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。

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。

上班族必備的工作數字力：數字力是職場最強武器

上班族必備的工作數字力：數字力是職場最強武器！

第四章  靈活運用資料，輕鬆讀取數字的七項基本規則

🔺利用「標準差÷平均數」做相對評量

▸變動係數=標準差÷平均數，相對評量不同資料的離散程度時，就可以使用變動係數。

▸更進一步地，如果使用這個比率，也能夠清楚明已經改善、尚未改善的研討會。

例如再次舉辦研討會A與研討會A之後，得到如下圖的結果。

▸研討會A與B的平均數都有增加，標準差也都有變小。

目標是達到研討會C的程度，看起來兩者都有改善。

就像這樣，計算平均數與標準差的比率，能夠獲得相對評量的數字，也能夠簡單說明多筆資料之間的比較結果。以零售業來說的話，就類似針對多家店鋪評量今年與去年的業績一樣。

🔺任何人都能使用的解讀數據資料「五步驟」

• 步驟1 先把數據資料轉換成圖表，掌握「傾向」與「異常」
• 步驟2 計算數據的平均數與標準差
• 步驟3 若有必要，排除「異常」，重新計算平均數與標準差
• 步驟4 利用「平均數±標準差」掌握「大致的分布範圍」
• 步驟5 利用「標準差÷平均數」相對評量

第五章  連前輩也不見得會！使用數字與圖表製作資料的訣竅

🔺利用瀑布圖一眼看出「進」與「出」的狀況

▸如果想呈現「有多個加與多個減，最後得到這樣的情況」之訊息，瀑布圖可以發會強大的威力。

▸在商場上，一定會發生金額或人數的「進」與「出」，所以商務人士一定有機會用到瀑布圖。

第六章  「沒有傳達」等於零！使用數字做簡報的技術

🔺以「3-1-3」架構準備簡報

• 3:三分鐘結束(短時間)
• 1:鎖定一個主張傳遞(主張明確)
• 3:該主張的依據不超過三個(對方能夠理解)

★區分「呈報資料」與「補充資料」

▸職場上兩種資料：資料是簡報的附屬品。

職場上使用的資料大致可分為兩種：「呈報資料」與「補充資料」兩種。

☆呈報資料：資料中只針對自己的主張放入需求的數字。

☆補充資料：為了因應對方提問，隨身帶著參考用的數據資料。

★ 資訊量與成功率成反比

▸主管指出「這份資料很難懂。」「長話短說，你到底想說什麼？」「現在說明的資料是哪個部分？」⇢由於太擔心主管的指正，所以把所有可能相關的資料都放入簡報資料中，諷刺的是，這麼做反而招致負評，完全預想背道而馳。

▸「這個參考資料的這個數據對嗎？這份資料的內容到底正不正確？」⇢該錯誤並不影響簡報內容，現在想想，或許一開始就不應該發那份參考資料才對。

▸總之，並不是把所有「可能必要的資料」都放入呈報資料就是對的。

請記住，呈報資料的資訊量與簡報成功率呈反比。

▸洽當的「呈報資料」就如同手機或壽險的廣告一樣。

廣告本身可以說就是一場簡報，廣告裡應該不會放詳細的受費標準或合約內容給消費者看吧。

廣告只會鎖定最想傳遞的內容與依據來製作，消費者若想進一步瞭解廣告中沒有提供的資訊，就會主動上官網確認詳情。

▸製作呈報資料的標準就是就算沒有口頭說明，光看資料也能懂你的主張。

另一方面，補充資料就是假設對方聽了簡報後可能會提問，為此而做的準備。

簡報成功與否在於你如何想像簡報的進行，並做好適當的準備。

★ 「供閱讀」與「吸引對方」的資料

▸「呈報資料」還可以進一步分成兩種：

1. 書面的「分發資料」：分發資料是「供閱讀」的資料。
2. 「PowerPoint投影片的『投影片』資料」：「吸引對方」用的資料。

▸經常看到商務人士把分發資料當成投影片資料，拿來在PowerPoint上撥放。這種做法原則上是不行的。

• 投影片資料是用來「吸引對方」，稍微施點淡妝以協助訊息順利傳遞。
• 供閱讀的資料，只要簡單放入有確實根據的資訊即可。
• 補充資料只是供自己參考使用，所以無需做得太過華麗。

★為誰簡報？如何運用？任務為何？

▸工作中使用的資料各有不同的任務。請確實瞭解各種資料的不同用途並且區分使用。

如果覺得「因為太麻煩了，我靠一份資料走天下」，

這樣想表達的主張就不容易傳達給對方，反而解釋起來更費功。

▸甚至在簡報一開始就要先表明：「假如所需的詳細數據沒有放入資料裡，簡報後我再用電子郵件傳送給各位。如果提問，我也可以在現場口頭說明。」這樣一來，對方就能夠與你站在相同立場聽簡報，你也能夠開始進行理想的簡報。

▸數字分為實數與比率兩種，同時透過比較，更可發揮強大威力。因此，商務人士會頻繁使用<公式一>與<公式二>的傳遞方式。

哈佛商業評論推薦必讀AI商業趨勢(下)

哈佛商業評論推薦必讀AI商業趨勢
第八章 定價演算法趕走我的客人？請小心，別讓品牌受傷害

【指定定價演算法的負責人】

➤演算法失控時，很容易怪罪演算法本身，但問題根源通常在其他領域，

像是組織不夠關心顧客心理，或是沒能掌握顧客心態。

➤當企業興高彩烈地把定價的繁重工作交給自動化時，切割出去給演算法不僅是數學計算的控制權，

也包括傳達訊息的工作。

➤定價演算法本身有兩個弱點。

1. 它缺乏必要的同理心，而需要這種同理心，才能預測和解決價格變化對顧客行為和心理造成的影響。
2. 它缺乏長期觀點，而需要這種長期觀點，才能確保公司策略或總體經濟目的。

【設置和監控定價範圍】

➤若要從演算法中收集見解，有三個主要領域需要進行更密切的職能協作：

▷實驗：受到控制的定期價格測試，能協助企業衡量顧客對產品、服務或任何功能的重視程度，

並了解在哪些情況條件下，可以再何時、如何取得那項價值。

▷因為顧客是對實際產品做出反映，以及進行真正的交易。

他們對價格變動的反應，有助於企業找出什麼是有效的做法，

什麼是無效的的做法，以及買家在什麼時候首次做出購買決定。

▷監控：企業可制定新的關鍵績效指標，或是比較現有指標，

以確保價格變化的頻率和幅度，不會削弱顧客成程度或品牌聲譽。

✩第九章 掌握兼顧彈性的自動化策略

✩企業在衡量專案的成效時，不該再比機器人與人類員工的成本與產出；

這種作法忽略了自動化其實可以從許多層面改善流程。

相反地，企業應該專注探討幾個問題：

目前執行某些任務的團隊，在自動化之後改去從事新工作，是否會更具生產力？

相較於沒有運用自動化科技的團隊，有運用這種科技的團隊能否提出更多創新構想，

或者從事更多樣化的工作？

【推動正和自動化】

若要做到正和自動化，企業必須設計出兼顧生產力與彈性的系統，彈性進行自動化的三個關鍵如下：

1. 設計容易理解的工具，並投資進行教育訓練

➤許多機器人和自動化系統是由第三方技術顧問設計與設定設定，讓自動化系統的運作死板且容易出錯。生產環境或流程即使只出現小小的變化，也有可能讓整個系統停擺。

➤為了避免發生這類問題，公司應該確保自動化系統裡包含容易理解的技術，

例如低程式碼(lower-code)的程式化界面，讓技術技能不高於第一線員工也能及時修復或調整系統。

2.尋求第一線員工的回饋意見

3.選擇是選擇顧客的顧客績效標

➤自動化計畫是否成功，不可能藉由單一方程式來衡量。

企業應該要設計幾項關鍵績效指標(KPI)，考量每一項要進行自動化的流程、

每一個涉入的團隊、每一位本身工作可能會因此而改變的員工。

這些KPI也應該考量無形的效益，包含產品創新、員工滿意度與安全性提升，以及重新設想流程。

➤出於細微動機去推行自動化的業者會面臨一項挑戰：評估成效的方式也必須採取精細的作法。

在某些情況下，拿人工系統與自動化系統來做同類比較並沒有道理：自動化系統需要業者重新設計流程，也就是剔除效率低落的步驟，公司應該設計一系列的指標，包含三個層次：機次、系統、團隊。

1. 機器層次：成效指標應該關注實際運作的彈性。相較於人類員工，自動化系統會學習一項新工作需要多少時間？
2. 系統層次：指標應該關注轉換成本。機器人或者自動化軟體需要多少時間來順利運作一項新流程？
3. 團隊成效的指標最重要：自動化系統是否提升團隊的工作績效？團隊成員的表現是否優於過去？團隊是否能以更有創意的方式運用本身的技能？擁有自動化科技是否讓團隊做到以前做不到的事？

【自動化反而需要人類】
➤通用汽車「未來工廠」的願景，是要在不必開燈讓員工工作的情況下表有生產力與彈性。
但我們從率先推行自動化的公司那裡發現，就算公司能夠做到「關燈」自動化，多半仍不會這麼做。

他們知道，若想結合生產力與彈性，人類必須參與其中，去了解自動化科技在哪些層面能有效運作，以及在哪些層面可以改善。

➤對公司最有利的是「正和自動化」，這種自動化會運用智慧型機器、主管、工程師與第一線員工的各種長處。自動化的願景不該是排除人類，而應該是讓人類在工作上更能展現能力、更不可或缺。

