資料視覺化聖經

金融時報首席專家的資料視覺化聖經

第2章 用圖表傳達數據的九大關係

▷圖表更有效率，專注在呈現重要數字的規律或關係。

▷所說的「關係」是什麼？全看重要數字的脈絡而定。

Part I 剖析九類視覺化圖表

第8章 呈現流向

▷它顯示非常有用的見解，可以藉由顯示不同侯選人之間的選票流向，進而理解候選人拿到的選票都是來自何處。每個流向區段的寬度都依照比例調整大小。

Part II 讓圖表完美發揮作用

第14章 改變尺度，改變說故事的角度

▷乍看之下，這張圖可能會讓讀者覺得平淡無奇，因為接種率一項很高，而且近幾十年也都保持在高水準，只有一些小波動。但是花點時間想想，繪製疫苗接種資料的關鍵面向：

• 高疫苗接種率需要大量人數，才能實現有助遏制疫情爆發的群體免疫。就麻疹來說，世界衛生組織建議疫苗接種率要達到95%。
• 在英國這類已開發國家中，我們會期待疫苗接種率相對較高，而且一定部要低於50%。

▷上述兩點意味著，我們的圖表正隱藏如果讓縱軸從0開始將會透漏的資訊，因為圖表中有一大塊區域顯示空白。讓我們試著調整縱軸，不要顯示0到100之間的數值，而是顯示80到100之間的範圍。

請記住，這裡用到的資料還是和第一張圖表一樣，唯一差別是縱軸刻度，並且額外增添疫苗接種目標的資訊。在這張新版圖表中，就視覺上，我們現在宣告80才應該被認定是低的數字，這是因為從脈絡來看就是如此。

▷所以，什麼情況下可以只讓縱軸呈現特定區間的數字？

最重要的是，圖表中單位不能是簡單的計數，好比演員身高、人數、千美元、每桶石油等，

因為我們想要顯示的不是量的比較關係。我們是在檢視每100名兒童的疫苗接種率如何隨時間變化，在這種脈絡下，使用軸線當作鏡頭以便放大圖表，進而彰顯資料的正常、預期或「目標」範圍，是完全合理的作法。

▷當然，在報告或簡報裡同時使用這兩種圖表完全可行，

第一章圖表顯示概況，也就是「總體而言，接種率看起來相當高」，

而第二章圖表則凸顯細節，也就是「然而，如果我們放大來看就會看到問題」。

不過，如果你被迫只能選擇一張圖表做出重大決定，肯定要選後者。

▷這張圖表顯示，女性在國會的比率如何隨時間變化，並透露出一股趨勢：

從1997年近12%提高到2020年約25%。再次提醒，請忽略軸線數值，就視覺而言，它看起來像是全世界已經解決性別代表性的問題，因為數據成功地一路從圖表左下方延伸到右上角。

▷每當有人使用電腦軟體製圖，軟體通常都會針對如何定義圖表軸線做出「有憑有據的猜測」，尤其是這類自動產生的圖表。

▷軟體不太明白的是，正在對讀者顯示的資訊代表什麼意義，或是我們會什麼要製作這張圖表。接受軟體的預設值，就會因為產出一張誤導性的圖表。

▷我們一開始為什麼要製作這張圖表？是為了衡量國會中性別平等的進展。那麼平等應該是什麼樣子？關於這一點，或許是女性要取得過會近半席次(也就是50%)。

如果我們縮放縱軸(y軸)在這個水準，就會產出一張截然不同的圖表，有一側留下一大片空白，凸顯根本缺乏實質進展。請留意，新的尺度讓我們可以下一個完全相反的標題，就是依照這個緩慢而持續的速度進展，圖中的藍線要花費數十年才能觸及50%的刻度。

