Chapter 01 何謂行銷資料科學
一、智慧客服真聰明
想像一下，當你第一次打電話到銀行的客服中心（Call Center）時，客服系統就能夠真正聽懂你的意思，並且知道你的個性；下次當你再打電話進去時，系統會自動將電話轉接給與你性格相似的客服，以降低雙方在電話中可能因為誤解而產生衝突的風險，而銀行也可藉此提升顧客滿意度。事實上，現在這類智慧客服都已陸續在國際銀行業上線服務消費者，然而，它們到底是如何辦到的呢？
六大性格類型 繪圖者：趙雪君
在監督式學習（Supervised Learning）裡，通常要達成兩種目的：預測（Pedicting）與分類（Classification）。在預測方面，像是預測消費者購買行為，一般會透過線性迴歸（Linear Regression）、決策樹（Decision Tree）、隨機森林（Random Forest）、類神經網路（Neural Network）和梯度提升決策樹（Gradient Booting Tree）等演算法來進行。
在分類方面，則是對消費者加以歸類，一般會利用決策樹（Decision Tree）、單純貝氏（Naïve Bayes）、羅吉斯迴歸（Logistic Regression）、隨機森林（Random Forest）、支持向量機（SVM）、神經網路（Neural Network）和梯度提升決策樹（Gradient Booting Tree）等。
至於在「非監督式學習（Unsupervised Learning）」的部分，常見的功能可分成：分群（Clustering）、關聯（Association）與降維（Dimension Reduction）。實務上，在進行分群時，如：進行市場區隔，一般常用的演算法為K-平均（K-means）。在發展推薦系統時，則會用到Apriori演算法。至於在降維，則常用主成分分析(Principal component analysis，PCA)。
由於演算法的類型頗多，以下簡單就決策樹與Apriori演算法、支持向量機、人工神經網路等進行介紹。
泰比·卡勒（Taibi Kahler）後來將他的研究成果寫成了一本書《The Process Therapy Model: The Six Personality Types with Adaptations》（暫譯：過程治療模式：適應性的六種人格類型），而美國太空總署（NASA）後來則聘請他，藉由他的研究發展出選擇太空人團隊的方法。
之後，另一位創業家凱利·康威（Kelly Conway）與伏達風（Vodafone）電信公司合作，依據泰比·卡勒的研究，針對12位客服專員與其負責的1,500通電話進行分析，以瞭解每位客服專員與每位顧客的性格（共分成6大項），並計算每通電話通話的時間。康威發現，當顧客遇到性格與其相近的客服專員，通話時間約5分鐘，解決問題的比例高達92%，而當顧客遇到性格迥異的客服專員時，通話時間長達10分鐘，問題解決的比例遽降到47%。於是康威將以上的研究開發成產品，甚至申請了專利[1]（請參考QR code）。
[1] Kelly Conway的專利為Methods and systems for determining customer hang-up during a telephonic communication between a customer and a contact center US 20090103699 A1。
就這樣，當你第一次打電話到銀行的客服中心時，電腦語音通常會要求你輸入身分證字號，這樣系統就會知道你是誰。接著，銀行再透過你與客服之間的對話，來辨識你的個性。當你下次再打電話進客服中心時，輸入身分證字號後，系統就能自動將你「配對」至與你性格相似的客服，以提升顧客滿意度，這也就是為何系統能夠聽懂你的心的原因，如圖2所示。
圖2 電腦語音系統如何讀懂你的心
繪圖者：余得如
後來，一家名為魅得賽（Mattersight）的美國公司(如圖3)，使用泰比·卡勒博士所發明的模型，蒐集銀行、飯店、保險、連鎖藥店…等業者共超過10億筆的客服電話記錄，再透過機器學習，最終讓系統能在人們講話的前30秒內，就立刻判斷出這名消費者的性格。
圖3 魅得賽公司(Mattersight)的網頁
此外，2018年5月8日，谷歌（Google）在加州召開了開發者大會（Google I/O 2018）。Google的CEO桑德爾·彼柴（Sundar Pichai）於大會中介紹Google個人助理（Google Assistant）中新增的Duplex，它可以透過智慧客服機器人，幫客戶打電話到餐廳和髮廊預約時間（請參考QR code）。
