時 代 變 奏—資訊科技改變商業世界面貎

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=