第15章 好圖表是「寫」出來的

▷對聚焦解釋事物的圖表而言，請考慮採用如何...或為什麼...的標題，這種做法有助於建立「承諾」。

▷有時候，可以先考慮圖表中的視覺化辭典關係，再找出適當的動詞。舉例來說激增可能暗示「隨時間變化」，而上升/下降則可能意味著我們在強調「排序」。

▷一個精心討選的主動動詞可以凝聚圖表焦點，提供達成目的的真實故事。

當數位轉型碰上生成式AI

當數位轉型碰上生成式AI：臺灣150家企業轉型的策略性思維和變革實務

第一章 AI的起源與前世今生

▷展望未來，真正具有創造力的生成式AI應該可以做到更專業的工作。

例如主動根據目前市場情報，預估各種商品未來一年需求、分析客戶的喜好進而做到精準行銷。

第三章 你了解的數位轉型，真的是數位轉型嗎？

▷AI就是電腦科學家先模擬人類思考過程，接著設計電腦程式來模擬，

如此一來，就提供了一套以電腦做決策的簡單方法；接下來的二十年之間，

AI專家又發展出利用少量已知答案的樣本，透過演算法的方式自動學習(又稱作「機器學習」)，

由此而預測未知的樣本，更貼近人類的決策模式。

第四章 傳產業數位轉型必勝密技

▷正因為數位轉型的實質意義在於企業重新定義商業模式，營運流程與客戶體驗，

並且進一步找到提升競爭力與創造營收的方式，所以勢必會從「商機」中發現新的商業模式與服務。

第五章 產業數位轉型案例解析

主題4：如何熟悉消費者偏好，建立產品口碑以累積忠實客戶

▷任何產業都應該實地做消費者心理分析，深入了解大眾或小眾市場的需求，

透過週期性和不定性的市場研究，做消費者調查、重點小組討論和數據分析，

企業能深入了解消費者的偏好和行為，把握市場趨勢，調整產品和市場策略。

▷同時進行廣泛的潛在受眾生活習性分析、網路聲量排行、忠實客戶數據分析比對，

辨識高熟度的熱門菜或主廚推薦私房菜，讓消費者在進入餐廳前，有熟悉及對焦後的清晰感。

▷透過與消費者互動、分享有價值的健康議題內容，回應消費者問題。

最後，透過監測閱讀者指數的成長與衰退，精準投放擴散至有效社群，計算曝光量，創造口碑聲量，成功提高餐飲品牌能見度。

主題5：如何建立有感的優質服務，在對的時間點提供最好的服務？

▷隨著數據的不斷增長和分析技術的進步，服務業勢必更加重視數據的應用。

透過收集、分析和利用客戶數據，企業可以提供更加個性化的服務體驗，精準滿足客戶需求，並建立更優良的客戶關係。

主題6：如何進行分眾行銷，以互動擴散粉絲群？

▷具體想像並提出像是該如何提供給客戶這個商品最有價值的內容，以及用什麼樣的方式提供。

這其實早就是服務業常用的概念：為什麼客戶要買我這個東西？

接下來，才是要清楚地知道目標客群在哪裡。

▷一般行銷，常會將市場分為不同的細市場或分眾，每個分眾或是族群應該找出共同的特徵，

例如年齡、性別、地理位置、興趣、行業、收入水平等，然後才在企業的粉絲群中分享有價值的內容，如文章、YouTube、圖片或獨特的資訊，確保這些內容與產品的粉絲群的興趣相關並具有吸引力。

▷使用關鍵績效指標來評估每個分眾的表現，並根據成效調整短期策略，為每個分眾制定特定的行銷策略。這個策略可能包括產品定價、宣傳活動、產品設計、分發鋪貨和促銷方式。

重點是，企業必須確保能夠持之以恆地更心和管理粉絲群，不斷提供新的內容和活動，以保持成員的參與熱度。

▷若是沒有引進足夠的IT資訊技術進行數據整合，就稱不上是數位轉型，只能說是數位優化，就是門市零售之流程優化，這就是前面提到的-低估了自己的能耐。

▷真正的數位轉型，是希望透過自動導購的概念，在經過精密計算後提供每一位客戶最佳化商品推薦，以提升潛在客戶從線下瀏覽行為轉換至線上實際消費，或是導引線上會員帶著電子折價券前往實體門市消費。

▷簡單來說，AI推薦系統所採用的方法，是結合用戶過去的行為(例如以前購買過、選擇過、評價過的物品等)與其他用戶的相似決策，以建立特定族群的推薦模型，再用來預測哪一類用戶對哪些物品可能感興趣；也就是說，AI推薦系統會根據用戶對物品的感興趣程度，推薦給他類似性質的商品，例如保養品、美妝用品和睫毛膏等，就屬於「相似」的商品。

▷用更簡單的話說，就是要用演算法清楚地描繪出消費受眾的樣態；消費者及會員輪廓可以透過業者內部資料而整理分析出來，但在網友最常用的社群LINE或FB上，卻無法這麼清楚地探知社群會員的輪廓，所以常採用無差別的方式推播訊息或廣告，這一來，不僅廣告成本增加了，還常會使社群會員覺得垃圾訊息太多而封鎖社群推播。

▷解決這個問題的高階演算法方式，其中一種是透過LINE問券活動、會員點擊圖文訊息的回饋，然後從系統後台去對消費者貼標，定義該消費者的屬性，也就是「AI演算法標籤」。