第十一章 機器人的成功關鍵在於「人」

➤人類雖然天生擁有智慧，卻發現很多事情不可能、或者很難做好，而AI能夠做到這些事情，

例如：辨識大量數據當中的型態；擊敗首屈一指的西洋棋冠軍；運作複雜的製造流程；

同時接聽和回答打進顧客服務中心的許多通電話；分析天氣、土壤狀況、衛星圖像，

以協助農夫將作物的收成提升到最多；掃描數百萬張網際網路圖像，以防制剝削兒童的惡行；

偵測財務詐欺；預測消費者偏好；個人化廣告；另外還有很多工作。

最重要的是，AI使人類和機器能高效率地一起工作，這種協作正在創造許多新的高價值工作。

第十二章 掌握關鍵十招，全面啟動AI變革

➤第一資本(capital One)幾十年來一直被公認為分析領域的翹楚，

運用分析法來了解消費者的支出型態、降低信用風險，並改善顧客服務。

由第一資本的IT組織為所有這些數據建構和管理基礎設施的解決方案已不在有意義。

相反地，IT組織開始專注於培養軟體和業務能力。今天，第一資本即時分析來自網路和行動交易、

自動櫃員機和信用卡交易源源不絕的數據流。

哈佛商業評論推薦必讀AI商業趨勢(上)

 哈佛商業評論推薦必讀AI商業趨勢

第一章 ChatGPT引爆AI無限可能

✩不要只著眼於正確，而應更關注AI寫作如何提高工作效率。

➤機器現在能做以前只能由訓練有素的人完成的任務。

一些有價值的技能不再有用，新技能將取而代之。

第二章 人工智慧啟動新形態商戰

➤分析法有系統地將內部與外部的數據，轉化為預測、深入見解和選擇，

接著由這些預測、見解和選擇來指導並自動運作工作流程。

➤人工智慧工廠都必須具備四個組成要素：

1. 數據工作流(data pipeline)：這是一個半自動化的流程，以系統化、可持續和可擴大規模的方式，收集、清理、整合和保護數據。
2. 演算法：做出有關企業未來狀態或行動的預測。
3. 實驗平台：在上面測試有關新演算法的各種假設，以確保這些演算法的建議可創造想要的效果。
4. 基礎設備：這些系統會把這個流程建入軟體裡，並把它連結到內部和外部使用者。

➤以Google或Bing之類的搜尋引擎為例，只要有人開始在搜尋框中輸入幾個字母，演算法就會根據眾多使用者曾輸入的字詞，以及這名使用者以往的搜尋動作，來動態預測完整的搜尋詞。

預測的這些字詞會列在一個下拉式選單裡(即「自動建議字串」)，可協助這名使用者快速選定一個相關的搜尋。每一次按鍵和點擊，都會被取得當成數據點(data point)，而每個數據點都會改善對未來搜尋的預測。

➤學習迴路(learning loop)：任何一次點擊進入或離開搜尋問題與搜尋結果頁面都可以提供有用的數據。搜尋次數越多，預測越正確；而預測越正確，搜尋引擎被使用的越多。

➤網路效應在達到關鍵多數(critical mass)之前，創造的價值很少，而且，大多數新應用的演算法，

在獲得足夠的數據之前，都遭受「冷啟動」(cold start)之苦。

這說明為什麼安穩使用傳統模式的高階主管，起初都難以相信數位模式有追趕的一天。可是數位營運模式一旦真的發展起來，'就會提供更優異得多的價值，並快速超越傳統公司

✩重建企業結構：長久以來，公司一直是透過更大程度的聚焦與專精化，來優化規模、範疇和學習，這導致現今的絕大多數企業，都擁有各部門壁壘分明的結構。

然而，壁壘分明的部門是人工智慧驅動的成長之敵。當公司的每一個部門，都擁有自己的數據和代碼時，內部開發就會零碎分散，幾乎不可能在部門之間建立連結，也難以和外部企業網路或生態系統建立連結。而且幾乎不可能全方位地了解顧客，這種對顧客的完整了解是取自每一個部門與職能單位，同時也能供每一個部門與職能單位使用。因此公司在建立新的數位核心時，應避免深度劃分組織結構。

✩將人工智慧置於企業核心：

• 一個策略：若要重新建構公司的營運模式，就必須在整合數據、分析和軟體的新基礎上，重新打造每個事業單位。這項深具挑戰性的耗時工作，需要有個焦點，以及一個由上而下交辦的一致任務，來協調和激發許多由上而下的行動。
• 一個明確的架構：一個以數據、分析和人工智慧為基礎的新方法，需要某種程度的集中化，以及高度的一致性。數據資產應該跨越各個應用軟體而整合起來，使它們的影響極大化。

第三章 機器學習贏家祕訣

➤在許多情況下，演算法可以利用回饋數據，不斷地改進；若是把實際的結果，拿來和當初用來產出預測的數據進行比較，就可以產生回饋數據。如果在明確定義的界線內可能會出現很大的變化，這種工具就特別有助益。

✩在預測中建立競爭優勢：在機器學習領域中建立可長久維持的事業，在很多方面很類似在任何產業中建立可長久維持的事業。你能否做到這些，取決於你對以下三個問題的答案：

1. 掌握數據越多，越難被超越。你有足夠的訓練數據嗎？
2. 令人望塵莫及的迴圈速度。你的回饋迴圈有多快？機器如果納入回饋數據，就能從結果中學習，並提高下一次預測的品質。
3. 精準預判顧客需求。你的預測有多準？

✩迎頭趕上：

1. 特殊數據成為致勝關鍵：找出其他的數據來源，並固守這些來源。
2. 尋找不同的服務對象：預測差異化。另一種可協助後進者變得更有競爭力的方法，就是重新定義什麼因素會讓預測變得「更好」，即使只是對某些顧客來說比較好。

第四章 培養數位心態，為轉型加速

➤數位轉型不是一個要努力達到的目標，而是達到本身各種獨特目標所採取的手段。

有了數位心態，組織所有的員工都能做好準備，去掌握當前變化萬千的世界所帶來的機會。

第五章 「影子學習法」讓組織學習邁開大步！與智慧型機器聰明共事

➤影子學習法的五大技巧：

1. 尋求挑戰：剛接觸機器人手術的受訓人員通常沒什麼機會實作。偷學者解決這個問題的方法，是尋找機會在有限的監督下，挑戰本身能力極限的手術。他們知道有挑戰，才有學習的效果。
2. 向第一線取經
3. 重新設計角色
4. 收集整理解決方案
5. 向偷學者學習

第六章 擴大應用AI轉型力：與其一次性求變，不如抓重點先行

步驟一：制定策略

• 潛在影響
• 相互關聯的活動：如果重新調校這些活動，可以解決系統性的問題，例如長期效率低下(像是冗長的貸款審核時間)、高變異性(迅速波動的消費者需求)，以及經常錯失機會(難以提供產品給顧客)。

步驟二：建構團隊

步驟三：重新想像日常營運

步驟四：順應組織和技術變化

★第七章 AI行銷為何不給力？你沒問對問題，就會錯失機會★

➤有一家大型電信公司的行銷主管設法要減少顧客流失，於是決定運用AI來判斷哪些顧客最可能離開。他們取得AI的預測後，一再提供大量優惠促銷方案給高風險顧客，希望吸引他們留下來。

雖然實施這項留住顧客的活動，但很多顧客還是離開了。為什麼？

這些主管犯了一個基本錯誤：向演算法問錯了問題。

雖然AI預測的內容很好，但沒有解決這些主管真正想解決的問題。

✩【解決方案】一個三步驟的框架將有助於開放市場行銷和數據科學團隊之間的溝通管道。

(1)我們試圖解決的市場行銷問題是什麼？

(2)在我們目前的做法中有沒有任何浪費或錯過的機會？

(3)是什麼東西/事情造成這些浪費和錯過的機會？

【重點為校準：沒能問對問題】

➤我們研究的這家大型電信公司，主管真正該做的事情不是找出哪些顧客可能流失，

而是應該弄清楚該如何運用行銷經費，來減少顧客流失。

他們不應問AI哪些顧客最可能離開，而應該問哪最可能被說服留下；

換句話說，應該問哪些考慮離開的顧客，最可能會對促銷方案有回應？

前述這家電信的行人員，給予AI錯誤的目標，於是，把錢浪費在許多無論如何都會離開的顧客身上，

但對於加倍花心力就能留住的顧客，卻投資不足。

【利弊不對稱：沒能體認到「預測正確的價值」與「預測錯誤的代價」不同】

➤ AI的預測應該越準確越好，不是嗎？

不一定，差勁的預測，有時候代價極為高昂，但有時候代價不那麼高；

同樣地，超級精準的預測，在某些情況下的價值比較高。

➤ 必須了解的一項重點是，AI預測可能有各種不同的錯誤。

預測除了會高估或低估結果之外，還可能會出現偽陽性

(指出顧客可能流失，但其實顧客會留下)，或偽陰性(指出顧客不可能流失，但其實顧客後來離開了)。

行銷人員的工作是要分析這些類型錯誤的相對成本，而這幾項成本可能差異很大。

然而，負責建立預測模型的數據科學團隊常會忽略這種相對成本差異很大的狀況，

或甚至沒有人告知他們這種情況，於是，他們假定所有的錯誤都同樣重要，導致出代價高昂的錯誤。

【數據未善用：沒能充分運用精細的預測】

➤企業會產生大量的顧客數據和營運數據，可以使用標準的AI工具，根據那些數據頻繁地做出詳細的預測。但許多行銷人員並沒有利用這種能力，仍根據舊有的決策模式來運作。

以一家連鎖飯店為例。這家飯店的主管每周開會，以調整各個地點的房價，即使已有AI可以針對不同房型的顧客需求，每小時更新預測數字。他們的決策流程，還是保留下來的過時訂房系統。

