每年，營銷人員都會花費數十億美元在營銷活動上，旨在吸引、留住客戶並向客戶超額促銷。然而，儘管進行了如此巨大的投資，但要確定這些舉措的實際效果以及如何改進，可能是一件極具挑戰性的事。衡量一項營銷活動投資回報率(Return on Investment, ROI)的一種常見方法是進行A/B測試：營銷人員用兩種不同的干預措施針對客戶，然後比較兩組羣體之間的結果。在使用正確分析方法的情況下，這些A/B測試可以提供有用的見解——但它們也有可能極具誤導性。

爲了弄清經常使用A/B測試的缺點，考慮一個假設的例子很有幫助。想象一下，你效力於一家大型藝術機構，該機構對其會員保留率下降憂心忡忡。你正在考慮將一份小禮物連同續約通知一起發送給你確定更有可能註銷會員身份的成員，但由於這樣做是有代價的，所以你應該確保這項干預措施在更大範圍推而廣之之前行之有效。因此，你決定進行一個小規模的試點活動，隨機選擇一組“有風險”的成員收到禮物，另一組不會收到禮物，以觀察那些收到禮物的人是否更有可能續約。

現在，假設你沒有發現收到禮物的會員和對照組的會員在保留率上有任何差異。如果你的分析就此結束，這很可能會導致你取消禮物計劃，因爲數據似乎表明，送禮對保留會員身份沒產生影響。但在更仔細審視數據後，你可能會發現，對於某一細分羣體的客戶——比如去年到訪過的那些人——禮物實際上確實大大增加了他們續約的機會，而對於長期未到訪的客戶，禮物實際上讓他們續約的可能性降低，或許是因爲這更突出地提醒了他們使用自己會員身份的頻率有多低。利用A/B測試來評估某項干預措施的平均效果可能會掩蓋一些重要的見解，圍繞這些見解，客戶可能會更願意或更不願意接受此營銷活動，從而導致營銷人員在針對哪些客戶開展哪些營銷活動方面做出錯誤的決定。

優化客戶流失預防活動

這並非只是假設——事實上，這個例子是基於我在研究中與之合作的一個真實的機構。在提高留職率方面，企業通常會找出“高風險”客戶——即，這些客戶最近的行爲或其他特徵表明，他們尤爲可能取消訂購或停止購買某公司的產品——然後進行A/B測試，以確定他們的留人活動是否對這一羣體有效。雖然這是一種可以理解的策略（你當然不應該將營銷資源浪費在那些無論如何都不會流失的客戶身上），但我的研究表明，這一策略可能會產生嚴重的事與願違的結果，因爲它會導致營銷人員做出錯誤的決定，從而在實際上降低總體留職率以及營銷支出的投資回報率。

具體而言，我在兩家正在實施留人活動的大型企業開展了實地試驗。在我的研究的第一部分中，兩家企業都制定了減少流失的干預措施，然後進行了A/B測試，對總計14000多個客戶的流失率進行跟蹤，其中一個隨機分配的客戶羣體接受了干預，另一羣體則沒有得到干預。接下來，我收集了數量豐富的客戶信息數據集，包括最近的活動及與公司的接觸、身爲公司客戶的時長、所處地點以及用於預測流失風險的其他指標，並檢驗了哪些特徵與對留人活動的積極響應相關。

我在這兩家企業中都發現，被認定爲流失風險最高的客戶不一定是留人計劃的最佳目標——事實上，客戶流失風險程度與其對干預措施的敏感度之間幾乎沒有關聯。數據顯示，有一個獨特的客戶羣體（具有特定行爲或人口特徵、在接受干預措施後流失可能性較小的客戶）對每一項干預措施都產生了強烈的反應，但這一“高敏感度”羣體與被認定爲“高流失風險”的人幾乎沒有重疊。這對投資回報率產生了嚴重影響：我的分析發現，如果兩家公司將相同數量的營銷預算用於高敏感度羣體而不是高流失風險羣體，這會讓他們的流失率分別減少5%和8%。

當然，讓客戶更有可能樂意接受留人行動的具體因素會因企業而異，甚至因行動而異。不過，像上述的那樣進行試點，可以幫助你確定哪些特徵將會成爲你預測客戶對具體干預措施敏感度的最佳因素。比如，我研究中的一家企業是一家電信公司，諸如客戶上個月的通話次數、發送的短信數量、下載的數據流量等有關行爲指標的詳細數據都可以獲取。對於這家公司而言，數據顯示，客戶最近一次與公司接觸的時間久遠程度預測出了他們的客戶流失風險程度，但並沒有影響到他們對流失干預措施的敏感度。真正預測敏感度的是他們的數據使用情況——這表明，爲了最大限度提高投資回報率，該公司應該考慮將他們的留人行動目標不要對準那些很長時間沒有接觸的客戶，而是瞄準那些使用了最多數據的客戶。

從預測到開具處方

那麼這對營銷人員意味着什麼呢？關鍵的見解是，營銷干預措施的目標應該基於每個客戶對該干預措施的預期反應，而不是基於在沒有該干預措施的情況下客戶有何預期行爲。從某種意義上說，營銷人員就像是醫生：醫生不會只對最有可能死亡的病人進行隨意治療——他們會向最有可能對治療做出積極反應的病人開具具體的治療處方。

營銷人員不應試圖預測客戶會做什麼（即，試圖確定他們的流失風險），而是應該關注不同類型的客戶會對特定活動做出的反應，然後設計最有可能有效減少特定客戶羣體流失的活動。企業不僅僅應該利用A/B測試數據來試圖衡量某項行動在所有客戶中的總體有效性，而是應該探究哪些類型的客戶會對特定干預措施最敏感。這意味着將客戶的歷史交易及人口統計數據與通過A/B測試收集的數據相結合，以發現讓客戶最有可能對特定干預措施做出反應的行爲和特徵。幸運的是，許多企業已經收集了所有這些數據——這只是一個以新的方式利用這些數據的問題。

有針對性的營銷活動這一概念並非新鮮事物——至關重要的是，要仔細考慮你在如何做出這些有針對性的決定。企業不應該只是猜測哪些因素可能表明某人是一個明顯目標，或者關注一個被視爲首當其衝的羣體（例如高流失風險客戶），而應該瞄準那些對他們正在實施的具體干預措施最敏感的客戶。爲了最大限度地提高投資回報率，營銷人員需要停止詢問“這項干預措施是否有效？”而開始問“這項干預措施對誰最有效？”——然後再相應地確定他們的活動目標。

埃娃·阿斯卡爾薩(Eva Ascarza) | 文

埃娃·阿斯卡爾薩是哈佛商學院工商管理學Jakurski Family副教授。

時青靖 | 編輯

本文來自微信公衆號“哈佛商業評論”（ID：hbrchinese），作者：HBR-China，36氪經授權發佈。