預測分析時代 Predictive Analytics
Chapter 1 起而行吧！要預測就要採取行動
▷推動預測分析，表示要依據預測採取行動，把從資料中學到和發現的事情實際應用。
Chapter 3 資料效應──資料多不見得有用
▷資料科學家在進行預測分析專案時，一而再地看到這種情況。把一些資料加以彙整，
雖然你不確定自己能發現什麼，但你可以確定在解讀資料及分析資料時，一定會發現寶貴的關聯性。
▷預測變數(predictor variable)是預測分析的基本元件，預測變數指的是針對個人進行衡量的單一數值。
▷以時近性(recency)為例，上次個人購買、犯罪或出現醫療症狀迄今的週數，通常會透露出近期再發生此類行為的可能性。從許多方面來看，不管是行銷活動、犯罪調查或臨床評估，以最近可能發生此類行為的人為優先標的，是有道理的。
▷同樣地，頻率(個人出現某種行為的次數)也是一個常見又有效的衡量。
經常出現某種行為的人，就更可能再出現同樣行為。
▷在應用預測分析時，我們通常不知道因果關係，而且我們通常未必在意因果關係。
以許多預測分析專案來說，目標比較著重在預測，而不是了解世界和弄清楚其中原因。
Chapter 4 有學習能力的機器──大通銀行如何預測房貸風險
▷決策樹是將一系列if-then(如果...就...)商務規則進行編碼的一種方式，從根部到樹葉節點的每個路徑就是一項規則(亦稱為模式，因此以資料探勘的術語來說就是模式發現(pattern discovery)。
▶當決策樹越長越大越複雜，預測績效越來越好，會出現報酬遞減的情況。
▶比較預測模型績效的單一衡量就是：增益值(lift)。增益值這項常見的衡量，
是一種預測增值(predictive multipier)。
增益值可以告訴你，跟不用模型相比，使用模型能多找出多少目標顧客。
▷資料分析就跟訊問嫌犯一樣，嚴刑拷打夠久，它就會招供。-Ronald Coase
▷機器學習的目的是歸納(induction)：歸納-從詳細事實到一般通則的推論。
演繹(deduction)則恰好相反：演繹-從通則到特定個案的推論(或說是從因到果的推演)。
▷歸納是一種藝術形式，我們手中握有世界如何運作的縮影：資料把發生過的事情詳實記錄下來。
我們設法從資料中尋找概論，獲得重要推論，找出在未知的情況中一樣適用的模式。
✫預測分析的設計宗旨是要依據相關風險替個人進行評等，而不是對經濟環境何時將出現重大轉變的絕對風險進行衡量。預測模型是依據跟個人有關的變數進行運作，比方說：年齡、教育、付款紀錄和資產類別。這些因素在個人周遭環境改變時，也不會跟著改變，因此個人預測分數不會有所不同。
▷為了偵測出全球景氣變動，這類工作必須利用一套新的變數，也需要不同的分析方法。我們畢竟沒有那麼多黑天鵝事件可當成訓練資料集，讓預測分析可以從中學習。換句話說，生活中最罕見的事，最難以預測。
Chapter 5 集成效應──奈飛公司、群眾外包和速效預測
▷廣義自由度(Generalized degrees of Freedom)
Chapter 7 數字最具說服力──歐巴馬選戰如何精心設計，創造影響力
▷哪些顧客可能流失，但是只要我們跟他們聯繫，就可能留住他們？
👉預測分析的應用：利用回應建模進行目標行銷
1.要預測什麼：如果聯絡的話，哪些顧客會購買。2.要做什麼用：聯絡那些更可能購買的顧客。
▷儘管回應建模(response modeling)被認為是預測在商業上最由來已久的應用，但是因為這種作法只預測一種行為，所以目前來說顯然效益極其有限。