【雙向溝通不良】

➤行銷主管必須改善與數據科學團隊的溝通與協作，並且清楚說明自己設法要解決哪些商業問題。

【架構運用實務】

1.我們現在想解決的行銷問題是什麼？

➤這個問題的答案必須有意義，而且精確。

舉例來說，「我們如何減少顧客流失」就問的太廣泛，對AI系統開發人員沒有任何幫助。

「如何能最妥善地分配留住顧客的活動預算，以減少顧客流失」這樣的問法比較好，

但仍太廣泛(這筆留住顧客的預算已經定案，還是要由我們決定？所謂的「分配」是什麼意思？

是否要分配給不同的留住顧客活動？)最後，我們會得到一個對問題更清楚的陳述，像是：

「如果現在有幾百萬美元的預算，我們某一項留住顧客活動，應該針對哪些顧客？」。請注意，

我們完全沒提到「我們要如何預測顧客流失」，因為預測顧客流失，並不是要解決的行銷問題。

2.在我們目前採用的解決方法裡，是否有任何浪費或錯失的機會？

➤第一步就是反思，如何算是成功和失敗。

在前述那家信公司，一般人直覺認為成功的定義，是「接到促銷方案的顧客是否續約？」

但這種定義太過簡化，也不準確；這些顧客或許不用促銷方案就會續約，

所以提供優惠促銷反而浪費了留住顧客的經費。

同樣地，如果沒有接到優惠促銷的顧客，最後決定不續約，這樣算是成功嗎？不一定。

如果這位顧客無論如何都不打算續約，「不提供優惠」實際上算是成功，因為本來就無法說服他留下。然而，如果這位顧客只要收到優惠促銷就會留下來，那就是錯失一個機會。

➤有時很難找出在原子層次的失敗，在前述那家電信公司，數據團隊並未檢視那些顧客有可能被說服留下來，因此很難判斷失敗的類型。在這種情況下，

團隊可以使用較屬於總計式的數據，來量化浪費與錯失的機會，即使這樣產生的結果較不精確，也要這麼做。這家電信公司可以使用的一個方法，就是檢視「提供銷售誘因的成本」，相較於「收到這些誘因的顧客所增加的終身價值」，何者較高。同樣地，對於促銷活動沒有接觸到的顧客，團隊可檢視因為他們不續約而損失的獲利。

➤這些手法有助於這家電信公司區分以下顧客：

1. 哪些顧客雖然被留下，但花費的成本比增加的終身價值高；
2. 哪些高價值顧客雖然收到留住顧客的促銷優惠，但仍流失；
3. 哪些高價值顧客沒有收到促銷優惠，而在促銷活動後離開。

3.什麼原因造成那些浪費與機會錯失？

➤前述電信公司的團隊成員，當初若是回答這個問題，就會明白，如果他們的AI能完美預測，誰會因為留住顧客方案而留下(而不是預測誰將要離開)，就既能排除浪費(因為他們就不必提供優惠給無法被說服留下來的顧客)，也能避免錯失機會(因為他們能鎖定所有可以被說服的顧客)。

➤這方面常見的一種錯誤，就是誤以為，預測與商業目標之間相關性就已足夠。

這種想法有缺點，因為相關性並非因果關係，於是可能出現一種情況，就是你或許預測到，

某件事的變化與獲利能力有相關性，但其實無法改善獲利。

即使真的有因果關係，也不見得能百分之百對應到你的目標，所以你花費的心血，

不見得能完全達到你要的最後結果，導致錯失了機會。

【處理「利弊未對稱」的問題】

➤你一旦清楚了解AI預測，與決策和商業成果之間的關聯，就該把系統出錯所帶來的成本加以量化。

這就需要問：如果AI產出的結果並不完全正確，會和我們想要的商業結果有多大差距？

➤在那家電信公司，把留住顧客的促銷方案寄給無法說服的顧客(浪費)，這樣的成本比失去一個本來可以透過優惠方案而留下的高價值顧客(機會措施)低。因此，如果AI系統把重點放在「不要漏掉可說服的顧客」，公司的獲利會更高。即使這麼做會提高誤判某些顧客願意接受方案的風險，仍值得這麼做。

【處理「數據未善用」的問題】

➤大多數行銷用AI所做的決定，並不是新的決定，仍是在處理舊決定，

像是顧客區隔、鎖定目標顧客、預算配置等。「新」的部分在於做這些決定時，

根據的是由AI收集處理更豐富資訊。這麼做的風險，在於人類大致上不樂意改變。

在做一些舊決定時，許多主管尚未針對改善AI新科技能帶來的頻率與精細程度做出調整。

【攜手進步的合作】

➤行銷需要AI。但AI需要借助行銷思惟，才能充分發本本身的潛力。

雜訊：人類判斷的缺陷(下)

雜訊：人類判斷的缺陷
Daniel Kahneman, Olivier Sibony, Cass R. Sunstein

第四部 雜訊的發生

13 捷思法、偏誤與雜訊

- 如果許多人都有共同的偏誤，心理偏誤就會造成統計偏誤。

然而，在許多情況下，人們的偏誤各有不同。這些時候，心理偏誤會產生系統雜訊。

15 量表

- 水準雜訊是陪審員在整體嚴厲程度的變異。

型態雜訊是某個陪審員在某個案件的反應相對於自己審判結果平均值的變異。

- 我們可以把片段的整體變異分解成三個要素：

判斷的變異=公正懲罰的變異+(水準雜訊)^2+(型態雜訊)^2

- 量表的選擇對於判斷的雜訊量會造成非常大的差異，因為模糊的量表有雜訊。

- 以相對判斷取代絕對判斷有可能降低雜訊。

16 型態

- 型態誤差的產生，綜合著暫時因素與長期因素。

暫時因素包括我們描述為場合雜訊的因素，像是在重要時刻遇到法官心情不錯，或是法官當下剛好想到最近某些不幸的偶發事件。有些因素更為長期，像是雇主特別喜歡就讀某幾所大學的人，或是醫師特別傾向於建議感染肺炎的人住院。我們可以用一條簡單的等式表達單一判斷裡的誤差：型態誤差=穩定型態誤差+暫時(場合)誤差

-由於穩定型態誤差和暫時(場合)誤差是獨立、不相關的事件，因此我們可以延伸上述等式，分析它們的變異：(型態雜訊)^2 = (穩定型態雜訊)^2 +(場合雜訊)^2

- 而對專業判斷來說，變異是問題，雜訊是誤差。

這個類比的重點在於，判斷裡的型態雜訊並非隨機事件，我們不太可能解釋型態雜訊，即便是做出不同判斷的個人也無法解釋他們的判斷。

17 雜訊的來源

- 誤差可以拆解為偏誤和系統雜訊。

- 系統雜訊可以拆解為水準雜訊和型態雜訊。

- 型態雜訊可以拆解為穩定雜訊和場合雜訊。

第五部 提升判斷力

21 預測的挑選與總合

- 預測(以及預測出錯的時間與出錯原因)分析師對於偏誤和雜訊(也稱為預測得不一致或不可靠)分得一清二楚。大家都同意，在某些背景下，預測人員會有偏誤。例如，官方機構對預算的預測上就顯現不切實際的樂觀。平均而言，他們對經濟成長的預測高得脫離現實，赤字預測也低得不真實。實際上，他們不切實際的樂觀究竟是認知偏誤或政治考量的產物，根本無關緊要。

- 預測者也有雜訊。史考特·阿姆斯壯的參考書<預測原理>(Principles of Forecasting)就指出，即使在專家之間，「判斷性預測的一項誤差來源是不可靠性。」

事實上，雜訊是誤差的主要來源。場合雜訊是常見現象；預測者自己的意見都不一定前後一致。人與人之間的雜訊也很普遍；預測者彼此的意見會有分歧，即使他們都是專家也是一樣。

- 在數學上，平均法是減少雜訊的保證：具體而言，會使雜訊減少到「1-(1/判斷數量得平方根)」的水準。也就是說，如果你用100個判斷值求取平均值，就能減少90%的雜訊，而如果你用400個判斷值求取平均值，就能減少95%的雜訊，基本上會把雜訊消除。這條統計法則是群眾智慧法的引擎。

- 由於平均法無法減少偏誤，它對總誤差(均方差)的影響取決於偏誤和雜訊在均方差裡的占比。所以，在判斷屬於獨立、因而比較不會包含共同的偏誤時，群眾智慧的效果最好。

實證上有充分的證據顯示，多個預測時的平均能大幅增加準確度，例如，股市分析裡經濟預測人員的「共識」預測。至於銷售預測、氣象預測和經濟預測，一群預測人員未經加權的平均值，表現優於大部分的個別預測值、有時勝過全部得個別預測值。

- 布里爾分數讚賞的是校準度和辨析度俱佳。要拿高分，你不只必須在平均值上正確(也就是有不錯的校準度)，也必須願意採取立場，在預測上做出差異(也就是高辨析度)。布里爾分數遵循均方差的邏輯，因此分數越低越好：0代表完美。

