財團法人台灣金融研訓院
當下思維
第一章 科技改變了一切
- 資料本身不會出錯，但我們蒐集、細察、瞭解資料的方式卻很容易出錯。
第二章 無中生有的觀點？
- 樣本的偏誤來源
1.自我選擇偏誤 2.涵蓋不全偏誤 3.存活者偏誤
第三章 選擇武器
表3.1 理論類別的分類法
例如，我們需要知道可應付的市場規模：我們的業務究竟有多大的商機，不同客群的商機有何不同？
客群區隔可能屬於這一類，它幫我們找出符合事業需求的客群。
- 說明：這個理論類別可以稱為瞭解的理論，因為它的重點是教我們如何瞭解世界，產生新的認知。
市調大多是屬於這一類，它讓我們洞悉為什麼大家會有某種行為。
- 預測：這是理解之下的預測，所以和本書的多數討論息息相關。
不過，這裡應該承認一點，預測不見得一定要有因果關係。
- 說明與預測：就某方面來說，建立衡量指標的最佳實務做法是，
不僅可以瞭解現象背後的根本運作機制(亦即我們能說明為什麼會有某種變動)，還可以進而預測變動。
例如，某種顧客滿意度的理論或方法看起來很適合套用在我們的事業上，我們據此設計衡量指標，
並預測特定結果(例如留客率或顧客價值)的效果。
所以我們不僅有預測結果的東西，還瞭解其背後的原理。
- 設計與行動：這種理論是描述如何做某事，也反映在設計思維的廣泛領域。
需要衡量的典型例子包括：找出大家常犯的錯誤、購物到結帳的平均時間、
駕駛人在某條路上的駕駛速度等等。
當我們衡量大家如何做某些活動時，就可以想辦法援引成功案例的經驗加以改進。
- 資料類別與商業目標模型，四種不同的類別概述如下：
1.績效管理：這裡使用的資料通常是由內部系統(例如CRM系統)建構與取得。
這種分析可用於平衡計分卡和儀表板，以便有效地管理事業，持續追蹤衡量指標。
2.資料探索：這種分析是以之前可能沒想過方式來探討交易型資料。
它往往是使用預測模型建構技巧，是有效探勘資料的有趣方式之一。
3.社群分析：這是持續衡量社群媒體上的品牌，建立品牌在知名度、參與度
、影響力等衡量指標的持續績效。
4.決策科學：涉及非交易型資料的實驗與分析，所以這可能包括在網路上撈資料的工具
，以便從社群媒體蒐集資料，然後用測試和情感分析。
第四章 危險和陷阱
- 優秀的資料科學家蘊含了以下特質：他們是「見多識廣的懷疑者」，以分析來權衡判斷
，必兼顧保持懷疑的態度、計量分析能力和資訊科技運用技巧。
- 對資料科學家來說，有一種認知功能非常重要：從資料中發現秩序、找出特定模式的能力。
- <原始資料,Lisa Gitelman>：分析必定會牽涉到決策，例如決定要看哪些資料，要產生什麼複合變數，什麼算是離群值等等。這些決策都涉及到人為判斷，往往立意良善，但是在判斷什麼重要以及為什麼時，會受到假設的牽引。重點是資料不會自己說話，是因為我們為資料說話，是我們賦予資料意義。
所以我們無法避免理論，大部分的時候，不論那些驅動了我們分析行動的顯性人類行為理論，
大部分的理論是隱性的，但它們人然影響我們的分析方法。
- 實際觀察永遠無法處理未來事件...唯有透過某種形式的模型/理論做概括歸納
，我們才能用過去的資訊處理未來的情況。
- 有理論及實務知識和經驗為基礎的假設如何產生資料，以衍生適切的見解。
所以資料的產生、處理和分析是在某個理解就夠的指引下進行的
，而不是測試所有可能抓到的變數之間是否有關係。
- 資料是從使用的架構中產生的，而且這不會是終點-這些關係會接著用來構思假設，
演繹測試那些假設是否成立。
- 大數據三大支柱：
1.大數據提供驗證平台，以及要驗證的素材
2.社會學是探索資料的理論架構來源
3.對消費者的瞭解將提供非常重要的情境，讓我們開始從雜訊過濾出訊號
-從瞭解消費者和不同類別的市場中產生訊息。
第五章 預測的力量
- Henry Mintzberg建議的「應變策略」(emergent strategy)，該策略建議我們
不要依賴對長期未來的預測，而是應該把焦點放在迅速因應短期的變化。
- 企業可以採取的重要行動包含：
- 設計流程以瞭解資料的出處、定義該資料的代表性、並掌握該資料可以應用在哪些業務問題上。
市場調查人擁有多年的經驗，試圖從大量資料中設計具代表性的樣本，因此通常也擅長這些工作。
- 充分瞭解資料工廠與資料實驗室的不同。
工廠需要生產企業行銷日常所需的基礎消費者行為報告；
實驗室是創造新消費者洞察的地方。這兩種不同的需求太常被混為一談，以至於兩件事都做不好。
- 延伸閱讀<康乃爾最經典的思考邏輯課>、<黑天鵝效應>
、<讓資料自己說話>、<預測行銷>
沒有留言:
張貼留言