2026年9月23日 星期三

逆思維

 逆思維

▷「重新思考」在我們生活的每個面向都不是件難事。
說到我們的所有物時,我們會樂於更新。
然而,如果說到我們的知識和看法,我們傾向堅持己見。
心理學家把它稱為抓住(seizing)及凍結(freezing)。
▷我們喜歡確信得自在勝過懷疑得不自在,而且我們會在堅定信念之後不再更動。
我們會嘲笑別人還在使用Windows 95,然而我們卻對自己在1995年就形成的看法緊抓不放。
我們聆聽那些使我們感覺良好的觀點,而不是讓我們更努力思考的想法。

第一部 個人的重新思考:更新我們自己的觀點
第一章 傳教士、檢察官、政治人物及科學家走進你的心裡
▷老唱片、經典車和古董鐘或許是貴重的收藏品,但是過時的論據是思想的化石,最好還是丟了吧。
▷要像科學家一樣地思考,需要的不只是以開放的心應對。這意味著積極地保持開放心態。
這需要搜尋我們為何可能錯誤,而不是我們一定正確的理由,並且根據我們學到的來修正自己的觀點。
▷研究顯示,當人們拒絕改變,會有助於強化保持事務的原狀。
但當改變的願景包含了延續的願景,情況就會變得比較令人信服了,
雖然我們的策略可能會進化,但我們特性將會持續下去。
▷知識的詛咒是它會在我們面對自己所不知道的事物時,關閉我們的心智。
好的判斷需要仰賴擁有開啟思維的能力及意願,我相信在生命中,重新思考是一種日益重要的習慣。

第四章 正向吵架俱樂部:建設性衝突的心理學
▷我看過太多領導者自我保護,避開任務衝突。當他們取得權力,他們對於動搖現況的話題充耳不聞,只聽拍馬奉承,他們變成政治人物,身旁圍繞著親合的應聲蟲,更加容易受到諂媚者的誘惑。
研究顯示,當公司表現差,喜歡奉承及順從的執行者會變得過度自信,
他們會堅守現有的策略,而不是改變路線,這使得他們走上充滿失敗的衝突方向。
▷強大的領導者和他們的批評者交手,讓自己變得更強大;
軟弱的領導者將批評者消音,讓自己變得更微弱。
▷我們能接受批評到甚麼程度,不只要看訊息本身,我們和傳遞訊息者的關係也一樣重要。
在某項實驗中,人被在被告知「我給你這些意見,是因為我有很高的期待,而且我知道你能辦到」
之後,他們對批評的接受度至少多出40%。
當那些殘酷的事實出自某個相信你的潛力以及在乎你的成功的人之口,它就令人驚訝地容易聽進去了。
▷當我們在爭論「為什麼」時,我們會遇到對自己的立場產生情感依附,同時輕蔑另一方立場的風險。假如我們爭論的是「如何」,我們就比較可能用有正向的爭論。

第二部 人際的重新思考:開啟他人的思維
第五章 與敵人共舞:如何贏得辯論並影響他人
▷當我們承認某人提出一個好的觀點,我們傳達的是自己並非傳教士、檢察官或政治人物,想要推進某項議程。我們是科學家,設法獲取真相。
▷你可以把一匹馬牽到水邊,但是你不能逼牠思考。

第六章 棒球場上的仇恨:動搖刻板印象以消弭偏見
▷當我們因為人們的刻板印象或偏見,選擇不要和他們互動,我們放棄了開啟他們思維的機會。
「我們活在太空時代,然而還是有很多很多人以石器時代的思維在思考,我們的意識形態需要追上我們的科技。」

第七章 疫苗溝通者及溫和的質問者:正確的聆聽方式如何帶給人們動機去改變
▷「動機式晤談」的中心前提是:
我們很少能激發他人改變。我們比較有機會協助他們找出自己的動機去做改變。
▷動機式晤談的過程有三個關鍵技巧:
  1. 提出開放式問句 
  2. 反應式傾聽
  3. 確認對方改變的慾望及能力
▷當人們忽視建議,那並非總是因為他們不贊同,
有時他們是抗拒那種壓力感,以及別人在控制他們決定的那種感受。
為了保護他們的自由,動機式晤談者不會給予命令或提出建議,而是可能說些什麼,
再加上像是「這裡有幾點曾經幫助過我,你認為其中有任何可能對你有用處嗎?」
▷當我們說服他人重新思考,我們的第一直覺通常是開始說話。
然後要幫助別人開啟思維,最有效的方式經常是傾聽。
目的是建立信任關係,假如你沒有獲得允許便提出資訊,沒人回聽你說話。
▷聆聽的力量不只在於「給予人們空間去反思他們的觀點」,還有展現尊重及表達關切。
▷我們一旦展現出我們在乎他們和他們的目標,他們就比較願意聽我們說。

第三部 集體的重新思考:打造終生學習者社群
第八章 劍拔弩張的對話:為我們的分歧討論消除對立
▷我們的信念是由我們的動機塑造而成的,我們相信什麼端視我們想要相信什麼而定。
▷提問「如何」傾向於減少兩極化,把焦點放在關於行動得更具建設性的話。

第九章 重寫教科書:教導學生質疑知識
▷教導孩子們以事實查核的方式思考:準則包括
  1. 質問資訊而不只是吸收它。
  2. 拒絕以級別及普及度取代可信度。
  3. 明白資訊傳播者通常不是它的來源。
▷假如你把在學校的所有時間都花在接受資訊,從來沒有機會去提出質疑,你將無法發展你這輩子所需要的重新思考工具。
▷教育不只是在我們的腦子裡累積資訊,它是在我們持續修改我們的草圖時所培養的習慣,並未我們建立持續學習的技能。

第四部 結論
第十一章 逃離狹窄視野:重新思考我們規劃最完善的職場及人生計畫
▷把我們的人生GPS鎖定在單一目標,可能會讓我們依照正確的方向走到錯誤的目的地。

後記 帶來影響力的行動
帶來影響力的行動:
一、個體重新思考
A 培養自在思考的習慣
1. 以科學家的方式思考。當你開始形成意見,抗拒宣揚、起訴或採取政治行動的誘惑。把你浮現的觀點當作預感或假設,拿數據來測試它。就像學習把商業策略當作實驗的企業家,你會保持轉動的靈活動。
二、人際重新思考
A 提出較好的問題
1. 質疑如何而非為何。當人們描述他們為何抱持極端觀點,經常在強化自己的信念,並且變本加厲。當他們試圖說明他們如何把自己的觀點變成事實,他們經常意識到自己的了解限制,開始緩和自己的看法。
B. 把異議當成舞蹈,而非戰鬥來處理
1. 別忘了少即是多。假如你提出太多不同的理由來支持你的論點,這會使你的觀眾起了防衛心,並且導致他們基於那些最無無法令人信服的論點,而拒絕你的整個論述。與其淡化你的論述,不如主打你最有利的論點。
2. 強化選擇的自由。有時人們拒絕並非因為他們不考慮那個論述,而是他們拒絕感到自己的行為受到控制。藉由提醒對方,這一切都取決於他們選擇自己所相信的,這樣會有助於尊重他們的自主權。

