快速導覽

數據預測模型題目舉例

在Part 1我們了解數據預測模型的運作邏輯後，接下來做個簡單的測驗，看看你有沒有get到數據預測模型的應用可能性與限制吧！假設今天我們的品牌是綜合性電商，下表的內容即為品牌擁有的所有資料：

資料庫儲存的資料

Purchase：交易會員、交易品項、交易總額

Date：交易發生日期、交易日期對應的優惠活動、交易發生日種(平假日)

Member：會員性別年齡、會員註冊年份、會員收件地址、會員電話、會員email

Behavior：會員站內瀏覽行為、會員購物歷程(Add to cart、Drop、Payment...)

基於上述資料，以下哪些是我們有機會建置的數據預測模型呢？(此處不用考量資料量體是否足夠或建立的模型是否可達到夠高的結果準確性，只需判斷是否擁有符合題目基本需求的資料即可。)

你答對了嗎？值得注意的是，這邊列出無法執行(NO)的題目，並不代表實務上無法執行唷！只是上述假設的資料庫內並沒有足以支撐該題目的資料。舉例第二題「利用天氣預測業績」，當今天資料庫有每天的天氣紀錄，或者我們在訓練數據預測模型時，可以拿到外部的每日天氣紀錄來跟資料庫的交易日期做比對，那這個題目還是有執行的可行性。

產品型與客製化數據預測模型的差異

看到這裡你可能會想到，除非是品牌自行組織數據團隊，否則目前市面上除了有為品牌量身打造的客製化數據預測模型建置服務外，許多Mar-tech比如Appier、Salesforce...等也有自己的產品化數據預測模型。這兩者有哪些差異呢？我們可以從下面表格來理解：

類型	優點	缺點
產品型數據預測模型	啟用門檻較低 通常前置作業短，可快速啟用 費用較低，因為提供方多採用薄利多銷的商業模式(e.g. 訂閱制)	一機適用全體，因應產業特性調整的空間較小，可能導致數據預測模型的準確性較低
客製化數據預測模型	依照產業特性輸入高相關性資料、設計應用程度高的結構和結果 依照品牌需求與資料現況設計數據預測模型，以期帶來準確性較高的結果	啟用門檻較高 通常前置作業長，需要先完成數據清整以期獲得更準確的結果 費用較高，因為提供方建立的數據預測模型，所有權可能歸品牌方所有，且不一定能夠複製應用於其他地方

這兩者並沒有高下之分，不同產業乃至不同品牌在不同的業務成長階段，會自然的產生不同需求。應該依照當下的需求，以及品牌可接受的投資成本，來評估合適的數據預測模型做法。

適合使用數據預測模型的時機

雖說如同文章開頭提到，第一方數據的應用已經越來越重要，但每個品牌的數據含量、數據/數位應用程度不同，什麼時候該開始考慮投資數據預測模型呢？請讓我用以下情境做個小結：當下述時機發生時，或許就是該考慮接觸數據預測模型世界的時候囉！

• 行銷結果難以被分析，或分析結果無助於形成下一步決策
• 現有資料無法輔助自媒體(owned media)在溝通規畫上做更細緻的安排以取得更好的成效
• 付費廣告(paid media)成效遇到瓶頸，且品牌開始對廣告投報率持保留態度
• 身為業界龍頭，尋找下一個成長突破點或創新、轉型
• 持有第一方數據，但尚未利用數據做更多的變現操作或應用

Key Takeaway

• 產品型與客製化數據預測模型無分好壞，端看品牌當前的需求和資源
• 可用下方的簡易表格，開始初步的數據預測模型需求評估

商務需求	數據預測模型的命題	資料現況	Remark
提升促銷檔期的交易量	找到會對促銷有興趣的消費者，在廣告操作時加強投放這群人	會員資料 消費紀錄 產品紀錄	目前資料庫無法分辨檔期區間，需要額外資料輔助判讀消費日是否落在促銷檔期內

---