Data Analytics的台灣觀點

儘管經常讀到國外關於 Data Analytics 或 Big Data 的文章，卻難得看到國內對這股潮流的觀點。終於，12月中出刊的商業周刊第1256期的封面故事《乘法人，搶手！》提到了相關的案例，然後中央社也在12月26日登出了題為《資料爆炸　5年內有分析人才荒》的新聞。這兩篇文章顯示國內媒體對於 Big Data 時代的來臨依然缺乏深入的了解，尤其中央社的新聞看起來只是翻譯外電，又短又沒深度。商周的相關文章《乘法人3：數學天才算出房仲20年迷思》稍好，但對我來說仍未搔到癢處、意猶未盡。

商周這篇文章所提的「決策最佳化服務」應該就是IBM的 Business Analytics and Optimization （前些時候我才在104人力銀行看到他們的職缺，有興趣的朋友可以上去查詢），文中講到「金融海嘯後，已經不能再把消費者當成同一群人來分析」。其實不用等到金融海嘯，國內的金融與電信業者早就知道這個道理，並且砸下大筆經費在這方面投資。其他的行業可能腳步稍慢，沒能馬上投資或著手施行，但也不是金融海嘯發生了才後知後覺。

關於Data Analytics的Career

在 LinkedIn 的 SAS & Analytics Users 討論區看到標題為 "Kind note for all genuine SAS Professionals" 的一些討論，我認為很有意思。由於這個討論區僅限Group的成員參與，所以我把討論中的一些點摘要整理讓大家了解一下。

討論發起人在標題裡用了 genuine（真正的）這個形容詞，因為他發現在職場上充斥著所謂的 fake（冒牌的）SAS programmer。我不知道真正和冒牌的 SAS programmer 如何區分，但是參與發言的人在字裡行間都顯示出他們以身為真正的 SAS programmer 自豪，而且對那些所謂的冒牌貨深不以為然，所以彼此交換意見，看如何在面試過程中揪出這些冒牌的 SAS programmer。討論發起人指出，企業對有經驗的 SAS programmer 需求很大，所以具有這項專長的人炙手可熱。然而他也坦承，SAS programmer 其實是受惠於 SAS 特殊的軟體授權方式（只租不賣）。

Analytics at Work

前兩個星期在忙著「親自探索」國內兩家準備應用Customer Analytics的企業，所以足足有半個月沒在這裡寫東西。不過既然說到有企業打算發展Analytics的應用，正好就可以提一下Thomas H. Davenport最近的一本書： Analytics at Work: Smarter Decisions, Better Results。

本書於2010年2月出版，中文版應該還沒有發行。不管透過國內的業者或是Amazon.com購買，差不多都要台幣1000元，但由於只有240頁，我並沒有衝動的馬上購買，而是利用Amazon.com和Google Books仔細的評估了一番。這本書大致上是Davenport前一本書 Competing on Analytics 的延續，寫作風格也很類似。我認為比較適合企業的中高階主管閱讀，因為它著重於說明Analytics可以為企業帶來什麼好處，有心的企業該怎麼推動，但沒有深入解釋要如何利用Analytics的技術去解決特定的問題，所以負責實作的人可能覺得書裡面少了什麼。

壹對一行銷

我在寫「美國是就業天堂」的時候，上104人力銀行查詢了跟Customer Analytics有關的工作，其中一個職缺是壹傳媒旗下壹網樂VOD服務徵求的CRM經理。CRM這個名詞在剛進入二十一世紀時開始發燒，當時有不少顧問認為它可以實現Don Peppers與Martha Rogers提出的一對一行銷（One-to-one Marketing）。如果壹網樂真的能夠成功實現這個概念，不就成了「壹對一行銷」？撇開名詞上的巧合，壹網樂（及其他VOD服務業者）要做到一對一行銷的確有其先天的優勢。

在會員制廣為企業採用的今天，連藥局、服飾店都有辦法直接對會員資料庫裡的個別顧客作行銷，不過這只是基本功（即使大公司也不見得能做好基本功：今天我收到富邦JCB卡加油優惠的EDM，但我根本沒有他們的JCB卡）。要成功達到一對一行銷的目的，還必須抓到行銷的時機和提供合適的行銷內容。