這些更明確的標籤，例如喜歡的東西類型、嗜好的運動、購買價格區間、新品資訊，或是喜歡情侶款、熱銷排行榜等，眾多關鍵詞組或標籤都可以直接分析出社群會員的輪廓，再由精準的分眾演算法技術接手，讓行銷部門可針對特定消費者喜歡的東西(或是主題)去投放廣告，或推播地區性熱門主題廣告，鼓勵消費者到實體門市憑券消費。

主題7：精準行銷-為什麼老闆始終覺得我們離顧客有點遠？

▷近年來，許多零售業的管理者不但逐漸了解，同時也已巧妙地善用銷售數據來預測消費者的行為偏好，例如購買A產品的客戶也會購買B產品，或者促使客戶購買C產品的是什麼動機。

但是，創造全新的客戶體驗卻不僅僅是以數位科技收集大量的消費數據而已，還得在更多的情境下都能夠精確提供個人化的客戶體驗。

大人學做事做人

大人學做事做人：做事，才是職場做人的根本
Part1：［破］重建人際的底層邏輯 

▹釐清溝通、說服、談判的區別。

• 溝通：讓對方心平氣和地理解你的意思。
• 說服：找到對方在意的點，讓他認同你的觀點。
• 談判：以條件或物品交換對方的配合。

▹私人議題因為涉及情緒，無法理性分析。理解對方的情緒比單純講道理更重要。
▹說服的關鍵在於理解對方的需求，提供對方能獲得的好處才能推動事情發展。
▹要是你的問題不是私人議題，而是與商業有關，好比是在與客戶談判過程中卡住了。這時要做的第一件事，其實也不是說理，而是要想辦法從爭執中先退出來，重新去盤點公司手上的籌碼，或有可能在梳理的過程中找到新的突破口，發掘對方也會感興趣的新切入點，重新吸引對方注意。
▹無論是私人或是商業議題，說服的關鍵思維，都是找出對方最在意的點，好比私人議題可能是對方的情緒感受；或在商業上提出一個對方不能抗拒的方案，以此作為說服對方的破口，所謂的溝通多半只是自說自話。你講再多，我都聽懂了，但對我沒好處，我就不要配合。所以關鍵是你該思考，對方的好處在哪裡？好處有了、好處明確了，對方瞬間就會懂這方案好在哪裡了！
▸不要用戰術上的勤奮，來彌補戰略上的懶惰。

Part2：［立］了解自己，建立互動起點

▹利用FAB法則(功能、優勢、貢獻)來識別自己的特點。
▹不要用單一指標來衡量自己，結合三到四個的技能，自能找到自己的優勢。

▹亞當斯的「25%法則」，結合三項前25%的技能(25%*25%*25%=1.6%)，就能成為這三合一領域綜合前1~2%的佼佼者。
▹多元思考，挖掘自己的關鍵字，找到適合發揮的領域。

Part3：［知］讀懂人心的邊際 

▹所謂政治，就是管理眾人之事，想要推動改革，就必定要有手段。況且真正的管理，就是去推動組織內的改變，讓最多的人得到好處。

領導者的數位轉型(中)

領導者的數位轉型
第三章 人工智慧工廠

▷即使生產的工業化已然實現，但分析與決策大致上然仍然是傳統且高度個人化的流程。隨著人工智慧時代的到來，促使公司展開新的一波的根本性轉變，將資料蒐集、分析與決策予以工業化，改造了現代公司的核心，使其轉變為我們所謂的「人工智慧工廠」(AI factory)。

▷人工智慧工廠是個能夠促進規模化的決策引擎，驅動二十一世紀公司的數位型營運模式，越來越多經營管理決策被內建在軟體之中，將許多以往由員工執行的流程數位化。在Google或百度，再也不用由拍賣官管理每天數百萬筆搜尋廣告的進架流程；在滴滴出行、客來吧(Grab)、來福車或優步，在也不用由派車原來決定該派哪輛車往顧客指定地點；在亞馬遜，高爾夫球的每日價格不再是由運動服飾零售商訂定；在螞蟻集團，每筆貸款的審核不再是由行員執行。

上述流程都已經轉交由人工智慧工廠以數位方式執行，把決策視納入工業化生產流程，有系統的把內部及外部資料轉化成預測、洞察及選擇，指引種種營運行動，甚至把這些營運行動自動化。這使得數位型公司具有更優異的規模、範疇及學習能力。

▷數位型營運模式有多形式，在一些案例中可能只是管理資訊流(例如螞蟻集團、Google、臉書)，在另外一些案例中則是引導公司建造、傳遞或操作實體產品的方式(例如奧凱多、亞馬遜、從Google獨立出來的自動駕駛車Waymo)。不論採取何種形式，人工智慧工廠都是數位營運模式的核心、指引著最重要的流程及營運決策，而人員則從價值傳遞的主要途徑中移出，移至邊緣。

