數字不會說話；人，才會說話

昨天在家裡訂的《國語日報》上看到一則關於國道計程收費的新聞，內容基本上跟中央通訊社網站發布的【國道計程　75%車日省45元】這一則相同（其他新聞媒體也有類似的敘述）：

（中央社記者汪淑芬台北2日電）交通部國道計程費率最終版今天定案。高速公路局估計，計程上路後，與現在計次相比，約3/4車輛平均每天可省新台幣45元。‧‧‧‧‧‧

我想交通部公布這個省錢數字的用意，是要讓大家相信新的計費方式很優惠，以便獲得大眾的支持。我剛看到這新聞的時候，也的確有這種省錢的感覺，只是我的感性不到幾秒鐘就被理性壓制住了。

新聞說3/4的車輛可以省錢，那麼我的車究竟屬不屬於這3/4？假設我真是這幸運的3/4裡的一員，我一個月跑高速公路頂多兩次，也會平均每天省45元嗎？（當然不會）

有效還是沒效？

電視的藥品廣告經常在最後加上一句「有效！」的台詞（而且還要用台語發音）。現代的藥品在上市前都要經過實驗和審核的過程，所以應該都是有效的，那些吃了沒效的狀況多半是沒有對症下藥。行銷人其實也會用「藥」，這些「藥」往往含有DM、型錄、簡訊、EDM、或廣告的成分，景氣好或買氣高的時期可能用得較少，遇到景氣變差、消費低迷、業績下滑、會員流失這些重症時就用得很兇。只不過行銷人常用的這些「藥」不像真正的藥品有公正單位的審查驗證，所以它們到底有效還是沒效？

高成本的低成本行銷溝通管道

左圖是我Yahoo!信箱的垃圾郵件桶（Spam）的內容，用滑鼠點選放大後可以看到不少國內知名企業寄給我的郵件被Yahoo!自動歸類為垃圾郵件。如果我沒有特別打開Spam信箱來檢查，我就不會看到他們給我的行銷訊息。

以往免費Email信箱的業者對付垃圾郵件的機制比較簡單，例如檢查標題或內文裡是否出現垃圾郵件經常使用的keyword。但是道高一尺、魔高一丈，如果這些keyword改用不一樣的拼法（例如把英文小寫的L改成阿拉伯數字的1），可能就成為漏網之魚。不過現在像Yahoo!或GMail等業者使用的過濾機制早就超越這種簡單的rule-based方式（當然是拜分析之賜），所以上圖出現的國內知名企業寄給我的Email雖然被Yahoo!當成我的垃圾郵件，別的顧客卻仍有可能在他們的Yahoo! Inbox看到這些行銷訊息。

From A (Analytics) to A+ (Aligned Actions)

德國柯隆大教堂的兩座尖塔像不像A+ ?

之前幫一家金融機構建了一個所謂的預測模型，用來評估靜止戶起死回生（reactivate，中文怎麼翻比較傳神？）的傾向高低。剛好我也名列他們的靜止戶，還好模型做出來我的傾向分數在前20%，要不然就有點糗了。

不過根據這家公司對我的說明，他們定期都會產出靜止戶的名單，交給客服人員撥打聯繫。他們查了我的資料，發現也都在聯繫的名單內，奇怪的是為什麼我從來沒有接過這樣的電話？

原來我在聯繫名單的電話號碼是我十多年前在飛利浦的公司電話，難怪他們的客服人員一直找不到我（所以我有理由當了這麼多年的靜止戶，嘿嘿）。問題是我雖然很久沒有跟這家金融機構有過金錢上的交易，我在近年來其實註冊加入了他們的網站會員，除了留下Email，我還登記了手機號碼。我的信箱三不五時都會出現他們發的電子報，卻從未接過客服人員的電話，到底是為什麼？

一切都是區隔

也許您已經發現，我很少在這個部落格談到技術面的事。一般講資料分析或Data Mining的書不是都用許多篇幅介紹Data Transformation、Clustering、Decision Tree、Regression、Association這些技術嗎？為什麼我幾乎不曾在這裡提到Lift、Odds Ratio、Confidence、R-square這些資料分析常見的名詞呢？其實這只是我為這個部落格作區隔（Segmentation）的結果，希望它跟其他以技術為主的部落格可以有所差異，訴求的讀者對象也不同。而Segmentation也是這一篇的主軸（包括旁邊這張照片，看得出來嗎？）。

首先介紹Konstantinos Tsiptsis和Antonios Chorianopoulos兩位所寫的Data Mining Techniques in CRM: Inside Customer Segmentation (Wiley 2010)。其實這本書有許多章節是在講技術（Techniques），跟我的部落格走向不太一樣。但是它提供了不少Segmentation專案的案例，包括銀行、電信、零售三種產業，而且它在講每個案例的一開始都會說明這個專案所要解決或達到的業務問題或目的是什麼，甚至還包括後續應用的構想（嚴格說起來，這是目的的一部分），這是這本書跟其他以技術為主的Data Mining書籍最不一樣的地方（換句話說，它成功的把自己跟其他Data Mining書籍區隔開來）。在我看過的Data Mining技術性書籍中，業務問題或目的不是完全被忽略，就是簡單一兩句話帶過。影響所及，是以模型作為思考的起點，或是為了建置模型而建，結果就是模型完成之後難以應用。