Retail Analytics

上週發現失業率居高不下的美國，在Customer Analytics方面的工作機會竟然比台灣多得不成比例。後來偶然在網路上找到Thomas H. Davenport寫的 Realizing the Potential of Retail Analytics 這篇文章（Davenport的著作包括 Competing on Analytics 一書，中文版《魔鬼都在數據裡》由中國生產力中心出版），儘管研究對象是美國的零售業，我認為文中其實提供了一些適用於台灣的線索。

Davenport在這篇2009年發表的文章提到，即使在美國，仍有很多零售業者無法吸收市面上現有的資料分析技術，這些業者也缺乏合格的分析人員來協助他們，除此之外，他們依然無法放心接納以分析為核心的策略。Davenport還認為，零售業要投入資料分析，除了要有優質的資料這個先決條件，另一個重要的決定因素是管理階層對資料分析是不是有興趣（Davenport甚至用了「熱情」這樣的字眼）。如果高層對這方面沒興趣，那麼處於公司階級下層的分析人員恐怕很難在景氣這麼差的情況下要到資源。相信這些論點也可以用來解釋資料分析工作在台灣許多企業裡的處境。


我之前曾懷疑，大部分企業的規模不足也是Customer Analytics在台灣遇到的阻礙。Davenport認為規模並非絕對的必要，但規模夠大的確對零售業發展資料分析很有幫助，因為企業夠大才有餘力在這方面投資。不過他也指出，當前美國企業在運用資料分析的領導者之中，其實有些在一開始也是規模不大，而是在投入資料分析的應用後才讓它們成長茁壯。我希望Davenport最後提到的這一點有真憑實據，而不是為了說服更多企業投入資料分析才編出來，因為這樣才有辦法讓台灣的中小型企業信服。

除了以上的論述，這篇文章的核心，是Davenport舉出的18項已被美國企業採用的Retail Analytics趨勢，非常值得想要投入資料分析的台灣企業參考（這部分就有36頁的篇幅）。今天我先把它們列舉出來，日後再挑出一些討論（坦白說，有些趨勢是我完全不懂的），迫不及待的朋友可以先看原文。根據Davenport的分類，這些趨勢可分作三大塊：

美國是就業天堂

看到這標題，應該很多人會認為我一定搞錯了，或是我在反諷什麼。的確，美國近幾年來失業率居高不下，即使美國勞工部在11月初公布美國10月份失業率微降至9.0%，依然高得嚇人，怎麼可能是就業天堂？

9.0%確實代表很多美國人找不到工作，但對於我所屬的專業領域的人來說，美國充滿了就業機會（如果不介意搬家的話）。在LinkedIn的Job Search輸入Customer Analytics這個關鍵字，馬上就出現2293筆職缺（11月14日搜尋的結果）！如果另外再以Customer Intelligence、Customer Insight搜尋，還會再出現其他的職缺（當然有些會重複）。但是同一天在台灣的104人力銀行搜尋，類似工作性質的職缺只有個位數（我已用各種不同的關鍵字搜尋）。根據美國政府人口普查局的統計，美國在11月初的人口大約為3.1億人，差不多是台灣人口數的13.5倍。所以按照兩國人口數的比值來計算（先不管這樣算是否合理，稍後會探討），美國真的是Customer Analytics的就業天堂！

紅利積點的背後（二）

上圖是 Do Customer Loyalty Programs Really Work? 這篇文章建議的階梯式累積的機制。兩位作者認為企業其實在骨子裡不想要那些消費很低的顧客（標示1的區間），如果還要給他們回饋的話，可能還會虧錢，所以給他們一般的累積比例即可（例如1元累積1點）。但是累積消費在中間的顧客（標示2的區間）對企業來說可能最有利可圖，因此該給他們最好的累積比例（如1元累積5點），以鼓勵他們持續消費。至於那些累積消費最高的顧客（標示3的區間）大概無法再從口袋貢獻更多，累積比例就不用太好了。

作者基本上是從企業獲利的觀點來建議，儘管理論上有其基礎，但我認為這樣的機制如果付諸實施，可能會招致不少客訴。紅利積點的規則是必須向顧客溝通的，累積消費不高的顧客面對較差的累積比例雖然可能不愉快，但畢竟本身沒有籌碼，所以大概就摸摸鼻子算了；可是那些位於累積消費頂端的顧客如果拿到上圖3號區間的累積比例，恐怕會認為自己努力貢獻消費卻被虧待，而跑去找媒體投訴或找消保官理論吧！

