2014年12月12日 星期五

都是 Big Data 惹的禍?

2012年6月【Cheers雜誌】訪問我的時候,提到我透過《發現我的天才──打開34個天賦禮物》這本書,「確認了分析資料、歸納趨勢類的工作遠比整天對著電路板更適合自已」。我是在2003年的時候面臨職場跑道的抉擇,正好在書店看到了這本書(我認為這根本就是上天故意製造的機會),馬上買回家作了測驗。其實這本書的原名是《Now, Discover Your Strengths》,中文版的出版社可能是為了銷路而把 Strengths 這個字翻譯成「天才」,但我認為「特質」應該比較貼近這些評估出來的結果。根據測驗的結果,我的五項主要特質如下(這個測驗只會提供五項):
  • Deliberative - one who proceeds with caution, seeking to always have a plan and know all of the details
  • Input - one who is constantly collecting information or objects for future use
  • Intellection - one who enjoys thinking and thought-provoking conversation often for its own sake, and also can data compress complex concepts into simplified models
  • Discipline - one who seeks to make sense of the world by imposition of order
  • Analytical - one who requires data and/or proof to make sense of their circumstances

2014年11月8日 星期六

從賭桌上贏不到的東西

我下榻的旅館就是俗稱水舞飯店的Bellagio
上個月去了一趟美國的賭城拉斯維加斯(Las Vegas),參加 Analytics 2014 Conference 。幾乎每個知道我去那裡的親友都問我有沒有去賭一下,但我的答案是個非常掃興的「沒有」。因為以前在美國念書的時候就去過兩次大西洋城(一次是跟朋友去,第二次是陪爸媽去,不是我好賭),而且我也知道賭客在美國賭場裡贏錢的期望值是負的(吃角子老虎的賠率是根據政府規定去設定的,我可沒有花大錢在那裡實踐資料分析鼓吹的 Test & Learn)。這次去賭城真的是開了眼界,吃了昂貴又平凡無奇的 Bacchanal Buffet,看了太陽劇團的《KA》,搭了最後感覺像公車的加長型禮車(limousine),還坐上直升機遊大峽谷。這的確是個值得一遊的城市,因為它有相當多的內容;然而它卻是個不值得來第二次的城市,因為它真的沒什麼內涵。

當然,我不是在經營一個美食部落格,吃喝玩樂的資訊應該也不是你來瀏覽的目的,就讓我來說說一些從賭桌上贏不到的東西吧。

在兩天的 conference 裡,我發現會場裡有很多頭已禿、僅剩的頭髮也已花白的美國人非常熱烈的參與極為深入的討論,他們顯然都是還在實際動手作分析的人。我知道其中有幾位是大學教授,但並非全部是教授。這跟我在台灣觀察到的現象差異很大:在台灣的類似會場裡,這般年紀的人除了學校教授之外,幾乎都是不會動手的高階主管,也不會去提什麼深入的技術內容。對於這種現象,我的推論之一,是資料分析在美國發展的最早,所以才會有這麼多老資格的人。

2014年8月23日 星期六

D2A

"Action. Action. Action."
我是電機系出身的,在學校的時候學過 D2A converter (但現在全還給學校了),也就是 Digital-to-Analog converter 的縮寫。只是這篇文章不談如何把數位訊號轉換成類比訊號,標題的 D2A 是指 Data to Action ,因為資料分析的最終目的是讓我們決定採取(或決定不採取)行動

我在十年前幫客戶建分群模型時,不時被客戶 challenge 說他們要的是 actionable segments。所以在說明分群結果時,我們非常重視是否真的 actionable。沒想到十年過去,我還在協助(其他的)客戶建分群模型。我用 k-means clustering 這個廣泛運用的演算法來說明建置顧客分群模型過程中要注意的事項,但是這回客戶 challenge 我的不是如何證明結果是不是 actionable ,而是質疑我為什麼還用這麼「古老」的演算法?為什麼不用新發展出來、可以自動算出「最佳」分群數的 clustering 演算法?

2014年6月29日 星期日

變來變去變變變

樹葉每年都會變色
(攝於威斯康辛大學麥迪遜校區)
看過我的履歷或是知道我工作經驗的人,多半會對我變換雇主的次數感到訝異。沒錯,我變換工作的次數不少,但這只是我的履歷能夠顯示出來的部份。從履歷看不出來的,是我這些工作的雇主其實大多也在改變,而我的改變幾乎都是為了不變。

聽起來像繞口令?且讓我說明:近十年來,儘管我從雇主A換到雇主B,或是從甲方變成乙方,又變成甲方,我從事的職務都是顧客資料分析(Customer Analytics),一直沒有變過。所以嚴格說起來,我只有換雇主,沒有換工作。我之所以要改變雇主,通常是他們在我受雇的期間對顧客資料分析的看法、態度有了改變,導致我的工作主軸也起了變化。而我為了要能繼續在顧客資料分析這方面發揮,在確定無法讓我的雇主有所轉變後,就只好把他們換掉。

