《大數據玩行銷》4：數據行銷實際應用與應用場景
我們的前二篇講了數據的精準、 NES 模型和人機分工，與人和機器各自做擅長的事；把複雜的計算與資料處理交給機器，我們行銷人只需要做模型調整與決策，找到對的問題，才能解決對的解決方案。
今天這一篇我們來講，數據行銷實際應用與應用場景，透過現在現實中的實例和應用，來更進一步的了解大數據的概念。
一、大數據的應用
我懂了一些大數據的基本概念，但目前有哪些方面可以應用呢？
ー ー 大數據可以應用的場域非常多，我們在這邊舉三個層面來探討：「掌握客戶、輔助決策及風險評估」。
我們每天都可以看到大數據的一些新奇的應用，從而幫助人們從中獲取到真正有用的價值。然而大數據可以拿來的應用比比皆是，篇幅有限，所以我們就在這邊提出最常見的三個層面的應用：「掌握客戶、輔助決策及風險評估」來探討，大家也可以思考看看，自己的所在行業是否能夠透過大數據來進行更多的應用。
■ 掌握客戶：理解客戶、滿足客戶服務需求
通常我們想到大數據，第一想到就是理解客戶的部份，這是我們最常見的大數據應用，重點是如何應用大數據更好的了解客戶以及他們的愛好和行為。
商家最常在這一方面蒐集客戶的資訊，包含：「社交數據」、「網路瀏覽日誌 ( log )」、「所去地點的資訊 ( 打卡與 GPS定位 )」…等等，為了都是更加全面的了解客戶，在資訊可以「更多維度」時，就能透過數據模型進行預測。
例如： Amazon ( 亞馬遜 ) 不僅從每個用戶的購買行為中獲得訊息，還將每個用戶在其網站上的所有行為都記錄下來：頁面停留時間、用戶是否查看評論、每個搜索的關鍵詞、瀏覽的商品等等。這種對數據價值的高度敏感和重視，以及強大的挖掘能力，使得亞馬遜早已遠遠超出了它的傳統運營方式。
Amazon 透過這些資訊數據來進行客戶的行為引導與預測，我們下面用列點式的來看看 Amazon 的實際應用：
- 亞馬遜推薦：在亞馬遜上買過東西的朋友可能對它的推薦功能都很熟悉，「買過 X 商品的人，也同時買過 Y 商品」的推薦功能看上去很簡單，卻非常有效。
- 亞馬遜預測：對於書、手機、家電這些東西——亞馬遜內部叫硬需求的產品，預測是比較準的，甚至可以預測到相關產品屬性的需求。
對於亞馬遜來說，大數據意味著大銷售量。數據顯示出什麼是有效的、什麼是無效的，新的商業投資項目必須要有數據的支撐。對數據的長期專注讓亞馬遜能夠以更低的售價提供更好的服務。
■ 輔助決策：提高醫療和研發
目前大數據應用在於醫療是未來大家非常看好的一個部份，由於人工 AI 和大數據的快速發展，所以醫療行業也是最快速增長的行業之一。
大數據分析應用除了透過病患描述自身症狀的傳統方法，再加上生物醫學檢測，並將家族病史、種族等個人資料透過人體基因資料庫進行比對分析，從中選出最適合病患的治療方式，同時也能精簡醫事成本。同時可以更好的去理解和預測疾病。就好像人們戴上智能手錶等可以產生的數據一樣，大數據同樣可以幫助病人對於病情進行更好的治療。
舉例來說，Close the Loop 計畫是在病人手術之前，提供醫事人員完整的資訊，幫助他們決定應先處理哪部分的創傷，或是在開刀時該注意的事情；以車禍造成命危的傷患為例，當病人被送到醫院時，醫事人員會先幫他做放射掃描，了解身體內部是否也有受創，再依嚴重與緊急程度決定要先治療身體的哪一部分。此時，醫院的臨床資料與診斷報告便會匯入 UDA，UDA 能以每秒兩百萬份資料的速度，掃描比對不同來源的資料庫，找出病人可能潛在的病史，幫助醫生做出最後的決定。
