惯了自动化的影碟租赁服务。随着业务的增长，Redbox的高管们意识到，要想在保持低成本模式的同时增加利润，他们需要说服消费者一次租借多盒DVD。因此，他们改变了NBO策略，从吸引新顾客变为给租借多盒DVD的顾客打折。

采集数据

为创建有效的NBO，你必须采集和整合关于顾客、产品和购物背景的详细数据。

了解顾客 对定制NBO有帮助的信息可以是一些比较容易获得或推演出来的基本信息，比如年龄、性别、子女数目、住址、收入或资产、与消费心态有关的生活方式、行为数据等。历史购买记录经常是推测消费者下一次购买行为的最好指南，但这一信息可能较难获得，尤其是对于线下购买。像Tesco所采用的会员卡项目，可以成为追踪消费者购买模式的强大工具。

一方面，公司努力（有时是费尽心机）搜寻常见类型的消费者数据；另一方面，社交本地化移动信息（SoLoMo）越来越容易获得，这当中有大量的新型数据可以挖掘。公司开始根据顾客某个时刻的所在地点、其社交媒体帖子上所提及的兴趣，甚至其朋友们在网上正购买或讨论的东西，来构想适合这位顾客的产品。

手机社交服务网站Foursquare公司就是一个例子，它根据消费者光顾某一零售门店的次数来提供定制化产品。另一个例子是沃尔玛（Walmart），它收购了新创社交媒体技术公司Kosmix，将其并入自己新成立的数字战略部门@WalmartLabs，以利用消费者的SoLoMo数据提供最合适的产品。该部门有一个项目是根据购物者的社交媒体兴趣，预测其在沃尔玛网站上的购物活动。沃尔玛还在研究基于位置的技术，帮助顾客在沃尔玛的巨大门店内找到自己想要的产品。服饰零售商H&M公司与网络游戏公司MyTown合作，收集并利用顾客的位置信息。假如潜在顾客在H&M门店附近用移动设备玩游戏并且进店签到，H&M会奖励他们积分和虚拟服装；如果他们扫描店内的促销产品，就可获得抽奖机会。早期结果显示，在线登记的70万名顾客中，有30万人进店扫描了商品。

许多零售商关注如何实时利用顾客的位置信息：顾客曾经去过哪些地方，也能透露出关于他们的很多信息。仅在美国，移动设备每天就向电信供应商发回多达6，000亿条带有地理位置标示的数据。软件分析公司Sense Networks 开发的一款应用软件，可以将某位消费者的动向与数十亿个关于其他人动向和特征的数据点进行比较。利用这一位置的历史资料，它可以估计消费者的年龄、旅行方式、财富水平和下一步可能前往的地点等。这些信息对于创建高度定制化的NBO很有帮助。

了解产品

除非公司有关于自己的产品或服务的详细信息，否则它很难确定哪种产品或服务对消费者最有吸引力。对某些产品，比如电影，第三方数据库会提供产品特性，租赁或出售影碟的公司可以据此猜测，如果你喜欢一部有特定演员或某类情节的影片，你也可能喜欢另一部。但在其他零售行业，比如服饰或百货，要归纳产品特性就困难得多。例如，同一件毛衣，各生产商不会一致把它归为“前卫类”或“传统类”。它们甚至也没有清晰、标准化的颜色分类。因此，零售商必须花大量的时间和精力自己归纳产品特性。Zappos公司有三个部门共同协作，对顾客搜索进行最优化处理，提供最有效的鞋款选项。即使当特性被缩小为产品类型、风格、颜色、品牌和价格时，一款鞋子还是会有超过40种材质样式—— 有珠光的（pearlized）、拼缀型的（patchwork）、鹅卵石花纹的（pebbled）、细条纹的（pinstripe）、螺旋花纹的（paisley）、圆点花样的（polka dot）、格子状的（plaid）等等，以上还仅是以字母p 开头的一些式样。

如果没有一个对产品特性进行详细分类的系统，Zappos公司就不可能知道某位顾客过去经常购买螺旋花纹的鞋子，因此也就不可能明白，它应当把螺旋花纹的鞋子纳入给这位顾客的NBO当中。

同样，没有良好的分类系统，百货商们就不能轻易确定哪些产品会吸引富有冒险精神的顾客，哪些产品会吸引具有健康意识的顾客，哪些产品会吸引一分钱想掰成两半花的顾客。当Tesco想确定哪些产品能吸引爱冒险尝试的顾客时，通常会先推出一款在某个国家被公认为大胆选择的产品——比如说在英国，或许就是泰国绿咖喱——然后分析做出这一大胆选择的顾客所选购的其他产品。如果购买绿咖喱的顾客也频繁购买鱿鱼或芝麻菜，这些产品就具有很高的相关系数。