23 績效評鑑量表的制定

- 系統雜訊如何拆解這三個要素(水準雜訊、型態雜訊和場合雜)，結論因研究而異。

第六部 雜訊的最適水準

26 減少雜訊的成本

- 歧視也可能來自原始資料。如果演算法是根據有偏誤的數據庫訓練而成，它也會有偏誤。

以「預警性警務(predictive policing)演算法為例，這套演算法意在預測犯罪，通常是為了改善警務資源的配置。如果現存與犯罪有關的數據反映某些區域的警力過度部屬，或是某些類型罪刑的報案量相對高，那麼由此而來的演算法也會持續或加重歧視。只要訓練用的資料有偏誤，就相當有可能設計出把歧視編寫進去的演算法，無論這是出於有心或是無意。確實，以此而言，演算法可能更糟糕：由於它們會消除雜訊，因此會比人類判斷有更嚴重的偏誤。

綜述與結論 正視雜訊問題

- 系統雜訊可以拆解成水準雜訊和型態雜訊。有些法官通常要比其他法官來的嚴厲，還有一些法官則比較寬容；優些預測者通常看好市場前景，有些則看壞；有些醫師開立的抗生素比其他醫師來得多。

水準雜訊是指不同個體平均判斷的變異。判斷尺度得模糊性就是水準雜訊的一個來源。像有可能這樣的文字描述或是數字(如「0到6分當中的4分」)，每一個人的感受並不相同。水準雜訊是判斷系統裡誤差的重要來源，而且是採取干預措施來減少雜訊的重要瞄準目標。

- 系統雜訊還包括另一個占比通常更大的雜訊。無論兩個法官的平均判斷為何，他們對那些罪刑該判處較重的刑罰可能有不同的看法。他們的判刑決定在所有案件會產生不同的排序。我們稱這種變異為型態雜訊(用統計術語來說，就是統計交互作用statistical intercation。

- 型態雜訊的主要來源是穩定的：就是不同法官因為個人特質而對同個案件有判斷差異。有些差異法而反映人遵守的原則或價值觀，不管在做判斷時是否有覺察到這一點。例如，有一個法官可能在店內行竊的扒手特別是嚴厲，對違反交通規則的人則比膠寬容，另一個法官則剛好相法。有些潛藏人心的原則或價值觀可能相當複雜，法官人也許不會覺察。例如法官對於店內行竊的年長扒手會無意識地採取相對寬容的態度。最後，對某一個案件的高度個人化反應也是穩定的。如果法官發現被告自己的女兒很像，可能會出生在同情心，而背對告比較寬容。

- 這種穩定的型態雜訊反映出法官個人的獨特性：他們對每一個案件的反應就像個性一樣因人而異。人與人之間的微妙差異通常沒什麼不好，而且很有趣，然而如果是在一個假定應有一致性的系統當中，專業人士的個人差異就會變成問題。在我們調查的研究當中，個人差異產生的穩定型態雜訊通常是系統雜訊的最大來源。不過，法官對特定案件的獨特態度仍不是完全穩定的。型態雜訊含有一種暫時的成分，稱為場合雜訊。

- 如果一位放射科醫師在不同的日子對同章醫療影像做出不同的診斷，或是指紋鑑識人員在某一個場合下鑑定指紋辨識的結果是吻合。這像這些例子一樣，當法官不記得之前承諾過某一個案件時，某一個不相干的特點對判斷所產生的影響，如法規支持的球隊獲勝，法官在量行時就會變得寬容，或是醫生在一天門診快結束時，比較可能會開鴉片指通要。

- 心理偏誤是系統偏誤或統計偏誤得一個來源。其實，心理偏誤也是雜訊的來源，只是不是那麼明顯。並非所有的判斷者都有同樣的偏誤，在偏誤程度不一、而且偏誤的影響取決於外部的環境之下，心理偏誤就會產生雜訊。例如，做雇用決策的一群經理人當中，有半數的人對女性有偏見，還有半數的人則偏好雇用女性，整體偏誤為零，但系統雜訊仍會造成很多錯誤的雇用決策。另一個例子則是第一印象的效應往往不成比例。這是一種心理偏誤。在隨機呈現證據的順序之下，這種心理偏誤會帶來場合雜訊。

雜訊：人類判斷的缺陷(上)

雜訊：人類判斷的缺陷
Daniel Kahneman, Olivier Sibony, Cass R. Sunstein

- 圖1：四個隊伍：B隊有偏誤(biased)，因為這五發都沒射中靶心，而且都偏到同一個角落。
我們可以從這種偏誤的一致性得到這樣的預測：如果這個團隊中有人再射擊一次，
也會跟前五槍一樣落在同一個角落這種偏誤一致性也許有原因可循：該隊的步槍瞄準器可能歪掉了？
我們認為C隊有雜訊(noisy)，因為彈著點很分散。由於彈著點幾乎都在靶心四周，所以沒有明顯錯誤。若是團隊中有人再射一槍，我們無法預測可能的落點。

因此，我們也無法從C隊的結果推想出任何有意思的假設。

我們只知道這一隊的人幾乎都是生手，但不知道為什麼這個隊伍的表現充滿雜訊。

- 場合雜訊(occasion noise)

第一部 尋找雜訊

03 單一決策

- 單一決策向來被視為與大型組織中可互相替代的人員經常做出的重複決策不同。

社會科學學者研究重複性決策，高風險的單一決策則是歷史學家和管理大師的研究範圍。

這兩種決策的研究方法截然不同。

重複決策的分析通常傾向利用統計學，社會科學家也會評估很多類似決策，

以辨識規模、規律性，並衡量準確性。相比之下，單一決策的討論通常會採用因果關係的觀點，而且是在事情發生之後才檢視，把焦點放在找出事情發生的原因。

歷史分析，如成功或失敗的管理案例研究，旨在了解一個本質上獨一無二的判斷是如何做出來的。

- 換言之，我們無法衡量單一決策的雜訊，然而我們可以透過反事實思維(counterfactual thinking)，

肯定雜訊的存在。如某個射擊手的手不能保持穩定時，彈著點可能會落在其它地方，決策者及決策過程的雜訊，意味單一決策可能會有所不同。

第二部 你的頭腦也是一把尺

05 誤差的測量

- 偏誤和雜訊在誤差的作用，可以簡單的用所謂的誤差方程式來表達。

第一個等式把單次測量中的誤差分解成兩部分，

也就是你現在熟悉的偏誤(平均誤差)，以及殘留的「雜訊誤差」。

當誤差大於偏誤時，雜訊誤差為正值，誤差小於偏誤時，雜訊誤差為負值。雜訊誤差的平均值為零。

- 第一個誤差方程式沒有什麼新意：單次測試的誤差 = 偏誤 + 雜訊誤差

- 第二個誤差方程式是均方差，也就是我們現在介紹的總體誤差。

利用簡單的代數即可顯示出，均方差等於偏誤的平方加上雜訊的平方。

(請回想：雜訊是測量的邊準差，與雜訊誤差的標準差相同。)

因此：

- 總體誤差(均方差) = 偏誤^2 + 雜訊^2

- 而預測和估計的目標就是在準確度(accuracy)最高(偏誤最小)和

精確度(precision)最高(雜訊最小)下接近真正的數值。

- 決策者必須考量多種選擇，並運用自己的價值觀做出最佳選擇。

但這些決策都必須以價值中立的預測為基礎，目標是準確(盡可能接近靶心)，

而均方差就是衡量誤差最適當的方法。只要偏誤不會大幅增加，減少雜訊將能改善預測性判斷。

06 雜訊分析

- 誤差的兩個構成要素就是偏誤和雜訊。

- 如圖9的黑色箭頭所示，水準雜訊是2.4年，系統雜訊為3.4年。

這樣的差異代表系統雜訊要比個別法官平均嚴厲程度的差異來得要大。

這是雜訊的另一種成分，我們稱為型態雜訊(pattern noise)。

- 依照誤差方程式把誤差分解成偏誤和雜訊的邏輯，把系統雜訊分解為水準雜訊和型態雜訊。

- 系統雜訊的方程式：系統雜訊 = 水準雜訊^2 + 型態雜訊^2。

- 系統雜訊是指多人對同一個案件的判斷出現令人討厭的變異性。

我們已經找出系統雜訊的兩個主要成分：

   1.水準雜訊是不同法官判斷平均水準的變異。

   2.型態雜訊是法官對特定案件反應的變異。

- 在這個研究中，水準雜訊與型態雜訊的數量大致相等。

然而，我們認為型態雜訊必然包含一些場合雜訊，可以把場合雜訊當作隨機誤差。

- 水準雜訊就是不同法官呈現出不同的嚴厲程度。

型態雜訊是指不同法官對某一個被告更嚴厲或更寬容而出現意見分歧的狀況。

型態雜訊當中包含場合雜訊，這是指法官自己有不同的意見。

07 場合雜訊

- 群眾智慧效應

- 辯證性的自我重複抽樣法(dialectical bootstrapping)

- 賭徒謬誤(gambler's fallacy)

08 群體如何擴大雜訊

- 社會影響是個問題，因為它們「減少群體的多樣性，卻沒有減少集體誤差」。

諷刺的是，多項獨立意見妥善的總合起來，有可能達到驚人的準確度，不過即使只有一點點社會影響，都可能會產生一種羊群效應，破壞群體的智慧。

第三部 預測性判斷中的雜訊

- 我們需要一個衡量預測準確性的方法，藉此回答這個問題：預測與結果的共變異性(co-vary)為何？

如果人力資源部門經常評估新進人員的潛力，我們可以等幾年後再來看看員工表現，確認他們的潛力評級與績效評即有多大的共變異性。如預測準確，新進員工的潛力評級高，工作表現也會得到高度評價。

