Yvonne Hsu profile image

Yvonne Hsu

4 Posts

數據預測模型起手式:如何判斷品牌是否準備好了?

前情提要 之前的幾篇文章分享了預測模型的種類、限制和應用場景,除了實際運用的可能性與可用性外,大家最常問的問題還有:我們手上的數據是否足夠完成預測模型呢?實際上可否建置一個成功可用的預測模型,除了數據的多寡和品質外,也會受到應用範圍、更新頻率、產出標的和準確性要求等面向影響。但是!如果要把這些要素都評估完,不僅耗時還耗人力,今天想透過這篇文章的分享,讓非數據人員也可以快速完成初步判斷!帶著用這份守則評估的結果,再與數據團隊做更進一步的討論,相信可以有效加快您們的對焦速度唷~ 哪些數據對建置預測模型來說是必要或需要的? 說好的5分鐘完成初判,絕對要讓您喝杯咖啡的時間就完成XD先提供完整大圖給各位,可以看到總共4種類(1-4)的數據判斷方向、並依狀況不同帶來4種結果(A-D): 接下來逐步展開說明,首先是不同的數據判斷方向(1-4) 1. 可被識別的人數是否足夠:無論實名PII或匿名cookie,可以被視作「一個人」的量體是否足夠?而人數是否足夠,可以用下面兩個思路來初步判斷: a.以後實際應用的量體是多少?假設每次投放廣告,大概都是10-15萬人 b.那麼從應用需要10-

行銷人進入數據世界:資料庫、資料倉儲、資料湖、數據中台?一篇搞懂其中差異與用途

前情提要 相信無論您是品牌內的行銷部門或是身在代理商的行銷人員,都感受到隨著品牌行銷越做越深,我們也從P-O-E(Paid-Own-Earn)、SEM+SEO、O2O等跨渠道、跨工具的整合,更進一步的頻繁接觸到第一方數據的整合與應用。在這些對話過程中,您是否也聽過技術廠商或IT/Data部門提到以下這些關鍵字呢? * 資料庫Database * 資料倉儲Data Warehouse * 資料湖Data Lake * 數據中台Data Middle Platform/Data Center * 同場加映:客戶資料平台Customer Data Platform 這些乍看都是收集存放數據的環境,但彼此之間仍然有使用方式和目的的不同。今天就透過這篇文章,用簡單好懂的方式展開這四種環境的介紹吧! 資料庫Database 資料庫應該是我們日常作業中最耳熟能詳的詞了,舉凡交易資料、上架紀錄、會員資料、消費紀錄...都可能存放在資料庫中。資料庫主要存放大量原始資料,比起運算速度和分析效果,資料庫重點講求的是資料的正確性。依照產業或公司自己的需求,不同的資料來源/資料種類,可能存

什麼是數據模型/預測模型?行銷人必備入門第一課,搞懂數據的應用與限制-Part 2

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。) 預測會員下個月回購機率 是否可執行:YES 原因:具備會員消費紀錄 利用天氣預測業績 是否可執行:NO 原因:目前沒有紀錄天氣資料 預測下個月特定品項的銷售業績 是否可執行:YES 原因:具備各品項的交易紀錄

什麼是數據模型/預測模型?行銷人必備入門第一課,搞懂數據的應用與限制-Part 1

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