了解购买背景 最后，NBO还必须考虑下列因素：顾客接触业务的渠道（面对面、电话、电子邮件、网络）、接触的原因及环境，甚至能反映出顾客心情是平静还是难过的音量和语调。对最后一个因素，情感探测软件很有用。美国银行（Bank ofAmerica）了解到，当顾客使用ATM机时，向他们推荐抵押贷款产品效果不佳，因为顾客既没时间也没意愿了解这些产品，而当顾客步入银行时，他们可能更乐于接纳这些产品。同样地，来电向客服投诉的顾客对你推荐的产品不大可能有什么回应，但他们在别的时间收到推荐产品的电子邮件又可能会欢迎这一建议。

其他可能影响NBO设计以及顾客对此反应的背景因素还包括天气、一天中的哪一时段或一周中的哪一天，以及顾客是孤身一人还是结伴同行，等等。虽然点击量和最近的在线购买数据能够为制定在线NBO策略提供指导，但在某些情况下，比如机票定价方面，时段和星期几很重要：航空公司可以在周日晚上提高票价，因为那一时间搜索的人比平常多。我们研究的一家中国鞋类零售商在测试针对主要购物者同伴的产品。当一位女士和她的丈夫走进鞋店时，通常这位女士是主要购买者，零售商的NBO策略通常是为她的丈夫推荐一款相对便宜的鞋子。之所以做出这样的推荐，是因为公司洞察到，陪伴妻子购物而自己购物积极性不高的丈夫，要比独自寻找特定产品的丈夫，对价格更敏感。

当然，除此之外还有无数其他的背景因素，这取决于业务和顾客的性质。

分析与实施

最早的预测性NBO策略是由亚马逊公司（Amazon）和其他网络公司创建的，它们基于相对简单的交叉购物关系，开发了“购买这一物品的人还购买了哪一物品”的提示条。但这些提示并不是基于对顾客或产品特性的深入了解，因此是一个比较笨拙的工具。更有针对性的购物建议应当是基于顾客本人的历史购买行为，但即便是这样的建议，也是出了名的不分青红皂白。比方说，你帮一位欣赏口味跟你不同的朋友买了一本书或一盘CD，那么你以后收到的推荐清单就完全不是你想要的了。

有些公司系统地搜集有关顾客、产品特性和购买背景等信息，它们就能够提供更加精微也更加有效的购物建议。统计分析和预测模型能根据这些原始的信息源创造出一个综合数据宝藏，比方说，它们能够估测顾客回应其移动设备上收到的交叉销售折扣信息的可能性。公司依据消费行为细分和其他高级的数据分析手段，综合考虑顾客的人口统计特征、消费态度、购买模式和相关因素，就可以分辨出那些最有可能流失的顾客。掌握了这些信息和顾客的预期终生价值，公司就能够确定对顾客的NBO是会促使还是防止顾客流失。本文不对营销数据分析做深入探讨，但加里· 利连（Gary L. Lilien）和阿尔温德· 兰加斯瓦米（Arvind Rangaswamy）于2002年出版的Marketing Engineering 一书对主要的分析、定量和计算机建模技术提供了完整的综述。

尽管此类分析会产生大量可能有效的购物建议，但接下来甄选建议这一步就必须由商业规则来主导。当分析显示顾客购买几款产品中任何一款的概率相同时，就应该根据商业规则来确定该推荐哪一款产品。假如分析表明太多接触会降低顾客回应率的话，那么就应该根据商业规则限制对顾客的总体接触频率。这些规则往往超越了预测模型的逻辑，为更广泛的战略目标服务，比如将提高顾客忠诚度置于销售最大化的目的之上。

一个精心设计的NBO是否良好，递交方式很重要。换句话说，一份精彩的电子邮件NBO假如从未被打开，那就跟没存在过一样。NBO应当面对面地提供给顾客吗？还是放在店内的服务终端上？发送到移动设备上？打印在收银条上？答案往往很简单：与顾客接触的渠道，就是递交NBO的合适渠道。例如，CVS连锁药店的顾客只要在店内的服务终端上刷ExtraCare积分卡，立刻就能获得定制化的优惠券。

然而， 有时候应当区分吸引式渠道（inbound channel）和推出式渠道（outboundchannel）＊。复杂的建议不应通过简单的渠道递交。回顾此前提到的美国银行在提供抵押贷款产品建议方面的经验：人们很快就发现，ATM机这个吸引式渠道其实是一个糟糕的推出式渠道，因为抵押贷款产品对那一环境而言实在过于复杂。同样，许多客户服务中心的销售代表对顾客需求和产品细节了解不够充分，因而无法提出有效的购物建议——如果销售代表的主要目的只是完成简单的销售或服务交易，这一点就尤为突出。