紅利積點的背後（一）

在Google上搜尋「紅利」會得到一大堆結果，不只信用卡、賣場在玩會員紅利，我還找到一家也有紅利積點的眼鏡行。當年航空公司創造出來的「會員忠誠計畫」（Loyalty Program）如今大家競相模仿，結果消費者手上滿是會員卡。 Direct Marketing News 的11月號指出，每個美國家庭平均擁有18.4張這類會員卡，但有高達81%的消費者根本搞不清楚自己加入的會員紅利計畫有什麼「好康」。

大部分的會員忠誠計畫已經無法構成差異化，單純的紅利積點制度更難提高顧客的忠誠度。但這卻不代表企業可以輕言捨棄這種手法，因為在大家都玩的情況下，沒有積點會員制的企業反而會顯得比同業「遜」。事實上，積點會員制的真正價值在於把顧客跟他們的消費資料連接起來，再透過Customer Analytics創造出差異化的行銷和服務，所以不玩會員制的企業等於是放棄了解顧客的大好機會。由於會員忠誠計畫對企業來說是一項支出，如何透過制度的設計來讓這項支出能有更好的回報，也是重要的課題。1997年 Sloan Management Review 的 Do Customer Loyalty Programs Really Work? 雖然已是十多年的老文章，卻仍然非常具有參考的價值。

Are You a Data Scientist?

剛剛看到兩篇講「Data Scientists」的文章，認為深得我心，所以藉此一角跟大家分享。

第一篇文章開頭就說Data Scientists的特質是好奇心和樂於探索大量資料（underscored by the harder-to-teach characteristics of curiosity and a willingness to explore large amounts of data），我自認同時具備這兩種特質，但是吸引我目光的是harder-to-teach這個形容詞。自從Data Mining開始被國內的大企業採用後，有些學校也開辦了Data Mining的課程。雖然學生可以在這些課程中學習到相關的理論、技巧、軟體操作，「特質」卻是很難學習而來的，而我個人認為特質才是決勝的關鍵因素。

因為特質會驅動一個Data Scientist不斷變換看資料的角度，不自覺的利用時間越挖越深，而且樂此不疲。我從工作中得到的最大樂趣，通常不是完成了什麼模型的建置，而是從資料發現了特殊的pattern或是異常的現象。一個懂得理論、技巧、操作的資料工作者，絕對有能力建構出完美的模型、調出無暇的參數，準時完成資料採礦的專案；但如果他還多了對資料好奇的特質，往往還可以挖到藏在資料角落裡的寶藏，而這些新發現的價值多半高過原來的專案。

這篇文章也引述了Facebook、Foursquare、Intuit、Groupon等知名公司招募Data Scientist人才公告的用語。前三家比較偏向技能和功能的敘述，所以我個人比較喜歡Groupon的說法：Are you excited about analyzing vast amounts of data, finding patterns in it and applying the insights to create business value?如果Groupon也在台灣找這樣的人，我馬上就去應徵了！

若賈伯斯地下有知

前幾天《賈伯斯傳》在台灣上市後，據說馬上狂銷數萬本。而最近這些日子以來，我也連續收到從這家出版社寄來的《賈伯斯傳》促銷email，大概有五、六封之多，其中有幾封是在垃圾郵件信箱裡找到（我有固定檢查Spam Folder的習慣）。不管是否被歸類為垃圾郵件，這些促銷《賈伯斯傳》的email我一封也沒開來看，就直接刪掉了。其實這家出版社在運用電子郵件行銷時，可以更「賈伯斯」一點，更深入了解顧客的經驗和需求，尤其是結合我鼓吹的Customer Analytics，也許效果會更好。

因為電子郵件行銷的氾濫，Email服務提供者（例如Yahoo!、Hotmail、Gmail等）想出越來越多的招數來防範。過去可能只是偵測郵件中是否出現Free、Sale、色情與壯陽有關的關鍵字，現在更進一步利用所謂的Engagement Metrics來為寄件人做評分。

亞馬遜 . 圖書館

即使你沒有在Amazon.com買過書，多少也應該聽過它會用「Customers who bought this item also bought...」的方式告訴你相關的書籍。如果你常用這個網站，每次登入時還可以看到它推薦給你的商品清單。因為Amazon.com的成功，國內的網路書店也開始仿效這種作法。不知道大家有沒有想過，其實公立圖書館也可以這麼做？

