信息市场策略/收集市场信息
在本章中，我们将从零售业务的角度探讨收集客户信息。我们将展示从自身收集消费者数据以及研究任何可用数据对公司发展有利，以便做出最佳决策。我们将比较多种数据收集方法，以及如何进行数据收集。更重要的是，我们将讨论在利用这些数据的多种选择，无论是将某些商品一起打折，还是向特定人群发送优惠券。
零售商可以使用大型数据库做很多有利于企业和消费者的积极事情。如果他们看到买饼干的人通常也买牛奶，那么他们可能想要做的一件事就是将它们放在商店里，这样如果你去买饼干，就会经过牛奶区。这不仅有助于企业销售更多商品，还能向消费者推荐他们可能想要但没有想到的东西。在古典经济学中，当我们考虑什么会影响产品的需求量时，我们唯一考虑的因素是价格。然而，当我们现实地看待超市的零售行业时，我们知道事实并非如此。有许多其他因素会影响消费者的购买行为，例如产品摆放、展示尺寸、标签外观等等。
产品外观更具体地针对的是哪种商品会卖出去，而不是是否会卖出去。例如，如果你要买冷冻蔬菜，你可能会更倾向于买用绿色包装纸包装的蔬菜，而不是用棕色包装纸包装的蔬菜，因为这会让你觉得它更健康，因为绿色与健康有关。然而，这会影响超市，因为超市经常提供他们自己的许多商品的通用品牌，如果他们能够意识到产品的包装可以改进，那么他们的产品在外观和价格上将具有相当大的优势。在消费者行为如何对不同事物做出反应方面，存在着许多变量。我们如何知道，如果只有少量水果而不是整个货架都装满水果，消费者会不太可能购买水果？对于像这样有许多变量的事情，我们唯一可以做出明智决策的方法是反复实际测试它，看看什么最有效。需要收集有关这方面的数据，以便我们了解什么最有效，以及需要做什么，但这又引出了其他问题。收集这些数据并将其转化为信息的最佳方法是什么？我们如何知道我们收集的数据会转化为有效的成果？
如果你评估的零售行业是超市，那么我们可以通过几种不同的方式收集数据。手动计数和计算机生成系统在易用性和使用价格方面无法与之相比。手动计算所有发生的事情将非常耗时，效率极低。由于技术世界的进步，有一种方法可以每当在收银机上记录某件事时自动编译这些数据。编译数据后，有许多不同的方法可以编译数据。
您可以使用必须注册的会员系统为每个消费者编译数据。另一种选择是采用开放会员政策，在这个系统中，您将编译反映整个超市的数据。我们将在稍后介绍您可能希望对数据进行排序的不同方式。
考虑虚构的消费者南希和莎莉，南希对去哪家超市没有偏好，通常在许多不同的超市之间跳来跳去。另一方面，莎莉总是去同一间超市，因为它离她家很近，而且她一直对它感到满意。南希可能在某个时候会注册其中一家超市的会员资格，但她不太可能这样做，因为她没有去同一家的习惯。然而，南希很有可能成为她超市的会员，因为她总是去同一间超市，而且如果不参加会员优惠，她会很愚蠢。这个例子表明，无论你使用什么系统，它都不可能对每个人都是最好的。了解你想要如何收集数据的一个重要方面是首先收集你拥有更多哪种类型的客户的数据，南希还是莎莉？你的消费者主要是偶尔购物者还是忠实客户？如果你能了解你所获得的业务类型，那么你就有更大的机会使用对你有效的系统。
要了解你想使用哪种数据收集方法，你需要了解你想接收哪种信息。如果你在客户基础上收集数据，而不是为你的商店收集整体数据库，你将获得可用于提供个人回扣和优惠券以提高销售量的数据。当你分析你的公司需要什么时，你就可以决定哪种方式最适合你。在决定如何收集和分析数据时，有一些准则可以让你受益。
- 明确定义数据收集的目标和目的，以便你了解研究的目的是什么，这是研究中最重要的一方面之一。即使你做其他所有事情都正确，但没有正确的数据实施目标，可能会使数据完全无用。
- 明确定义数据收集计划，例如何时记录购买产品的价格，或如何量化产品的存放位置。
- 确保数据收集的可重复性、可再现性和准确性，以便数据可靠。
有时，当我们拥有大量数据集时，我们只需使用算法来查找可以以几种不同方式利用的模式。此信息的另一个应用是利用的不仅仅是购买了什么，而是消费者的行为。一个很好的例子是查看一些航空公司，它们根据你搜索航班的方式更改同一张机票的价格。他们做了很多研究，结果表明，那些仅仅根据日期和价格搜索航班的人并不关心诸如支付餐费之类的便利设施。对这些信息的明智利用是向你收取预订行李的费用。人们在比较航班时没有意识到要考虑这笔费用，因此你最终会以与另一家航空公司相同的价格支付给这家航空公司，而没有意识到这一点。亚马逊和其他许多在线零售商展示了另一种行为分析的例子，当你在搜索商品时，在下方他们会提供一些你可能喜欢的其他商品选项。这样，当你购物时，你更有可能购买另一件商品，因为他们知道它们通常是搭配在一起的。那么，我们如何从我们的数据库到利用我们的信息呢？通过一个称为数据挖掘的过程。
数据挖掘是指从数据中提取模式的过程。随着数据收集量的增加，数据挖掘正成为将这些数据转化为信息的越来越重要的工具。虽然数据挖掘可用于揭示数据样本中的模式，但重要的是要注意，数据样本可能会产生并非总是准确的结果。在根据获得的信息做出决策之前，需要确保有足够大的样本量。同样，你必须意识到，即使某些模式存在，它们也可能不会出现在你的数据集中，仅仅因为一个模式没有出现并不意味着它不存在。要开始“挖掘”你的数据，你必须首先检查你的数据集，确保没有不一致之处。消除数据集中出现的错误，以减少在正确分析数据后得出错误结论的可能性。最终，如何利用这些信息取决于你自己。