2019 成長駭客年會 - 歐美數位轉型趨勢報告 | 主講者：矽谷數位行銷平台 BloomReach 產品 & 使用者體驗總監　王禹誠 Albert Wang

-

歐美數位轉型趨勢報告

主講者：矽谷數位行銷平台 BloomReach 產品 & 使用者體驗總監　王禹誠 Albert Wang

數位體驗大進化：透過系統性的思考，來解決系統性的問題
Albert 走過了 inkling, LinkedIn, Taiwan UXD 等單位，積累數位產業頂尖的職涯經驗，一開場他呼應 Mr.PM 的 Twitter 的 case 分享，提出他在 LinkedIn 五年的一些獲得：
從資料中找 Pattern, Pattern 會轉換成 idea，而 idea 會轉化成 growth 的契機。

What is DXP? (Digital Experience Platform) 

由高度整合的核心科技組成，要能「整合、管理、優化」任何的情境化數位體驗。因現今世代的用戶體驗非常複雜，加入多螢、跨平台的介面，因此需要非常重視客戶旅程中的跨體驗掌控力，以及跨平台間的連續性。

同時，DXP 是核心控制中心，需要統整客戶的資料分析、體驗歸納、平台等。

Why DXP? 

  • From Information Web to Transactional Web 
    • 電商作為數位轉型 transactional web 的第一代，相較傳統的 Information Web 的 metrics 不同了：Revenus, Service Engagement, Core Business Metrics，參與的部門也不同：eCommerce, Product Team, IT, Growth Team
  • Web 2.0 講 social，Web 3.0 則講「網路作為一個載體，承載形塑個人的資訊」
  • Comcast Xfinity 數位轉型成功的例子：導入 AI, front-end, UX team 做組織改組，老狗變出新把戲

數位轉型「非轉不可」的理由

  • 「用錢買流量」的模式成本逐漸增加，已不是主流作法（Google 十年漲價四倍）
  • 好的數位體驗，才是賺錢的根本
  • 若使用現成的數位平台（如：amazon），無法營造品牌形象、品牌故事，容易被消費者遺忘，也會落入低價競爭的紅海，傷害價格，也可能會丟失供應商，同時「平台抽成抽很大」
  • 傳統電商自己做轉型也有大挑戰：人工智慧很難做、手動 Merchandising 很耗人力、不會使用資料分析做決定，數位策略執行耗時

目標消費者（以美國為例）：戰後嬰兒潮 > 千禧世代

  1. 沈浸式的、情感性的、無摩擦的體驗
  2. 晚婚形成長達 10 年的「類大學生活」，喜歡 Playful experience
  3. 數位原生
  4. 追求零時差的極速反饋 Instant gratification
  5. 對全新的高刺激的追求
  6. 沒 IG 就不用搞時尚了
  7. 「網紅的品牌影響力」已經大於「品牌本身的品牌影響力」
數位原生電商是市場的新希望
  • 敏捷式開發 Agile Development 
  • 成長駭客技法 Growth Hacking
  • 行銷與 Merchandising 的緊密合作 (Streamlined marketing <--> merchandising)
  • 人工智能 AI Intelligence
  • 以資料為證的決策 Data-backend decision markting
  • 社群媒體 Social media 

Digital Transformation 

            Traditional Commerce > Digital Native Commerce 
Retailer:         NORDSTROM                      amazon
Shopper:        Baby Boomer                     Millennials

數位轉型的篳路藍縷

  1. 感受到數位原生競爭者的威脅
  2. 數位世界建造者可能是 CMO, CIO, Head of eCommerce 
  3. 發現太多的重要資料卡死在舊有系統中
  4. 開始建立以 API 為技術核心的微服務架構 (microservices)
  5. 物色 DXP
    1. 原生的微服務架構，高興怎麼插就怎麼插
    2. 讓公司內部的功能部門能緊密合作，快速實驗、學習、迭代
    3. 具有原生的人工智慧/人工智能，能夠規模化的提供個人化、高黏度、高準確度的用戶體驗

數位體驗的創新搜集

  • 先問清楚你喜歡什麼：註冊流程是一組精心打造的問題集
  • 限時特價的強大
    • 利用千禧世代對零時差極速反饋的追求
    • 強化購買衝動
  • 從 IG 到購買: Human review process to connect the hype with actual products to complete the loop.

零摩擦

  • Apple pay 在手機版網頁很重要
  • 聲控智慧管家（Google Home, Alexa) 與聊天機器人是消費的新戰場
  • Open channel (Online to Offline): 
    • 網上的喜好可以作為加強實體消費的體驗，反之亦然
    • 線下店面慢慢轉換成體驗店（試穿而非購買，體驗課程）
作為數位體驗浪潮中的一員，要問自己：如何用高速將創意和操作實踐？

SEM (Search Engine Marketing) case by bloomreach

  • AI 和 expert 的協作：AI 雖然可以自動找到如何達到最大的 revenue, 但有時候 revenue 不是一切，例如不會知道某些網紅的喜好
  • Rule-based 的 merchandiser 跟 AI 合作：需要結合 AI 的產品資料結構最佳化，以及 Merchandiser 的權重調整，可以提升整體效率，不需要完全 overwrite AI 的運算產出結果