現在的公立圖書館都已經電腦化，所以一定有讀者借書的資料庫。以我家旁邊的新北市立圖書館來說，我只要登入網站，還可以查詢過去三年的借閱記錄，這表示要作Data Mining的資料並不是問題。

每當我使用自助式借書，借書機就會在我掃瞄完所有要借的書後，用熱感應紙列印一張借閱清單。如果圖書館也像Amazon.com，就可以在這張紙上印出「借這些書的讀者也借了...」。透過館員借書雖然沒有提供借閱清單的列印，但技術不成問題。

你會怎麼解？

一個全國連鎖通路的客戶在某個都會區開了若干家分店，不過其中一家分店因為業績連年下滑，所以這個客戶考慮是否要把這家分店關掉。我接到的任務，是評估一旦關閉這家分店，會有多少顧客轉到這個客戶在附近的分店，又有多少就因此流失，轉到其他競爭對手消費。

這種問題的解法絕對不只一種，我選的是我最拿手的顧客分群。我把過去一段時間內曾到這家店裡消費的顧客全找出來，分別計算每位顧客在這家分店消費的次數和集中在這家店的程度，另外也計算每個顧客去過這個客戶旗下的所有分店總數。

利用Clustering做完分群後，我發現了一個很有趣的現象：有一群顧客幾乎逛遍了這個客戶在此地的所有分店，不過這家業績不佳的分店只是他們偶而才來消費的地點。我在比對他們的住址後，發現「在地」人口的比例不高。所以如果這家分店關了，對於這群人應該不會影響太大，大部分的人自然會去這家通路的其他分店購物。

大膽的戰略：Best Buy

Customer Analytics在戰略與戰術上的應用引發了一些迴響，我認為到目前為止，最大膽而且吸引最多注意的戰略應用應該就是美國的3C連鎖賣場Best Buy了。Best Buy發現他們80%的營收來自31%的顧客，其中最上層的7%顧客就貢獻了43%的業績。從1989年開始採用"Customer in charge"這個概念的Best Buy，於是在2004年把他們的顧客分成以下五個區隔：

• Jill：住在郊區的忙碌母親，希望用科技和娛樂來豐富孩子的生活
• Buzz：充滿活力的年輕男性，酷愛最新的科技與娛樂
• Ray：希望用科技讓生活更上一層樓的新好男人
• Barry：總是要擁有最佳科技產品並要求完美服務的富有專業人士
• Best Buy for Business (BB4B)：利用Best Buy提供的產品與服務的中小企業主

我20幾歲（20年前）

前幾天收到一封標題有「20幾歲...」這幾個字的EDM，通常我對這種標題看來跟我無關的email都是直接刪除了事，但是這天我仁心大發，特別打開來看，結果文案的第一句話就是「20幾歲的你，...」。沒錯，我20幾歲，但那是20年前的事了。這印證了我在《顧客教你的10件事》（The Ten Demandments的中文版）這本書看到的一句話：「儘管收集個人資料的行為不斷的在進行中，我們還是沒有感到自己被對待的方式有什麼改變。」

現在顧客在申請所謂的會員卡時，都必須提供身份證字號、姓名、出生年月日、性別、地址、電話號碼和email等個人基本資料；有些會員計畫還要求顧客填寫學歷、婚姻狀況、職業、年收入、興趣等更進一步的私密資料。相信這些會員卡計畫都會聲稱收集這些私密資料是為了更了解會員，以便提供更貼心的產品和服務，不過事實上卻很少有企業能夠根據這些個人資料向會員提供特別的產品或服務。

（一家北部地區分店正在舉行週年慶的百貨公司，也許會只對住在北部的會員發出相關促銷訊息。但是，哪一間鞋店會根據學歷寄發不一樣的促銷DM？什麼樣的超級市場會依照會員從事的行業提供不同的折扣商品？又有哪家書店針對不同婚姻狀況的顧客建議不同的新書？）

Links

有時在收到的電子報裡會發現值得閱聽的文章或podcast，我會在此不定期分享。我認為台灣在這方面的內部交流與分享不足，多看多聽國外怎麼做至少可以增廣見聞，如果還可以真的拿來應用就更棒了。