等一等，不要急著建模型！

在充分了解企業想透過分析來回答的問題後，也還不到一頭就栽進模型的時候。因為一樣的問題，回答的方式通常不只一種，所以運用資料分析的手法也不會一樣。棘手的是並沒有所謂的標準模式可以放諸四海皆準，我個人認為比較好的方法是先思考企業未來可能會如何應用分析的結果。這好比要在紙上畫一條直線，之前提到的了解問題就是直線的起點，應用分析的結果則像是終點，唯有先確認終點的位置，畫出的直線才不會偏誤。

說起來似乎很抽象，因此我用一個實際（但已被我大幅修飾與偽裝）的案例來說明。

有一家大型的通路事業群，旗下有兩個不同品牌的連鎖通路：一個是走超級市場路線的「好食在」，一個是專賣家電與3C的「好家在」，其中「好食在」成立較久，分店數也較多。這兩個通路品牌各自擁有自己的行銷團隊，行銷檔期也不同，但會員卡是共同的「卡好卡」，會員在兩家通路都可以持卡累積消費點數。由於「好食在」的歷史久、分店多，到「好食在」消費的會員遠多於「好家在」，因此這個事業群新上任的行銷總監希望「好食在」的行銷團隊能把會員導到「好家在」消費。另一方面，「好家在」因為銷售3C與家電，會員的客單價都遠高於超級市場型態的「好食在」，所以這個事業群也想辦法讓「好食在」多吸收一些過去只在「好家在」消費的會員。

笨蛋，問題在問題！ Part 3

雖然前面兩篇提到的都是我在工作上遇到的實際狀況，但這不代表只有我自己一個人認為深入了解Business Problem是最優先的步驟。舉例來說，CRISP-DM這個Data Mining流程模式在1990年代誕生的時候，第一個步驟就是Business Understanding：

This initial phase focuses on understanding the project objectives and requirements from a business perspective, then converting this knowledge into a data mining problem definition and a preliminary plan designed to achieve the objectives.

到了2012年，Jean Paul Isson和Jesse S. Harriott寫的《Win With Advanced Business Analytics》這本書，也是把Business Challenges放在他們提出的BASP（Business Analytics Sucess Pillars）架構的第一位：

... a crucial step of any business analytics implementation requires clear understanding of organizational objectives, or "business challenges," to ensure that any solution is aligned with, and addresses, the company's biggest or most pressing needs.

那麼為什麼人們還是常常輕忽了這個重要的步驟，直接就討論要建置什麼模型呢？我觀察到一個現象，也許跟這種狀況有關。

笨蛋，問題在問題！ Part 2

我自己親身經歷過幾個案例，讓我歸納出所謂「不知道問題是什麼」其實可以從想做分析的企業（Client）和提供分析服務的廠商（Vendor）這兩種角度來看。企業會想要請外面的廠商提供Analytics的服務，通常就是因為本身對Analytics不是非常了解或是內部沒有專精這方面的人才，也往往因為不了解，所以誤以為Analytics服務跟套裝軟體一樣，只要買進來就可以直接套用。尤其是在台灣提供分析服務的廠商大部分本身也是資訊軟體廠商，更可能讓企業加深了這樣的誤解。

也由於台灣的分析服務廠商多半是資訊業者，旗下的顧問不見得每個都在Client的產業待過，雖然具有高深的統計分析能力，卻不一定了解這些產業在行銷或業務上的實際問題。所以Client的運氣有點重要，如果遇到缺乏產業經驗的顧問，往往就只是提供制式的模型建議，沒有辦法引導Client提出問題，當然就很難針對這些問題提出量身訂製的解決方式。

笨蛋，問題在問題！ Part 1

先澄清：我無意罵誰笨蛋，只是套用美國前總統柯林頓當年的競選口號「The economy, stupid!」。這個口號後來被他的競選策士James Carville改為「It's the economy, stupid!」，翻譯後就變成「笨蛋，問題在經濟！」

用英文來說，我這一篇的標題應該叫「It's the business problem, stupid!」。我要說的重點是，不管你把資料分析工作稱作Data Mining、還是最近比較流行的Business Analytics或Customer Analytics，第一個步驟永遠是去了解公司藉此想要解決的業務問題是什麼，而不是先討論建什麼模型！

零售經濟學（二）

我在「零售經濟學（一）」裡提到了Tim Hartford寫的《Undercover Economist 》，它的中譯版在作者簡介裡提到這本書「與《蘋果橘子經濟學》雙雙被視為近年來最重要的財經著作」。（2006年，我在誠品用台幣280元的低價買到了《蘋果橘子經濟學》的原作《Freakonomist 》，所以不知道中文版翻得如何。但是這本書真的挺有趣的，如果你對於利用資料分析來推論現實生活中的現象有興趣，不妨買一本來看看。）

如果我沒記錯，《Freakonomist》的很多結論是作者透過分析大量、長期的實際資料所得到的。相較之下，《Undercover Economist》偏向利用經濟的理論來說明我們看到的一些現象。對我來說，資料呈現的分析結果比較有說服力，所以難免會懷疑Tim Hartford的理論是否「正確」。

例如他提到認同有機食品的顧客可能比較不在意價格，因此有些超級市場會把有機食品跟一般食品的價差訂得遠高於兩者在成本上的差異，也就是用了這種稱為Self-targeting的方式讓客人「自投羅網」。但是Hartford的理論到底是否為真？也許可以利用賣場的資料庫，把常買有機食品的顧客跟其他顧客區隔開來，分析他們在購買其他商品上的行為，否則他們有可能只是一群崇尚自然有機、卻不得不接受高訂價的消費「受害」者。

農曆新年過後，我就會身兼二職，除了繼續為現在的保險業客戶服務，也開始會協助一家知名連鎖賣場的顧客分析工作，希望可以在那邊驗證一下Hartford的理論。