102 描述性分析助找出商機 描述性分析，是指解讀歷史數據以識別趨勢和模式，回答「發生了什麼？」的問題， 意味通過這種分析，有助識別出潛在問題、或找到未來的業務機會。 據柏林洪堡大學一組研究人員提出，利用自然語言處理和機器學習，去分析消費者購物 籃中產品的共現情況。做法是透過結賬系統的現成數據，找出消費者購物籃中跨類別產 品的互補性、類別內的產品的替代性等有用信息，這個方法很適合零售商採用。 筆者運用類似的研究理念，擴展應用到自動售貨市場上，以助零售商同時在不同的自動 售貨點，以及每個自動售貨點內改進其產品分類策略。我們利用不同自動售貨地點的消 費者交易數據，去建構一種自動機器學習模型。這個模型可以—（1）分析由位置偏 好驅動的不同消費者群體，（2）量化這些消費者群體之間產品偏好的差異，以及（3） 了解產品和自動售貨地點之間的關係（例如，替代和互補性）。由此可見，利用描述性 分析方法，我們能夠得到很多有用訊息，用來在不同售貨點去進行有效營銷。 預測性分析提升服務質量 預測分析是指使用當前和/或歷史數據與統計技術相結合的過程，通過回答「會發生什 麼」或「什麼時候會發生？」，來評估特定事件在未來發生的可能性。預測分析已被用於 營銷中的各種預測問題，例如信用評分、新客戶獲取、客戶流失、客戶生命週期價值、 廣告點擊率、購買發生率和產品推薦。因此，預測分析可以幫助改善企業的多個領域， 包括效率、客戶服務和降低風險。 此外，過去幾年，深度學習（DL）在營銷預測方面的表現受到了極大關注。 深度學習是 機器學習的一個子領域，它涉及受大腦結構和功能啟發的算法，稱為人工神經網絡。除 了出色的預測準確性之外，DL 還可以處理來自許多不同來源的更多信息。它不僅能夠以 無與倫比的規模做到這一點，而且還能夠以其他系統無法做到的方式，匯集不同類型的信 息，包括圖像、音頻、應用程序數據、點擊流數據、位置數據、社交網絡數據處理等。 然而，現有預測分析為人詬病的其中不足之處，是這些分析工具太像黑匣子，無法深入 了解輸入後過程中發生的情況。因此，當「盲目地」依賴算法來優化預測時，可能會產 生潛在的負面後果。例如，最近的一項研究表明，支持 Facebook 廣告平台的算法，向 不同的人展示不同類型的住房或就業機會，展現了帶有歧視性的效果。例如，這最終導 致算法向女性展示了更多的秘書職位廣告，向男性展示了更多的木材行業職位廣告。 3 科技與數碼營銷
RkJQdWJsaXNoZXIy NDk5Njg=