數位科技的運用,不僅驅動智慧化生活,企業也加快推動數位轉型,人工智慧(AI)的應用更是愈趨廣泛。舉凡語音助理、手機美拍、人臉辨識、個人會行銷,都是日常生活中常見的應用。這些新穎的技術,不只讓生活更方便,也悄悄地影響了多數職場工作者的工作內容。對非電腦科學背景的職場工作者來說,能不能善用人工智慧、與人工智慧協同合作,將是影響未來職場競爭力的關鍵。
不會寫程式,也能做 AI 專案嗎?全球知名資訊科技研究顧問機構 Gartner 近日發佈的一份文章指出,在 2024 年將有 80% 的科技產品與服務出自於非 IT 技術專業人士,這項變革背後最大的推手即是無程式碼工具(No-Code AI tool)。只要瞭解基礎的資料分析流程與原理,運用這類的 AI 建模軟體,即可快速建立 AI 模型。
資料科學專案的分析步驟
以精準行銷的 AI 專案為例:某雜誌擁有大量的訂戶,平時也有經營社群,並且推廣課程。今年推出了一套針對中高階主管的全新的商管課程,希望能夠透過精準投放,提高課程的購買率。然而行銷的總預算有限,在茫茫的會員人群中,要如何篩選出成交機率高的會員,提升效率與利潤,是行銷部門的首要之務。
要達到上述目的,需要打造「潛在客戶名單推薦系統」,作法如下:首先,要將訂戶資料與社群會員資料做整併,進行初步的資料探索。在這個步驟,我們可能發現有少部分客戶的年齡被誤植成負數(資料探索)。為了不影響後續建立模型後的準確率,我們將這幾筆資料予以刪除(資料清理)。接著以 AI 建模軟體建立購課成交率的預測模型(建立模型),再從中選出表現最佳的模型,介接至潛在客戶名單推薦系統,對所有客戶名單進行購課成交率預測,針對成交率高的客戶,進行簡訊或電話行銷(模型部署、實際應用)。
從以上的範例可以發現,資料科學的工作流程大致可以歸納成以下四大步驟:
一、資料探索
對手上的分析繪製簡單的統計圖表,並且觀察個欄位的統計量。其目的在於了解資料的分佈是否與認知相符,查看離群值的分佈,找出關聯性,從圖表找出洞察,建立並測試假說。
在這個步驟,經常查看的統計量有:平均值(Mean)、中位數(Median)、眾數(Mode)、最小值(Min)、最大值(Max)、範圍(Range)、四分位差(Quartiles)、變異數(Variance)、標準差(Standard deviation)。
圖表方面,常見的單變量的圖表有直方圖(Histogram)、柱狀圖(Bar chart);雙變量的圖表則是會看散佈圖(Scatter plot)、箱型圖(Box plot)、熱力圖(Heat map)。
二、資料清理
在資料探索階段,可能會發現許多內容不合理的數據,或是遺失值。此時需要仔細檢查為什麼會收到這樣的資料,並針對不同的情境,做出相對應的資料清理動作。
像是發現某些訂戶資料的年齡為負數時,深入去檢查原始資料庫的資料,發現是雜誌社的工作人員登打的時候,將客戶的出生日期打錯了,因此後續才會有有不合理的年齡資訊。此時可以考慮將該筆資料移除,維持資料的正確性。
三、建立模型
資料清理完畢之後,只要訓練資料集與演算法之後,即可建立 AI 模型。目前市面上的 AI 建模軟體已經內建 Auto ML 技術,使用者毋須一一調整參數,軟體會自動進行參數最佳化,將最佳的結果回傳。
四、模型部署、實際應用
上述的步驟可以多次反覆執行,建立多個 AI 模型。從中挑選出表現較佳的模型,將之部署上線,開始實際運用到工作場域中。
上述的範例中,行銷人員每月可將新收集到會員資料匯入「潛在客戶名單推薦系統」,系統即回傳成交機率較高的客戶名單。行銷人員即可用這份名單執行後續的促銷活動。
AI 時代的行銷利器:Tukey
對於行銷、業務人員而言,不外乎想要讓更多人可以認識自家產品,提高潛在客戶的成交意願,進而提升訂單成交率。由 Chimes AI 詠鋐智能所研發的企業級 AI 建模與管理平台 Tukey ,可提供精準投放、商品推薦、挖掘潛在商機、商品銷量預測等各種行銷面向上的決策輔助。
Tukey 的 No-Code AI 產品設計,提供非機器學習演算法專家 (譬如:銀行理財專員、電商營運專員) 簡單直覺的操作介面,讓直接面對營運問題的一線人員,迅速完成 AI 模型建置,提升工作效率。Tukey 也可以完整追溯資料專案的資料歷程,在需要跨部門團隊協作的場合,彌平認知落差,亦可與他人進行跨平台的協同運作,增加工作的一致性與正確性,進而提升工作效率。
Tukey 目前已經被台塑公司採用,並且被納入台灣人工智慧學校的高階經理人班教材。想了解更多,歡迎報名《數位時代》推出的「資料科學概念系列課」!立即打造你的第一個 AI 行銷專案吧!