L’Oréal 萊雅實習：數據分析與數位行銷的美麗交織
跟快消品美妝巨頭相遇的故事
升碩二的 2022 年暑假我在萊雅集團（L’Oréal Group）的行銷長團隊 （CMO Team ）從事 Data, CRM & Digital，並且在實習結束後收到萊雅集團 — 數位與數據分析儲備幹部的 return offer (2023 Management Trainee – Corporate Digital.)。
個人覺得這是一份含金量很高的實習，不只學習點多、專案範疇大，也可以比同儕早一年找到理想的全職工作，記錄之餘也分享給對快消品、美妝產業、品牌集團、數據分析與數位行銷有興趣的學弟妹了解實際工作內容。
本文架構如下：
- L’Oréal 是誰？
- 為何選擇 L’Oréal
- 專案範疇
- 主要收穫與學習
- L’Oréal 實習面試、推薦、與注意事項
L’Oréal 是誰？
萊雅集團介紹：轉自官網
萊雅集團在2018年的銷售額已達269億歐元，並在全球擁有86,000名員工。作為全球美妝業界領導公司，萊雅產品遍及各大銷售通路，包括：大眾消費市場、百貨公司、藥局與藥妝店、美髮沙龍、旅遊免稅零售點、品牌零售店以及電子商務。
擁有許多彩妝、保養品牌，旗下品牌包括大家常聽到的蘭蔻、HR、YSL、契爾氏（kiehl’s）、理膚寶水、媚比琳、卡詩、巴黎萊雅等……
為何選擇 L’Oréal：推動端到端數位轉型的好奇
在管顧業約兩年之後，覺得從消費者視角（beBit）或者管理層視角 (BCG) 都看到想看的之後，有三個問題是我想要更深入了解的：
管顧的方法論是否可以直接運用在企業中？
我在管顧業有約60%的專案都跟數位轉型相關，其中有大量方法論與Best practice 的學習，那麼我是否可以帶著這個思維去做事？畢竟管顧最為人所詬病的就是落地性不足、理論打高空，因此可以從業界親自驗證這個問題相當令人期待
我有辦法自己獨立解決問題嗎？
在 Consulting 有很多資源與報告可以看，這對知識取得的成本極低，而實際獨立做訪談、控制專案進度、設定故事線等基本上也很難有機會自己獨立完成，因此在相對缺乏資源、不需要其他人輔助下，我是否有辦法發揮領導力，自主設定工作進度來達到我想要的結果？
必須說這一點我本來是相當有自信的，畢竟過去三年也做過N+個大大小小的分析專案，但是我對自己的疑問是「大公司」自己也有辦法做到嗎？在管顧學到一個很大的客戶痛點就是「大象難轉」，轉動新創或者一個團隊不難，從管顧的角度配合管理層一起推動轉型也會少很多阻礙 — 但假設我今天不是從一個管理層請來的、由上至下的角度，而是一個 Entry level 的角色從下到上，以及有全球性、區域性的外商策略限制下，我是否擁有那麼高的影響力？我可以光靠解決問題的能力就去推動我想要的結果嗎？如果不行，那缺乏的是外顯條件（如職位階層、區域階層）？還是內在能力的不足？ 這一點我是格外好奇的
FMCG的數據運用到什麼階段？
我對消費品一直都相當有興趣，過去在蝦皮主要做的數據分析專案有很大一塊是先在家用品、食物飲料等品類試點，但那畢竟是從通路的角度，因此會想要了解在品牌端的話有哪些挑戰需要克服，除此之外品牌端的職涯發展會長什麼樣子也可以通過這一次去了解。
另外個人的點在於，我之前對品牌端的理解是數據量與維度都相較通路缺乏許多，因此這一次特別挑選CRM較為完善的品牌來平衡數據不足的問題。美妝特別的點是性質同時涵蓋大眾消費品（如L’Oréal Paris）與奢侈品（如HR），通常奢侈品都很注重CRM，而大眾消費品則多包涵通路數據，剛好萊雅的職位有 Data & Digital ，完美符合我想做的事情，又具有這種數據性質全面的條件，因此很適合我對於快消品的嘗試。
專案內容與工作範疇
因為是 Data & Digital ，所以就分成兩塊來講，我認為 Data 方面是Data Science ，Digital 方面是 Digital Service
Data Science