不過雖然大數據在醫療有快速發展的趨勢，但隱私權、資訊外流等資安議題也是發展醫療大數據應用時的挑戰。以精準醫學為例，其中涉及的訊息包括臨床及保險理賠、人口統計、基因等數據；也可能會有姓名、生日、戶籍地址與聯絡方式等私人資料。因此，人們也會擔心這些醫療數據會被不當的利用。
■風險評估：銀行與保險
這個也是大家最常提起大數據，就是談到的銀行與保險，因為這個對他們來說，可以幫助他們降低資訊不對等，進行提高他們評估貸款信用、保險費用…等等，這些幫助實在太大了。
我們來看看保險業，風險的本質是〝未知〞，跟賭場一樣，保險公司無法挑選客戶，至少是無法充分挑選客戶。 因為我們沒有辦法知道每個人的健康狀況，這只有客戶他自己最清楚，所以保險公司只能透過每個年齡段人群的健康狀況、平均預期壽命、得各種常見大病的概率，來進行風險評估來制定收費標準。
所以壽險公司就是根據你在哪個年齡段，收你相應水平的保費。它不必知道每個人的健康狀況，生意的保障是大數定律，問題是：「有人的地方就有人鑽漏洞」。我們可以預期有些人投保之後，有些人煙會抽得會更兇，有些人車會開得更彪悍，反正有保臉的保險。這就叫道德風險 ( moral hazard ) ，其實它與道德關係不大，主要是激勵錯配，保險反而激勵了原來不想激勵的行為。
羊毛出在羊身上，買保險所獲得的保障來自保費。道德風險使不負責任的那些人佔用了較多的保障，結果要嘛是提高保費，要嘛是別人的保障減少。沒人想當冤大頭。規矩人就會退出保險，結果是逆向選擇 ( adverse selection) 。投保人中規矩的越來越少，不規矩的越來越多，只好保費越提越高，直到有一天高到沒人投保，除了就是想來騙保的，生意到此就算做砸了。
今天，大數據時代到來，這些情形就直接 180 度反轉。個人的健康數據、行為數據、信用教據能見度越來越高，道德風險、逆向選擇這兩大武器現在站到了保險公司一邊。
以前，保險公司了解你的訊息顆粒度只到你在哪個年齡組，現在則可以精確到個人：你的病史、家族病史、買藥記錄等等，無所循形。別以為你不想佔保險公司的便宜就可以，現在是保險公司想佔你的便宜。他們可以精挑細選，挑出那些健康客戶，那些不太健康的客戶只能付出更高的價格，至於那些特別不健康的客戶，直接拒之門外。
二、大數據的隱私與安全
雖然大數據帶給我們這麼多的好處，但我們的穩私權呢？
ー ー 這是一個新技術帶來的後遺症，因為政策對應不上新技術造成的缺陷，所以目前網路上的隱私權真實上是非常被猖狂濫用的。
上述講完了應用的部份，還有一個「議題」也是大家最關心的，那就是大數據的隱私與安全；雖然大數據能提升我們許多的便利性，但沒有人喜歡自己的穩私被到處濫用。
最近我自己就看過網上一個真實好笑的案例，有人在網上詢問說：「為什麼我總是看到情色和情趣用品廣告，是不是這些廠商太猖狂了？」，下面的網友就回應：「廣告曝露了你的嗜好」、「噓 … 不要到處跟別人說你的僻好 XD」、「你是真不知 Cookie 廣告嗎？」… 等等的，雖然回應很好笑，但也謹惕了我們一些事實，透過秀出來的廣告便直接揭露我們的日常瀏灠，尤其是你的另一半拿你的的手機使用時…一些個人隱私則直接曝露了。