2026年7月8日 星期三

預測分析時代

 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

2026年5月16日 星期六

給初學者的財務金融通識課

給初學者的財務金融通識課
第二章 現金流量和交換契約
- 現在的1日圓=1年後的(1+r)日圓。
將等式的兩邊都除上(1+r)後,現在的1日圓/(1+r)日圓=1年後的1日圓,
由此可以算出一年後的1日圓的現值。這就稱為折現因子。
- 折現因子=1/(1+r)^n;r:利率;n=期間(年)
- 這時所使用的利率r稱為「折現值」(Discounting Rate)。由於這是換成現值時所使用的利率,所以稱為折現率。
 
第三章  選擇權和隨機漫步理論、選擇權評價模型
- 保護性的買權(Covered Call)
- 合成空頭(Synthetic Short)

2026年4月30日 星期四

開創心態

開創心態:華頓商學院最具影響力教授,不墨守成規的破局智慧

第二章 盲眼發明家和獨眼投資人:認出原創點子是門藝術,也是門科學
▷一個人的專業知識和經驗累積的愈多,就愈習慣用一種特定的方式來看世界。
▷隨著我們累積了對一個領域的知識,我們就成為自己思考原型的囚徒。
▷如果你想要做出創新的連結,你必須沒有其他人都有的經驗包袱。
▷一個人過去愈成功,在進入一個新環境時表現得就愈差。
他們變得過度自信,而且比較不會去徵求批評意見,就算背景情況截然不同。

第三章 孤軍奮戰:向掌權者說出真相
▷領導者和經理人會欣賞員工主動提供協助、建立人脈、收集新知、徵求意見,
但是有一種主動行為卻會受到懲罰:提出建議。
▷權力涉及對他人行使掌控權或管轄權,地位則是受到尊敬和佩服。
沒有地位卻試圖行使權力的人會受到懲罰。
當不受敬重的人企圖發揮影響力,其他人會認為他們難搞、想脅迫別人,追逐私利。
▷要贏得權力未必只能去挑戰現有體制,而是先在這個體制中佔有一席之地,然後再去挑戰和顛覆現有體制。
▷面對一個令人不滿的處境,有四種不同的處理方式。
  1. 離開:意味著把自己徹底移出那個處境。辭掉一份難熬的工作;結束一段受虐的婚姻。
  2. 建言:包括主動嘗試去改善該處境。帶著能改善你工作的點子去找主管商量;鼓勵你的配偶去接受婚姻諮商。
  3. 堅持下去:是要緊牙關忍耐。就算工作令人窒息還是努力工作;選擇留在你的配偶身邊。
  4. 不予理會:讓你留在目前的處境中但減少付出。在工作上只做到不至於被炒魷魚就好;選擇不必待在配偶身邊的新嗜好。
▷基本上,這些選擇建立在掌控感和投入程度上。
你是否相信自己能促成改變?又是否在乎到願意去嘗試?
  1. 當你認為自己被困在現狀中,如果你並不投入,你就會選擇不予理會。
  2. 而你如果夠投入,就會選擇堅持下去。
  3. 如果你認為你能使事情有所不同,但是你對那個人、那個國家或是那個組織並沒有忠誠感,那你就會離開。
  4. 唯有當你相信自己的行動有關緊要,而且深深在乎,你才會考慮建言。
▷中階人員的從眾效益(Middle-Status conformity)。
如果你位居高階,別人會預期你與眾不同,因此你有跳脫常軌的自由。
如果你還位在組織階層的底部,展現開創性部會造成你什麼損失,卻可能帶給你許多好處。
中等階層的保守主義,反映出渴望得到社會地位但害怕被褫奪權力之人的焦慮。
▷什麼是處理不滿情緒的最佳方式?
要尋求開創性,置之不理不在考慮之列。堅持下去是取得發言權的暫時途徑。
可是就長遠而言,堅持下去就跟置之不理一樣維持了現狀,而沒能解決不滿。
要改變現狀,離開和說出不滿,是唯一可行的選項。
▷說出意見本身未必勝過離開。在某些情況下,離開一個令人窒息的組織也許更有助於開創。
我們最好是說出自己的意見,一邊平衡自己的風險組合,並在必要時準備好離開。
如果我們的主管會進化,那就有理由留下來,並且說出我們的意見。
可是如果他們不會進化,而我們的聽眾缺少去考慮改變方向的開放態度,我們或許能在其他地方找到更好的機會。
▷雖然一個人最後選擇建言,而另一人決定離開,他們的決定卻有相同的一面:他們都選擇改變現狀。而長遠來說,研究顯示,會令我們感到遺憾的錯誤並非做了而沒有成功,而是沒有去做。
假如我們能夠重新來過,大多數人會較少做自我審查,而更常表達出自己的看法。

第四章 傻子急於搶進:選擇恰當的時機,策略性拖延,以及先行者的劣勢
▷當你延後去做一件工作,你替自己爭取到時間去進行擴散性思考,而非拘泥於某一個特定主意。
結果是,你會把範圍更廣的開創構思納入考量,最終選擇一個更新穎的方向。
▷唯有當已經開始思考這件任務,然後刻意拖延,才會去考慮比較不同的可能性,並且想出更有創意的點子。延遲進度使我們能花較多時間去考量完成任務的各種不同方式,而非抓住某一種特定策略不放。
▷拖延也許不利於生產力,卻可以是創造力來源。
▷古埃及用兩個不同的動詞來表示「拖延」:一個表示懶惰,另一個則意味著等待正確的時機。
▷拖延是創造性思想家與傑出的問題解決者常有的習慣。
▷這些科學明星「把拖延當成某種形式的孵化過程來使用,以避免對一個科學問題或解答過早作出解釋」。
▷當在拖延的時候,其實往往是把某件事擱置,而需要時間去想個徹底。「在科學工作上,點子需要時間去慢慢成熟」,而拖延是「抑制衝動,以免過早做出回應」的一種方法。
▷概念型的開創者想出一個偉大的主意並且著手去執行。
實驗型的開創者則透過反覆試驗來解決問題,在這當中學習並且進化。
他們在處理某一個特定問題,但是一開始時腦中並沒有特定的解決之道。
他們並未預先計畫,而是一邊做一邊想出辦法來。

第五章 金髮姑娘原則和特洛伊木馬:建立聯盟關係及其維持
▷把焦點從「為什麼」轉到「怎麼做」上面有助於減輕激進的程度。
▷去思索要怎麼做促使他們去面對自己知識中的缺口,使他們明白自己的極端觀點有些是不切實際的。
▷要改變他人的理想很難,要把我們的行動計劃和別人固有的價值觀連結在一起則容易得多。

第六章 反叛有其理由:手足、父母及良師如何培養出孩子的原創性
▷當我們使用後果邏輯,我們總是找得到不要冒險的理由。適當性邏輯則解放了我們,使我們比較不去想什麼能保證讓以們得到自己想要的結果,而比較會按照發自內心的感受行動,
關於我們這樣的人應該怎麼做。

第七章 重新思考「團體迷思」:有關強大企業文化、盲目崇拜與「魔鬼代言人」的迷思
▷當員工獻身於共享的目標和價值觀,他們在可預測的環境中能有效執行工作。
可是像在電腦業、太空業、航空業這些不穩定的環境中,強大企業文化的好處就消失了。
一旦市場變得動盪,具有強大企業文化的大公司就過於封閉:他們較難看出公司需要改變,而且比較容易抗拒持不同想法之人的洞見。
▷一過度重視解決辦法的企業文化,會成為一種提出主張的文化,進而抑制詢問。
如果別人總是指望你心裡已經有了答案,你去開會時會已經做好判斷,錯過從各種不同觀點學習的機會。