-有一種測量方法可以呈現這種直觀判斷，也就是和諧率(percent concordant)。

和諧率可以回答一個更具體的問題：若隨機抽選兩名員工，

潛力評級較高的人績效評估也比較高的機率是多少？如果早期的評級是完美的，和諧率應該是100%。

- 舉個更簡單的例子，成年男性腳長(鞋碼)與身高的和諧率是71%。

如果你看兩個人，先看他們的頭，再看他們的腳，有71%的機率是較高的人有較大的腳。

- 和諧率是一個衡量共變異性的直觀指標。這種方法有很大的優點，但不是社會學家使用的標準指標。標準指標是相關係數(correlation coefficient,常用r表示)，

當兩個變數正相關時，相關係數會在0與1之間。在前面的例子中，身高與腳長的相關係數為0.60。

- 客觀的無知(objective ignorance)

09 判斷與模型

- 你的估算就是所謂的臨床判斷(clinical judgment)。你考慮得到的訊息，或許很快計算一下，

並利用自己的直覺，最後得出判斷。

- 判斷的雜訊太多，因此沒有雜訊的判斷者模型，會比人類判斷者的預測更準確。

- 多元迴歸(multiple regression)

- 機器預測(mechanical prediction)

10 無雜訊的規則

- 很多機械方法都能勝過人類判斷，從簡單到近乎可笑的規則、到最複雜難解的機器演算法都是如此。會有這樣的突出表現有個關鍵的原因，那就是機械方法是沒有雜訊的。

- 相同權重的公式稱為非最適線性模型(improper linear model)。

Robyn Dawes的發現驚人之處在於，這些相等權重模型(equal-weighted model)的準確度與

「最適」(proper)迴歸模型差不多，而且遠遠優於人類的臨床判斷。

- 多元回歸計算出使平方誤差最小的「最佳」權重。但多元迴歸使得原始數據中的誤差最小。

因此，這裡的公式會自我調整，藉此預測數據中每個隨機偶然的因素。

例如：如果樣本中有些經理人擁有高度的技術技能，而這些經理人也因為不相關的原因表現得特別好，那麼這個模型就會誇大技術技能的權重。

- 要正確衡量一個模型的預測準確度，要看這個模型的新樣本中的表現，

也就是其交叉驗證相關性(cross-validated correlation)。

12 常態之谷

- 只要有因果關係，就有相關性。由此可見，凡是因果關係，我們應該能夠預測，

而相關性，也就是這種推論的準確性，則是用來衡量我們對因果關係的了解有多少。

- 運用統計學思維(statistical thinking)：你關注的是全體，以及描述這些家庭的統計數字，包括平均數、變異數、相關性等等，你不是把焦點放在個別的案例上。

- 因果思維(casual thinking)會創造特定事件、人物、物體相互影響的故事。

人類大歷史：從野獸到扮演上帝

人類大歷史：從野獸到扮演上帝 

Yuval Noah Harari

 - 歷史是所謂的二階混沌系統("level two" chaotic system)。

混沌系統可分成兩種，一階混沌指的是「不會因會預測而改變」，

例如天氣就屬於一階混沌系統。雖然天氣也是受到無數因子影響，但是我們可以建立電腦計算模型，不斷加入越來越多因子，讓天氣預報也越來越準確。 

- 至於二階混沌系統，指的是「會受到預測的影響而改變」，因此就永遠無法準確預測了。

例如市場就屬於二階混沌系統。假設我們開發出一個電腦程式，能夠完全準確預測明天的油價，情況會如何呢？可以想見，油價會立刻因應這個預測而波動，最後也就不可能符合預測。

例如，假設目前石油價格是每桶90美元，而有個絕對準確的程式預測，明天會漲到100美元。商人就會立刻搶進，好在預測的漲價中獲利。但結果就是油價會在今天就漲到100美元，而不是明天才漲。那明天究竟會如何？這件事就沒人知道了。 

- 政治也屬於二階混沌系統。從定義上，革命就是無法預測，如果真能預測有革命，革命就永遠不會發生。 

- 無知的革命-現代科學與先前的知識體系有三大不同之處： 

第一、願意承認自己的無知。

第二、以觀測和數學為中心。

第三、取得新能力。

- 科學革命並不是「知識的革命」，而是「無知的革命」。

真正讓科學革命起步的偉大發現，就是發現「人類對於最重要的問題，其實毫無所知。」

數據識讀者

數據識讀者：數據素養教父教你如何用數據溝通、工作與生活

Jordan Morrow

第一章 數據的世界

- 一旦世界各地的組織不具備強大的數據與分析策略，數據技能差距就會擴大。

與其制定明確的策略，同時明文規定公司允許內部在軟體、科技和學習投資等相互流通，

公司卻寧可去購入數據與分析的軟體和科技來替他們完成所有的事。

如此一來，他們把科技當成策略、強迫人們使用，就無法透過策略明確地指出要用那些科技才對，

便可能導致內部人力不願採納、重回老路，以前怎麼做，現在就怎麼做。

一旦重回老路，新科技也就像擺在架上的玩具那樣，盡是沾染灰塵而以，毫無用處。

- 因此組織慘遭到致命的雙重打擊：

第一，內部人力並沒有有效利用與採納組織所投資的軟體；

第二，內部人力抗拒了組織原先為他們好所購入的那些投資與科技，在數據技能上不見成長，

反而更加落後了。

第二章 分析法的四大層次

- 分析法是以四大層次為前提，亦即：

1. 描述性層次(descriptive)
2. 診斷性層次(diagnostic)
3. 預測性層次(predictive)
4. 指示性層次(Prescriptive)

第三章 定義數據素養

- 在描述性分析法中，對組織內許多不同的人和部門而言，「用數據工作」可能意味著諸多不同的事。切記，描述性分析法就是為組織描述發生過甚麼事，或著正在發生什麼事。

當我們利用「用數據工作」的這項特點，「描述以往發生過什麼事」正好就是我們所在尋找的定義。

- 診斷性分析法-抑或找出描述性分析法背後的「原因」也是一樣，「用數據工作」四處可見。

- 在預測性分析法與指示性分析法中，人們用數據工作的方式很多，從協助建構出數據源的不同團隊，到用數據工作以建立分析和預測的數據科學家，乃至讀取數據的終端使用團隊，他們用數據工作的方式都不盡相同。

第四章 數據素養之傘

- 無論如何，即便公司在說服自己真的需要數據科學家後想方設法地錄用這些人，他們之後仍會為了如何使用這些數據科學家，或是如何把他們融入整體架構所苦，而這通常是公司本身缺乏數據與策略使然。

- 一旦論及要在組織文化中順利推動數據與分析法，提升內部人力在數據素養方面的技能將有助個人藉由眼前的策略取得成功。

- 組織若想在數據與分析法上取得成功，數據治理是不可或缺的，而數據素養則是協助賦予個人能力，使其透過治理獲得成功。

第五章 讀取並訴說數據的語言

- 組織中的數據暢流

第六章 結合數據素養及分析法四大層次

- 分析法的第一個層次即描述性分析法，簡言之，就是觀察性分析法，我們只要大致回顧過往事件，

即可從中獲得知識、取得理解。這是組織不可或缺的面向。

組織必須知道以往發生過什麼，才有助於規劃未來、了解銷售趨勢為何下滑、清楚行銷活動的表現如何，還有其它數不完的原因。

- 分析法四大層次的第二個層次是診斷性分析法；我想要稱之為分析法「原因」的層次。

一如大家所知，描述性分析法是一種觀察性分析法，它觀察正在發生何事，但卻不會告訴我們為何發生。

- 於是，我們進入到分析法的第二個層次，也就是數據素養的本質。能夠找出事情發生的原因可讓公司組織真正地催生Insight，Insight又可進而幫助公司找到解答與決策。倘若你思考一下，我們是能進行觀察，但唯有正在透過數據素養中的技能和能力深入探討時，Insight-或者「原因」才變的顯而易見。就來看看數據素養和診斷性分析法是如何搭配得天衣無縫吧。

- 數據分析師：數據分析師經由數據普及化、握有數據，而被賦予了數據的力量。數據分析師或許正是那個利用數據工作，建構數據視覺化，繼而篩查、掌控數據，以看出描述性分析法現況如何得人。

