SAP Marketing Cloud 功能概述(一)

本系列文章分享笔者所在的团队，在从事 SAP Marketing Cloud 系统集成项目中积累的一些经验以及对这个 SaaS 软件的理解，希望广大同行不吝赐教。

SAP Marketing Cloud主要解决的问题，个人理解就是实现与客户一对一的精准智能营销。

(1) 精准：准确识别目标用户。
(2) 营销：提供了多种预设定的营销模式，同时支持用户自定义。
(4) Contacts联系人

作为一个营销人员，该怎么使用SAP Marketing Cloud来推动收入和业务增长呢?

本系列的文章，会从下列六个方法来分享 Marketing Cloud 的业务功能。

(1) Contacts & Profiles
(2) Segmentation & Target Group
(3) Content & Campaign
(4) Recommendation
(5) Lead
(6) Plan

Contacts & Profiles

首先明确一些基本概念：
Contacts：联系人。
Contact Profiles：联系人参数文件，包括个人数据、交互和许可。
Corporate Accounts：公司客户，信息包含客户联系人、客户团队成员、交互等详细信息。
Followers of Digital Accounts：社交账号关注者。SAP Marketing Cloud 支持我们查看社交账号关注者，生成对于关注者获取和关注者交互的分析报表。
Sentiment Engagement：情绪互动。
在与客户进行交互的过程中，我们在不断地进行数据的收集，逐渐完善用户画像。SAP Marketing Cloud对收集的数据进行了统计和分析，营销人员可以利用这些信息，来指导营销活动的进行。

(1) Contacts and Profiles Overview宏观数据统计和图形化展示

(2) Profiles Dashboard

抬头：不同级别的交互的各项指标的变化，如公司数、活跃程度、评分、交互升级数目等。
下图中间显示区域根据左侧时间和过滤器设定进行显示：客户兴趣图形化显示（鼠标放上去可以查看交互数和打分）、按渠道对交互数目进行统计、Contact列表。

选中某部分可以直接在Target Audience处创建Segmentation model或者Target group：

按渠道对交互数目进行统计：

Contact列表，选择某Contact可以查看其详细信息。

(3) Profiles 联系人参数文件

按时间进行排序显示，可以根据需求查看Profiles。
展示信息包括个人数据、交互和许可。

Contacts列表展示了每个联系人的关键信息。您可以通过点击列表中的名称来访问单个联系人的详细参数文件(Profiles).

页面根据用户需求来显示contacts信息，用户可以直接以数据表的形式输出页面显示的contacts信息。

在这个页面我们可以通过勾选contact直接创建Target Group:

通过筛选查看相应的contacts:

支持多种筛选条件来帮助负责营销的工作人员查看contacts信息:

点击某contact查看明细信息。
Interaction标签页：显示与该客户的交互信息，用户兴趣等。

Personal Data：用户个人信息,包括联系方式、Marketing Areas和Attributes等。
Origin Data：显示信息源，并且链接Inspect contact可以查看更多信息。

Scores：分析用户信息，从多角度为该客户打分，衡量该Contact.

Permission Marketing：用户许可和订阅情况。
可以看到下图中该用户的联系方式给出了3个许可，订阅内容为0项。

Commerce：可以看到商品推荐、浏览偏好、购买记录。

(5) Profile Streaming
以3D/2D形式展示，某天与多少客户进行了多少次交互。

此处能够显示与每个渠道相关的详细信息，是Profile Dashboard的补充。

(6) Corporate Accounts 公司客户
进行My Accounts和All Accounts的查看, 可以直接通过勾选设立Target Group。

点击某Account查看详情，进入Spotlighting Accounts应用。
这一部分信息与2C场景的Contacts模块大致相似，只不过一个Corporate Account可以维护多个联系人，并设置主要联系人。

了解了 SAP Marketing Cloud里的Contacts和Profiles，下面我们继续介绍SAP Marketing Cloud里围绕Target Group这个概念的一些相关场景和功能。

(1) 根据标签细分用户：Segmentation Modeling

在Segmentation Modeling中支持以各种标签细分用户群，如商品ID、交互方式、地区、性别、生日、姓名等。数据经过统计以图形化等形式呈现。进行用户细分的方式简单方便，通过勾选或者点击等操作可以轻松实现。

(2) 预测工作室 Predictive Studio

借助Predictive Studio，业务分析师可以创建预测模型。预测模型使用算法和历史数据计算提供客户未来行为分析的评分。
场景示例：负责产品A营销的业务人员Emma想要通过一个手机营销活动，达成该产品200单的销量。

创建和使用预测模型的流程概览：

(1) 在Predictive Studio中，创建预测模型、选择预测场景，以及定义场景所需的详细信息。
(2) 为预测模型创建一个或多个模型拟合。
(3) 使用历史数据训练模型。
(4) 检查模型拟合的质量，选择最佳模型拟合并激活预测模型。
(5) 最佳模型拟合可用于计算预测评分。
(6) 在Segmentation中，基于活动的预测模型创建目标组。
(7) 在Campaigns中，针对target group运行营销活动。
(8) 在Predictive Studio中，度量营销活动的成功情况以查看未来优化活动模型的方法。

下面是具体步骤介绍。

创建预测模型

Predictive Studio页面中展示当前已有的预测模型，我们可以选择重新创建一个。

在前面提到的场景下，预测场景Scenario应该选择Consumer Buying Propensity.