▷從本質上來看，人工智慧工廠能夠創造出使用者互動、資料蒐集、演算法設計、預測與改進之間的良性循環，包括：

1. 更多的資料：人工智慧匯總來自多個不同源頭的資料，這些資料可能來自公司內部或外部。
2. 更好的演算法：組織可以用這些資料去訓練與精進演算法，這些演算法不僅能夠做出預測，也能夠用資料去改進自身準確性。
3. 更好的服務：這些預測結果可以透過通知人類從中獲得洞察，也可以透過自動化流程做出反應，從而影響組織的決策與行動，提供更符合顧客需求的服務。
4. 更高的使用量：透過嚴謹的實驗規則來檢驗先前有關顧客型態變化、競爭者反應、流程變動等各方面的假設，這些規則可以辨別各種變數間的因果關係，用來改善系統。

▷最終，顧客實際使用情形、預測的準確度、所帶來的效益等相關資料會被輸送回系統中，進一步增進系統學習及預測能力，並且不斷重覆這樣的良性循環。

▷顯然地，上述資料無法交由少數分析師用人工方式處理，甚至無法用一般組合語言進行分析。但人工智慧工廠能夠解決這個問題，它將規模化生產方式應用在資料處理及分析上，藉此打造一個以數位型營運模式為核心的組織。接下來以網飛為例，深入探討人工智慧工廠的本質。

△網飛也透過更進階的分析，預測影響顧客忠誠度的因子。為了增加訂閱戶的看片時間，降低顧客流失率，網飛使用人工智慧推出一種功能，自動播出一部影集的下一集，或推薦同類型的電影。如今，類似這樣的客製化及個人化服務已經變得非常普遍。

△網飛也使用資料及演算法來決定自家公司的創作內容。該公司首次於2013年運用預測性分析功能，評估與獨立製片商媒體權資本公司(Media Rights Capital)合作推出<紙牌屋>(House of Cards)得客群潛力，這部影集是描述一位參議員如何進軍白宮的虛構故事。網飛的原創內容副總荷蘭(Cindy Holland)在受訪時指出：「我們運用預測模型幫助我們了解一個構想或特定議題的潛在觀眾群有多大。我們有一個作品體裁結構模型，能幫助我們知道哪些領域的節目有商機。」

△網飛及其它領先公司的經驗，凸顯出人工智慧工廠的一些基本組件的重要性

1. 資料匯流(data pipeline)：此流程以有系統、可持續、可規模化的方式，蒐集、輸入、清理、整合、處理與保全資料。
2. 開發演算法(algorithm development)：演算法產生有關於事業的未來狀態或行動的預測，這些演算法及預測是數位型公司運作的心臟，驅動一家公司最重要的營運活動。
3. 實驗平台(experimentation plaftform)：透過實驗平台機制，人工智慧工廠可以檢驗有關預測及決策的各種假設，以確定演算法建議的改變方案。
4. 軟體基礎設施(software infrastructure)：這些系統把資料匯流嵌入一個堅實的模組化軟體和運算基礎設施裡，並視需要及適切性，把它連結至內部及外部使用者。

▶若說資料是人工智慧工廠的燃料，那麼基礎設施就是傳送燃料的管路，演算法就是執行工作的機器，實驗平台則是把新燃料、新管路與新機器連結至現有營運系統的閥門。

△資料匯流(data pipeline)

• 「資料化」是指有系統的從任何事業自然進行的活動與交易中取得資料。
• 試圖建立人工智慧工廠的傳統型企業往往會發現，它們手中擁有的資料不僅片斷零散、缺乏完整性，而且經常是分散而孤立的存放在各部門IT系統。

△開發演算法(algorithm development)

• 蒐集與準備資料後，使資料變得有用的工具是演算法。演算法是機器處理資料時所遵循的一套規則，用以做出決策、產生預測或解決特定問題。 
• 請想像一下，我該如何分辨分析顧客是否可能棄用某服務(例如取消網非會員資格)。首先，預測演算法將顧客流失率視為各種變數的函數(這些變數包括：使用率、滿意度、人口統計特性、其它用戶的關係或相似性等等)，接著根據以往顧客資料做出調整，測試哪些變像可以準確預測顧客的目標行為。最後，演算法被部屬成經理人的一項分析工具，或是營運流程中的一個步驟(例如自動對可能流失的顧客提供特別優惠)。 
• 網飛在各種情境中使用監督式機器學習。在影片與節目推薦方面，該公司使用一個群集的行動與結果(例如挑選及按讚表示喜歡的電影)構成的標注資料集，對一個被演算法視為與這個群集相似的特定用戶做出推薦。根據用戶及決策脈絡等等特徵來建立一個用戶選擇大資料集，可以產生有效的推薦。這種協調過濾演算法(collaborative filtering algorithm)被用於種種推薦，包括亞馬遜的購物引擎及Airbnb的媒合引擎。