透過上述電腦語音辨識性格的技術，再結合智慧客服機器人的發展，未來，智慧客服機器人甚至可以針對不同類型的消費者，改變自己的聲調和語氣，進一步提昇顧客滿意度。
二、行銷新顯學︰行銷資料科學（Marketing Data Science）
美國零售業先驅約翰‧汪納麥克（John Wanamaker）曾經說過：「我花在廣告上一半的經費都浪費掉了，麻煩的是我完全不知道是哪一半。」後來這句話又被人引申成「我有一半的廣告經費都沒有效，更糟糕的是，我卻不知道是哪一半。」多年來，行銷界人士之所以有廣告經費不知道花到哪兒去，以及明知無效卻還得投入的喟歎，其實都是因為過去的廣告行銷都很難做到「明確區隔、精準行銷」所致。然而，現在隨著社群網路（Social Network）、物聯網（Internet of Things）、開放資料（Open Data）、大數據（Big Data）等概念的出現，加上行銷管理學的領域不斷地發展出新的研究方法與工具，已經為行銷領域帶來「精準行銷」的全新契機。
過去，企業界想要知道市場概況，最普遍的方式就是展開一系列的市場調查，從產品開發、設計、消費者口味調查，都得歷經不斷的研究與測試，上市前還得經過更全面的人口變數的查訪、市場開闢、銷售點研究、鋪貨等連串活動。初期就必須投下大筆經費，然後靜待消費者的感受與接納，想想看裡面有多少「嘗試錯誤（trial and error）」的成份，說實在話，這其實有點像是在「賭博」。
回過頭來再看看最近廿年，社群網路鉅細靡遺地記錄著虛擬世界的消費者口碑；物聯網（設備協助偵測實體世界的消費者行為；開放資料（則提供行銷人員更多的次級資料（二手資料）來源，而這些都隨著網際網路的推演不斷進步，不斷累積出大量的數據（Big Data），同時也不斷產生新的行銷概念，讓企業更能洞悉消費者的心。
在這樣的背景之下，傳統行銷研究（Marketing Research）的方法與工具，已不足以因應現在行銷管理者所需。現在的行銷管理者要有能力，也需要新的分析工具來做決策支援。
透過網路爬蟲（Web Crawler）技術與物聯網技術，收集消費者的初級資料（一手資料），再配合所收集到的開放資料，行銷人員要有能力運用資料探勘（Data Mining）、文字探勘（Text Mining）、大數據分析（Big Data Analysis）等技術對資料進行分析。然後，再藉由資料視覺化（Data Visualization）技術，將行銷研究結果做最佳的呈現，並讓企業決策者做出快速且正確的判斷。以上所提到的方法與工具，正是「行銷資料科學」（Marketing Data Science）的範疇。如圖4所示。
圖4行銷資料科學發展概念圖
繪圖者：張庭瑄
目前「行銷資料科學」（Marketing Data Science）的概念才剛剛起步，但已經在行銷界掀起滔天巨浪。估計未來的行銷學領域和行銷研究將更加精進，除了結合大量的基礎與進階統計、資訊管理工作外，甚至還有資工的軟、硬體操作。對有意投入行銷領域的年輕朋友們，不但帶來更多的挑戰，也帶來更龐大的就業機會。
三、何謂「行銷資料科學」
在工業革命之後，行銷是產業對外拓展市場中最重要的武器。行銷學在美國的發展已超過一百年，而到了本世紀初，行銷與資料科學開始交會，擦撞出美麗的火花，挾數學、統計和資訊科技的「資料科學」加入行銷領域後，預料未來會讓企業行銷威力更銳不可擋。
1974年，在丹麥哥本哈根大學任教的彼得•諾爾（Peter Naur），在他的《Concise Survey of Computer Methods》一書中，首次提出資料科學（data science）的概念。從天文學領域轉戰電腦科學的他，一開始就認定資料科學乃是處理資料的科學，一旦有效建立，資料與其所代表的資料間的關係，就能應用到其他領域和學科。2001年，威廉•克利夫蘭（William S. Cleveland）在他發表〈Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics〉一文，正式將資料科學認定成一門學科。
簡單來說，資料科學就是「透過科學化的方式，對資料進行分析的一門學問，而資料科學存在的目的，在於解決問題」。這裡的「科學化方式」特別強調「資訊科技」與「數學/統計」跨學科領域的應用。舉例來說，像是Google透過大數據分析，就能藉由使用者查詢感冒症狀的資料，比美國疾病管理局更早掌握流行性感冒疫情發生的情報。