- 數據科學家：數據科學家會密集地用數據工作，以找出事物背後的原因。有了原因，我們才會在分析法的第三個層次中更深入探討這點，做出預測，並且設計模型。

第七章 數據素養的學習步驟

- 在通往數據與分析法的道路上，最大的路障和阻礙莫過於組織文化。

組織文化若還沒準備好接納數據與分析法的工作，投資適當的軟體、科技和數據就未必能發揮作用。

領導團隊必須確保公司正在正確的文化架構、文化結構上，同時強化賦權增能，這樣個人和公司才能妥善藉由數據與分析法獲得成功。

第八章 數據素養的三個C

• 數據素養的第一個C：好奇心
• 數據素養的第二個C：創意
• 數據素養的第三個C：批判性思考

第九章 數據啟發的決策

- 你有問題想用數據解答，同時明白或認為自己清楚想要哪種數據而且必須解決問題。

那麼，你能像幫你取得那種數據的團隊充分傳達這點也就變得無比重要。

你會希望取得並用以答題的數據必須具體，你的需求也必須明確等等。

數據的問題和要求模糊不清，不僅會讓你想在正確使用數據時感到挫折，還會嚴重妨礙你成功地透過數具啟發做出決策。

- 偏誤：基本上被定義為「相較於其它事、其它人或其它團體，人們對於某件事、某個人或某個團體之好的偏見，而且常被認為有欠公允。

- 我想要協助各位釐清得第一種偏誤，就是確認偏誤(confirmation bias)。

基本上，確認偏誤就是我們全找數據去支援既有的觀念、想法等等；

我們並沒有對所有的數據敞開心胸，而只是找到支持既有的觀念、想法等等。

這種偏誤隨處可見：在業務上、政治上，還有個人生活上都很普遍。

- 數據啟發決策。

- 受到數據啟發的決策架構之相關步驟

1. 提問
2. 取得
3. 分析
4. 整合
5. 決策
6. 重覆

第十章 數據素養和數據與分析策略

- 有時，我認為組織把工具或是有如神話、難以理解的數據驅動文化看作是一種策略。

請容我強調一下：工具和文化並非策略，而是促使事情成功的元件。

在此，我用蓋房子當作類比吧。想像一下，你想要蓋一棟超棒的房子，所以買了些許的木材和釘子、一把鐵鎚，可能還有一些其它的工具。你沒有畫出藍圖，但你預計這樣不會有問題、可以順利完成，於是隨便雇用幾個路人，對他們說：「為我蓋出一棟夢想中的房子吧。」這會有多麼成功？很遺憾地，你不會成功。

但如今想像一下，你畫好了藍圖、聘請專業的承包商，並讓人人都準備好為你蓋起這棟夢中的房子。

你的計劃具備了蓋房子的文化，而這就是數據驅動的文化。

第十一章 展開數據與分析法之旅

- 我們不能總是侷限在過去還有以往做事的方式，應該要有所警覺，

準備投入嶄新的事務並對此感到興奮。

- 本書不是要探討怎麼培養心態-這類的書已經很多-而是要探討為了在數據與分析法上獲得成功，我們人人都該小心、明白這個世界正在快速進化。我們越是了解未來、數據、一般的分析法和趨勢，將來在數據的旅途上也就準備的越充分。

麥肯錫寫作技術與邏輯思考

 麥肯錫寫作技術與邏輯思考

第一章 訊息

- 訊息可區分為兩大類：「描述」和「規範」。可表達為「what is」和「what should be」。
描述性的訊息是表示事物的狀態；規範性的訊息則是表示事物應有的狀態，或該採取什麼行動。

描述性的訊息可再區分為「記述」和「評價」，於是訊息可分為以下三種：

1. 記述：描述事物的景象和現象本身。例：這寶特瓶的容量為500毫升。(平舖直敘)
2. 評價：表達某一景象或現象的好壞。例：這寶特瓶真漂亮。(有形容詞)
3. 規範：要求事物應有的狀態，以及人該採取的行動。例：這個寶特瓶的容量應該要有500毫升。(有動詞)

- 在說記述訊息時，常會讓訊息接受者認為是評價訊息。例如「這個寶特瓶耐用度高」是記述訊息(「這個寶特瓶很耐用」才是評價訊息)。耐用度「高」常會讓接受者認為是比耐用度「低」還好，不過耐用度高，並非在所有條件下都是「好」的，因此屬於記述訊息。而「這個寶特瓶真漂亮」這句話中，傳遞者已經表達出對美感的優劣判斷，所以是評價訊息。

◎ 利用心中的評價項目和基準，把事實變成評價：

  記述與評價之間存在著連結兩者的評價項目與評價基準。如果把記述訊息當作「根據」，把評  價訊息當作「結論」，那麼就會出現把根據與結論連結起來的評價項目與基準。(如此可在僅作出記述訊息的情況下，傳達了評價訊息。)例如：「這部引擎的出力有250馬力」，解讀為有評價意味的訊息：「這是一個很棒的引擎」，中間存在著根植於我們心中的評價項目：「引擎性能的好壞由出力決定。」以及評價基準：「250匹馬力的出力算非常高，足以評價為一個好引擎。」

◎ 評價訊息有時也會被當成規範訊息，而產生規範效果：

  例如：「併購A公司是個不錯的主意」是屬於評價訊息，但有時會被理解為「你應該併購A公司」當成是促使行動和建議的規範訊息。是因為潛藏著一個行動原理：「不錯的主意應該被執行。」，接收著在解讀過程中將評價訊息理解為規範訊息。

- 如果對方已經理解記述訊息的內容，那麼他們期待理解的下一個訊息，多半是評價訊息。也就是說他期待你回答他的疑問。例如：「這台筆記型電腦很好用，是一台好電腦」(評價訊息)，就可以穩定對方的心理。(相較於只知道規格，但接收者還是不知道該怎麼評價這台電腦)

- 大多時候，接收者讀取完評價訊息之後，會期待接著出現規範訊息。隨然並不保證對方一定贊同你，但可以確定的是，他已經理解你的意思。如果對方連理解都談不上，更別說要贊同了。因此，說服對方的前題是理解你的意思。

- 當對方不理解你的訊息時，學會分辨訊息種類是絕對有利的。傳遞或不傳遞何種訊息給對方，是促成對方理解的重要因素。

◎ 促使對方行動，可以故意停留在評價訊息。

  將你自己的主張止於記述或評價訊息，故意不傳達規範訊息。特別是，當你知道對方心裡的評價項目、評價基準、行動原理時，這樣做的效果更好。

◎ 只傳達記述訊息，引起對方的下意識，也是個有效的策略。

  例如：只傳達到記述訊息為止「如果你做A方案，那就會有OO結果。」如此一來，對方自然會解釋成「A行動是個還不錯的行動。」這種方法比停留在評價訊息更委婉。  

- 訊息是指傳遞者想「表達什麼」，而主題是傳遞者對於「關於什麼」的表達。

- 主題與訊息同等重要，主題就像裝著訊息的容器。既然是容器，主題便限制了放進去裡面的訊息內容，就像盒裝牛奶裡面裝的應該是牛奶一樣。

第二章 寫出流暢有利的文案

- 操作三種變數，讓訊息更明瞭：

1. 使用主詞與述詞關係明確的句型。
2. 連接句子時使用正確的邏輯連接詞。
3. 使用讓人產生印象的具體表現。

◎ 想要活化思考，就用及物動詞；想要對方別想、照辦，就用不及物動詞：

  用主詞與及物動詞的思考方式會勾起許多疑問，比較有機會活化自己的思考。相反地，想讓思考僵化，要訊息接收者照辦，就多用不及物動詞。例如：「門要關了」就是不及物動詞，沒有指出誰是行為者。但是電車的門沒有生命，並不會自己關起來。若改成及物動詞表示「車掌要關門了」，可能會讓月台上想要上車的乘客呼喊「先不要關！」、「為什麼要關？」甚至找對象來交涉提出要求。所以及物動詞可以意識到行為者，並且活化我們的思考。然而為了避免時刻表大亂，把門關上表示成自然現象是很正常的。

- 藉由行為者(主詞)與及物動詞的表現，我們比較容易實踐後設思考(meta-thinking)。而使用不即物動詞不一定會僵化對方的思考，不過可以提高讓他覺得「順理成章」的機率。所以，當要傳達最終訊息給對方時，有一個很有用的小技巧，那就是一開始先確實的敘述根據，最後用不及物動詞來下結論：「根據以上分析，本市場可望獲利。」

第三章 你的思考，如何以精采文書表現

- 金字塔結構是邏輯思考的核心技巧，分為並列型和直列型兩種。

- 製作訊息的模式分為：

1. 由下而上型：導出訊息-結論和摘要。
2. 由上而下型：拆開解析-理由法或詳述法。

- 主題金字塔是解析的利器，每一層的主題都具體，邏輯就清楚。

• 好的商業文書，最好同時有主題和訊息。
• 報告主題只能有一個。
• 關鍵主題最好三個，上限七個。

- 金字塔基本原則就是MECE(Mutually Exclusive Collectively Exhaustive)譯為「相互排他性，集合網羅性」。

- 先構思好主題的金字塔，訊息就容易設計。

第四章 解決問題的基本能力

- 解決問題的步驟：

1. 發現問題。
2. 設定具體的課題。
3. 列舉並檢測此課題的各式替代方案。
4. 給各式替代方案下評價。
5. 實施解決策略。

- 所謂「問題」就是現狀與期待狀況之間有落差。問題分三種：恢復原狀、防杜潛在、追求理想。

- 恢復原狀問題：當下不良狀況非常明顯。因此，解決之道就是恢復原狀，只要恢復原來的狀態，就能弭平鴻溝、解決問題。

- 防杜潛在問題：現在沒有大礙，但未來將發生不良狀況的問題。解決之道是預防不良狀態的發生，也就是維持現狀。這類問題，是指雖然當下沒有出現鴻溝，但如果放任不管，未來會產生不良結果的問題，可說是有如一顆定時炸彈，解決這類問題的重點在於，如何在爆炸前拆除引線。

- 追求理想型問題：當下並無大礙，即使放置不管，也不會發生不良狀態，但是期望現狀能往更好的方向發展；解決之道就是實現理想。追求理想型常會因為缺發緊急性，而容易被延後處理。

