S2EP.14 探索商機:發現企業數據中的潛在價值
🤖 頻道主持人：主持人Monica
🤖 來賓：產品事業部 工程師 陳建名Matt
💡本集重點：
► 01:07 您能否先簡單介紹一下您的背景，以及您是如何進入這個領域的？
- 過去從事網頁資料庫後端的程式設計工作，於2021年入職哈瑪星科技。
- 研究所專業背景為資料科學領域。
► 01:55 您認為資料探勘和數據分析在現代企業中的角色是什麼？為什麼它們這麼重要？
- 數據分析常常應用在零售業、電商產業等等，可以預測分析進貨品項、進貨量，能整合店員的經驗並排除人為的偏誤進行分析。
- 數據呈現的是客觀資訊，透過歷史分析篩選出可解釋的、客觀的、無法被改變的數據資料，這種知識具有一定的可信任度。
- 以營利企業的角度看數據分析的五個價值：1.資料探勘挖掘市場趨勢、2.預測客戶行為、3.優化業務流程、4.預防風險、5.使用AI協助決策，讓數據成為新世紀的寶藏。
► 05:12 您能否解釋一下什麼是維度分析和資料探勘？它們如何應用於企業數據中？
- 常見的資料分析會以數據介接方式匯整至儀表板、戰情室做呈現，後續能在進一步做維度分析。
- 透過過往銷售紀錄，針對不同地區、不同行為特徵做的維度分析，使用的AI模型也會有所不同。
- 數據分析很難憑介單一團隊KNOW-HOW就打造出符合各產業需求的AI系統，需要與業者訪談過往經驗的依據、找出關聯性、假設情境等，透過AI模型驗證假設，用科學的方式完善化。
► 09:01 我們經常聽到一些網站推薦系統的演算法，特別是在電商、影音平台上。您能分享一下推薦系統是如何運作的，並舉一些成功的例子嗎？
- 線上影音平台演算法透過特徵，如：影片時長、類型、歌手、曲風，數據判定找出你可能喜歡的類型，同時也會透過判定使用裝置，如:行動載具無法做長時間閱讀，演算出影片排序。
- 生活當中的演算法，如:全聯在購買女性用品時，架上同時提供巧克力商品的選擇，就是一種購物籃分析的演算法，可以透過資料科學挖掘出來。
- 商家通過經驗法則，也許可以判定出客人購買行為，但透過AI模型的分析能對應出更可信數值，可以改進實體店面銷售的客戶滿意度。
► 13:01 演算法如何產生？
- 需要搭配客戶描述的情境、現有資料，結合已知的演算去做交集。
- AI模型需要透過數據養成，不是所有數據都能做出AI模型，需要通過開發人員使用特定深度學習、分類回歸等演算法打造出符合特定需求的AI。
► 15:30 您是否能分享一些您親自參與過的成功案例，展示如何通過數據探勘和AI技術幫助企業發現商機？
- 知名精油廠商，情境：透過AI分析，將產品做更精準的個人化推薦，像是年齡、消費力、症狀等消費者特徵，提供相對應可使用的精油產品。
- 建立專屬的AI系統資料庫後，推薦系統會根據個人特徵、消費紀錄、症狀搭配的精油類型，提供購物選單排序。
- 使用購物籃分析、NLP技術、使用者分析等，將相同族群購買的商品進一步推薦給使用者，讓使用者體驗做到做大提升。
► 19:20 AI預測技術現在非常熱門，您認為它的未來發展趨勢如何？
- 早期做資料科學是採統計學的方式，像是使用excel做圖表的拖拉，以及趨勢性的預測。
- 後來開始流行使用類神經網的深度學習做法，透過神經網路的自動迭代修正功能，能預測出相對應的結果。
- 使用演算法需要具備很多先決條件，設備問題、數據來源、參數，基底建設必須建設好才能實現演算法功能。
- 近幾年開始對非結構化數據進行分析，如：圖像、語音、文章，透過AI挖掘內容去做更廣泛的應用。
► 23:00 在企業應用這些技術時，會面臨哪些挑戰？
- 數據質量問題：建構AI系統前，必須確保數據來源的可靠性、基礎建設完善，數據缺失或是錯誤需要進行資料清洗的過程，佔AI開發的70~80%時間。
- 基礎建設的挑戰：交通車流預測分析，特定路段才有偵測器的數據能分析，偏鄉、偏遠路段資料缺失問題。
- 道德和隱私考量：蒐集資料時會牽涉法條、數據所有權等問題，資訊安全議題的精神是為了避免難預期的風險，而產生相對應的限制，與AI系統開發是有衝突的。