AI思惟

AI思惟

Because AI(Artifical Intelligence),becomes AI.(Argmented Intelligence)
因為人工智慧，從而擴增智慧。

第一章 AI的憧憬與實現
▷推薦系統的概念主要分為兩種：這兩種方法也可以彼此搭配混用，但關鍵都是需要建立出所謂的預測模型。

1. 內容過濾法Content filtering：此方法根據物品的各種特徵值，找出其它具有類似相似性質的相似物品並發展出預測模型。
2.  協作過濾Collaborative filtering：主要是根據使用者的歷史行為，例如購買過的物品、瀏覽過的東西或是評價過的物品等，並結合其它用戶的相似行為來建立預測模型。

第三章 從解題變訓練
▷運算思惟Computational thinking：

• 「解構」(decomposition)的能力：運算思惟面對問題或挑戰時，會先將問題拆解成數個更小的問題，以降低複雜度。
• 「規律辨識」(pattern recognitionb)：緊接著從拆解的小問題中，逐一檢視是否存在過往熟悉的規律或模式。
• 「抽象化」(abstraction)能力及設計「演算法」(algorithm)的能力：再來我們會試圖將問題抽象化，以方便找出解決問題的步驟。

▷要讓電腦像人類一樣解決問題，除了前文所提到的基於運算思惟外，另一種則是基於人工智慧思惟。這兩種思惟雖然同樣都是讓電腦擁有解決問題的能力，不過運算思惟是讓電腦照著設計好的步驟去解決問題；而人工智慧思惟，則是讓電腦經歷類似人類學習的過程，再由電腦根據自己產生的模型自動解決問題。
▷例如，假設人臉辨識方法是根據設計好的步驟，採用人臉特徵來進行比對，那在碰到遮蔽部分五官的人臉或側臉時，這些特徵值便無法計算，從而無法比對資料庫中的數據。反觀人類在相同情況下，卻還是有能力辨識出熟悉的人臉。這就表示我們辨識人臉的方式，並不是只依靠臉孔上的五官位置、形狀等特徵來識別。事實上，人類顯然不是依靠運算思惟的解題步驟來辨識人臉。換言之，面對複雜、變化多端或模糊不清的問題，甚至連我們自己也都講不清時，就更不用說將問題抽象畫化成解題步驟了。所以這也說明了，儘管電腦計算能力很強大，但是在智慧方面卻一直無法跟人類相比。因為在運算思惟下，它只是人類設計解題步驟下的執行者。
▷既然我們無法將自身的解題方法完整地教給電腦，那期望它能像我們一樣，在沒有任何限制的條件下解決問題，無疑是緣木求魚。因此，換個角度思考，如果能讓電腦像人類一樣，透過學習解決問題，那麼電腦是不是就能自己自己產生解決問題的能力？答案很明顯，以前的電腦作不好也做不到。但今天的人工智慧最特別的地方，正是可以如此。只要提供有關的數據給人工智慧去學習，我們不再需要給出解題步驟，電腦自己就可以發展出一個解題模式。由於這個解題模型不再是依據給定的步驟來解題，因此它更能用於面對模糊不清、複雜且變化多端的問題。
►人工智慧思惟的第一個關鍵是-不用管如何解題、步驟是什麼；重要的是取得什麼數據、如何訓練。

第四章 AI的五種能力：分類力、預測力、視覺力、語言力、推理力
▷分類力：人工智慧更能從數據中找出人類所無法看到的關聯性，進而發展出過去人類所不具備的分類能力。
→非監督式學習：人工智慧根據數據透過訓練，將所有數據實際分類後並評估分類結果。最後再決定，要用哪一個特徵來當分類依據，使得各類別內的數據彼此間具有最多的相同特徵。
→分類力應用：市場區隔(Segmentation)、追加銷售、交叉銷售。
→電腦可以運用分類力，自動歸結出具相似性的銷售類型。

第七章 數據先行
▷對於企業而言，數據驅動創新的第一步-也就是怎麼知道需要什麼數據，究竟是從何開始呢？

• 數據的描述性(Descriptive)是指可以用數據來解釋已經發生的事，就像是個事後諸葛。
• 數據的預測性(Predictive)是指能夠利用數據，預測未來會發生什麼事以及該如何因應。
• 數據的指示性(Prescriptive)，則是指透過運用數據，可以從整體觀指導運行步驟，獲得最有利的結果，並創造永續競爭優勢。

