顾客层级数据的分析与应用主要会出现两个挑战
(1)顾客对于活动的反馈率、参与程度无法反映至业绩
较为领先的零售业者已经能从各渠道撷取完整的数据，了解顾客对于每个营销、促销活动的参与率，但高参与率、反应率有时候并不代表高获利能力，很多时候企业在顾客已经有意愿要购买的商品上，持续投资营销资源以及折扣来让顾客高兴，此类的活动更受欢迎反而更损害毛利，因此在顾客层级的数据分析，最重要的在于选定正确的衡量标准，(例如每个客户的购买金额、来店频率而非参与率)，才能了解各种举措的真实效益。
(2)顾客分群的预测模型无法快速反应市场变化
顾客层级的数据分析最终在于预测新的活动推出时，顾客对于该活动的反应。如金融业、电子商务及部分的零售业者都已经能针对顾客的分群建立良好的预测模型，但针对顾客的来店频率、消费金额的预测模型无法预测活动推出后，顾客的增额消费金额、或增额购买频率，因此很即使了解了顾客未来可能的消费金额，仍难以确认一檔新促销推出时，顾客多买多少钱，或多造访门店多少次。
企业如能解决上述两种挑战，将可以完全掌握每一种新举措对于消费者的影响为何，进一步拟定更能直接营利的顾客经营策略。世界领先的银行及零售业者常运用”实验学习”的方式来了解新举措对于顾客的增额影响为何，先针对部分客户进行小规模的实验，并根据客户的各种属性找出相似于实验组的对照组客户，观察实验组客户与对照组客户在活动开始后，在购买金额、来店次数上的变化，进一步分析在实验中表现较佳的客户的属性为何，进一步根据”该活动”建立预测模型，以全盘掌握该活动推广时，顾客的真实反映。此方法不但能直接了解活动对于绩效的影响，亦能针对各别的举措进行预测，突破原有的顾客分群及预测模型的概念，让企业能更大胆的拟定策略，更精准的掌握成效。
举个实际的案例，一个美国的连锁便利店业者想提供热门商品咖啡8折促销，却担忧热门商品的促销会大量损害毛利，因此仅提供部分消费者该项优惠，想了解该优惠的成效。当实验开始后，发现该促销大幅提升客户的造访次数，同时也带动顾客的并买行为，整体的表现不但弥补了促销的成本，还带动了毛利成长。即使该促销获得意外的成功，该企业也让利给部分较为精打细算的客户，企业因此针对反应较佳的客群建立模型，找出最能拉抬绩效的客群，在一半的促销成本下增加了80%的增额利润。
了解决策所需、找寻对应数据、产出精准分析
要能运用数据创造价值需要大量的投入，从数据收集、分析能力建置、成果产出到决策应用每个环节都相当重要，企业可以先订立目标，先了解重大决策需要回答那些商业问题，才能定义所需数据。
拿市场很常见的门店升级作为举例，坐拥成千上百的零售企业每几年就推出新店型来升级门店，但门店改装的成本甚巨，若成效不佳数年内也无法损益两平，通常企业会先试水改装数家门店，再逐步推广。在这项极重要的决策中，高管可能会想先看到几项数据，
(1)已经升级的门店的绩效相较于原有门店成长多少? 对于销售金额、客单价、来客量的影响为何?
(2)升级后的门店那些品类、客群的反应最好? 那些品类表现最差?
(3)哪一种门店较适合进行升级，且能在3年内损益两平?
由上述的题目可知，企业需要以门店层级的销售数据作为分析基础，再运用交易层级的数据和顾客层级的数据则用来分析品类、客群行为的变化，方能全面辅助决策。企业永远不缺少议题，也具有相当多的数据，从重要议题来建立更精准、有效的分析方式，并将分析逻辑与决策流程一致化后，再逐步扩充到各种议题，企业才能真正全面运用数据分析协助决策与创新。（联商网 李展宏/文 作者为APT亚太区资深副总裁）
