導入 Appier 精準行銷，cama café 用 AI 為顧客量身打造天氣專屬咖啡！
新聞快訊
2021-08-24
【為什麼我們要挑選這則新聞】今年 5 月台灣本土疫情爆發，進入第三級警戒，也觸發商業模式的劇變，導入 AI、雲端成了企業數位轉型的大趨勢。成立於 2012 年的 Appier 是出身於台灣的獨角獸，也是唯一成功赴日 IPO 的台灣新創，它過去曾運用 AI 解決方案為家樂福、資生堂等品牌創造不少疫情新商機。這次我們來看看 Appier 怎麼在疫情下幫助 cama café 超越去年的營收？（責任編輯：陳宜伶）
以人工智慧（AI）與軟體即服務（SaaS）為核心的沛星互動科技（以下簡稱 Appier）持續協助企業化解不同類型的商業挑戰。有鑒於全球經濟模式自 2020 年起因應疫情進入新常態，實體零售業者在面對市場不確定性時也採取積極行動，強化自身的數位競爭力。
cama café（咖碼咖啡）2020 年年中便啟動一系列會員忠誠度提升計畫，並採用 Appier 解決方案，分析線上與線下數據，以實現自動化精準行銷，吸引對咖啡有不同偏好的消費者成為會員並且持續消費；而在掌握更全面的用戶輪廓與線上行為後，cama café 進一步完善其用戶旅程，提升會員訂閱數與轉換率，並利用 AI 模型和大數據發掘商業機會、強化商業決策。
截至目前 Appier 的解決方案已為 cama café 創下亮眼好成績：
網頁 / App 訂閱率提升 3 倍
站內應用程式推播 CTR 增加 4.5 倍
天氣推播 CTR 增加 2.2 倍
cama café 成立於 2006 年，為台灣知名連鎖咖啡品牌，商品涵蓋咖啡與茶類飲品、濾掛式咖啡與咖啡豆。基於會員所展現的高營收貢獻率、高消費忠誠度，cama café 於 2018 年 10 月推出 cama App，截至目前會員所貢獻的營收最高可達 6 成，cama café 陸續推出的咖啡豆訂閱制也適時滿足會員的個人化需求，獲得好評。
cama café 提前佈局數位策略，強化實體門市營收
今年五月，台灣受到新冠肺炎疫情衝擊，因全台發布三級警戒，前往實體門市消費的顧客人數大減；幸而 cama café 在去年就已提前預警，結合數位策略強化實體門市的銷售，因而在這波疫情衝擊下得以逆勢成長。根據 cama café 數據顯示，門市五月營收較去年同期提升 38.8%，自有電商平台（含訂閱制）的交易筆數成長 10 倍。
近年來 cama café 會員數量快速成長，然而會員的快速增長也讓行銷人員難以全面掌握用戶的輪廓與興趣，採取清晰且明快的行銷作為。具體而言，cama café 面臨的挑戰有兩點：
難以建立 360 度用戶輪廓：缺乏足夠的 IT 與資料科學資源與人才整合並分析大數據，全面了解用戶的興趣、交易與線上數位行為，建立全方位用戶輪廓，發掘更多的商業機會。
難以建立完整的用戶旅程：缺乏完整的用戶輪廓與自動化行銷工具，以跨渠道經營會員關係，在各個客戶接觸點精準投放行銷內容，最終提升會員訂閱數與轉換率。
運用 AI 模型、一站式平台實現精準行銷：cama café 會依天氣推薦適合的咖啡
基於 cama café 經營的型態與行銷目標，Appier 採取的做法是運用 AI 模型整合用戶興趣，並透過一站式平台實現精準行銷：
1. 部署 AI 模型，整合線上與線下數據分析用戶興趣：透過 Appier 特有 AI 技術，整合線下交易資料、線上網頁和 App 行為數據，豐富既有的 CRM 資料，建立 360 度的用戶輪廓。同時，行銷人員可以利用 AIXON 的「分析與區隔用戶 AI 模型」，客製化彈性訂定競爭者與異業合作之關鍵字，分析用戶興趣，制定以數據為導向的異業合作與線下通路策略。例如自訂卡通人物關鍵字並分析用戶喜好後，選擇用戶最喜愛且符合品牌形象之人物，作為異業合作洽談之決策依據；或自訂通路關鍵字並分析用戶喜好的線下通路後，驗證用戶最感興趣之通路，強化營運競爭力。
2. 一站式管理多元渠道，輕鬆實現精準行銷：透過 AIQUA 行銷自動化的觸發推播，cama café 能無縫進行 App 內推播與一般網頁內推播，深度與用戶溝通，投放精準的行銷內容與之互動。同時針對雙 11 大型購物檔期，多渠道、多波段設計用戶旅程，並客製化設計「倒數計時」網頁內推播吸引用戶加速購買，強化轉換率與訂閱數。根據觸發推播的概念，cama café 也利用網頁發送「天氣推播」，透過 AI 精準預測用戶位置，客製化推薦用戶適合當日/當地天氣之飲品，連結Google地圖，強化線上與線下 OMO 串聯，增加用戶到實體通路購買飲品之意願。