第八章 挑戰現狀但維持穩定:處理焦慮、冷漠、矛盾及憤怒
▷領導者的訊息提供了一個宏大的願景來使車子發動,使用者的故事則提供了情感上的號召來踩下油門。
▷只要改變一下說法,去強調損失而非收穫,就能大幅改變大家對風險的偏好。

行動計畫
△個人行動:
  • 想出並認出開創點子:
    • 策略性拖延。在發想新點子時,在進展尚未完成之前刻意停下來。在腦力激盪或寫作過程中暫時休息一下,有助於讓你進行擴散式思考並且讓點子有時間慢慢成形。
  • 管理情緒:
    • 記得如果你不去積極採取行動,現狀就會維持下去。想一想對現狀不滿時得四種反應:離開、建言、堅持下去、不予理會。只有離開和建言能改善你的處境。如果你多少能掌控情況,那麼建言也許是最佳途徑;如果你不能掌控情況,也許就該去尋找能擴展自身影響力的選擇,或是離開。
△領導者行動:
  • 建立鼓勵開創性的組織文化:
    • 請員工提出問題,而非解決辦法。如果大家急於找出答案,你就會聽到更多的主張而非詢問,錯失了機會去利用所有可用的廣泛知識。採用橋水投資公司的議題登錄表,你能創造出一份公開文件,讓工作團隊一看見問題就標記出來。每個月把大家聚集在一起檢討這些問題,並且弄清楚哪些問題值得去解決。

2026年4月19日 星期日

工作者的AI共智模式

工作者的AI共智模式
讓AI成為第二專長,加速專業升級,重塑競爭優勢
CH3-高效協作:應用AI的四個底層邏輯
▷人類天生傾向於維持現狀;就算改變可能有好處,人類還是會忍不住避免改變。
如果要克服這種「維持現狀的偏誤」(status quo bias),可以思考會因為沒行動而失去什麼。

CH4-掌握邊界:精準定位AI的強項與弱點
▷有一個常見的誤解容易讓人很難理解AI:
我們以為既然AI是軟體構成的,其表現也應該會像其他的軟體。
這有點像是說,人類是由生化系統組成,理應有如其他生化系統。
LLM雖然是驚人的軟體工程成就,AI卻極不擅長做到像傳統軟體那樣。
▷傳統軟體的特性包括可預測、可靠,遵守一套嚴格的規則,只要經過妥善的組建與除錯,每次都能產出相同的結果。AI則很難用相同的形容詞來描述。AI能想出意想不到的新穎解決方案,但也會突然忘掉自己會什麼、生成唬人的錯誤答案。正是因為如此不可預期又不盡可靠,AI才能引人入勝的互動。
▷AI擅長執行非常有人味的任務,可以寫作、 分析、寫程式與聊天。
AI能變扮演行銷人員或顧問的角色,把日常事務交給它能增加生產力。
不過,機器一般擅長的事,AI卻很難做到,例如用一致的方式重複流程,或是在沒人協助的情況下執行複雜的計算。

CH5-創意自動化:利用AI突破思考慣性
▷LLM的原理是依據訓練資料中的統計模型,按照你給的提示詞,預測接下來最可能出現的子句。
LLM不在乎那些字句講的事情是不事真的、有沒有意義或原創性,只想要生成貌似合理的連貫本文,讓你開心就好。
▷AI創造力的矛盾之處就在這:導致LLM不可靠、有風險、不適合執行與事實有關的任務性質,正好能讓LLM發會創意。因此我們真正訪問的是如何讓AI揚長避短。
▷由於自動化過去的歷史,許多人預測AI率先擅長的事,將是無聊、重複性高與分析性的任務。
然而,這次的情形卻不是如此。LLM擅長寫作,但背後的Transformer技術也是關鍵,帶來一整套全新的應用,包括能創作藝術、音樂與影片的AI。研究人員因此主張,最容易被新的AI浪潮影響的工作,反而是有最多創意任務的工作,而不是重複性最高的那類。
▷這點容易讓我們感到不安:畢竟AI是機器,怎麼能生成有創意的新東西?
問題出在我們經常誤把新奇當成具有原創性。新點子不會憑空出現,而是以既有的概念為基礎。
研究創新的學者很早就指出,透過重新組合來想出的點子的重要性。突破通常發生在人們串起看似風馬牛不相及的事物。
▷LLM是連結機器。有的token讓人類感到沒關聯,卻代表著某種更深層的意義,而LLM接受的訓練正是產生token之間的關係。再加上AI的產出帶有隨機性,你就有了強大的創新工具。
不論前面的字有多麼莫名其妙,AI仍會找到下一個可能的token,嘗試生成序列中的下一個字,也難怪AI能輕鬆想出新鮮的概念。

CH6-第二專長:領域專業X AI專業=最強競爭力
✶一份工作(job)由多種任務(task)組成,而工作又隸屬於體系(system)之下。
如果沒考慮體系與任務的概念,就無法真正了解AI對工作產生的影響。
▷交出部分的任務,不代表整份工作消失,道理如同電動工具沒讓木匠失業,反而提升他們的效率。
電子試算表讓會計人員更快完成工作,但會計人員並沒有因此消失。
AI有可能讓日常事務自動化,讓我們有更多時間從事有獨特人類特質的事物,例如發揮創意與批判性思考,或是我們大概會變成管理、安排AI的創意輸出。
▷我們需要從任務的角度,思考哪些事AI做得好、哪些做不好。不過,我們也需要考慮自己哪些事做得好、哪些任務必須繼續交給人類:也就是「非我莫屬的任務」(Just Me Tasks)。
▷組織試圖回應新技術的常見方法,全都不適合AI。那些方法都度過中央集權,速度太慢。
IT部門無法輕鬆在內部打造AI模型,也很難拚得過前沿模型。
顧問與系統整合商不具備特殊知識,無法替公司客製化AI,甚至不清楚整體而言最佳AI使用法。
組織內部的創新小組與策略委員會可以指定策略,但任何組織的企業領袖都不是神仙,沒有辦法知道AI能如何協助特定員工完成特定的任務。事實上,領袖八成很不擅長找出AI的最佳使用案例。
唯有實際執行工作的員工,才會明顯感受到工作遇上哪些問題,並實驗各種方法,想辦法解決。
個人工作者更可能找到有效的特定用法。
▷假設早期的研究說對了,各種高價值的專業任務生產力的確會因為AI提升2~8成,恐怕許多管理者的自然反應是「砍人省成本」。然而,事情不必這樣發展。基於許多原因,公司不該因為效率增加,趁機減少雇用人數或砍成本。
當其他同業只想縮減人力,讓AI出現後的產出水準等同於AI出現之前,公司如果能找出方法運用新獲得的高生產力勞動力,將能打敗這些同業。
▷你把工作最糟的部分交給AI,就能專注於有趣的部分。

2026年4月18日 星期六

MIT麻省理工資料變現入門課

 MIT麻省理工資料變現入門課

▷組織想要從資料資產獲得財務回報,可以投資的三種提案類型:
  1. 改善工作內容
  2. 用資料導向的功能和體驗來包裝產品
  3. 銷售資訊解決方案
第一章:資料變現
▷組織在「從資料創造價值」這方面已經擁有許多收穫,但最重要的收穫是:
若享用資料創造價值,個人或系統必須採取原本不會採取的行動。
資料需要被用來改變做某事的方法或創新事務。創造新價值的是更好的流程和產品,而非資料本身。
這個概念是資料價值創造過程的核心,通常被稱為「資料-洞見-行動」(data-insight-action)。
▷在這個過程中,人(或著系統)用資料得出洞見,而洞見指引行動,行動則帶來有價值的結果。
▷組織從資料資產獲得的收益,應該超出產出和管理資料資產的投資:這是基本的商業原則。