▷預測目標：行銷宣傳商品目錄能說服這類顧客嗎？這樣做只用一個預測問題，就符合企業的目標，因為這個問題問到這名顧客是否會購買，也問到跟這名顧客聯絡是不是一個好主意。
預測影響力，讓預測這件事也受到影響。原本是預測行為，改成預測對行為的影響，讓預測分析大幅改變。
▷預測影響力就能提高預測分析的價值，因為組織不僅想知道各人會做什麼，也想知道自己該如何因應。這種作法讓預測分析變成組織行動的準則。
▷能依據個人行為會受影響之可能性來作評分的模型，我們需要一個增益模型(uplift model)。
▷增益建模如何運作：宣傳活動的回應率跟由宣傳活動產生的業績，兩者有所區別。
▷增益樹(uplift tree)：一般決策樹設法找出許多回應或極少回應等極端回應率。
增益樹利用變數用同樣的方式將「向下細分區隔」機械化，但試圖找出不同處理方式產生的極端區隔，也就是那些特別容易受影響的區隔。
▷增益建模讓組織不必接洽所有目標顧客，就能取得超高回應率。
▷影響力跨越產業
▷真正的權力來自影響未來，而不是臆測未來。
▷預測跟預測分析之間的真正差異。預測計算美國每一州的加總概觀，預測分析卻產生行動導向的精闢見解，也就是針對每位投票者進行預測。
▷選舉文宣也以可說服的選民作為發放對象。跟登門拜訪一樣，選民會收到選舉文宣是因為模型預測這位選民會受影響，可能改變心意投給歐巴馬。傳統行銷是依據接洽的觀點，而非因為接洽來寄發廣告郵件給預期會購買的顧客。這當中有一個微妙的差別，但是這個差別關係重大，換句話說，說服建模不是決定接洽是不是一個好主意，而是決定接洽是不是比不接洽來得好。
👉個案研究：美國國家銀行
企業個案：針對現有顧客寄送信用房貸廣告郵件。
做法：利用一個增益模型找出目標顧客。
跟先前傳統分析方法相比，新作法產生的改善如下：
1.跟先前宣傳活動相比，投資報酬率增加超過5倍(從75%增加到400%)2.宣傳活動成本節省40%。3.營收增加超過300%。
👉案例：協助手機業者留住顧客
預測分析的應用：利用流失增益建模留住顧客
1.要預測什麼：哪些顧客能被說服留下。2.要做什麼用：針對能被說服的顧客提供優惠宣傳。
【預測分析的應用】
👉找出直銷的目標客戶
要預測什麼：哪些顧客會對行銷接洽做出反應
要做什麼用：接洽更可能回應的顧客
👉預測目標廣告
要預測什麼：每位顧客最可能點擊哪則廣告要做什麼用：依據點擊可能性及廣告商每次點擊率的付費金額，秀出效益最佳的廣告
👉影片推薦
要預測什麼：顧客會給應片怎樣的評分要做什麼用：依據預測推薦顧客可能給予高評分的影片。
👉詐騙偵測
要預測什麼：哪些教義或信用、津貼、理賠、退款的申請是蓄意詐騙要做什麼用：利用預測，由稽核人員過濾最可能出現詐騙的交易和應用
👉利用顧客流失建模留住顧客
要預測什麼：哪些顧客會流失要做什麼用：努力留住可能流失的顧客
👉利用流失增益建模留住顧客
要預測什麼：哪些顧客能被說服而留下要做什麼用：針對能被說服的顧客提供優惠宣傳
【預測分析實例】
一、行銷、廣告與網路
(一)、預測項目：採購-為進行目標行銷
(二)、取消服務：為能留住顧客
(三)、成功銷售：將銷售線索排出優先順序
(四)、產品選擇：以便進行個人化推薦
(五)、滑鼠點擊：選擇該顯示什麼內容
(六)、無效廣告：依此提醒付費廣告業者
(七)、虛擬推文和貼文：將宣傳最大化
(八)、垃圾郵件：寄到垃圾郵件資料夾
(九)、暢銷歌曲和電影
二、金融風暴與保險
(一)、提早繳清房貸
(二)、貸款違約(風險)
(三)、拒絕付款
(四)、股市(黑盒交易)
- 衍生閱讀：黑天鵝效應、隨機的致富陷阱
- ID3、CHAID、CART