因此對於企業而言，數據驅動創新的第一步，可以先思考到底是要描述，還是需要預測，還是想獲得指示呢？
▷一種幫助數據驅動創新的方法是，讓企業內各種不同工作職能的人員問自己七個問題。

1.  現在可能發生什麼事嗎？
2.   有我需要知道的東西嗎？
3.   有要給我的建議嗎？
4.   有什麼該自動作的嗎？
5.   有什麼是未來會發生嗎？
6.   有什麼我該避免的嗎？
7.   有什麼我該決定的嗎？

再來下一步則是問題本身，回推出應該需要什麼數據，才能有效回答提出的問題。
▶為了讓第一代的AI先發揮功效，我們不需要急於投入大量成本完善數據。反而是有什麼數據，就進行什麼訓練。有了第一步成果，再看需要補什麼數據並再次訓練。這是一個反覆的迴路，直到建立出我們最終想要的AI。

第九章 AI思惟的企業運用
▷金融、零售、流通與服務等相關產業，大部分已經採用虛擬助理、自然語言處理等，而機器學習等則正在發展中，這些類型產業投入人工智慧的目的，主要是以改善對外服務效率、客戶體驗以及推薦服務等為主。
▷ 企業數位轉型可以分從四個方向切入，分別是「賦能員工」、「改善顧客體驗」、「作業最佳化」以及「促成產品轉型」。
▷ 企業目前將人工智慧運用在改善顧客體驗上，較常見的有聊天機器人、推薦引擎以及智慧定向廣告等。
▶定向廣告指的是根據客戶資訊，分析出他們是不是潛在的購買顧客，以及應該向他們投放哪一個廣告才最有可能成交。相較於先前的無差別廣告模式，這不僅是一種更具成本效益的做法，同時顧客不會被沒有對應需求的產品廣告所打擾，也才能避免不佳的顧客體驗。而利用人工智慧建立客戶畫像、定位目標客戶群體，相比以前的做法，自然更可以做到廣告的精準投放。事實是投放越精準，客戶體驗自然會越佳。
▷在企業轉型的過程中，以顧客為核心，提升顧客體驗，絕對是成功的不二法則。其中，人工智慧在改善顧客體驗已經有明顯效益，而且應用範疇從行銷個人化、顧客互動，甚至到行銷活動最佳化、決策方案制定等，可說是無所不在，人工智慧已是企業達成精準行銷的重要角色。
▷以「流程化機器人(RPA,Robotic Process Automation)用在幫助作業AI化為例，流程機器人就像是老鞋匠的「小精靈」，能反覆執行機械化、有規則可循的作業。這個小精靈會根據作業內容，自動謄寫或從其他地方取得相關所需數據，並串聯其前後相關作業。
▷流程機器人讓企業員工不用一直糾結在沒營養的作業流程衝，而可以把時間花在更重要的任務上，並且流程機器人對企業來說，不僅有助所短作業時間，更可減少錯誤發生的機率。
▷作業AI化的轉型，勢必有助於企業反應更快、更正確、更有效，成本也會更低。更重要的是，作業AI化可以單點突破，讓有需要或有價值的地方先開始。

麥肯錫教企業這樣用AI數位轉型

麥肯錫教企業這樣用AI數位轉型

序章 把數位與AI轉換為持續掌握競爭優勢的企業能力

▷在流程的前端，數位領先銀行整合個人化分析法與數位行銷活動，以向(潛在)顧客提供切要的產品與服務。

▷在流程的中間段，數位領先銀行創造全通路體驗，在銷售過程的所有階段，分行與接洽中的專業人員都有工具與資料去支援顧客，縱使是線上的銷售過程也是如此。拜信用風險評估的自動化，這些數位領先銀行也能及時審核顧客。

▷在流程的末端，數位領先銀行透過使用現代資料架構來設計通暢的數位工具流程，推動顧客自助服務。

▷數位與AI轉型中最複雜的層面大概是發展出以顧客為中心、快速'且彈性的營運模式，因為這部分觸及到組織的核心、管理流程及許多團隊的運作方式。

第一部 研擬轉型路徑圖

►選擇正確的轉型「口量」：挑選大到足以產生影響，小到足以獲勝的戰役。

▷許多公司因為在變革範疇上出錯，導致數位與AI轉型從一開始就注定陷入困境。

有些公司是起步規模太小，以為漸進的方法能降低風險。這是錯的，成功的轉型需要改變業務中有意義的事情，涉及可以顯著衡量的價值量及影響。

▷正確的方法是辨識業務中幾個重要且獨立自足的領域，並徹底地重新思考它們。

►定義領域時的要領是，這個領域足夠大到對公司有顯著的價值，但又夠小到不會因為依賴業務中的其他部分而大受影響。

►定義一個領域的三種方法：多數公司選擇根據工作流或旅程來劃分與定義領域，因為這通常能為顧客及/或員工提供最大價值。

1. 工作流/流程：創造高價值的業務流程，例如：產業維修、關懷顧客或採購到付款(P2P)。
2. 旅程：互動密集的流程，例如：顧客加入、提供顧客諮詢或線上購物。
3. 功能部門：傳統的業務功能部門，例如：銷售、財務、行銷或供應鏈。