cama café 行銷團隊表示：「cama café 致力於提供最真誠的咖啡賞味體驗。從一顆生豆到一杯咖啡，以最透明的製作流程，端出杯杯國際級的咖啡。與 Appier 合作更能精準地與用戶做溝通。透過 AIQUA 顧客互動行銷平台不但能精準預測分眾、自動推進行銷活動，增加行銷團隊效率；運用 AIXON 資料科學平台還能將門市線下數據整合，結合線上行為數據及用戶資料，讓行銷團隊能快速了解用戶輪廓以制定商業策略並採取行動，讓 cama café 更快速實現數位轉型！」
附圖：圖一：配合當季活動，cama café 深度與用戶溝通，以提升會員忠誠度，圖片來源：Appier
圖二：cama café 利用 AI 制定以數據為導向的異業合作策略，圖片來源：Appier
圖三：透過 AI 精準預測用戶位置，客製化推薦適合該天氣之飲品，圖片來源：Appier
資料來源：https://buzzorange.com/techorange/2021/08/24/cama-cafe-appier-martech/?fbclid=IwAR2-iJn1rv7NNV8Rsx6iNV8nFP-uWMmZn5JU5CnaD8eBNoER3FLxbMO9SnY
appier怎麼念 在 [心得] 2021 & 2022 實習面試心得- 看板Soft_Job - 批踢踢實業坊 的推薦與評價
背景
112 電機所CS組碩一
學士非本科，拿過一次書卷
Lab 做深度學習相關的
2021 實習
-----
此時碩零 (2021/9 才入學) ，履歷一片空白，還要寫修過什麼課來充頁數，Project 都寫學校的作業
只會很基礎的 C++ 跟很爛的 python
沒競賽、沒專題、沒 side project、github 放垃圾
leetcode < 50 題(easy+medium)
無聲卡/沒進面試: Microsoft, LINE, Google, Amazon, 新思
感謝信: Tomofun, Intel
最後去一家新創做 ML
Tomofun - MLOps Intern
請人內推的，問什麼都不會，大概聊了 15 分鐘， Tech lead 當初應該心裡想: 這個人來幹麻的....
大致上都問說有沒有系統、網路相關經驗、有沒有用過 AWS，混血仔基礎爛爆都沒碰過QQ
搭電梯上來的時候有狗勾跟著員工一起進來，辦公室裡面真的有人在跟狗玩丟球 = =
工作環境很開放式(?)
結果：感謝信
Intel - DCG
一開始被分到 cloud platform 跟 IoT 的兩個人面我
幾乎都是在介紹他們在幹麻，然後穿插幾句有沒有聽過 XXX (根本沒聽過所以也忘了，都是跟硬體相關的，太多專有名詞念過去我也沒記住= =)
然後問最近有實際解決什麼跟硬體相關的問題、團隊合作經驗、知不知道 USB 底層原理
後來被轉到 Validation/Debug team，全程用英文，面試官有印度人...
先考了三題 python，都是基本題目，但當時我 python 很不熟... 很多語法都不知道
然後問了計算機結構 (因為我履歷有放計結作業就被問了..)、主機板上面有什麼(?)，也幾乎都是硬體相關的問題
結果：感謝信
最後暑假快結束的時候投了一家新創就去了@@ 深深感到自己有多爛
-----
2022實習
-----
此時碩一，有一家新創實習經驗
Project 一樣是學校作業，只是多了碩一上修的課 (DL 跟 Web programming)
競賽勉強放了學校的 final 充數... 是跟企業合作的(他們丟題目給我們比賽)
技能大概就 C++, Python, 一點點點點的 js
leetcode ~ 200 題
無聲卡/沒進面試: NVIDIA, 蝦皮, 聯發科, 新思, 群暉, WQ, Dell, Intel, AMAT, Tomofun
感謝信: LINE,AICS, Amazon Rings, Google, Microsoft, Appier, Umbo CV, PicCollage
主動終止:高通, HP
offer: Yahoo
LINE - Data team
三位面試官
問履歷 project、團隊合作經驗、協作寫 code 經驗、git、data 處理經驗
都沒問什麼技術問題，也沒考 coding
應該是我履歷沒料他沒東西能問 = =
結果：感謝信
AICS
一開始先給 codility 兩題，大約 leetcode easy ~ medium ，都秒解就上傳了
一週後收到一面通知
一位面試官，做 NLP 相關的
考了一題 leetcode easy (stack)，剛好沒看過...而且這是我面試紀錄以來第一次被現場?