Comments

Post a Comment

Popular posts from this blog

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－生成藝術的創意空間（李怡志）

-
生成藝術的創意空間（李怡志－政治大學新聞學系助理教授）   Generative Art 生成藝術是什麼？這是一個已經存在很久的概念，從 1963 年就有人做圖像，在討論生成藝術時，需要先討論人類在生成藝術的時候的思考方式： Precise Aesthetics Process by Designers →  Ideation / Execution / Appreciation 三者很靠近且重疊 但若是 Precise Aesthetics Process by Non-Designers →  Ideation, Execution, Appreciation 三者是獨立的 生成圖像的特性，Randomness, Unpreditorable 是重點。目前產出的作品，有幾種對人類可分類的價值類型：Self-expression, Serendipity (偶遇) , Surprise（可以激發人類的想像力）, Evolutional（對 prompt 的指令是逐漸逼近）。 Ways of Seeing - AI  生成圖像的背後也是大型模型，要看 meta-data 是如何整合。AI 對文字的理解有非常多面，我們需要知道如何運作，才知道如何下指令。可以嘗試搭配 ChatGPT 產出的 prompt 再倒給 Midjourney 繪圖，可以完全 break normal rules，做出架空的東西。 Non-Generative Process 是從開放到收斂的模型，當 Concept Sketch 定義好，路徑就會瞬間收斂。 (News) Infographics Project Procedure: Prepare > Investigation > Design > Final Work 人類傳統的 Level of Sketches: Research (What to Sketches) Information Elements Concept Sketch Layout Sketch Real Size Sketch Final Work  人類傳統在進行設計，從草稿到完稿的距離非常的接近。 AI Generative Process （李怡志總結） Variate (小的變異) Randomize (寫了 prompt 後會出現一些
Read more

ProductTank Taipei #12 - 大型組織的產品管理與協作

-
Image
難得提早到現場，開了電腦正在準備，突然發現 Peter 正在遠端連線，抓圖時才發現，原來人在荷蘭的 Peter 今天是遠端分享，算是很特別的經驗。 Celine 「裸辭」上一份工作後，輾轉到了中國的攜程工作。直接破題的 Celine 以攜程旅遊網的首頁為例，告知頁面信息的排序，事實上並不只是考慮使用者的閱讀習慣與興趣，而是依據組織內部的角力，哪個組織收付的佣金夠多，排序就會提前，例如：酒店、機票、旅遊等區塊，就會有所上下排序調整。 Celine 的工作是後端的靜態信息組。攜程分為垂直式、水平式分工，垂直式分工意指從後端信息整合、API 接口到前台的 App UI 呈現和實作，水平式分工則指當重要功能需要整合時，便需要拉出平行橫跨並進的規劃作法。 在大公司工作讓 Celine 覺得任務非常複雜，例如做「需求調研」時，若功能橫跨各信息組或功能組，則一個需求便是牽一髮動全身，需要橫跨各組做繁複的溝通，甚至要召開【需求澄清會】，遭受各組的炮轟，最後再回去重寫。 若想要做一個扁平的東西，仍然需要跟開發努力爭取資源，並跟各部門 PK 優先，甚至談好資源之後，若開發部門有緊急事件，仍會不告知值接插隊延後需求實作，而為了功能，測試資源也是稀缺資源要透過血淋淋的爭取。 很多事情即使講很多次，還是會有人聽不懂！ Celine 分享開發產品時的四個主要步驟： 需求調研 需求評審 開發測試 優化迭代 理想的狀況是這樣的： 需求調研 - 開發、內部/外部訪談、PRD 撰寫 需求評審 - 內部評審、外部評審 開發測試 - 敏捷開發、測試 優化迭代 - 投訴處理、收集需求 現實中是這樣： 需求調研 - 查出接口的所有調用方、調研開發可行性、召開 N 遍 需求澄清會、梳理業務流程 需求評審 - 到 N 個部門講 N 遍 需求、跟各部門 PK 優先級、預先爭取測試資源 開發測試 - 講 N 遍 需求、確認開發負責人、開發功能微調、跨部門溝通 優化迭代 - 跨部門講 N 遍 需求、修 bug、運營流程優化、用戶反饋整理 Celine 接著分享攜程內部常用的操作方式： 盡量找到大部分的調用方（stakeholder） 項目管理工具（JIRA-cp4 + Teambetion, Lengoo, etc.） 但其實
Read more

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－ChatGPT 的解析與挑戰（陳縕儂）

-
ChatGPT 的解析與挑戰（陳縕儂－台灣大學資訊工程學系副教授） 陳縕儂用了一張 Midjourney 的生成圖做為開場，形塑出一位潮流女孩的工作環境，除了自己的電腦和周邊鍵盤外，螢幕上投映著「ChatGPT」的大字，試圖描繪出未來大家的工作想像圖 - 除了自己的工作內容之外，ChatGPT 可能常伴左右在協助各種任務。 AI & ML 首先定義 AI 這個字，我們現在看到的生成式 AI，是偏向 Synthesizing 的類型。而達成 AI 的方法有很多種，Machine learning (ML) 就是其中一種手段，並非所有的 AI 都需要應用 Machine learning，只是近期最熱門的 AI 是透過 ML 達成的 AI。 大家最常看到的 LINE 聊天機器人，其實內部沒有什麼 ML，只是確實是有很多模組的 AI。 Machine Learning 的訓練，陳縕儂用了一些例子：Looking for a Function      Task: predicting positive or negative given a product review 套用一些規則，讓機器自己去學習，把「輸入」變成「輸出」，Given a large amount of data, the machine learns what to output (後半句沒看清楚)。 「在訓練機器學習之前，首先需要有人工學習（工人智慧）」，需要提供非常大量的資料和資訊才能讓機器去運算出預期中的輸出 f(x)。 人類的學習能力金字塔，知識建構，是從低階知識到高階知識（請想像底下是一個金字塔，有底層的 Low-order thinking skills 到高階的知識） Learning Pyramid (Bloom's Taxonomy, 2001) Create (Use information to create some thing new) Evaluate (Examine information and make judgments) Analyze (Take apart the known and identify relationships) Apply (Use information in a new but similiar situation)
Read more