►決定哪些領域優先

▷為了決定從哪些領域著手，必須從兩大面向評估：價值潛力及可行性。

1. 主要考量的潛在價值包括：
• 顧客體驗
• 財務效益：新的顧客成長率、顧客流失率的降低、平均每位顧客的價值提高、流程良率的改善或服務成本的降低。
• 產生價值的速度
• 綜效
2. 評估可行性的最重要考量為：
• 有堅實的主管來主持
• 資料與技術的整備程度：相較於舊技術，舊心態是更大的挑戰。
• 採用的容易度
• 推廣的容易度：假設你成功發展出一個數位解決方案，你必須評估在整個業務中推展它的容易度。這方案所涉及的變革管理挑戰有多大？這解決方案將在多少種不同的資料環境中運作？這些問題將影響你的數位解決方案能否充分地實現其價值。

►數位路徑圖是領導高層的一份契約：沒有計畫的目標只部過是願望罷了。

第三部 採用新的營運模式

▷組織基石：任何種類的數位營運模式都是由三個組織基石構成的：

1. 產品或體驗敏捷小組：他們開發及提供技術賦能的產品或服務，讓顧客及員工使用。其首要目的是讓使用者能夠執行創造價值的活動，例如：一家零售業者的搜尋引擎，貢獻的價值是讓顧客易於在網站或行動應用程式上找到品項。
2. 平台敏捷小組：他們是支援產品的後援技術與資料能力，例如：一部零售搜尋引擎可能倚賴一個存貨管理平台，其中包含資料庫、供應商整合平台。典型的平台包含：
• 資料平台，例如Customer360
• 企業系統，例如一套ERP或CRM
• 平台即服務(PaaS)應用程式，例如使用者驗證或ML演算法
• 基礎設施平台，提供雲端運算及儲存之類的服務
3. 支部：一個支部是由一群相同技能者(例如：產品負責人、資料科學家、資料工程師)組成的團體。支部負責增進專業知識與技能，維持共通的工作方法。

▷你可以規劃、發展、招募及投資數位解決方案，

但若顧客(不論是內部或外部的顧客)不想使用你打造出來的數位解決方案，一切都枉然。

正是因為這種介於使用者需求跟公司想推出、也知道如何打造產品之間的拉鋸，使得顧客體驗設計成為數位與AI轉型的關鍵要素，驅動創新、顧客採用及價值。

第四部 加速技術與分散式創新

▷各種測試策略及其定義

第五部 無死角地嵌入資料

▷資料產品的5種使用典型

第七部 轉型旅程的故事

►若業務不採用及推廣優異的數位解決方案，打造的解決方案就不可能創造價值。

領導者的數位轉型(上)

領導者的數位轉型

第一章 人工智慧時代

▷所謂的「數位轉型」不只是要導入相關技術，關鍵更在於能否成功蛻變為一家不同型態的公司。

為了因應新時代的威脅，我們該做的不只是把線上事業獨立分支出去、在矽谷設立一間實驗室，或是創立一個數位部門。相反的，我們所面對的是一個層次更深、涵蓋面更廣的挑戰，包括：

重新架構公司營運模式、改變公司蒐集與使用資料的方式，從而根據資料來回應市場訊息、做出營運決策、執行經營任務。

第二章 重新定義公司

▶公司的價值取決於以下兩個概念。

1. 第一個概念是公司的「商業模式」(business model)，意即該公司承諾創造和攫取價值的方式。商業模式關係到公司策略，也就是如何透過供應獨特的產品或服務，形塑與競爭者的市場區隔並提升獲利。
2. 第二個概念是公司「營運模式」(operating model)，也就是該公司為其顧客遞送價值的方式。營運模式則關係到公司向顧客遞送產品或服務的系統、流程及能力，也就是運用公司人力及資源每天實際在做的那些事情。

