MECCA 如何在線上提供與商店中類似的客戶體驗，並取得顯著的結果

MECCA 成立於 1997 年，集結了世界上一些最令人嚮往的美容和護膚產品，將超過 120 個品牌銷售給澳洲和紐西蘭的兩百萬名客戶。根據 IBISWorld，其銷售額佔澳洲 42 億美容市場的 10%，佔高階美容市場的約 25%。

MECCA 成功的其中一個秘密，就是高接觸、服務至上的美容精品店。根據 Vogue，MECCA 花費其營收的約 3% 來訓練員工，以期為每位客戶提供量身打造、個人化的建議。

MECCA 現在想要將這個獨特的面對面體驗複製到網路上。MECCA CRM 和忠誠度團隊主管 Lauren Shepherd 說明：「當您走進 MECCA 商店，您從我們員工那裡所能獲得的個人化服務和推薦，就是我們想要轉化到網路世界的東西。」

MECCA 是電子商務的早期採用者，於 2001 年推出線上購物服務。MECCA 向其策略合作夥伴 Amazon Web Services (AWS) 和 Servian 尋求協助，以期運用資料和分析來改善客戶線上參與度。

提供極度個人化產品和專屬旅程，是改善客戶體驗 (CX) 以推動業務成長的核心。然而，根據 Gartner，超過 70% 的 CX 領導者「致力於設計專案，以提高客戶忠誠度和取得結果」。

MECCA 的資料轉型之旅始於 2018 年，當時其與 AWS 合作建置資料平台，並採用 Tableau 作為商業智慧報告工具。

在看到整個企業的採用情況非常良好後，MECCA 技術團隊想要透過使用資料，為客戶加入更多價值，來突破極限。他們的最終目標是使企業的不同部門都能自我服務，自我服務是商業智慧的一種形式，可讓每個人都能鑽研與其角色相關的資料。 

MECCA 的 CRM 和忠誠度團隊特別渴望使用資料，來預測哪些產品最可能吸引不同的客戶。

Shepherd 表示：「我們有很多與客戶相關的資訊，但我們沒有真正做到使用這些資訊來最佳化客戶體驗這點；每位客戶收到的都是相同的內容和促銷。」

MECCA 資料團隊與 Servian 合作，開始試用 Amazon Personalize，這是一項機器學習服務，可提供簡單的架構來建置和執行個人化的模型。創新型零售商會使用此服務來提供具體的產品推薦、個人化的產品重新排名以及客製化的直接行銷。

在能夠轉換至採用 AI 技術的個人化行銷前，MECCA 需要清理和重構在其電子郵件平台中所含的 23 年份的資料，以打造有條不紊、乾淨與易於存取的資料系統。

MECCA ML 之旅的「探索」階段便由此展開。CRM、資料和 Servian 專家組成的跨學科技術團隊齊聚一堂，共同發展概念驗證 (POC)。他們的工作是預測和解決任何會阻礙此 POC 的障礙，此 POC 使用 Amazon Personalize 以在針對性的睫毛膏行銷活動中提供產品推薦。透過使用現有的中繼資料，該行銷活動鎖定最後一次購買時間在 90 天之前的客戶發送睫毛膏促銷電子郵件。

進入「交付」階段的科技團隊進行多個變更，例如，遷移至 Amazon S3 資料環境以及建置與行銷系統的新整合，以實現自動化、端到端的資料處理。他們也花時間協助執行利害關係人和管理人員了解機器學習的個人化和轉變如何正面地為其各自業務領域帶來優勢。

根據 MECCA 數位和資料團隊的 IT 交付經理 Paul Erskine 所說：「這是 POC 成功的關鍵。許多主管對資料科學的複雜度普遍抱持保留態度。」他們會有各種問題，比如：「如果某人離開公司，誰來管理模型？ 成本和價值為何？ 誰將長期提供支援？」

為了解決這些疑慮，技術團隊在資料管控論壇上分享了他們的願景和計畫。他們揭示了由 Amazon Personalize 產生的產品推薦，並解釋了如何使用資料科學來最佳化客戶轉換和參與率。他們的證據非常具有說服力，MECCA 主管團隊同意通過此 POC。

在 2019 年底於澳洲發行 Amazon Personalize 時，MECCA 和 Servian 立即進行了部署，成為最早這麼做的澳洲公司之一。MECCA 在幾個小時內，就開始產生量身打造的產品推薦，而現今，MECCA 已產生涵蓋 MECCA 整個目錄的產品推薦。

「使用 Amazon Personalize 的其中一個優勢，就是可以輕鬆使用 AWS 受管服務上的現有資料來訓練自訂模型。不僅限於資料科學家，這也讓開發人員能夠建立推薦演算法。」Erskine 解釋。

MECCA 還部署了長短期記憶 (LSTM) 的傾向性模型，以辨識產品補貨的最佳時機。在 AB 測試中，50% 的電子郵件包含個人化的產品推薦，而 50% 沒有。這些包含個人化推薦的電子郵件轉換率明顯較高。

MECCA 數位長 Sam Bain 表示：「自從整合 Amazon Personalize 後，我們看到了電子郵件點擊率的顯著增長，而與產品推薦相關的電子郵件營收也有所增長。」

MECCA 現在為所有活躍的客戶每週執行其個人化模型，每週在所有行銷活動中產生超過 1 千萬個產品推薦。

Amazon Personalize 的表現也優於 MECCA 先前的系統，MECCA 先前的系統是使用其電子郵件管理系統的原生功能，來實作產品推薦。

Shepherd 表示：「我們測試了 Amazon Personalize 的推薦與我們電子郵件供應商的系統推薦。理論上，來自電子郵件平台的推薦也是以購買歷史為基礎，但這些推薦不像 Personalize 模型將許多度量納入考量，因此這些推薦的效果較差。

「我們已確實證明，透過向客戶顯示與他們人生階段、旅程和購買記錄相關的產品，他們的轉換率就越高。」

MECCA 持續與 AWS 和 Servian 合作，來重塑數位體驗，讓忠誠的客戶滿意。其目標是運用機器學習的力量，來預測客戶喜歡什麼，並最佳化 MECCA 滿足需求的能力，同時改善其基礎資料集來建置更多預測模型。