低程式碼應用程式展演（Low-code app demo）
本案沒有因此結束，因為 Jasper 不僅有 A 商品，尚有不同商品欲執行精準行銷，所以便詢問：「本次結果團隊皆大歡喜，那請問是否有相關低程式碼應用工具（low-code app）可以拖拉（drag and drop）資料集並點擊使用呢？讓團隊可以快速知曉其他商品精準行銷怎麼做？」
這是完全沒有問題的！筆者善用 Python 結合網頁技術，迅速完成了一組 low-code app 網頁應用，讓 Jasper 團隊往後只要將如圖1的訓練資料集與測試資料集資料放入對應的位置，並在圖2中指定「目標變數」、「UID」與「財務指標」，設定適當的參數，即可開始執行精準行銷的機器學習訓練任務。
接著，有別於本章使用的 XGBoost 模型，筆者亦可納入不同的機器學習模型來訓練，藉此找出最適合不同商品的模型，如圖3所示。
接著，App 就會自動選出最好的模型、最好的預期獲利與最佳的閾值，在圖4中可見到最好的模型為 XGBoost 並且行銷購買本商品機率超過23%的顧客下，預期獲利為$459,235元新台幣。
除此之外，App 還會自動產出 Jasper 團隊欲與行銷全顧客利潤的精準行銷比較表，如圖5所示，本案可見精準行銷之方法比原方法預期表現還要好上約10萬元新台幣。
不僅如此，當 Jasper 團隊面對還不知道是否有購買本商品意願的新顧客時，僅需將顧客資料放入圖6的App中，筆者可多善用貝氏統計模型，建構出「顧客精準行銷清單」與「未來的總預期獲利」
以圖7為例，可見在這接近總數5,000人的總資料中，模型幫Jasper挑選出542人，並依照貝氏統計模型的運算，預計會有257人買單本案商品，即造就接近23萬元新台幣之成效，其ROAS為6.4倍，ROI也達近2.3倍。
最後，本 App 的精準行銷釋例不僅可運用在如 Jasper 的電商案例，亦可泛用在任何 B2C 業界，善用精準行銷迎合真正有需求的顧客，進而讓企業的獲利無往不利。
以下筆者綜整了本主題各系列的連結以及主題總頁的連結，歡迎讀者取用！
系列六：行銷活動利潤模型與最佳決策點分析【總結篇】
主題總頁：AI行銷學實作篇故事情境介紹 & AI行銷學分析工具應用實戰
作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）、蔡尚宏（臺灣行銷研究 資料科學家）
更多實戰案例及情境好文推薦
行銷經理的經驗也可以科學化 - 用「K-means」演算法進行市場區隔 （附Python程式碼）
行銷經理的經驗也可以科學化 - 用「K-means」演算法進行市場區隔 （附Python程式碼） 對機器學習演算法有所研究的人一定都聽過「聚
行銷活動利潤模型與最佳決策點分析【顧客資料蒐集與清理篇】
系列二：行銷活動利潤模型與最佳決策點分析 【顧客資料蒐集與清理篇】 在系列一（連結請點此），筆者介紹了本主題的個案情境介紹，並且遇到了五大難
如何成為資料科學家!? 用 “資料分析” 的方法來探討 - 系列1（附Python程式碼）
如何成為資料科學家!? 用 “資料分析” 的方法來探討 - 系列1（附Python程式碼） 相信大家都有耳聞過「21