第二章:資料變現能力
▷五種資料變現能力的進階狀態:
  1. 資料管理(data management):精通資料>>整合資料>>策畫資料
  2. 資料平台(data platform):先進技術>>內部存取>>外部存取
  3. 資料科學(data science):報表>>統計學>>機器學習
  4. 客戶理解力(customer understanding):意義建構>>共同創造>>實驗
  5. 妥當的資料運用(acceptable data use):內部監督>>外部監督>>自動化
▷只有在得到運用的時候,在開始利用企業級能力之前,組織不該花太多時間或精力發展這些能力,未被使用的企業級能力只是沉默成本。
▷改善、包裝和銷售這三種資料變現策略仰賴不同的能力配置。
  • 專注於改善業務流程的組織需要有聚焦內部的能力,如可供搜尋的共享資料術語和定義的目錄,讓員工能找到可用來分析營運成效的資料資產。
  • 專注於包裝提供物或以全新方式服務新客戶的組織,則要著重在關於客戶如何使用客戶資料資產的治理政策和流程。

第三章:用資料來改善
▷從改善提案中創造和實現價值的成果如何?
在改善策略中,價值創造的過程是由組織掌控(不像包裝和銷售手段會涉及客戶)。
這代表-至少在理論上-組織能直接主動管控自身所需的調整,以確保能夠創造並實現價值。
▷工作流程或項目的改善,範圍包含預測設備故障、預測乘客需求,以及辨別實驗室圖片的異常等。
▷所有的改善都聚焦在啟動創造價值流程的三個步驟之一:
  1. 提供資料(資料改善)
  2. 提供洞見(洞見改善)
  3. 採取某些創造價值的行動(行動改善)
▷這些名稱點出改善的影響範圍:
  • 只會提供資料的資料改善,得仰賴接收者對資料重要程度的理解,以及他們如何根據理解採取行動並創造價值。
  • 洞見改善為任務提供指引,對接收者必須根據指引才取行動以創造價值。
  • 透過行動改善,組織會因提案有採取(或幾乎採取)行動前確保能創造出預期的價值。
▲改善的種類:
一、用提供資料來改善
  • 但更常見的情況是,組織要做的不只是向聰明的決策者提供高品質的資料,還必須積極確保人們能夠並願意使用這些資料。訓練不足的使用者無法參與(資料素養計畫和分析能力培訓是解決這種技能障礙的絕佳方法。)此外,當使用者信任不足或滿足或過於忙碌時,也不會參與。
二、用提供洞見來改善
  • 改善提案提供洞見的方式包含基準分數、異常報告、通知,以及各種視覺化的形式和警示。雖然提供洞見並不保證會被使用,但至少是往價值創造邁進一步。
  • 採購人員和設計師開始運用關於暢銷式樣、區域需求和有效銷售手法的洞見,他們省下過去浪費在解讀有著難懂商品編號的表格報表上的時間,因為每個人都對關鍵產品的銷售趨勢「擁有共識」。靠著這些容易取得和理解的洞見,他們將時間集中在開發和展開新的銷售、管理需求和銷售策略(即採取創造價值的行動)。
  • 如果洞見能夠傳遞給負責行動的人,就最有可能促發行動並創造價值。
三、用觸發或促使行動來改善
  • 以美國最大的醫療服務系統之一的三一健康為例,一項協助護理人員更快反應並降低病患跌到風險的作法。在傳送自動化警示之前,團隊必須完成許多工作:明確制定出要發給哪些人、以哪向順序和在哪種狀態要發出警示的日常作業規範;清除病患資料並為跌倒風險準備評分;重新設計護理人員巡房流程;教育員工遵守新的流程和程序;以及創造誘因使員工認同新的策略和程序。
四、用改善來創造價值
  • 在眾多可能的改善成果中,組織必須先釐清其最希望從提案中產出哪些價值。提案團隊有時候會不確定是否真能創造出想要的價值種類和規模,在這種情況,他們得大量仰賴先導試驗和實驗,他們可以利用小規模或在可控條件中研究改善的成果以確認提案所擁有的價值潛力。
  • 用改善策略創造價值的最大風險是無法付諸行動。
五、用改善來實現價值
  • 以奇異公司為例,AI改善提案省去專業人員在辦公室審閱文件的時間,讓他們能專注投入在更高價值的工作上,像是到現場尋找和解決工安問題。

第四章:用資料來包裝
▷運用公司資料強化客戶體驗的企業,將能降低替代性產品的威脅,因而創造永續的利潤。
▷當你使用資料為產品創造新功能或體驗,且帶有取悅客戶的目的時,就是在使用包裝策略。
你並非產出獨立的資訊解決方案,而是強化既有提供物的價值。
▷組織從聆聽客戶意見的過程中,可能會發現它們的提供務不容易購買、笨重且難以使用,或是很難退貨。包裝提案前來救援!包裝提案能在客戶旅程的任何階段提供協助。
有助解決提供物相關問題的包裝提案,能增加提供物對客戶的價值。
▷實用且吸引人的包裝具有四個特徵:
  1. 預料(anticipate),代表包裝能事先理解客戶的需求
  2. 適應(adapt),代表包裝能量身訂做以滿足客戶需求
  3. 建議(advise),代表包裝能支持基於證據的決策模式
  4. 行動(action),代表包裝能採取對客戶有利的行動
▷資料包裝的本質,就是會高度仰賴客製化的功能。
資料包裝會運用客戶限定的資料,產出為既有客戶量身訂造的資訊,在「4A」的得分越高,就越能提升資料變現在客戶(價值創造)和組織(價值實現)的表現,
因次,組織會很自然地逐漸將資料包裝發展為洞見包裝,進而發展成行動包裝。
▲用包裝來創造價值
▷當客戶認為包裝使提供物更有價值時,他們願意為產品付更多錢。
▷提供物的價值主張是否有提升?
可以透過追蹤客戶使用情況、A/B測試、進行對照實驗或問卷調查等各種技巧來監控提升的幅度。強化後的價值主張,能讓組織吸引新客戶或激勵現有客戶付更多錢、消費更多或停留更久。

第五章:銷售資訊解決方案
▷原始資料(最小程度處理的資料)很難像經過清理、標準化、驗證、加強並準備好進行分析的資料一樣賣出高價。
▷提供洞見的資訊解決方案會運用分析來協助客戶做出更好的決策。
評分、基準、警示和視覺化圖表,能協助客戶根據自身的特定情境檢視和理解資料,並幫助他們避免或解決問題。然而,客戶必須運用這些洞見-採取某些行動-才能從中獲得價值。
▷因此,組織透過提供有關連且明瞭易懂的洞見,進而將洞見提供物的價值潛力放到最大,而這些洞見也能自然融入客戶的工作流程裡。
▷有能力實驗各種解決方案來發掘客戶的需求與不足,進而持續用具吸引力、且高機率能創造客戶價值的提供物來服務新興市場的需求。

第六章:建造資料民主組織
▷當人們重複使用(而非重新發明)那些利用資料資產和能力的創新時,擴散就會發生。
在類似的組織脈絡中重複使用改善流程,是增加改善提案所創造和實現價值的方法之一。

