如何選擇適合的分析方法？
智能分析通常分為描述性（descriptive）、預測性（predictive）和指示性（prescriptive）三種類型。《哈佛商業評論》於2023年5月刊登了一篇名為〈行銷分析〉（Analytics for Marketers）的文章，探討了企業評估機器學習介入分析的適宜程度，以及如何選擇最適合的分析方法。
圖1 三種智能分析方法
該研究建議，企業應該從「數據品質」和「商業類型」兩種角度來考慮：
1.數據品質
當數據有限且存在高度不相關性時，使用描述性分析提供方向性建議是適合的。然而，若有足夠精細的數據可使用，且數據與問題的具有密切相關性時，能自主推導出策略的指示性分析效果往往更好。在這兩者之間，預測分析則是一個適當的選擇。
此外，雖然指示性分析模型的建構較為複雜及昂貴，但指示性分析能自動化快速做出多項決策，且決策品質隨著時間推移而提升（可參考數據變多）。以決策效率跟發展潛力的角度來看，投資於指示性分析將變得划算。
2.業務類型
並非所有問題都適合使用智能分析方法。一些問題可能因為相關數據匱乏，或本質上無法透過分析得到解答，進而不適合使用這些方法。
舉例來說，在長期策略規劃和與創新相關的議題中，準確地定義問題比分析確認答案更加重要。反之，在定價、庫存管理以及行銷支出的優化等領域，精確的分析能夠顯著提升企業績效，因為在這些領域中，確定的答案將有助於更有效地滿足客戶需求。
總結來說，在選擇分析方法時，管理者的角色應轉變為提問者，並適當將後續的分析流程轉交給機器。基於此，管理者可以根據數據品質和業務類型來選擇適合的分析方法。
最後，人類與機器各有所長。人類擅長利用直覺處理有限數據和不熟悉情境，而機器則適合處理重複性高且數據豐富的決策任務。因此，管理者應合理運用機器的優勢，設定明確目標，以最大程度發揮其效益。
黃揚博（政大企研碩士，識商創辦人）、羅凱揚（台科大企管博士）
資料來源：Fantini, F., & Narayandas, D. (2023). Analytics for Marketers. Harvard Business Review, 101(3), 82–91.
✨ 歡迎追蹤，獲取更多相關資訊
► 識商IG：
https://www.instagram.com/bizsense2023/
► Line交流社群：
✨ 最新活動：AI商業策略讀書會