現在來換個場景，將資料科學運用到行銷領域的學問就稱為「行銷資料科學」。所以行銷資料科學的定義就是「透過科學化的方式，對行銷資料進行分析的一門學問；而行銷資料科學存在的目的，在於解決行銷管理上的問題」。舉例來說，在亞馬遜網站購書後，網站透過演算法也將其他人會購買的書籍做出推薦清單，一併推薦給你，就是行銷資料科學的目的與應用。
從宏觀的角度來看，行銷資料科學專業範疇涵蓋「行銷管理」、「資訊科技」與「數學統計」三種專業，如圖5所示。
圖5 行銷資料科學專業範疇概念圖
繪圖者：周晏汝
從圖中可以發現「行銷管理」與「數學/統計」的交集，為「傳統行銷研究」的範圍。「行銷管理」與「資訊科技」的交集，衍生出「行銷資訊系統」的內容。「資訊科技」與「數學/統計」的交集，產生了「機器學習」的學問。而「行銷管理」、「資訊科技」與「數學/統計」的交集，開啟了「行銷資料科學」學科的先河。
再進一步看，行銷資料科學的研究需要結合統計、數學、資訊科學等各領域的專業知識，可以由「提出問題」出發，然後進行資料蒐集、量化、處理、分析和選擇模型等流程，協助我們理解問題和驗證假設，最後提出觀察結果或解決方案。
學習行銷資料科學，別忽略了統計
在許多企業準備邁向行銷資料科學的過程中，最常碰到的情況是，行銷人員不會寫程式，資訊人員不懂行銷，最近我們又觀察到一件事，這道鴻溝不僅雙方不易跨越，還有一道橫在面前的障礙是，大家對「統計」的不了解與畏懼。偏偏行銷資料科學又是「行銷、資訊和統計」三個不同領域的學科所建構而成，企業要找到三個領域都精通的行銷資料科學人，的確不容易。
過去企業認為，許多行銷人員不會寫程式，許多程式人員不會行銷，因此乾脆把行銷部門的人找來學寫程式，同時也為資訊中心程式人員開設行銷管理課，以為這樣可以有效增加彼此的本職學能，並且有助於專案的落實。結果一段時間下來，成效還是不彰。
仔細探究之後發現，行銷人員想到要寫程式頭就很痛，許多程式人員想學行銷但成效還是有限。也許是企業主管的指導方法不好，也許是行銷與資訊人員的學習方法有誤，或許也有可能是個人興趣或是個性使然，總之，學習成效與預期出現嚴重的落差。
更重要的是，企業主管在指導的過程中，容易陷入一個「誤區」，那就是誤認為大家的「統計學」有一定的基礎。因此對於像是「敘述性分析（Descriptive Analytics）」（亦即解釋已經發生的事，例如：協助企業分析出消費者的樣貌，或是這些消費者購買了什麼？）大家基本上都沒有太大的問題。
不過，在進入「預測性分析（Predictive Analytics）」，也就是像要協助企業解決可能發生的事，例如：分析出消費者可能還會購買什麼？進而提前給予消費者相關的產品資訊以及「指示性分析（Prescriptive Analytics）」，亦即能指導實際執行時該如何做，例如：當消費者走到某商圈時，手機會主動收到適合自己的附近店家折價券。基本上，許多人就無法完成。這樣的現象，背後的原因主要來自於「統計」。
其實，行銷資料科學專業範疇涵蓋「行銷管理」、「資訊科技」與「數學／統計」三種專業。因為在預測性分析，需要理解統計的因果與關連、迴歸等等相關知識，當然有時也要帶點對資料的直覺與天份，才有辦法再向前跨越到指示性分析。
可能是過去太過專注在「行銷管理」與「資訊科技」，反而忽略了「數學統計」（或是高估了行銷與資訊人員的統計程度）。因此，f企業除了鼓勵行銷與資訊人員，持續相互學習程式與行銷之外，也應該替大家複習統計（雖然效果可能有限，但可以增加彼此的溝通成效，也鼓勵大家欣賞彼此的專業）。
最後，在執行專案時，我們可以將焦點聚焦在才能，而非成員[2]。畢竟有些成員只會寫程式，有些成員資訊與統計都很強。有些成員只會行銷，有些成員行銷與統計都很在行。只要確保所有專案成員知識能力的加總，大過完成任務目標所需的知識能力的加總即可，至於三種知識能力是來自於三位或是兩位成員，問題相對較小。
[2] 史考特．貝里納托 （Scott Berinato），《讓科學家與決策者理解彼此 用白話文說資料科學（Data Science & the Art of Persuasion）》，哈佛商業評論中文版，2019年，1月號。
＜＜本頁僅供試讀，若須閱讀完整章節歡迎參考行銷資料科學＞＞
行銷資料科學｜大數據x市場分析x人工智慧
出版社：碁峰
出版日期：2019/07/30
語言：繁體中文
定價：520元