寫得很卡很慢，一開始還給到爛解
我還問他白板題流程該怎麼走，最後他說這題高手 5 分鐘就能寫出來，當下就知道涼了
因為解太慢時間也到了沒被問什麼問題
面對面寫扣真的要練習過 (邊講邊寫真的難QQ)
結果：感謝信
Amazon Rings - SDE Intern
第一關
考一題 leetcode medium，解法是對的但是沒 run code，所以不知道有沒有 bug
follow up 寫太慢時間就到了，算沒解完 (只有把 pseudo code 補完)
過程中會穿插問你思路(e.g. 為什麼要這樣解?)
第二關
都是問 bq，還特別強調要按照 STAR 法則回答
我事前有上網看一下，列好模板，不過面試官好像覺得我的回答沒有很 fit STAR 法則
連續問了 3 ~ 4 個，他好像都不是很滿意的樣子(?)
結果：感謝信
Google - Software Engineer Intern
當初收到面試通知蠻訝異的... 原本選時段還勾到很早的，直接安排我下週面試
之後馬上寄信跟他說需要時間準備，才挪到 1月去... (其實沒差XD 反正都會被刷)
總之就是兩關各 45 分鐘演算法
第一關
中文面試
一題大約 leetcode medium
考前就一直賭說不會考 Graph (不想複習一堆演算法 QQ) 結果第一關就出 Graph
先問了一些 C++ STL 的問題，然後要我猜他要考什麼 (他還沒講題目，只有給我看扣)
之後就是一邊寫扣穿插一些問題，然後最後要我生 edge case
一定還有 follow up，只是我寫太慢了...
第二關
英文面試
一題大約 leetcode medium
題目有點長，不過讀完就有想法了，寫完之後一樣要我生 test case
一樣應該是因為寫太慢沒被問 follow up
最後結束的時候突然想出更優的解，不過來不及了 QQ
然後面試官一直強調說有沒有解出來不重要 (不過跟那些選手比起來，解出題目應該只是基本...)
結果：感謝信
Microsoft - Bing Maps
給了線上測驗之後寫完就沒通知了 = = 寄信詢問也沒回，總之就是被刷了
總共三題，兩題 easy 一題約 medium，應該就是有 edge case 沒處理好
Appier - Data Scientist Intern
請人內推，直接兩個 ML 大佬面我，都圍繞在 project 跟我的興趣、尋找我適合做什麼
最後一關是一個工程師面我
考 ML 相關的情境題 (拋一個問題，問你怎麼設計模型、特徵怎麼選等等...)
結果：感謝信
Umbo CV - QA Intern
兩位面試官，一個 SDE 一個 QA
問履歷，然後給了情境題問我會怎麼測試一個產品
最後想考一個 leetcode，不過題目才打第一行就被我猜出要考哪一題，結果就不考了 = =
結果：感謝信
Yahoo! - Search & Ads Engineering Intern
一面
問履歷，考了兩題 python 基本題都秒解
然後問了一些 js 跟 SQL (因為履歷上有放...)，結果答得很爛 = = 以後不熟的東西別亂放履歷
最後問了 ML 相關的問題，大多是名詞解釋 (CNN, Overfitting, ...) 答的算蠻順的
二面
考三題 leetcode easy ~ medium 都秒解，但某一題在優化的時候卡一個小 bug 很久 ...
這關就問比較多 ML 技術問題，因為我做 CV 經驗比較多，所以也都是朝著這方面問
三面
聊天關(?) 就是問問履歷而已
四面
HR 關，了解一些經歷跟問履歷而已
結果：offer get
PicCollage - Machine Learning Intern
一面
面試之前給了個 doc 要我寫好答案，面試會問。大致上是跟機率有關的問題，不難
面試的時候都是問 ML 相關問題，沒考 coding
因為我說想做比較 backend 的工作，不想搞 model，之後就把我轉到另一個面試官去
二面
是 MLOps 的人面我，印度人
再次被我的爛英文聽力打敗，真的 90% 都聽不懂... 只能從單字去猜
平常看 YT 印度人影片有字幕還好，真的要直接聽就聽不懂了...
問題都是傾向我想做什麼、我為什麼想做這些。比較像是真的要看我適不適合這個職位，而不是純看技術/經驗
結果：感謝信
-----
一直到碩士才真的有面試經驗，之前沒打工過，升學也都沒遇過面試
有機會的話還是建議多投一些累積經驗，至少以後面試的時候講話不會卡
從第一次面試到後面真的有漸入佳境的感覺(?) 雖然幾乎都是被刷啦 == 但自己感覺的確有比較順一點
然後聯發科真的很奇怪，去年看學校公佈欄在招實習生，寄過去完全不回就算了，我就當無聲卡
今年是他們直接來系館宣傳招人...說寄信過去會回寄表格，結果寄了根本也沒回= =不知道在幹麻
--
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.171.167.132 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1648409716.A.070.html
※ 編輯: NTUmaki (223.140.254.155 臺灣), 04/01/2022 02:47:39
... <看更多>