2014年5月22日 星期四

化整「為零」

我的公司在月初辦了一場有關 Big Data 的大型活動,我擔任了其中一個 session 的主講,跟與會者分享零售業的巨量資料應用。在講題裡置入「巨量資料」之名只是奉公司之命,當天我的基調依然是不要太迷信這個名詞(如果您看過我這個部落格的其它文章,就可以了解為什麼),而應該先把公司既有的資料運用到極致。受到法律與規定的限制,我無法在此提供當天的投影片,不過這可能反而是個好處,畢竟投影片是用來 present 的,不是拿來閱讀的。以下我就透過文字和連結,分享那天我報告的大部分內容。

跟金融業與電信業比起來,零售業在運用資料分析來協助企業的決策上是相對較遲的(但不可否認零售業裡有少數在這方面的先驅)。根據《經濟學人》智庫 Economist Intelligence Unit 在 2013 年所做的研究報告 "The Data Storm - Retail and the Big Data Revolution",高達 50% 受訪的零售業者表示,他們在面對這一波 Big Data 的浪潮時,不知道如何辨別哪些才是有用的資料(見報告的第 21 頁)。儘管許多資訊業者不斷強調 Big Data 的三個 V (Volume, Velocity, Variety),甚至還加上第四個 V (Value),事實上只要跟企業所要解決的議題無關的資料對這個企業來說就沒有價值,也就不需要去擔心這些資料的產量、速度、種類有多驚人。

2014年5月14日 星期三

顧問顧門口

之前我在飛利浦工作時,有位同事說話風趣又有哲理,我從他那邊學到好些名言,即使過了這麼多年也還記得。例如對於規劃這件事,他說「規劃規劃,紙上畫畫,牆上掛掛」;關於年度的績效計畫與考核,他認為其實就是「說你所做,做你所說」。他還說顧問就是顧門口,不僅是因為顧問這兩個字直立書寫就像顧門口,另外還有揶揄的弦外之音。

那時候的我根本沒想過有一天我也會掛上顧問的職稱,而且還真的當過顧門口的顧問:前一陣子某個專案的客戶把我的座位安排在他們副總辦公室正前方的位置,因為這是一般員工最不想坐的地方,只有我這個「外人」不受影響。有時副總秘書離開一下,來找她的人順理成章就把我當作代理人,我也就變成顧副總辦公室門口的顧問了。

說笑歸說笑,我自己對顧問的定義是「協助客解決題的人」。牢記這個原則對我們這些資料分析顧問至為重要,因為我們執行的專案雖然是以分析出結果為目的,然而對客戶的企業來說,資料分析本身卻非最後的目的,而是希望透過資料分析這項任務來解決他們在行銷或業務上的問題。

問題就在於客戶自己可能並不清楚他們想用分析來解決的問題是什麼,這種現象在 Big Data 被強力炒作的情況下更為常見。例如:
  • 之前為某家大型金融機構執行顧客分群專案,我在需求訪談時向發起這個專案的單位詢問他們公司想作分群的目的是什麼,結果竟然沒有答案。
  • 另一家公司要我們建行銷活動回應預測模型,但專案開始後才發現,他們的電銷單位為了達到倍增的業績目標所採取的策略是大幅提高外撥名單的量,而他們現有的會員人數要應付這樣的名單需求量已經有點勉強,強調精準的回應預測模型只會大砍名單人數,並不適合用在這裡。
  • 另外有個知名連鎖零售通路問我們公司的解決方案能否做顧客分群和 RFM 分析,但是他們的交易記錄都是不記名的,而且近期也看不到有建立會員制的打算,所以我也不知道為什麼他們要做這些分析。

2014年3月7日 星期五

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。

2014年1月22日 星期三

2013年分析領域代表名詞

有一則故事在講吹破肚皮的青蛙,
不知道 Big Data 是否也會跟這隻青蛙一樣?
2012年底,我寫了一篇《分析領域的2012年度代表名詞: Big Data。轉眼之間,一年過去了,如果要我再選出分析領域在2013年的年度代表名詞,我還是會圈選 Big Data ,因為這個名詞在過去的這一年真是被渲染和消費到了極點!尤其是相關的 IT 系統與軟體業者(很抱歉,本山人也在這類行業裡工作),更是言必稱 Big Data。

然而跟十年前的那股 CRM 熱潮(其實也是 IT 業者炒起來的)比起來,我認為現在的用戶端冷靜多了,不像當時那樣瘋狂的擁抱 CRM。在我接觸的企業客戶中,只有一家公司認為 Big Data 重要到必須列為立即發展與投入的目標(不過根據我的觀察,這是因為他們應用資料分析的經驗不足而導致對 Big Data 認識不清,他們其實還要經歷一段漫長的路途才有可能走到 Big Data)。這種現象有可能是因為景氣仍差,企業緊縮內部投資所致;也有可能是大部分的企業已經有應用資料分析的經驗,因而能夠認清 Big Data 其實還無法馬上為企業帶來可見的金錢利益。

(在繼續閱讀下去之前,先回想一下 Big Data 的三個 V :Volume「大」、Velocity「快」、Variety「雜」)