• 上星期曾提到McKinsey關於Big Data的一份報告，本週McKinsey的電子報提供了另一篇相關文章 “Competing through data: Three experts offer their game plans” （需要免費註冊才能閱讀全文）。
• IBM贊助的一個Podcast：The new data analytics imperative: Strategies for improving data-driven decision making。講到一個重點：必須真正了解Data Analytics所要解決的問題，而不是說只要有Data Analytics，問題就會迎刃而解（If we build it, they will come.）。

你刮中了嗎？

Customer Analytics經常跟Data Mining相提並論，不過對於以實體通路為主的零售業而言，用Data Mining建模型的機會並不頻繁。其實Customer Analytics的重點不在於分析技術要多麼複雜，而是如何從顧客產生的資料中發現可以應用在業務上的insight，有時候簡單的方法也能發揮很大的作用。

有一家商場在周年慶期間進行刮刮樂的促銷活動，只要發票滿額就可換一張統統有獎的刮刮卡，獎項分別是100元、200元、500元、1000元的折價券，下一次消費如果滿300元就可抵用。由於折價券上印了條碼，所以這家商場可以知道顧客在使用折價券時的消費狀況。

從顧客抵用折價券的消費記錄，驗證了「消費者是精明的」這句話。由於有300元的抵用門檻，顧客在使用100元和200元的折價券時，大部分的消費都只超出300元一點點。這些顧客的心理應該是認為這些折價券不用白不用，然而多花了又可惜，所以把消費控制在比門檻稍高的金額，以期發揮折價券的最大價值。以200元折價券來說，消費300元就表示其中的三分之二是免費的，但是如果花到400元就只有一半的東西是免費，感覺上就好像「虧」比較多。

東施效顰

雖然我是做Customer Analytics的，但是台灣的企業仍然習慣把這個function跟CRM擺在一起，所以不時要協助Loyalty Program（也就是紅利積點或里程累積計畫）的分析，有時還得兼做這方面的管理工作。前一陣子聽說台鐵也要做里程累積計畫，沒想到今年三月就已經上線。不過老實說，我是滿看衰台鐵這個新制度的。

航空公司應該是里程累積計畫的老祖宗，當年他們的目的就是要用累積的里程把旅客「鎖」住，不讓旅客投靠到競爭對手。對旅客而言，飛航里程所換的機票相對有很高的價值，所以也樂於搭乘同一家航空公司的飛機。里程累積計畫的成功，讓其他行業也群起仿效，變成現在幾乎隨處可見的紅利積點制度。

但是台灣的鐵路上就只有一家台鐵在經營客運，是獨佔事業，有必要用里程累積計畫來鎖住客人嗎？或許有人會說，高鐵和國道客運是台鐵的競爭對手。沒錯，某種程度算是，然而這三種客運模式差異極大（路線、速度、價格、普及度都很不同），不能與航空公司之間的競爭類比。旅客在這三種客運模式中選擇，往往是基於必要，能不能累積里程恐怕完全不在旅客考慮的因素中。所以從提高忠誠度的角度來看，台鐵的這項會員計畫應該是無關緊要。

數大便是錢

相信五年級的同學在國中課本上應該都讀過徐志摩的名言「數大便是美」（但是發音和斷句切記要正確）。知名的McKinsey & Company前一陣子出了一份報告"Big data: The next frontier for innovation, competition, and productivity"，其中的主要訊息應該可以濃縮為「數大便是錢」。

這份報告本身的分量也很足夠，多達140頁。不過有相當篇幅是在講「Big data無所不在」、「Big data非常重要」的老生常談，而佔了10頁左右的Big data科技又講不清楚，我建議可以最後再讀。我比較有興趣的，還是案例的部分。這份報告分析了以下（地區的）產業：Health care (United States)、Public sector administration (European Union)、Retail (United States)、Manufacturing (global) 、Personal location data (global)，我先挑了Retail的部分來看。

McKinsey列舉了16種Retail能運用Big data的手段（lever），不出意料，Marketing佔了最多。其中提到的一項是In-store behavior analysis，分析顧客在賣場裡走過的路徑 、停留的時間等資料，用來改善賣場走道的規劃與商品的陳列。兩年前，我曾看過IBM利用裝在購物推車的RFID所做分析的簡介，不過國內的賣場好像很少有標準化的規劃，所以不知道這種技術在國內究竟會有多少企業買單。

戰略與戰術

每天打開電子郵件信箱，通常都會有好幾封跟Customer Analytics有關的電子報等著我看，這些電子報裡除了提供一些專欄作者文章的連結，最常見的內容就是相關軟體廠商或顧問公司提供的white paper或webinar。由於是廠商贊助的內容，所以不免會偏向他們自己的產品或服務，但是多半還會帶一些案例分享，了解這些案例才是我訂電子報的目的。