第七章:資料變現策略
▷策略是傳達組織想要達成哪些目標。以及如何達成這些目標的高層次計畫。
策略將資源、精力和注意力集中在特定目標上。
▷四種資料變現策略的原型
  1. 營運最佳化(operational optimization)
  2. 客戶為本(costomer focus)
  3. 資訊業務(information business)
  4. 迎向未來(future ready)
▷營運最佳化的策略優先考量成本效率,而客戶為本的策略則優先找到提升銷量的方法。

第八章:將你的數據變現
▷你無法管理你無法測量的事物。
當你受到激勵而開始行動去推動變革時,將會需要一種方法來追蹤你的資料變現進度。
▷你的參與為資料變現的飛輪提供動力、創造動能,進而啟動正像強化循環:
更多資料帶來更多使用、更多價值、更多資料資產、更多使用...如次循環下去。



2026年4月6日 星期一

金融行為通識課

 金融行為通識課

第1章 資金管理
▷生活事件和生命週期各階段影響著金融行為。
在這些事件和人生階段中,許多消費者必須重新思考並管理他們的消費。
心理因素包括自我控制和貨幣幻覺。人們需要自我控制以規避衝動購物,並控制在預算限制和可自由支配收入的範圍之內。貨幣幻覺是指只關注收入或預付價格的帳面價值(數量)而非其實際價值。社為因素包括與其他家庭消費程度的比較和調適。

▷沉默成本效益(sunk-cost effect):沉默成本效應似乎會受到時間侵蝕,稱之為支付貶值(payment depreciation)。與最近的支付相比,很久之前的支付(損失)對消費者的沉默成本效應較弱。
▷對於資金管理而言,一些心理因素是較為重要的:自我控制和行為的自我管理,以及貨幣幻覺和計數效應。
▲貨幣幻覺(Money illusion)是指注意力集中在收入或著商品價格的帳面價值(數量),而非其實際價值。
▷貨幣幻覺是單位效應的一個例子,並且與計數能力(numeracy)或計數經驗法則(numerosity heuristic)有關。
▷一件保固期60個月的產品,人們人們認為其保固期比5年保固期更長。
以月分為單位,比以年份為單位顯示的數位更大。形容某一範圍的單位量越多,數字就越大。
因此,人們在做比較時,傾向聚焦在最大差異上,但在其範圍內怎麼測量這些差異,他們卻視而不見。於是,這些差異一比較之下便十分突出。這稱為計數經驗法則。當然人們在做快速和直覺得比較和決策時,在參與度較低的條件下,計數經驗法則和單位效應尤其顯著。

▲社會模仿效應(social-imitation effect)
▷消費者參考他人(參考效應,reference effect)或著自己過去的狀況(偏好效應,preference effect)來比較自己的財務狀況和福祉。
▷參照點即是當前的收入。如果他們有了更高的收入,參照點就會變成新的收入。
他們認為自己的新收入僅是足夠而已,並且渴望得到更高的收入。這被稱作偏好轉移(preference shift),是一種愉悅適應(hedonic adaptation):對已適應的現有收入和消費程度,逐漸滋生不滿感,並且主觀幸福感趨於平緩。這會萌生擁有更高收入和消費程度的渴望。與此類似的是參照轉移(reference shift),就是擁有同參照對象一樣的收入和消費程度的渴望,通常參照對象的收入程度稍微高一些。

▷充足性消費(consumption adequacy)為滿足生存需求的產品和服務。
人們用充足消費來管理和決定自己的生活(自我決定理論,self-determination theory),而不充足消費導致了對他人的依賴(例如依賴發展援助),缺乏自主性和社會融合。

第2章 儲蓄行為
▲儲蓄焦躁理論(impatience theory of saving)
▷人們會迫不及待地消費,因此要抑制消費,提高儲蓄,就必須有所補償(即提供利息)。
▷凱因斯在其著作<就業、利息和貨幣通論>(General Theory of Employment,Interest and Money)中引入了「心理法則」(psychological law):人們傾向存起他們實際收入和習慣性經常支出之間的差額。這類似剩餘儲蓄。
▷傅利曼(Friedman)詳盡闡述了永久收入模型(permanent income model)。
消費以及儲蓄,參照的不是現有收入,而是中期收入(三到五年)。
人們會估算他們三到五年的平均收入來決定他們的消費程度,進而決定他們的儲蓄程度。
▷Shefrin and Thaler闡述了行為生命週期模型。行為生命週期模型有其基本假設,家庭會區分三種心理帳戶:當前收入帳戶、當前儲蓄(資產)帳戶和未來收入帳戶。
對當前收入帳戶的消費意願是最高的,而對未來收入帳戶的消費意願是最低的。
這是一種自我控制和預先承諾,從而不花掉當前儲蓄和未來收入。

第4章 保險及預防行為
▷損失規避(loss aversion),與調節焦點理論(regulatory focus)中的預防焦點(prevention focus,規避或減輕負面後果)相關。
▷維持現狀偏見(status quo bias)是指對個人已有或市場上現有選擇的偏好。
意味著消費者缺少改變選擇的意願。
▷確定給付制(Defined Benefit,DB):無論個人為退休金繳付了多少保費,退休金收益是固定的。
在許多案例中,現在的勞動者支付養老保險金,因此是他們在支付退休者的退休金收入。
確定給付制依賴養老保險金的勞動者繳費數量,以及領取退休金收入的退休者數量。
如果對於退休者的數量而言,勞動者數量過少,要麼養老保險金必須提高,要麼退休金收入就要降低。連帶需要現在的勞動者支付退休者的退休金收入,而現在的勞動者則指望下一代勞動者支付他們的退休金收入。
▷確定提撥制(Defined Contribution,DC):一份特定的退休金收入,其收益取決退休者在他/她工作年限中繳納的養老保險金(分期攤繳養老費)。企業退休金就是這樣設計的。
這是一個完全端乎個人的系統:分期攤繳的養老保險費越多,得到的養老金收入越多。為了增加退休金計畫的價值和收益,企業退休金機構會投資退休金。新的退休金計畫,更多屬於確定提撥制,而非確定給付制。這同樣也歸因於新的會計規則。
▷員工在確定提撥制中承擔更多責任,需要為退休儲蓄多少多做決策。許多員工並未參與確定提撥制,即使參與也沒能存夠退休金。這會是一個巨大的社會問題。

第10章 個人差異與區隔
▷根據個體差異和/或金融行為,可能會形成同質群體。根據群體特徵和行為,政府的消費者政策和金融機構的行銷管理可以提出因群體而異的對待方式,從而提升執行效率。
▷「高度」相關的社會人口變數有:年齡、性別和教育程度。這些變數的結果總是因人而異。
對於金融行為而言,同樣相關的變數有:教育類型、職業種類、家庭構成、可自由支配收入、收入穩定性,以及家庭生命週期的不同階段。
教育或職業的類型作為相關變數,原因是經濟學、會計學或商業背景的人,了解更多金融知識,也比他人更能理解金融產品。
其他與金融行為相關的特質包含:責任感、金融素養和技能、風險偏好、時間偏好,以及自我控制、自我效能和自我管理。性格是個人的永久特點,也就是說,在理想情況下,性格在不同的情形中是穩定不變的,並且在某種程度上可以解釋和預測個人的行為。
▷性格變數的預測效度通常十分低。研究者認為五個強有力的性格變數比其他性格變數表現得更好。
這些性格變數被歸納為五大性格特質:(1)外向性 (2)情緒不穩定性 (3)親和性 (4)盡責性 以及(5)經驗開放性。

