演算法圍繞下仍不可或缺的競爭力？分析哪些資料與如何解讀，才是洞察人心的關鍵力

圖片來源：Unsplash

了解模型得出的洞察

有些類型的模型並不透明，儘管檢驗模型的成效時，如果有達到能讓你對它們的準確度擁有信心的程度，通常就已經夠好了（有多少人會憂心搭乘的飛機所配備的自動駕駛功能呢？），但在很多情況下，你會想更加了解這些模型的決策根據。

你可能會想了解這些模型透過「學習」獲得的哪些洞察能幫助你更加了解顧客，並能啟發你研擬與顧客的溝通訊息、內容與產品推薦。這就是機器智慧和人類知識結合之處。行銷人員可以從模型得出的大量洞察中辨識出最有趣、最有潛力幫助推動行銷活動的那些洞察，人類知識也非常有助於解讀看似奇怪或反直覺的模型發現。

幾年前，本書其中一個作者輔導一家B2B公司，這家公司執行一項專案，內容是想區分會對一項每年兩次的行銷活動做出回應的人。結果，演算法發現那些不太可能做出回應的人都有一些特徵，當中最明顯的一項特徵是他們的個人檔案中婚姻狀態不明。

分析人員對此感到困惑，並試圖了解其中的含義，他們猜想，也許詢問顧客的婚姻狀態會導致他們過於沮喪，因而生氣而不願再對任何推薦行銷做出回應。然而，當他們向行銷經理提出這項發現時，行銷經理馬上就明白背後代表的意義。

原因就在於這家公司是從三年前才開始蒐集「婚姻狀態」這項資料，而從那時起，它要求員工無論在哪個顧客接觸點（例如顧客撥打客服熱線電話時）都要詢問這項資料，藉此增加這項資訊。所以，「婚姻狀態不明」其實指的是「我們和這位顧客已經至少三年沒有聯繫」，這也顯示模型預測這些顧客「不太可能做出回應」有其道理。

即使資料中並沒有欄位標示已多久沒和這位顧客聯繫，但機器學習演算法把這項資料當成這個重要特徵的良好代理變數。在採用演算法分析模型的早期階段，可了解的洞察扮演著重要的角色；向那些對分析模型抱持懷疑的人展示演算法正在學習具有重要含義的事物，能幫助他們對這項技術建立信心。

不過，縱使展示模型辨識出已知的事實，或是確認被廣為相信的假設，因而有助於提高人們對這個模型的信心，懷疑的人可能還是不理會這項證據（「這有什麼價值？它說的是我們已經知道的東西！」），因為簡單的發現（例如，上個春季購買短袖襯衫的傾向提高）可能會被認為無足輕重。

對此，一個好方法是挑選一個足夠複雜的行為樣貌（容易了解、但並非行銷人員使用簡單的經驗法則可以解釋的行為），接著擷取吻合這個行為樣貌的所有資料，再讓模型得出明確的洞察，例如：有這種行為樣貌的顧客，其回應率遠高於所有顧客群的回應率。

【書籍資訊】
《AI行銷學》

出版日期：2020.09.30