▷商業模式定義理論，營運模式定義實務。

儘管商業模式決定公司的發展潛力，但營運模式才是公司中能否成功遞送價值的關鍵所在。

若說商業模式是訂定價值創造與攫取的目標，營運模式就是實現此目標的計畫。

▷一家公司如何為顧客創造價值、如何從顧客那兒攫取價值，就是它的商業模式。

商業模式必須明確，包括兩個要素：

1. 公司必須為顧客創造價值，促使顧客消費該公司的產品或服務。
2. 公司必須透過某種方式去攫取它創造的一些價值。

▷「價值攫取」(value capture)是這枚硬幣的另一面，一家公司從顧客身上攫取的價值自然應該少於它為顧客創造的價值。就汽車製造商而言，它的價值攫取主要取決於汽車銷售價格(P)大於汽車製造成本(C)，兩個間的差額(亦即P>C)決定所能獲取的利潤。

▷企業主管面臨的主要挑戰是：

1. 規模：管理規模就是設計一個營運模式，盡可能以最低成本向更多顧客遞送更多價值。擴增規模的典型案例，就是像汽車製造商及速食餐廳那樣致力於有效率提高產量或服務的顧客數量。
2. 範疇：指的是一家公司從事商業活動的範疇，也就是為顧客提供的產品及服務種類。資產及競爭力有助於組織在多種事業領域獲得良好發展，例如：集中式研發可以提供多種產品線的優勢；品牌投資可以為同個品牌下的不同產品帶來更高收益；集中式配銷系統可以提高跨多種產品線的效率。
3. 學習：營運模式的學習功能對組織而言至關重要，關係到組織是否能夠持續改進、提升營運績效，以及開發新的產品與服務。

▷當「數位技術」(例如軟體及演算法等形式)取代「人力」這個傳統營運活動中的瓶頸時，所帶來的影響明顯遠遠超出人力層面。

▷資料越多，以及演算引擎進行越多的整合，得出的結果越好。資料科學家為特定行動提出機率預測方法，然後，演算法處理大量資料，在每一次的迭代中即時產出更好的決策。

▷螞蟻集團使用這些資料來比較「準時還款的優良借款人」和「未準時還款的不良借款人」，以區分出兩類人的特質差異，然後使用這些特質來計算信用評分。每一筆交易、買賣雙方每一次通ㄒ運、與阿里巴巴其它服務每一次的連結、我們在平台上的每一個行動，都會影響信用評分。與此同時，計算信用評分演算法也隨時在進化，每一次迭代都有助於改進決策品質。

▲去除人工作業瓶頸

▷從螞蟻集團的例子可以看出，數位型營運模式的本質是避免在產品或服務遞送流程的途徑上有直接的人為干預，員工能夠幫助定義策略、設計使用者介面、發展演算法、撰寫軟體、解讀資料等等工作，但實際傳遞顧客價值的流程是完全數位化的。當審核個人貸款資格、推薦特定投資工具之類的業務轉由系統自動處理，便能夠擺脫過去人工作業所帶來的種種限制。

▷螞蟻集團把這些流程定錨於一個中央資料庫，以整合的方式敘述顧客及作業需求，當顧客與事業流程互動時，軟體模組會蒐集必要資料，萃取及分析顧客的需求，將其中的含義內劃並和顧客互動，以傳遞承諾的價值。就這樣，在一個中央化資料架構上建立顧客互動流程，以清楚、可行、而且可以規模化的方式把「以顧客為中心」的概念營運化及自動化。

▷許多新的營運模式(例如螞蟻集團的營運模式)把資料導向的行動自動化，漸漸去除價值傳遞流程中的人工作業頻頸。最終會有一位產品經理去觀看匯總的交易及顧客行為資料，但實際的服務傳遞途徑上幾乎去除了每一個人際互動。

▷去除途徑上的人與組織瓶錦頸，這對公司的營運模式本質有巨大的影響。

在許多數位網路上，多服務一個用戶的邊際成本幾乎是零，只不過電腦運算容量成本小增一些，但很容易從雲端服務供應商那裡取得電腦運算力，這本質上使得數位型營運模式更容易擴增規模。

▷數位型營運模式也從根本上改變了公司的架構。除了去除人的瓶頸，數位技術本質上是模組化的，能夠容易的促成商業連結，當一個流程完全數位化後，可以很容易的把這個流程外掛在事業夥伴及供應商的外部網路上，或甚至外掛在外部的個人社群，以提供更多的互補性價值。

▷最後，營運模式的數位化也促成快速的學習與創新。累積的龐大資料量為越來越廣泛的工作提供重要的參考資訊，從即時應用程式的個人化到特色創新及產品發展都能受益。

此外，把許多營運工作流程數位化，縮減了整個組織規模及周邊的繁文縟節，如此一來，分析大量資料後獲得的洞察便能被數量相當少的敏捷產品團隊快速用來據以採取行動。