▲區隔
▷市場並不是同質的,可以分割成幾個同質消費者市場或次級市場。
產品和服務可以差異化,以適應不同的區隔市場。
▷可以區分成主動和被動的區隔變數。
主動變數用於形成區隔市場,被動變數則是在區隔市場形成之後,用來豐富區隔市場的描述。
在正向區隔中,個人差異作為主動變數,形成了區隔市場,例如社會人口因素(年齡、性別、收入、職業、家庭構成)和心理統計變數(態度、觀念、生活方式、媒體閱聽選擇、性格和政治偏好)。
在區隔市場形成後,行為變數作為被動變數,用以核查這些區隔市場在金融行為上是否存在差異,例如這些區隔市場使用哪類金融產品和服務、使用強度。
正向區隔的優勢是基於人們的特質,這些特質有助於更好地瞭解人們,並且與之交流。
正向區隔的類型有:地理區隔、社會人口區隔和心理統計區隔。



▷在逆向區隔中,行為變數作為主動變數,形成了市場區隔,例如金融產品和服務的使用。
在區隔市場形成之後,社會人口和心理統計變數作為被動變數,豐富區隔市場的描述。
逆向區隔的優勢在於,區隔市場之間金融行為和產品使用存在明顯的差異。
因此,我們也許能夠回答這樣的問題,例如:參與投資基金的人的特徵是什麼?
高額儲蓄、高額消費或著身負債務的人的特徵是什麼?
▷潛在類別分析

第12章 損失規避與參照點
▲前景理論
▷處份效應(disposition effect)是投資者出售增值股票(獲取收益),而不是拋售貶值股票(接受損失)的傾向。
▷稟賦效應(endowment effect)是指人們對現有物品的標價(接受的意願),會比未擁有物品的標價(支付的意願)更高,儘管商品是一樣的。賣方不願意放棄已擁有的商品,對商品有情感依附,認為賣東西是一種損失。
▲愉悅框架
▷分割收益(segregation of gains):第一次收益比增加的第二次收益價值更高(效用)。
因此,收益應該即時分割,以產生最高效用。
▷整合損失(aggregation of losses):第一次的損失比增加的第二次損失負效用更強。
因此,損失應該即時整合,以產生最低的負效用。
另一個例子就是應該用一條消息通知兩個壞消息(損失),而不是分別通知兩條壞消息。
▷不幸中的萬幸效應(silver-lining effect),較小收益分散了對損失的注意力,使其變得更容易接受。
來自銀行的資訊,如銀行帳戶費用上漲,通常包含較小的收益,比如提升交易效率的網站升級。
這讓整條資訊變得更容易被消費者接受。

第13章 風險偏好
▷從心理學的角度來看,風險被認為是損失機率,因此只考慮負面效果。
問題在於人們是規避變異數(variance averse)(經濟學角度),還是損失規避(心理學角度)。
Duxbury and Summers在實驗中比較這兩種規避,其結果支持損失規避的推測,正如前景理論預測。
根據前景理論,損失對人們的負面影響程度是同等收益帶來的正面影響的兩倍。
因此,風險知覺更多是受損失規避驅動,而不是對變數反感。
眾所周知,人們會為了避免損失而冒更大的風險。
▷在經濟學的風險概念中,實際風險的損失和認知的風險是沒有區別的,因為經濟學假設人們會對風險做出正確評估。而在心理學中,風險被定義為主觀的概念,是理解過程的結果。
因此,在不同情境下,對於不同的人而言,風險有著不同的意義,這使得風險不再客觀,而是一個主觀的概念:風險知覺(perceived risk)。人們對於風險知覺比客觀風險更加敏感。

▲風險偏好
▷在經濟學中,「風險傾向」(risk propensity)介於個人特質和(風險性)金融行為的中介變項(mediating variable)。在心理學中,通常用「風險偏好」(risk preference)的概念取而代之。
風險偏好是個人避免風險或尋求風險的一種傾向。
▷風險偏好也受成敗歸因(attribution of success and failure)影響,
它牽涉到決策者自身或者超出他們所能控制的情境。這可以用歸因理論(causal attribution)解釋。
人們傾向於成功的投資結果歸功於自己,而投資失敗歸咎於他人或環境。
這導致人們對於世界的認識不完整或誤差,甚至對個人投資能力過度自負。

▲雙曲貼現理論
▷Samuelson提出折扣效用模型(discounted-utility),用固定折線率模擬跨期選擇(intertemporal choice)。根據折扣效用模型,為特定時期延遲消費而接受的補償,應等同於相同時期為了加速消費而願意支付的價格。
▷人們在考量延後或提前收益時,想要獲得的補償是不對稱的:接受意願大於支付意願。
這種異常現象,是折扣效用模型的一種變形,稱為「非對稱貼現」(asymmetric discounting)。
▷符號效應(sign effect):收益比損失貼現更多。
要是得延遲收益,人們所要的補償會比同等延遲損失負出去的還要更多。
▷數量效應(magnitude effect):小額資金貼現比大額資金更多。
與較大收益的延遲相比,人們遇到較小收益延遲,會想要獲得相對多的補償。
▷延遲-提前非對稱(delay-speedup asymmetry):人們想要從延遲收益中獲得的補償,比他們願意為提前收益提供的支付多。人們想要從提前損失中獲得的補償,比他們願意為延遲損失提供的支付多。

第15章 決策制定、決策架構與預設選項
▷Simom引入了「有限理性」(bounded rationality)的概念。
人們的理性是有限的,因為我們的認知能力、可用資訊和時間是有限的。
結果就是,在複雜或者超載資訊環境中,我們不能選擇最佳的選項或者作出最優的決策。
解決之道就是接受滿意(足夠好)的選項,而不是最大化(最優)選項。
▷決策架構可能包含推力和預設選項。
推力在情境中使「稱心如意」的選項更加顯著,是「正確」方向的推手。
預設選項是提供給消費者的「標準」選項。
如果消費者願意,他們可以自由該改預測選項。如果他們不願意,他們將接受預設選項。
一些眾所周知的展示效應有:首因和近因效應,中間選項偏誤和吸引效應。
通常,人們無意識地被這些效應和偏誤影響,儘管事後他們會為自己的選擇做出合理的解釋。


2026年4月4日 星期六

領導者的數位轉型(下)

領導者的數位轉型
第四章 改造營運架構
▷數位型公司不採行傳統的組織模式,透過種種封閉塔式的專業化流程來營運,而是仰賴一個整合、高度模組化的數位基石,資訊技術不再只是傳統流程及方法的一項輔助及優化工具,軟體構成公司的實際營運核心。
▷在21世紀的數位型公司,由演算法驅動、以資料為燃料的軟體,取代傳統的勞力與資產密集型組織,構成公司向顧客傳遞價值的主要路徑。因為這些數位基石,公司能夠產生遞增的規模、範疇及學習報酬,大大勝過傳統的商業模式。
▷架構慣性(architectural inertia,抗拒調適)的概念進一步導引出克里斯汀生(Clayton Christensen)的破壞式創新理論,根據破壞式創新理論,和現有顧客的關係所建立的架構慣性,阻礙了組織對破壞性變化做出有效的反應。
►組織變得擅長以特定方式做某件事後,它們就發展出相互強化的固定程序及制度系統,變得難以用不同的方式做事,架構慣性導致難以做到需要以新方式組織工作的轉型。
▷在一個數位型營運模式中,員工不從事傳遞產品或服務的工作,他們設計與監督一個用軟體來自動化、用演算法來驅動的數位型「組織」去執行實際傳遞產品或服務的工作。