隱私的侵犯，就是未經個人同意而使用個資。這裡也揭露了資訊隱私權所面對的一項基本挑戰：能否有效保護個人對個資的控制權，要看隱私權究竟是如何架構的。舉例來說，我可能同意讓郵局有我的新地址，但並不希望郵局將它交給第三方。我該怎樣阻止這種情況發生？如果個資只算是簡單的財產權，也就代表一旦移轉到他人手中，就已經放棄了對這些資訊的任何控制權；但這不是我們希望的。因此，資訊隱私權還需要搭配經過精心設計的法律機制；特別是因為在實際上，要確實找出洩漏的源頭、因而知道究竟該告誰，是非常困難的事情。
例如「某人正服用抗憂鬱症藥物」這件事，可能洩密的人包括醫師、藥劑師、保險公司（的任何員工），甚至是朋友、配偶或知情的同事。想要抓到罪魁禍首加以懲罰，幾乎是天方夜譚。
目前各國對於資料隱私權的範圍規定也大有不同。例如歐洲已經進行一份全球勤業GDPR（歐盟通用資料保護規則）來保護用戶隱私，這項法規的基礎，是「被遺忘權（right to be forgotten）」，是一種在歐盟已經付諸實踐的人權概念，可以要求控制資料的一方，刪除所有個人資料的任何連結（link）、副本（copies）或複製品（replication）；還有「資料可攜權（Right to data portability）」，意思是用戶可以將A服務的資料，轉移到B服務上，這也就是為什麼Instagram最近推出資料打包備份功能、蘋果推出管理個資工具。
當然，目前台灣的法律仍然是沒有這些安全隱私上的保障，尤其是你會發現，你在辦卡的時候，常常就是會把你的個人隱私直接給其他產險公司，進而不斷收到這些產險公司的電話行銷所帶來的困擾，所以我們必須要了解這些大數據時代所帶來的一些改變，來確保我們自己的保障。在未來，我們必須在便利性和安全性之間取得平衡，就像大門與安全鎖之間的關系，永遠都是一個面對平衡點和挑戰的事。
三、小結
大數據是未來各行各業的〝基礎〞，所以愈早理解大數據對我們來說，愈能因應這波的趨勢。
如果我們是商家，〝掌握客戶、預測需求〞是我們首當其衝要面對的問題，透過大數據可以讓我們更精準的掌握客戶，維繫好關係，在適當的時候就要想辦法喚醒客戶，若讓他變成沉睡用戶 ( S3 )，那麼要喚醒的成本和時間就相對付出的多；所以大數據讓我們〝即時〞掌握現狀，好讓我們更快的做出反應、更適時的決策，進而提升業績。
如果我們是用戶，了解商家是如何透過大數據掌握我們的消費習慣，而我們的隱私是否大量的被濫用，有了這些概念，才能讓自己不被商家隨波逐流；當然，這些如果對我們有利，我們就可以好好的應用，畢境商家對消費者是互利的，雙方都滿意的前提下，這種買賣關係才能夠持久，彼此滿意。
然而，大數據作用很大，能給我們帶來很多好處，但它不是萬能的，也存在很多局限性，一旦迷信大數據不做認真的分析和判斷，往往可能把這種偶然的現象當成規律來處理，這個時候你會投入大量的資源來配置，教訓也就隨之而來了！所以，大數據對我們來說是一個好用的參考輔助工作，但要如何發現規律、找到對的問題，這些仍然需要〝決策者〞去思考和解決的。
即將進入廣告，捲動後可繼續閱讀
為什麼會看到廣告
85會員
231內容數
Give me book 是一個分享書籍的讀書園地，每兩周就會寫一本〝書籍〞的讀後心得與重點整理，期許有興趣的人可以跟我 Gimmy 一起閱讀、學習與交流，而每一本書大約會發佈五篇主題：簡介、三個主題和總結，透過這些分享來期待我們共同學習與成長。
若有推薦的書單，請歡迎隨時向我推薦哦 ^^
留言0
查看全部
你可能也想看
Google News 追蹤
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20