Data Science 方面主要環繞跟品牌端相關的數據科學合作，層面則包含建立Use Case (設計哪些任務存在機器學習的機會)，比如現在數位行銷注重的顧客生命週期管理，裡面就有許多可以利用數據科學的機會 ; 因為自己還真的蠻喜歡玩數據，兩個月建立了四個PoC (Proof of concept)。用的工具主要是Python, SQL, Excel，因為我是在CMO Team，所以營運性質的專案比較少，但好處在於可以做到很多跨品牌的數據科學專案，會看得比較全面。
Digital Service
Digital Service 主要是一些儀表板需求，可以包括後端 Operation 如營運注重的存貨管理，到 Media 的媒體組合，除此之外我們也會針對數據本身去做分析，比如什麼類型的數據有更好的預測、結果性效果，用的工具主要是Google Sheet, App Script, Power BI
主要收穫與學習
FMCG數據分析的挑戰：數據「體」不足
數據體量的充足性可以讓我們不用擔心太多數據條件的不足，更深入在建立正確的分析流程與數據解讀上，然而在快消品牌首先就會面臨數據「體」的挑戰。這裡說的數據體並不是筆數（事實上我在萊雅分析的數據量級基本上都是千萬筆以上的），而是「上帝視角的缺失」與「維度」。缺失也不是pd.fillna （Python pandas語法）就可以處理的缺失XD，而是更偏向領域知識的理解與數據充足性的分析。
上帝視角的缺失：
品牌端首要克服的挑戰依然在於所謂的「拼圖」，因為無法直接接觸消費者，所以數據可能是有缺的，但這個有缺可怕的點在於你不知道缺多少。舉例來說，一個消費者在數據庫中買過兩瓶理膚寶水的產品，但實際上買多少呢？你不確定，因為有可能有部分數據我們是沒有收到的，全台通路眾多、不需要個人資料就能記錄購買的支付方式也很多 ; 就好像發票或者信用卡數據提供商，那些數據的前提基本上來自於「有掃載具」、「有使用信用卡做為支付方式」，市場層級我們可以用信用卡消費去推全國消費，但是個人層級就會很不準，而你也很難驗證這個不確定性多高。
維度缺失：
有些行為你想要紀錄，但目前的數據庫可能缺乏。比如美妝品的購買行為其實很仰賴數位媒體，像是IG廣告、KOL推薦，因此你想要預測一個人是否會購買、或者看到你的試用包來用，更理想的方式是把這種瀏覽行為跟用戶串在一起（比如他之前看過多少次Google 廣告、有無點擊到官網），事實上這樣的數據串接還是很有挑戰的，大部分用戶可能都缺乏這樣的數據，但這些明明對你期望捕捉的行為至關重要
FMCG 的數據科學案例開發：商業分析是最重要的一步
不管在什麼產業，都不存在簡單套一個模型就能解決問題的任務。開發機器學習與數據科學案例很仰賴前期的商業分析，這是我在建立數據科學專案時的第一步。你需要了解你分析的數據性質、市場特性、產品特性，開發量身定做的機器學習案例（Specific ML Use Case）
… 因此你需要了解產品的部分，比方說我以前一直以為化妝水是化妝才可以用的、小黑瓶聽起來很像黑豆漿（結果是我們家蘭蔻熱銷品 ）、聽到Eye Cream（眼霜） 的發音只想到冰淇淋XD
在FMCG 一個消費者的購買其實有很多理論支持，比方説護膚品的再次購買很可能是補貨（Replenishment），一個人選到合適的保養品之後就比較難再換，所以她的回購行為是比較重要的 ; 但是對彩妝來說有比較大的可能會另外嚐鮮、或者受到顏色、行銷、品牌故事等美麗的元素驅動購買，因此在設計 Use Case 上，我會針對保養品設計補貨模型（預測多久會購買一次），但是彩妝品設計購買傾向模型(Purchasing Propensity)、Uplift model （預測會不會買 | 給定XX行銷手段是否會買），這些理論也可以用數據驗證，你的營收是來自於回購驅動還是首次購買驅動便能了解該往哪個方向走。
預測性任務：考慮應用場景
在建立數據科學的專案時，需要考慮業務場景與模型的使用方式，而每個使用方式與業務行為都需要時間。
比方說預測任務，提升準度的方式理論上是你的預測時間與訓練節點時間足夠近，像是我可以使用過去三個月的數據去預測未來一個月後的消費額 ; 但是在實際應用上，因為你需要考慮到能展開的行動所花費的時間（比如我知道他消費額之後，想要提升到更高的標準、拉回理論消費額，需要一個月去跑廣告、2~3週的郵件內容溝通），所以你需要把這個時間窗修改為預測未來兩個月後的消費額，在預測結果產出的該時間點仍有一個月左右的時間可以去改變未來一個月的行為。