进行以下设定：

Training Set: 训练集的目标组(不能超过100万成员）
Target Object: 产品A
Target Variable: 购买
Time Frame for Analysis: 指定对训练集的分析期间
Number of Responses: 训练集中购买产品A的成员数(训练集中一定要有部分人购买了产品A)
Number of Members: 训练集中成员数
Applicable Scope: 指定训练集有效的区域

设定完毕后选择save.

创建模型拟合

首先进行内部训练模型拟合。在Model Fits部分，我们可以创建模型拟合。

在模型拟合页面，我们选择与模型相关的Predictors，然后点击Start Model Training开始训练。

模型训练结束会显示如下结果，显示内容的含义分别为：

Predictive Power: 属于[0,1]，指示模型拟合质量，越大越好。
Predictive Confidence: 属于[0,1]，指示预测置信度，越大越好。我们认为大于0.95为可靠。
Initial No. of Predictors：起作用的预测其列表中的条目数。
No. of Selected Predictors：所选预测器数量。
No. of Kept Predictors：保留的起作用的预测器数量。

柱状图表示每个起作用的predictor所起作用的百分比。

上载外部训练模型拟合

除了使用SAP提供的标准预测分析模型，我们还可以上载外部训练模型拟合。需要在创建新模型拟合时，选择Logistic Regression.

在模拟拟合详细信息页面底部，点击导入模型进行导入。注意：只能导入xml格式文件。

如果模型导入成功，洛伦兹曲线会使用训练集计算且曲线会在“预测模型”图表中显示。

选择最佳模型拟合

我们可以多创建几个Model Fit，选取其中拟合效果最好的。衡量拟合效果的标准如下：
Quality Coefficient: 即质量系数（也称为基尼系数），取值[-1,1]，与随机线和模型曲线之间的面积成正比，表示模型拟合的质量。

洛伦兹曲线：即下图，将拟合质量可视化。
选择拟合最好的Model Fit进行Activate，被激活的模型会显示Active.

将预测模型用于营销活动的用户细分上

可以根据图形化界面双击某个国家对用户进行细分:

选择Buying Propensity，找到我们提前设置好的模型，在Predicted Expected Responses一栏填入我们期望的订单数200， Selected Contacts会显示目标组大小。选择Keep，确定Selected Contacts为目标组。

至此即可基于我们细分出的结果创建Target Group. 营销人员Emma可以利用这个Target Group来进行智能高效的精准营销活动。

可以看到Target Group的信息，点击Release之后，才可用于Campaign中。

评分构建器 Scores Builder

设立Score标准，补充用户画像，作为用户细分的依据。
Score Builder首页显示现有的Scores，这些Model仅能查看，不能修改。

点击查看Score详情，可以查看Score使用的Rule Model，在Segmentation Modeling中所属的文件夹，以及可以使用该Score的应用。

在Score Builder首页点击Create Score可以创建新的Score.

点击加号，创建Rule Model, 一个Score可以有多个Rule Model, 后者支持多种不同Rule的组合设定。Rule为if then形式，不同规则用"and"或者"or"连接。相比单纯在Segmentation Modeling中用标签来细分受众，Rule Model提供了多种属性按不同权重来综合衡量的可能。

将其他Target Group和Time Frame等信息填写完毕后，保存并激活。至此，Score的创建就完成了。

名为Best Email Sending Time的Score Rule，自动统计了整个客户在每个时间段内状态为Active的用户数。

我们可以选择活跃用户最多的时间段，点击Keep，再次细分受众。创建Target Group的过程同上。

根据用户行为细分——基于触发器的营销活动 Trigger-Based Campaigns

除了以上提到的方法，我们还可以根据用户行为对用户进行细分。一旦用户做出这些行为，那么就加入了我们的Target Group。这种类型的Target Group会自动触发营销活动的开启。
这类行为包含：Abandoned shopping cart/App installed/Email opened/Email not Opened/Click through/No click through等等。

这类自动触发的营销活动，在创建Campaign时需要在User Interaction中设定Trigger Type，也就是设定触发营销活动的用户行为。这样当用户做出这些操作时，系统就会自动做出反应。例如当用户废弃购物车时，向用户发送邮件，提醒用户购物车中的商品，能够在一定程度上提高网上商城的盈利。