前情提要

行銷界近兩年最重要的話題之一，無非在Apple逐步限制廣告可追蹤性、Google宣稱cookieless時代終將來臨的變化下，原先大幅利用第三方數據的媒體操作和行銷科技，該如何調整策略？隨之而來的熱趨勢，就是品牌主接下來應該如何善用自己所擁有的第一方數據，創造具持續性與成長性的商業策略。

身為行銷人一定或多或少聽過「數據預測模型」「AI-Powered」「模型預測」等關鍵字，但數據應用到底怎麼用？可以完成什麼目的？乃至想開始使用數據預測模型的話需要哪些前置作業呢?本文將帶您用淺顯易懂的方式了解數據的應用與限制，開啟AI行銷的大門。

適用閱讀者

• 廣告代理商 業務/策略
• 媒體代理商 業務/企劃/優化師
• 品牌 BU/Marketing/CRM Team
• 任何沒有數據背景但想有初步認識的人

什麼是數據預測模型

簡單來說，我們將既有的資料餵養給機器模型，而機器模型透過合適的演算法，計算人腦難以處理的複雜維度和處理數據間的複雜關聯性，最後產出具有預測性的結果。

有別於「統計模型」是依照歷史資料的脈絡計算後提供彙整的結果，「數據預測模型」是找到歷史資料間的關聯性及趨勢後，提供具備未來指向性的結果。

輸入資料

在數據預測模型的世界裡任何資料都可以當作輸入的資料源，但我們常說「Garbage In, Garbage Out」，當輸入的資料有價值時，輸出的結果才會有價值。在清點可運用的資料時，請掌握幾個原則：

• 以運用價值為單位切分資料：
  從命題回推資料的切分細緻度。在無法回溯資料的前提下，從小單位彙總成大單位是容易的，但要從大單位再break down到小單位除了耗工、還不一定能達成。
• • 舉例1：
    要取得高點擊率文案的關鍵字，那比起一長串文字，將文字拆解成一組組的關鍵字，更能為模型所用。
    • 一串文字(大單位)：「暑假限定套組，粉底+粉餅+定妝噴霧只要$1988」
    • 拆解成個別欄位(小單位)：「暑假」「限定套組」「粉底」「粉餅」「定妝噴霧」「$1988」
    • 以這個例子來說，要從大單位拆解成小單位是可行的，但因為文字比數字難處理，會花費較多的資料清整時間

• • 舉例2：
    要取得消費者對個別產品的消費傾向，那比起只有總額的消費紀錄，將品項的單價也拆解紀錄，更能為模型所用
    • 總額跟品項(大單位)：「消費$1988，含粉底、粉餅、定妝噴霧」
    • 單價拆解(小單位)：「消費$1988」「粉底$1000」「粉餅$494」「定妝噴霧$494」
    • 以這個例子來說，如果只記錄大單位，是沒辦法拆解成小單位的，因為資料庫沒有記錄產品單價。

• 若是監督式學習，需要可對答案：
  輸入的資料與輸出的資料一定要具備可對照性。就像教小朋友認識蘋果時，一定會需要給他看蘋果長什麼樣子，並且告訴他這是蘋果。
• • 舉例：
    • 想要預測edm的開信率，訓練模型時就要有過去edm的開信表現。
    • 想要取得下個月會回購的名單，訓練模型時就要有消費者過去的消費表現。
    • 想要預測下一季各分店的業績，訓練模型時就要有各分店過去的業績表現。
    • 想要分析天氣對業績的影響，訓練模型時就要有過去每日天氣與當天業績資料

• 格式統一：
  數據預測模型畢竟不是人類，在沒有被訓練的前提下，它無法知道兩個長相不同的內容實際上指的是一樣的事情，所以將資料清整乾淨是建立數據預測模型前很重要的一步。
• • 舉例：
    • 女、Female、F，我們可能知道這些都指女性，但對數據預測模型來說，如果不做處理就直接輸入，這些會是三種不同值。

輸出結果

輸出結果依照商業命題的不同，可能是不同的呈現值。舉例來說：

• 標籤(tag)：模型運算完的興趣標籤，可以貼回群體甚至個人身上
• 清單(list)：就像媒體平台，數據預測模型運算後可以提供一包一包對應需求的消費者名單
• 分數(score)：假設要預測消費者下個月是否會回購，每個人會有對應的預測分數，分數越大代表回購機率越大

取得輸出結果後，依照人員需要，也可以用不同的方式來呈現或使用。舉例來說：

• 將結果直接儲存於品牌的雲端或地端環境，由技術人員取得再做後續應用
• 串接行銷工具(Salesforce, Facebook, Google, Braze, SMS發送工具...)，由行銷人員直接取得做後續應用，或由行銷自動化工具讀取後觸發後續消費者旅程(user journey)
• 串接成效追蹤儀表板(Dashboard)，供商務人員透過視覺化界面瀏覽結果
  

數據預測模型的運作邏輯

數據預測模型的背後是機器學習(Machine Learning)，我會說機器學習就像是智商200但心智年齡3歲的小朋友。怎麼說呢？

因為數據預測模型可以運算人類大腦無法負荷的多重維度、大量資料。就像人類或許只能同時觀察X+Y+Z三維的資訊，但機器學習可以運算非常多重維度的資訊，並找出其中的關連，這是它超級聰明彷彿智商200的地方。

但同時機器學習又需要我們Brief明確的需求來達成任務，如同還需要一個指令一個動作的3歲小朋友。在建置數據預測模型時，我們要先設好目標是「預測下個月業績」或是「預測每個人的渠道偏好」，再輸入「以價值為單位切分、具關連性且格式統一」的資料後，機器學習才能依照Brief完成對應的數據預測模型和結果。

了解數據預測模型的基礎背景後，Part 2我們將會進一步認識實際的行銷模型題目，以及市面上產品型、客製化型數據預測模型的優缺點。那麼我們下回見~

Key Takeaway

• Garbage In, Garbage Out。輸入資料有價值，輸出結果才有價值。
• 小朋友要看過蘋果，才能知道那是蘋果。監督式學習的機器模型要能夠對答案，才能訓練出結果
• 機器學習可以解決高複雜性的資料和維度，但應設定明確的命題和目標