我發現自從IBM買下SPSS之後，為了promote這家統計分析軟體公司的white paper和webinar就大量出現。而且有趣的是，這些promotion material幾乎都在強調所謂的Predictive Analytics（例如我剛剛看的一部短片）。以這部短片所介紹的內容為例，Predictive Analytics可以協助找出比較可能接受promotion offer的人，作為行銷的對象；也可以找出比較可能流失的客人，予以婉留。

哪個行業的問題最難?

現在應用Customer Analytics的行業越來越多，我自己的經驗就包括零售、電信、保險，銀行信用卡也勉強算碰過一點。會用Customer Analytics來解的問題本身都有一定的難度，不過行業雖然不同，所要解決的問題在類型上卻大同小異。如果只看問題本身，我會說每個行業的問題都一樣難（或一樣簡單）。

由於Customer Analytics是從資料中找答案，資料就如同解題者的武器，資料越豐富，武器的種類就越多。所以在面對同樣的問題時，手上擁有資料的多寡，會影響到解決問題的方法。從這種角度來看，不同行業的相同問題，就會有不一樣的難度。因此在我接觸過的行業中，我會認為保險的問題最難用Customer Analytics的方式解決。

我們不妨回想一下自己的生活方式：多久打一次電話？多久會去特定的通路shopping？多久刷一次信用卡？然後再想想看，我們多久會跟保險公司接觸（不管是透過0800或是業務員，也不管是買保險還是要理賠）。相信對大多數人而言，後者的頻率是最低的。

接觸的頻率低，相對表示產生的行為資料量也低。即使對那些每個月固定用信用卡扣繳保險費的保戶來說，雖然一年裡會產生十二筆資料，但是每一筆的金額都一樣，額外提供的訊息極為有限。

What's in a Name?

很多職務在企業裡已經存在多年，例如採購、人資、會計、公關、行銷企劃等等，大家對這些職務的名稱和工作內容應該都有基本的共識。至於我從事的職務，不同企業所賦予的名稱就不那麼一致，最常見的兩種名稱是Data Mining和CRM（這裡的順序與任何排名的方式無關），但是我對這兩種名稱都不是那麼欣賞。

作為一種職務的名稱，Data Mining對我來說是太技術性了，而且過度狹隘。當然在某些分工細密的企業裡，的確會出現只作Data Mining的職務，工作內容就純粹是利用軟體工具處理資料、建置模型。我也做過這樣的工作，只是後來我認為這樣的工作內容不能滿足我，而且坦白說，這類工作很容易被取代（可能是薪水較低的新手，未來也有可能是功能更強的軟體）。

CRM給我的感覺，一方面是過於應用導向，另一方面是分析的成分在字面上看不出來（有些企業裡的CRM其實就是指Loyalty Program或VIP Program，不太需要分析的技能）。所以雖然正確的點出Customer這個核心，我還是不滿意。

子曰：「必也正名乎！」有一次我在某家企業擔任小主管時，就利用組織調整的機會為我帶的這組正名，改成了Customer Analysis。當時我認為這個名稱可以很清楚的描述我們的工作內容是以顧客為中心的分析，不會跟技術綁在一起（不過坦白說，大部分同事應該也不會想知道Data Mining的定義是什麼），同時也不會限制應用的方向（我們的成果真的被用在CRM以外的地方）。後來我轉到另一家公司，又在「名不副實」的職務下工作。儘管也遇到了組織調整，但這次我沒有改名的權力，就只好接受既成的事實。

這是我的部落格，我總有選名字的權力了吧！因為我發現了Analytics這個更有學問的字（維基百科說：A simple definition of analytics is "the science of analysis".），所以藉此機會再次正名。可惜CustomerAnalytics已經有人用了，只好退而求其次，選了iCustomerAnalytics.blogspot.com這個網域。最前面那個小小的i，靈感來自時下流行的「挨奉」。但是也可以看做 I 的小寫，代表我是個做Customer Analytics的人。i也跟愛同音，大家愛台灣，我更愛Customer Analytics。其實i還是interactive的縮寫，我希望在分享過去這麼多年在Customer Analytics上的想法與心得的同時，也能跟大家就這個題目多多交流！