公司经常通过多种渠道对购物建议进行测试以确定最有效的渠道。在CVS连锁药店，ExtraCare卡的购物建议不仅通过服务终端，也通过收银条、电子邮件和定向传单送达，最近还通过直接发到顾客手机上的优惠券方式递交。墨西哥快餐连锁店Qdoba Mexican Grill为了拓展其顾客忠诚度计划，在一天或一周中特定时刻向顾客的智能手机发送优惠券，以增加销售额，并让需求量保持平稳。它在大学附近开展深夜促销活动，使优惠券的兑换率达到了40%，而Qdoba整个项目的优惠券兑换率平均为16%。星巴克公司（Starbucks）用了至少10种网上渠道来递送有针对性的购物建议，衡量顾客的满意度和反应，开发相应产品，并加强品牌的号召力。例如，它推出了智能手机应用程序，让顾客能收到基于SoLoMo信息的定制化食品、饮料和商品促销广告。

诺思通百货公司（Nordstrom）等高端零售商，以及拥有富裕客户的金融服务公司，投入巨资帮助销售人员掌握产品知识，培养他们理解顾客需求和建立关系的能力。对这些公司而言，人是提供购物建议的最佳渠道。许多公司设计了多种购物建议，并根据预测模型对它们进行分类整理。这些预测模型会根据历史购买记录或其他数据，对顾客接受这些建议的倾向性进行排序。销售人员或客服代表则根据同客户的对话、客户对某一建议表现出的兴趣，甚至客户与销售人员之间的自在程度，实时地从这些建议中进行甄选。将人为判断与预测模型相结合，比起单纯依靠模型的推荐更加有效。例如，坚持让客服代表每次都提供具体的购物建议，实际上不但会降低客户接受购物建议的可能性，而且会降低他们购买后的满意度。投资公司T. Rowe Price 让呼叫中心客服代表向特定顾客群提供购物建议，但公司得出的结论是，如果客服代表在超过50%的互动活动中提供了购物建议，他很可能就没有真正贴合顾客需求。

学习与发展

创建NBO是一门不算精确但在持续改进的科学。像任何科学一样，它需要实验。有些建议的效果要优于其他建议。公司必须衡量每个购物建议的表现，吸取经验教训。正如CVS连锁药店的一位高管所说，“把每个建议都想象成一项测试”。

公司可以根据其NBO的表现总结经验法则，以指导未来购物建议的设计，直到新数据显示这些法则需要重新修正为止。经验法则因公司而异。我们在研究中发现了领先公司所采用的一些法则：

运动鞋公司Footlocker ：通过社交媒体只推销前卫的鞋子。

连锁药店CVS ：对顾客先前购买过的产品提供折扣。

山姆俱乐部（Sam‘s Club）：对顾客还没有购买过的产品类别提供相关建议，并增加顾客忠诚度积分。

诺思通百货公司：通过售货员与顾客面对面活动来提供购物建议。

经验法则应当通过基于数据和事实的分析获得，而不是根据常规或传言。上述规则已经过测试，但随着时间的推移，它们需要接受挑战和重新测试，以确保持续有效。

同时，随着顾客数据的收集与使用日益复杂，与NBO策略相关的法律、伦理和监管问题也在快速发展。当公司热衷于NBO实验时，应谨防跨越法律或伦理界限。

任何一家公司要把每种可能的顾客、产品和背景变量都纳入NBO模型中是相当困难的，但没有一家零售商可以不用搜集人口统计特征、消费心态和历史购买记录等基本数据。对大多数零售商而言，它们的顾客到目前为止，并没有对购物建议的质量和价值留下深刻印象，因此零售商应加快这一方面的工作。如今，变量和建议递交渠道的数量只会不断增加。那些不能迅速改进购物建议的公司，只会被对手远远甩在身后。

翻译：唐海东

作者简介： 托马斯· 达文波特，百森学院（BabsonCollege）信息技术和管理学教授，杰出教授校长奖获得者，德勤分析公司（Deloitte Analytics）高级顾问，国际数据分析研究所（International Institutefor Analytics）研究主任。莱安德罗· 达勒· 穆莱，花旗银行（Citibank）全球分析主任。约翰· 勒克，德勤咨询公司（Deloitte Consulting LLP）董事，主管德勤分析公司美国分公司业务，同时负责全球高级分析与建模业务。