第五章 數位轉型之道
▷轉型的五個原則
原則1:有策略
原則2:釐清架構
原則3:聚焦在產品的敏捷組織 
原則4.能力基石
原則5.多專業治理
▷(原則3)建立一個人工智慧型營運模式的核心工作就是把許多傳統流程嵌入軟體和演算法中,最終,一個轉型後的現代核心服務組織的實際「產品」就是人工智慧型公司及其種種人工智慧驅動的流程。
▷(原則3)敏捷方法跟一個轉型、以資料為中心的營運架構是密不可分的。以往由顧問大軍歷經多年建立連結至特定資料庫的巨大定製化應用程式的做法將走路歷史,當資料、模型、與技術元件變得易於從公司的人工智慧工廠中取得後,就能很快速的建造應用系統,尤其是若涉及團隊夠了解下游廠合與環境,而且這些團隊以快速敏捷方式工作的話。
▷(原則5)人工智慧成熟度領先的公司因為對種種商業功能做出資料與分析的投資而獲得相當多的好處。我們發現,資料被用來把決策自動化,也被用來提供對市場動態、顧客、公司營運、員工能力及產品與服務性能的全方位了解,進而幫助公司做出複雜決策。
▷(原則5)從顧客生命周期蒐集而得的資料幫助這些企業做出有根據的明智決策,為顧客提供量身打造的產品、服務及體驗,減少支援問題,這一切全都是使用在所有通路與接觸點取得對顧客的360度觀點。
▷富達為其人工智慧轉型行動訂定三個優先要務。
  1. 第一個優先要務是顧客體驗,富達做出相當大的人工智慧投資,以更加了解顧客的喜好,推薦更有成效、高度個人化的投資策略。
  2. 其次,富達的人工智慧投資聚焦在營收成長,尋找機會去優化既有的營運流程,使公司更能擴大規模,創造在各項業務中增加服務的機會。
  3. 最後,富達推出的一些計畫旨在產生重要的事業洞察,例如研擬更好的投資策略,或了解顧客打客服電話的理由。
第六章 新時代的策略
▷創造網路的平台,其最基本的營運模式是促成用戶之間的媒合,攫取網路效應所創造的價值。
△學習效應
▷學習效應可以自行創造價值或是使現有的網路效應增加價值。
以Google搜尋事業為例,使用者進行越多的搜尋,Google的演算法越能(且越快)找到共通的搜尋型態,服務就變得更好,這類學習效應對於搜尋引擎提供的價值很重要。
▷學習效應之所以能夠強化競爭優勢,主要是因為它們仰賴規模。通常有越多的資料被用來訓練及優化一套演算法,演算法的產出就越準確,也可以使用演算法來解決越加複雜的問題。
▷學習及網路效應能夠相輔相成,一般來說,一個網路越大(亦即其連結數量越多),連結的價值越高,資料流量越大,人工智慧及整體學習的機會越多。

第七章 策略性衝撞
▷數位型營運模式產生的經濟價值可能得經過好些時間,才能近似傳統型營運模式產生的經濟價值,
這也是安身於傳統型模式的主管起初難以相信數位模式將能趕上他們的原因。但是,數位營運模式的規模一旦超越臨界數量後,遞送的價值可能相當大,使得採行數位型營運模式的公司可以輕易得凌駕傳統型公司。
▷而Airbnb的精實敏捷組織座落於它的整合資料平台之上,能蒐集顧客及流程資訊,探勘分析所獲得的洞察,不斷且快速進行實驗,有效產生預測性模型以提供重要的決策參考。
▷Airbnb持續探勘資料以取得新顧客,辨識新的旅客需求,同時優化顧客體驗,分析風險程度,這些舉動又使公司蒐集到更多旅客和房東的資料。它使用人工智慧和機器學習以獲得新洞察,並經常透過日常實驗來確認這些洞察是否正確。
不僅如此,Airbnb也快速擴張業務範疇到提供種類廣泛的服務體驗,內容囊括音樂會到飛行課程等等,這驅動了新的網路效應與學習效應,使創造價值與攫取價值的機會倍增。
▷旅遊業的例子再一次顯示人工智慧及學習與網路效應可以如何相輔相成的以一連串的自我強化迴路,為一個數位型營運模式建立起快速成長的價值主張。
當營運模式發展出更多連結時,它也發展出更多生成資料與累積資料的機會,生成的資料越多,組織能夠提供的服務越好,第三方前來連結的誘因越大。
提供的服務越好,將吸引更多的用戶,用戶越多,資料越多,依次類推,形成良性循環,提高學習終將與網路效應的影響力。一般來說,網路越大,生成的資料越多,訓練出的演算法越好,演算法越佳,因為規模及範疇而遞送的價值的增加得越多。
▷零售業的轉型並非只是把交易活動轉移至線上,而是需要一個徹底不同的營運方法,以資料及人工智慧為中心,對顧客獲得一致的了解,設法把零售體驗個人化,不僅僅線上零售體驗,還有線下零售體驗。
零售供應鏈變成以軟體為中心,人力不再是部屬於流程的核心,而是部屬於周邊(例如把貨架上形狀有異的產品取下來),這移除了傳統瓶頸與規模限制。
▷零售業提供的一個重要洞察是,把一個事業放到線上,未必能夠扳倒一個傳統產業巨人,重點在於有一個以軟體及資料為中心的營運架構。一些線上零售商領悟這個要訣後,零售業才真正轉型。
▷YouTube和網飛對消費者提供更具吸引力的價值主張,以及可以擴大規模的價值攫取模式,例如透過廣告訂閱,這大致上是仿效音樂串流事業的做法。
▷不過,網飛與YouTube的營運模式有一個具有重要競爭意涵的明顯差異,那就是YouTube匯集小眾內容創作者,形成一個龐大的社群,積聚重要的網路效應,基本上稱霸它所屬的市場。
另一方面,網飛提供的各種影音流服務來自更為集中化的一群內容創作工作室,這些工作室習慣多歸屬,在各種遞送平台上供應它們的內容。

第十章 領導者的使命
▷轉型必須由組織最高層級開始,激勵並培養領導幹部共同投入艱苦的組織轉型工作。

2026年4月3日 星期五

AI導入起手式

 AI導入起手式
第 2 章 活用深度學習的基本流程
▷準確率大致上分為兩種:
  1. 精確率(Precision,系統判斷正確的比例)
  2. 查全率(Recall,找出正確答案的比例,也稱為召回率)。
進行準確率的評估時,除了要分析是否有獲得足夠的正確比例,分析與處理「誤判」狀況也十分重要。以圖像辨識為例,如果把應該判定為癌細胞的部位誤判為正常細胞,將會導致嚴重的後果。
▷AI的開發成本和工時多半都是耗在準備資料,換言之,就是把以前設計程式與演算法的工作,
改成收集資料和標示正確答案(標記)等製作訓練資料的工作。
再換個說法,過去工程師是為了設計數學演算法而煞費苦心,而現在建構AI最辛苦之處,
則是必須憑藉人類的感覺、直覺與經驗法則,思考究竟該如何製作訓練資料。