這裡就存在準度跟行動的取捨，我會傾向犧牲部分準度（即在定義問題時，把未來預測的時間拉長），但是更保留可行性（讓行銷人有反應時間去建立商業行動，改變消費行為）。能產生行動的分析才是好分析，就比如顧客流失，你不會等到模型告訴你消費者會流失時他真的立馬就跑了XD 而是更早就能知道他會流失，並有充足的時間可以去挽回。
L’Oréal 實習推薦、面試、與注意事項
推實習嗎？我個人是相當推薦的，主要有三個點
1. 大量行銷與數據知識的學習
這其實是我本來沒有預期到的，在剛報到時我們就用許多數位行銷與數據的內部訓練與大量內部資源、全球萊雅集團行銷、數據分析案例、市場報告可以學習
學習大量數位行銷知識：特別在數位媒體盛行的當下，有過品牌端的數位行銷了解對於個人職涯成長會有額外的機會，比如我最近就收到了Google HR 主動 Approach 相關職位
學習經理人的思維：尤其是行銷這一塊，CMO 團隊就有來自尼爾森、Kantar、廣告代理商、顧問公司、奢侈品、快消品Data 等不同領域資深專家，不得不說快消品行銷實在是個非常有趣又充滿挑戰的領域，列出我幾個比較印象深刻的學習如下，都是非常精彩的思考題：
- 媒體選擇策略的評估框架: 比如該不該進入Tiktok?
- 新科技與商業結合的機會點：如何將AI跟美妝科技結合？
- 品牌行銷方法論：怎麼建立OMO 的品牌體驗？
- 媒體廣告成效：如何正確理解不同數位行銷工具背後的機制以及與品牌行銷策略的適合度？怎麼評估他們的長短期效果？用什麼指標衡量？
2. 充滿個人領導力的專案
包含我跟我的小夥伴Cathy ，我們都是獨立主導專案的，可以跟老闆討論想做的事情與預期會怎麼做等等，另外專案本身的完成也很彈性，舉例來說有些要求很難馬上做到、或者做到會花很高的成本，那不如修改與溝通結果。「目標結果 != 產出」這種在既有目標下快速改變產出、前進的思維對我個人影響蠻深的，一切都看你怎麼主動溝通、發揮領導力
3. 不同關係利益人的合作機會
因為是品牌集團，以CMO Team 來說裡面也有跟其他同事、跨品牌的合作機會。比如我在為理膚寶水建立數據科學試點案例時，就有跟理膚寶水的數據團隊討論、設計ML Use Case，或者在內部數據社群分享對於目前CRM顧客留存的觀察與分析，內部的系統讓找人、約會議、溝通都蠻簡單方便的
其他還有各種福利，比如各種美妝保養試用品跟員購（從高價位到低價位都有），感覺對有在保養、化妝的人來說真的是個天堂，除此之外也有很多活動可以吃吃喝喝，工作時間、WFH也蠻彈性的，還有心曠神怡的辦公室（？？？，因為剛整修完，辦公室真的超漂亮的！可以維持很Chill 又舒服的工作模式
面試
面試相比往年快速很多，之前有聽聞萊雅還有線上錄影、團面等等…… 我記得這一次履歷送出後就兩關：
- HR 簡短電話聊動機（Why L’Oréal, Why you）、背景確認
- CMO 面：面試官是我後來的 Data 主管跟CMO本人，問題主要著重在動機、專案經驗、進去後可能做的專案，面試官更在意你想要獲得什麼，幸好面試官沒考我什麼美妝保養相關的市場知識不然我就完了XD
我覺得學弟妹想要進入萊雅的話，可以分成三個部分準備
- 動機：動機比重很大，分成進入前跟進入後，包含進入前想清楚為什麼你可以做這個職位？你可以創造什麼貢獻？進入後為做完專案、實際工作後你是否可以帶走你想培養的能力、經驗？
- 專案經驗：相關職位還是有經驗佐證，數據分析可以是個人、社團、實習專案，理解自己做過的專案、自己的角色、影響力非常重要
- 產業知識：我有思考快消品現在的議題跟需要解決的問題，如果是品牌端的面試，這一點應該也會問比較深，另外我自己有另外找各種女性朋友惡補美妝保養產品知識
語言部分，因為CMO是外國人，至少我的面試跟之後 CMO 開會都是全英的，而暑期實習結束前的 Final review 也是一個 20分鐘的全英 Presentation，萊雅畢竟是外商公司，內部郵件跟簡報基本上都以英文為主，所以準備時也可以訓練一下自己的英聽跟口說