- 商業文書都是為了處理某種問題，並尋求解決。如果我們要展開一個簡明易懂的故事，那麼首要之務是明確區分核心問題的種類。

- 解決「對方面臨的問題」才是好提案，我們在設定核心問題時，最好是站在對方的立場來思考，如此一來，才能設計出與對方頻率相同的文書。

◎ 別讓「恢復原狀」成了找代罪羔羊，追求理想吧：

  即便同一個現象，與其把它當作恢復原狀型問題，還不如當作追求理想型來處理，在應對上會更為積極。其原因在於，假設用「恢復原狀型」分析問題，容易將意識集中在「為什麼會損壞？」。特別是在較大的組織當中更是如此，很多時候，大家都把精力花在追究「這是誰的錯？」相較之下，如果用「追求理想型」進行分析，大家的意識就容易集中在「該如何修復」，而不是問題如何損壞。如果不執著於追問東西損壞是誰的責任，那麼整個組織便能更積極處理事情。

- 依照問題類型，提案可分為七種：

• 恢復原狀型問題：根本處置、緊急處置、防止復發策略。
• 防杜潛在型問題：預防策略、發生時的因應策略。
• 追求理想型問題：選定理想或是實施策略。

- 一旦確定了核心問題的類型，應將課題範圍依照順序排列，反映在文書設計上，你就可以印行簡明易懂的故事展開。

- 不管什麼策略，實行不外乎五個步驟：

1. 訂定實施的終止期限。
2. 選定實施項目。
3. 習得知識與技能。
4. 製作實施工程表。
5. 修正期限以及開始行動。

第五章 有說服力的故事，如何展開

- 故事的展開基本順序為S>C>Q>O>R

• S：Situation (設定狀況)
• C：Complication (發現問題)
• Q：Question (設定問題)
• O：Obstacle (克服障礙)
• R：Resolution (解決、收尾)

- 如果將SCQOR概述的區分，SCQ為故事的導入，O為故事的中心，R則是故事的結果。一般來說故事的導入和結果的內容較少，而故事的中心的內容分量最多。

- 如果在C階段所認列的問題是屬於「恢復原狀型」，那麼出現在Q階段的課題是以下當中的一個：掌握狀況、緊急處理、分析原因、根本處置、防止復發。而若C階段所列的問題是屬於「防杜潛在型」，那麼出現在Q階段的課題必然是以下當中的一個：假設不良狀態、誘因分析、預防策略、發生時的因應策略。如果，在C階段所認定問題屬於「追求理想」的話，則Q階段的課題設將包括：資產盤點、設定理想、實施策略。

第六章 金字塔結構，如何轉成報告和簡報

- 金字塔如何寫成「報告」：內容很長，將主要摘要放在前面。

- 用金字塔結構呈現簡報，每一頁都指放三項資訊：

1. 標題。
2. 主題。
3. 支持性的訊息。

- 在頁面中，標題是你最想傳達的訊息。

- 每一頁都附上一個主題。假使你連續好幾頁都在說明同一個主題，細部說明的內容放得太多，才使的本文長度過長。總而言之，最好把每一頁都當成一個容器。

第七章 提案與文案的高明說服技巧

- 「商用」故事的說明順序RSCQOR，也就是以結論開始。從主要訊息R(解決、收尾)說起，接著是SCQO(狀況>問題>課題>克服)，最後在以R收尾。

◎ 由上而下，先說結論讓對方安心：一般來說，這種方法容易讓對方放鬆心情來聽取訊息。如果對方可以安心的接收訊息，那麼你的說服力自然大幅提升。故事展開的基本原則，就是減輕接收者的負擔。

◎ 由上而下，借由對方的思考能力：由上而下的說明方式，不只可以減輕接收者的負擔，還有另一項優點，就是可以將對方的思考能力化為己用。絕大多數的情況，接收者都期待能了解你說話的內容，以此，只要一開始將結論傳達給對方，對方自然會運用他的思考能力，想方法幫我們將後續的說明連結到結論上。

- 由下而上說明，勾起的是敵意而非興趣：容易讓對方一路猜結論、從頭看資料到尾，且慢慢導入結論會害你無法無暇捍衛自己的觀點。若想讓對方吃驚或是傳達負面消息，才會由下而上說明。

🔺問題有三大類，如何提案讓顧客願意掏錢？

◎ 高價商品或服務怎麼銷售？想想「防杜潛在型問題」吧

1.沒有顧客願意花大錢只為「恢復原狀」。如果將高價商品與服務，投資在「恢復原狀型」問題的解決策略上，經常會出現不合成本的狀況。例如：大樓空調系統如果壞掉，只要更換特定部位的零件即可，不用特別對整體系統做全面翻修。

2.你想幫他追求理想，結果他把你延後處理。「追求理想型」問題的解決策略，最有可能的結果是被延後處理。這樣的定位有一個很大的障礙，就是缺乏急迫性。即使日後真的符合成本效益，但是此時此刻，對方還是會質疑：「真的會產生這些效益嗎？有的話當然很好，可是比起這個問題，本公司還有更多需要優先處理的問題。」然後，可能這個提案就被一腳踢開。

- 把高價商品或服務的營業活動，定位成「防杜潛在問題的預防策略」，最有效果。原因在於，就解決策略來說，對方可以從成本效益和急迫性程度兩方面，來正當化自己購買高價商品或服務的理由。

- 「防杜潛在型問題」的不良狀態，可說是不會在當下浮現的「假設」，因此問題容易被放大。如果將這些問題放置不管，有可能會衍生出更大的問題。當防杜潛在型問題的不良狀態被放大，意味者作為預防策略的高價商品或服務的成本效益，更具有正當性。再加上，從迫切與否的觀點來看，將問題放置不管，會使問題變得更加嚴重。如果能夠用這個方法來誘導對方，更能提高說服力。

- 相較於可望獲得利益的追求理想型問題解決策略，把高價的商品或服務定位在能迴避同額損失的防杜潛在型問題策略，接受者在心理上比較容易接受。

◎ 防杜問題的後頭跟著追求理想，效果更好：先以某個特問題類型為立足點，同時思考結合其它好處，可以進一步提升說服力。

◎ 公司高層只想「追求理想」，別跟他維持現狀：並非把所有的提案都定位成防杜潛在問題的策略，就不會有任何問題。在某些情況下，把提案定位建議追求理想，好處會更多。尤其，對公司內部的經營團隊構思提案時，多半必須如此。

- 如果你將提案定位成「恢復原狀」的根本處置，即便公司高層認同你的提案，他們頂多覺得「改善不良狀態是理所當然的事」，並不會特別高興。如果你提出「防杜潛在型問題」的解決策略，他們也會覺得「理所當然」。其原因在於，經營團隊大多期待：「還有沒有其它更具前瞻性的東西？」

- 實際負責做事的職員多半會集中精力於眼前的問題。在大多數的場合裡，這些問題若不是屬於恢復原狀型，就是屬於防杜潛在問題型。處理眼前急迫的問題是理所當然的，可是回應對方的期待也很重要。如同前面所述，處理恢復原狀型的問題時，不只是將事物恢復而以，還要追求進一步的改善。在防杜潛在型的問題中，不要在維持現狀這一步停下來，還必須提出包含追求理想的提案。如果你的提案對象是公司高層，請記得加入追求理想的要素。多數的經營團隊想要的東西是成長策略，或是可以引起股東興趣的「股權故事」(equity stor,即「成長」)。

- 別固執於你的認知，對方的認知才是重點。

- 總而言之，當你的提案設定為「解決問題的策略」時，最好先站在對方的立場想，如此才能設計出與對方頻率相同的文書。如同「SCQOR」故事展開順序當中的C，文書內容必須符合對方認知的問題類型(生認同、起共鳴)，效果才會出來。

消費者行為市場分析技術(下)

消費者行為市場分析技術：數據演算如何提供行銷解決方案

Marketing Analytics, 2nd edition, 

A practical guide to improving consumer insights using data techniques

麥可．格里斯比（Mike Grigsby）

第三篇 相互關係類型統計法

09 我的（消費者）市場概況如何？

- 欲展示各區隔市場，並證明彼此之間已有效區隔，需要用到的技術稱為「側寫」(profiling)。

一般而言，這可顯示各重要變數(尤其是較次數和對行銷媒介的回應)的平均數或頻率，

快速衡量每個區隔市場的差異。

注意，區隔市場之間的差異越大，(對各區隔市場實施的)策略會越明顯。

- 依區隔市場顯示關鍵績效指標(KPI)平均數的方法很常見，但很多時候，其他指標更能展現差異。

使用比率的話，時常可以更快突顯差異，亦即將各區隔市場的平均數除以整體平均數。

舉例來說，區隔市場A的平均營收為1500，區隔市場B的平均為750，總平均(整體市場總計)為1000。

將區隔市場A的平均數除以整體平均數1500/1000=1.5，也就是說，區隔市場A的營收比總平均多50%。相較之下，區隔市場B為750/1000=0.75，表示該區隔市場對營收的貢獻比總平均少25%。依區隔市場對所有數據算出比率，很快就能看出其中落差，尤其是差異甚小的情況特別明顯。

- 再舉個例子，區隔市場A的回應率是1.9%，整體回應率為1.5%。

雖然兩者(單一區隔市場和整體)表面上只相差0.4%，但換算成比率的話就是1.9%/1.5%，

亦即區隔市場A比總平均大27%。我們之所以喜歡(也應該)選用比率，原因在此。

- 雖然看見各區隔市場之間的龐大差異已夠令人滿意，但側寫最饒富趣味的地方往往在於命名每個區隔市場。開始之前，請先體認一點：為區隔市場命名有助於區分各市場，區隔的市場越多，命名越顯得重要。

