見樹不見林

資料分析在相關學者、有應用經驗的企業、系統和服務廠商的大力鼓吹之下，越來越受到業界的重視，這當然是個好現象（尤其對我的工作機會而言）。然而最近我也看到了意想不到的不良後果，就是有些企業以為只要導入資料分析就可以生意興隆、萬事如意，因此把重點放在分析的工具和產出的模型上，反而見樹不見林。

資料分析是一種任務（task），我們透過執行任務來解決問題、達到目的。所以在企業裡，資料分析應該是某個業務問題的解決對策中的一部分，我們是因為這項對策必須用到資料分析才去執行資料分析這個任務。我用以下幾個假想的案例來說明：

• 業務問題：型錄的回應率一直平平，顧客反應說型錄千篇一律、所以沒有特別想要翻閱的動機。解決對策：利用購買各類商品的行為將顧客分群，根據各群顧客不同的需求製作不同內容的型錄，提供獨特的價值主張。
• 業務問題：會員行銷處的年度預算被刪減了20%，要如何更有效率的運用這筆預算？解決對策：根據RFM變數把會員區分為不同價值與關係的分群，挑選重點客群制訂會員溝通策略，最差的一群會員暫不作溝通。
• 業務問題：型錄的預算大幅刪減，無法寄給每一位會員人，要寄給哪些會員才可以提高ROI？解決對策：利用以往的型錄回應資料建置預測模型，未來型錄只寄給模型分數較高的會員。
• 業務問題：公司每個檔期都有五種不同類型的型錄，要如何挑選其中最適當的一本寄給會員？解決對策：對五種型錄建置五個回應預測模型，從每位會員的五個分數中選擇最高分對應的型錄來郵寄。

上面以橙色字體表示的是資料分析的任務，注意它們都是在解決某項業務問題的對策中出現（這些對策只是範例，並不代表我建議的對策），而不是獨立存在的。先找出對策後，再決定作資料分析，不僅可以讓分析更聚焦，也不至於發生分析作完之後卻不知如何應用結果的窘境。

這一波 Big Data 的熱潮在相關系統廠商的推波助瀾下，變得太重視技術、太強調資料科學家（Data Scientist）的重要，業務問題和對策這些資料分析賴以存在的 Context 反而退居二線，才會讓前述見樹不見林的狀況變得更嚴重。我在《從 Big Data 看天下》這一篇裡指出，知名顧問公司麥肯錫在2011年的 Big Data 分析報告雖然提到美國到2018年會出現14萬到19萬個深度分析專才的需求，但是美國在同一個時期內也需要150萬個懂得運用這些分析（但不見得會自己作深入分析）的經理人。這些經理人必須懂得哪些對策可以透過資料分析來解決他們企業的問題，也必須知道哪些是資料分析派不上用場的（雖然這樣的情況應該比較少見）。如果沒有這些經理人，資料科學家在企業中難有真正可以揮灑的舞台。

以我接觸到的客戶作為觀察的樣本，我認為國內企業在這類經理人的培育上還要加強。目前普遍的作法是聘請顧問來協助，不過這年頭掛顧問頭銜的人越來越多，企業其實要碰運氣。有機會我再分享我對這類顧問的看法。