注意事項
- 對行銷要有興趣：包含對消費者行為、消費心理等，才能夠從消費數據中挖掘到更深的洞察與理解，不太會有單靠行銷創意或者數據分析就能推動的行動，基本上兩者是密不可分的
- 對品牌要有興趣：對品牌要有熱情，知道與想要了解品牌定位與故事，這樣可以幫助了解為什麼數據上這些通路、時間點會發生這個行為 ; 比方說一個品牌忠誠者的消費可以很驚人，把這些消費額排列出來看起來是「離群值」，在數據分析的哲學裡我們可能覺得剔除離群值再去分析比較好，但是考慮品牌價值下，你慢慢可以共感為何有人如此忠誠於一個品牌，分析的重點反而有時候會是針對這些「離群值」
知識層面倒是不用太擔心，我本來對數位行銷的知識掌握也很基本，不太懂美妝保養，但是進去後都有很多問問題的機會跟課程、文件可以學習，集團的全球知識資源非常豐沛，蠻鼓勵男生跳脫舒適圈嘗試看看！另外很多工具也都是根據專案需求學的，比如我好久沒有寫JavaScript ，但是因為Google Sheet 的自動化需求需要再去寫AppScript
致謝：
最後感謝 CMO Team 的大家，這是一個溫暖又有趣的團隊，其中我要特別感謝老闆們：
- Marc 老大：CMO，協助我做出職涯發展的決定，年紀輕輕就當上外商CMO成為我的職涯典範
- Isabelle : Data 主管，讓我盡情嘗試各種分析想法與帶我了解內部複雜的數據、系統、品牌，尤其是消費者行為的理解與快速驗證數據正確性的假說思考
- Hendrik : EC 主管，教我各種數位行銷知識與給我非常多酷思維，尤其是改變 Outcome 依然可以達成 Result 的高效率解決問題能力
還有Media team Anna, Kiki 教給我的數位行銷 + CMI Team Cathy, Roy, Phoebe 的市場調查知識
以及CMO mini A.K.A. 信義區好飯友的小夥伴們：
- 兩位新MT：Doris + Carolina，很多專案內容的分享、建議跟討論團隊有哪些有趣的事情，謝謝你們帶給團隊的活力跟專案的幫助
- 前MT : Luna + Sophie，給我學會排序與劃分優先事項很好的啟發，妳拆解系統元素與理解需求的能力讓我們在 Edge project 更為順利，不然我應該沒那麼多時間可以去玩data XD Sophie 讓我對消費品促銷的財務影響有了新的理解，感覺繼續做下去是個很有趣也有意義的題目
- 小夥伴 Cathy Tatoo : 逃生門、Bistro、會議室午睡各種公司大冒險， 希望妳未來順利！
特別感謝 Ying 面試前回答我各種關於萊雅的問題、HR 賈桂琳暑期學期中各種照顧，以及其他Summer intern 小夥伴們如好笑的Marco、滑雪教練、跟真Lisa長一樣的Lisa等…
還有其他MT們：尤其是一開始我唯一認識的Jenny！ Robert 、茵、早餐小夥伴Chelsea等…
感謝萊雅，希望下一趟的旅程也順利
歡迎想學習Python資料科學、商業分析、金融知識的人一起交流！本部落格的內容全部都是基於「分享」的實作、理論兼顧文章，希望能夠幫助到所有對資料科學領域有興趣的人們，長期關注可按左手邊的Follow!若喜歡我在 Medium 的內容，可以拍個手（Claps）這邊想做個實驗，好讓我知道你/妳喜不喜歡這篇文章：
拍 10 下：簽個到，表示支持（謝謝鼓勵！）
拍 20 下：想要我多寫「商管相關」
拍 30 下：想要我多寫「資科相關」
拍 50 下：我有你這讀者寫這篇也心滿意足了！敬請期待下一篇！或是您也可以逛逛我的其他資料科學文章，到我的主頁置頂文章獲得良好的目錄體驗。
Python資料科學系列：
- 【Python實作】生活中的資料科學，用模型挑出高C/P智慧型手機
- 【Python實作】Back to E’shanzen資料科學的商業分析
- 利用集群分析掌握消費者輪廓
- 利用Airbnb來更了解居住城市，以臺北為例 Python實作
- 學生社團的數據分析，Python線上課程分析實作
如果想跟著我實作資料科學，開始寫程式必知必會基礎系列：