- 判別分析可以輕鬆完成這項任務。

(在SAS程式中對樣本套用proc discrim指令，就能得到方程式，

依各消費者劃入各區隔市場的機率予以評分，一旦定義好類別「區隔市場」，就能在方程式中放入合適的變數，預測消費者所屬的類別「區隔市場」，這是很常見的做法)。

- 市場區隔探究的是對消費者重要的因素，而非企業。

- 市場區隔可為市場研究、行銷策略、行銷傳播和市場經濟等方面提供洞見。

- 務必釐清每個區隔市場自成一格的原因。每個區隔市場都應有不同的策略，否則劃分為區隔市場將無意義。

10 市場區隔

- 市場區隔的各種方法：

商業準則、卡方自動交互作用偵測、階層式集群分析法、K平均演算法集群分析、潛在類別分析等。

- 市場區隔的目標是要增加淨利，而每個區隔市場的最終目的，則是要有效運用策略，

創造交叉銷售及追加銷售的機會。

- 由分析中得出洞見，我們可以更認識每個區隔市場主要的痛點(pain point)，

這也意味著我們可以對各市場對症下藥，

在適合的時機釋出適合的訊息，用足以打動人心的價格提供適當的產品選擇。

- 實際使用行為區隔程序：擬定策略、收集行為資料、製作/使用其他資料、執行選擇的演算法，以及側寫區隔市場。

- 區隔變數和側寫變數：

「區隔變數」是指建立區隔市場所使用的變數，剩下的變數則屬於「側寫變數」。

- 除此之外，其他(行為)變數都會以演算法檢測是否顯著，顯著者會保留下來，作為區隔變數。

總之請記住，只要不屬於區隔變數，即為側寫變數。

- 過度取樣(oversampling)：強制提高特定數據代表性的一種取樣手法，使其樣本數比隨機取樣更多。

若簡單隨機取樣產生該特定數據的數量太少，即可採取過度取樣。

- 標準化：第一階段只是單純檢測每個變數是否「非常態」。

一般而言，此階段會計算每個變數的Z分數，或將各變數標準化，

接著刪去分數超過3.0標準差的觀察值

(常態分布下，三個標準差已涵蓋99.9%觀察值，因此超出者已屬於非常態)。

進入第二階段，需要使用K平均演算法檢測樣本是否為常態。

- 關鍵在於，比起逐一檢查每個變數是否異常，這種方法採取多自變數方式，

找到一群擁有非常態傾向的消費者。

因此我們需要刪除這些觀察項(消費者)，不再繼續分析。

- 卡方自動交互作用偵測(chi-squared automatic interaction detection,CHAID)

- 卡方自動交互作用偵測會挑選依變數，接著檢視自變數，找出「區分」依變數效果最佳的自變數。

所謂效果「最佳」，是根據卡方檢測(chisquared test)的結果而論。

- RFM模型採用的是企業觀點，並非從消費者的角度出發。

- RFM模型只能試圖移動消費者版圖，無助於策略擬定。

- K平均演算法(k-means clustering)大概是最熱門的市場區隔(分析)的技術了。

SAS程式(使用proc fastclus)有相當強大的演算法。

- K平均演算法不具任何診斷功能，對於這些重要條件毫無任何協助，讓你憑著主觀的直覺全權決定。

-- 有幾點需要注意：

第一，K平均演算法方法以歐式距離平方根為依據，來決定觀察項的歸屬，因此並非統計屬性，而是數學性質的分析法。

第二，集群中心值(即集群)高度取決於資料集的順序。若將資料集重新排序，最後可能會得到天差地遠的區隔結果。

第三，此方法幾乎毫無診斷功能可言。

第四，由於群集呈現自然球形(因為是根據與中心值的距離，決定觀察值歸屬何處)，集群的大小會很相似

這不太可能符合真實市場的情況。雖然K平均演算法又比RFM模型和卡方自動交互作用偵測更進一步，但顯然仍有許多缺陷。

- 市場數和顯著變數都不是K平均演算法能夠提供的資訊。

- 「行為區隔」是採消費者的觀點，主要使用消費者交易和行銷媒介回應等資料，

確切了解消費者看中的事情，其主要精神就是以消費者為核心。

所有策略行銷活動都適合使用「行為區隔」，包括：選擇目標客群、

訂定最佳折扣、了解消費者的通路偏好/決策歷程、釐清產品滲透率/品類管理等。

「行為區隔」不僅能協助行銷人員選擇目標市場，還能完成更多工作。

- 行為出自於動機，不管核心動機或經驗動機。

舉凡結帳、光臨店面、使用產品(滲透率)、開啟及點擊行銷媒介並給予回應，都是行為，

正是這些行為創造了財務成果、營收、成長、終身價值和利潤。

- 核心動機主要是無形的態度、品味和偏好、生活方式、金錢價值觀、通路偏好、益處或需求激發。

另外也有經驗動機，這是行為的次要成因，通常取決於品牌曝光。

這些都不是行為本身，但會觸發後續行為。這種次要成因包括：

忠誠度、互動程度、滿意度、服務禮節或速度。

值得留意的是，RFM模型使用的最近一次消費和頻率

(互動程度指標)就屬於次要成因，而同樣會使用的金額相關指標，則是財務結果數據。

- 由此可知，RFM模型僅使用互動和財務等方面的資料，並未使用行為資料。

- 「行為區隔」和RFM模型有三點不同：「行為區隔」(通常)使用較多行為資料；

「行為區隔」使用這些資料的目的在於了解消費者行為；「行為區隔」會採取統計方法，

將各區隔市場做最大程度的區分。

簡單比較RFM模型、卡方自動交互作用偵測、K平均演算法和潛在類別模型，即可窺得箇中意義。

RFM模型使用多個自變數(通常是三個變數)，但無法處理多個依變數(即同時使用三種維度)。

RFM模型屬於數學性質的分析法，就統計而言並非理想選擇。

- 潛在類別分析(latent class analysis,LCA)可以大幅改善前述缺失，堪稱目前最先進的市場區隔技術。

- 潛在類別分析可找出理想的區隔市場數量、識別顯著變數，以及計算每一成員隸屬各個區隔市場的機率。簡言之，沒有任何事情需要主觀決定！

- 潛在類別分析是一種統計技術，而非數學性質的分析法(例如階層式分析或K平均演算法)。

- 潛在類別分析可以使用貝氏資訊準則(Bayes Information Criterion,BIC)、LL(負對數概似值)及錯誤率，為你提供診斷結果，在變數和資料集的基礎上，指出「最理想」的區隔市場。

- 潛在類別分析(LCA)是一種貝氏(最大概似)方法，具有統計本質。

由於消費者行為屬於一種機率(甚至是不理性的)現象，

因此使用統計分析法會比數學屬性的方法更為適切。

透過此方法提供的診斷功能，我們可以知道區隔市場的最佳數量，

也能了解哪些變數對市場區隔最為重要。

第四篇 攸關日常行銷的其他重要主題

11 統計檢定

- 試驗設計：以歸納方式建立統計測試，其中採用的刺激因素會隨機考量變異數、

信賴度等不同條件，並與控制組對照比較。

- 關於樣本規模的問題，建議考慮以下因素：

母體的標準差、希望的信賴水準(以檢測結果能否推斷母體的真實情形)、想檢測的敏感度，

以及預期回應。

12 結合大數據並採取大數據分析

- 歸因模式(attribution modelling)依行為區隔的結果，對各個接觸點施以加權。

策略上，若從產品組合的角度來看，我們可以從大數據中得知哪個接觸點對消費者具有價值。

因此，對於哪些消費者所重視的接觸點

(頁面、網站、網路、群組、社群、商店、部落格、具有影響力的名人等)，我們就得多加注意。

- 不需要遍尋各種新奇的演算法，或是衍生出迥異的策略。

我們只需擁抱有關消費者行為的不同層次資訊，在分析時將所有相關因素納入考量。

對於此事，我們早就擁有相關的分析技術(存在好幾十年了)。

像是聯立方程式、結構方程式、向量自我迴歸等。

- 本書前幾個章節中，我們將廣義的統計分析技術區分成兩大類型：

依附方程式類型(一般迴歸、羅吉斯迴歸、存活分析模型)，

以及相互關係類型的分析法(市場區隔、因素分析等)。

以下演算法使用的語言進一步擴展了前述定義，共區分為監督式學習、非監督是學習和強化學習：

1. 監督式學習：有一個引導(目標)變數，而目的就是預測該變數。

這類技術包括迴歸和分類類型的方法，例如決策樹(decision tree)、隨機森林(random forest)、

K最近鄰演算法(K-nearest neighbour)、邏輯迴歸等。

2. 非監督式學習：沒有引導變數。

市場區隔和降維(dimension reduction)類型的方法都屬於此類，

例如集群分析、類神經網路、因素分析等。

3. 主要運用人工智慧(AI)，在演算法中融入回饋迴圈。

類似馬可夫鏈(Markov)的處理程序，一般都可歸於這類技術，例如Q-learning。

- 從技術面來看，截至目前所介紹的方法都屬於迴歸或分類屬性，具線性本質，

可表示為BXi，其大多僅涉及明顯的變數。也就是說，變數就是該方法要量測的項目。

除了這類型之外，還有一種非線性的技術(假定使用潛在變數)，稱為「類神經網路」。

舉凡依變數類型即相互關係類型的技術(分類形式)，都可使用類神經網路。

- 傳統的計量經濟方法依然足以解決大部分市場分析問題。