第 3 章 目標準確率的評估與開發經驗談
▷導入AI系統對公司來說將是個好機會,可藉此檢討內部作業流程,仔細分析過去那些「不知為何而做」的業務。徹底檢討執行各項業務的理由與限制條件非常重要,若是懶得檢討,
之後在導入AI時,就會搞不清楚該改變流程中的某項業務或是要全面更新流程,
也不清楚如何活用員工的能力,結果往往會制定出不洽當的作業流程。

第 4 章 以實例說明導入 AI 的現況
▷AI所改變的並不是單一機器或市場,而是會促使企業或社會基礎建設為了活用AI,去重新設計其既有的工作模式或系統。
第 6 章 今後 將 AI 導入產業的注意事項
▷還有很多事情是AI做不到或不會做,例如買低賣高的投機心態。
在資訊不足、AI無法判斷的情況下仍要做決定時,有時候也需要人類投機的做法。
由於AI在法律上沒有人格權,並不具備責任感與責任能力,因此要讓AI做判斷必須仰賴人類。
▷就算不久的將來出現通用型AI與強AI,在法規給予「他們」人權、 與人類地位相同之前,通用型AI與強AI都只能算是人類的工具。
▷導入AI,問題是投入的成本是否能回收。

2026年4月1日 星期三

台灣AI大未來

 台灣AI大未來
▷AI副駕之所以被稱為「副駕」,使因為人類需要與它不斷互動才能完成任務,
它不是全面自動化,而是半自動化的協作夥伴,最終的決策權和大部分的執行工作仍然由人類掌控。
▷「提示工程」(Prompt Engineering)變得越來越重要,你必須有能力跟它互動、問對問題,提問越精準,答案才會越好。
▷AI代理的關鍵推手之一,是Anthropic提出的「模型上下文協定」(Model Context Protocol,MCP)。
MCP是一套讓外部資料庫、網站、伺服器都能註冊成為「可被AI代理使用服務」的標準協定。
正如當年的HTML促成了全球資訊網路的互聯互通,MCP有機會成為未來「AI代理的基礎網路協定」。

2026年2月10日 星期二

被討厭的勇氣

 被討厭的勇氣

- 人並非受制於過去的原因而行動,而是朝向自己決定好的目的而行動。
- 重點不是你經歷了什麼,而是你如何運用它。
- 人生最大的謊言,就是沒有活在當下。

2026年1月27日 星期二

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。
桑基圖(Sankey Diagram)

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。









2026年1月17日 星期六

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。















2025年12月31日 星期三

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。
△非監督式學習
  • 非監督式學習法與監督式學習法有兩個最大的不同:
    1. 監督式學習是訓練系統去識別已知的結果;非監督式學習則是在沒有任何成見、沒有任何假設的情況下,從資料中獲得洞察。
    2. 在監督式學習中,輸入機器的是一些被加上特定結果標註的資料;非監督式學習的目的則是從未經標註資料中找出自然群集、發現那些觀察者沒有意識到的隱藏結構。因此,非監督式演算法的工作是顯示資料中的型態,在由人或其它的演算法標註特徵或群體、研判可能的後續行動。
  • 非監督式學習能夠透過社群媒體貼文辨識顧客群及情感型態,作為產品開發的指引。對顧客進行的態度與人口統計結構問卷調查結果可以被用來建立顧客區隔,顧客流失原因也可以拿來讓非監督式學習演算法去做出分類,製造廠可以使用非監督式演算法來辨識與分類機器故障或訂單延遲的情況。
  • 非監督式學習可區分為三大類:
    1. 第一類是把資料區分成群集(cluster)的演算法。時裝零售商可以使用這種方式來了解如何根據購買的產品種類、商品訂價與獲利率、把顧客引來商店的種種管道等等來區隔顧客群。老練的零售商可能擁有更多其它資料(例如顧客的社會網絡圖、顧客與哪些人有密切的互動聯繫、顧客在社群媒體上的發文等),能夠在簡單的人口統計資料之外,發現獨特的市場區隔方式。
    2. 第二類是關聯規則探勘(association rule mining)。一個常見的例子是根據線上購物車的品項,來預測並推薦購物者可能會想購買的更多其它商品。亞馬遜擅長關聯規則探勘,這類演算法探索一群商品共同出現的頻率與機率,然後建立各種商品之間的關聯性。
    3. 第三類非監督式學習演算法是異常偵測(anomaly detection)。這類演算法檢視每一筆新觀察或資料,判斷它是否吻合之前的型態,若不吻合,演算法就標註它為異常。這類演算法常被用於金融的詐欺偵測、醫療保健服務業的病患資料、系統和機器的維修等。
△強化學習
  • 監督式學習需要使用專家對結果的觀點的資料,非監督式學習需要使用型態及異常辨識系統。而強化學習只需要一個起始點和一個執行功能。我們從某處作為起點,開始探索我們的周遭空間,看看我們的情況是改善了,抑或變差了,關鍵取捨是要花更多時間去探索我們周遭的複雜世界,還是直接運用目前已經建立的模型來進行決策與行動。
  • 這與我們尋找下山途徑的情況相似,網飛將部分時間花在探索選擇,也將部分時間用於開發模型提供的解決方案。為探索視覺選擇,網飛有系統的把呈現給用戶的視覺隨機化,藉此所新增的可能性並調整預測模型;然後利用改善後的模型,以調整後的視覺影像向用戶呈現影片推薦。
  • 將「多臂式吃角子老虎機問題」概念應用在實務上,可以提醒我們每一個流程會帶來不同的報酬,所以需要在不同流程之間分配有限資源。分配資源的基本原則就是:透過使後悔盡可能達到最小,來讓營運績效盡可能達到最大。
  • 在營運模式中部署人工智慧時,「多臂式吃角子老虎機問題」非常重要,當我們致力於優化及改善各個流程的營運績效時,必須妥善選擇「探索」與「利用」之間的取捨。這類演算法被廣泛用於管理各項營運流程,包括選擇要推薦的產品、訂單產品價格、規劃臨床試驗、挑選數位廣告等等。
△實驗平台
  • 使用實驗平台前,必須先將業務改進方案轉化為假設,並會用隨機對照試驗(randomized control trial,又稱為A/B測試)來檢驗每一個假設。測試時先將用戶樣本隨機分配為兩組,實驗組(treatment group)接觸預定要推動的新服務,而對照組(control group)則接觸一如往常的服務。然後對兩組實驗結果進行比對,若兩組實驗結果存在統計上的顯著差異,就可以證實改進方案確實能夠達到預期效果,而非假設性相關。這樣一來就可以確保演算法產生的預測與實際結果之間確實具有因果關係。
  • 實驗平台是人工智慧工廠的一個必要組件。假設我們用演算法預測顧客流失情形,得知顧客流失和特定的年齡群有關,但我們仍不知道這群顧客是普遍傾棄用我們的服務,還是如果提供特殊優惠方案就能讓他們積極考慮繼續使用。在付出高昂代價向數百萬用戶提供特殊優惠之前,我們可以先對小部分用戶進行A/B測試並蒐集統計上的證據,來證明有多少比例顧客會因為特殊優惠而選擇續用。相同的邏輯也可以大規模應用在檢驗人工智慧工廠所推薦的各種事業改善方案。



2025年12月26日 星期五

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。

2025年12月2日 星期二

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:沒有計畫的目標只不過是願望罷了。

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。