五折好還是九折好?數據科學家如何化身企業「唐國師」

五折好還是九折好?數據科學家如何化身企業「唐國師」

身體不舒服時,人們會去找醫師、有法律問題則會諮詢律師,若遇到的是財務問題,請教對象就可能是會計師。但如果是業績呢?這時要請益的對象,或許是數據科學家。

舉例來說,今天若想參加旅展這類大型展會,或雙十一這樣的大型購物節,一場折扣大戰一定是免不了的。但到底要殺出什麼樣的折扣深度,才能在達到刺激營收成長目的同時,又守住目標毛利率?這時數據科學家可能就是那個可以協助業務單位得出比單純靠經驗更好結果的關鍵角色。

你相信AI黑盒子,還是自己的經驗

但有趣的是,不同於醫師在做醫療診斷時,有X光片、MRI等各種精密儀器可以作為輔助;或者律師則是有法條和判例可以做為依據;相比之下,數據科學家雖被稱作科學家,採用機器學習的方法之於一般人眼裡,卻可能像是看著水晶球說出預言的女巫。

因為機器學習就宛如是一個黑盒子,包括建立這個機器學習模型的人,都可能難以準確說明機器所吐出的每一個答案背後,究竟是循著哪一條路徑而來。而這樣的特性,相信也為許多數據科學家在實務工作上帶來不小的挑戰。

畢竟,數據科學家的工作是從數據中找出答案,但這個答案最終在實務中得出的結果和責任,卻是由執行單位來扛。可以想像,如果無法理解機器學習背後的決策成因、又缺乏信任感,那執行單位最後可能還是寧願用自己的經驗去賭一把。

傳統統計方法更透明,但有侷限

當然,如果是採用傳統的統計方法,去做分布假設,然後再建構模型,這時就沒有所謂黑盒子的問題。但採用傳統的統計方法,卻也會面臨不同面向的局限和挑戰。

舉例來說,當只有三個變數時,很容易就可以滿足假設,但如果變數增加到20個,原本的統計模型就未必適用了。相對地,機器學習的一大優勢,就是可以略過滿足假設的過程,直接採用暴力解法做「曲線擬合」,如此更能因應實務上會有的變動,並也能在更短時間內處理更龐雜的資料量。

如此,既想借助機器學習這個黑盒子的幫助,又不能讓數據科學家淪為公司擺設,這時除了需要耐心和各事業單位溝通,最重要的一件事,就是不能想著一步登天,從一開始就急著做火力展示。

因為納入考量的變因愈多,機器學習的能力固然會愈強,但模型相對地也會更加複雜,那麼要想讓執行單位理解的難度就會更高。倒不如初起步時,先選擇較少的變因,做出一個相對簡單,更偏向傳統統計,卻有較高解釋能力的測試案。

以電商面臨的情境來說,可以只先挑出折扣金額、營收和毛利率這三項變因。其中關於折扣下愈深、毛利就愈傷的關聯性,因為與實務經驗貼近,本來就已經很容易被理解,所以進一步要證明的就是使用多少折扣額度,可以帶來最大業績量,同時守住毛利率目標。

我們從實務經驗中確實看到,在成功讓執行單位親眼見證機器學習所預測的結果,與實際採用該建議折扣額度所得出的營收與毛利率誤差僅不到1%時,後續不僅懷疑的眼光少了,信任的建立也讓更多業務執行單位開始積極上門求助。

建立信任,數據科學家才能建構更強大的工具

而這樣的信任關係會讓數據科學家有更大的空間去加入更多複雜變因,讓機器學習能力更加強大。舉例來說,如果可以不只是看折扣總額,而是將變因再細分成九折、八折、五折等不同折扣程度,那麼機器學習也可以幫助執行單位做到更細緻的營運布局。

如一般可能會認為五折的折扣最深,賣量應該也會比較大,對業績墊高的效果最好。但從實際操作卻可以看到,打五折促銷的結果,其實和完全不打折是很相近的;反倒是做九折、八五折活動,業績會動得更明顯。而這樣的結果就是原本只看營收、毛利率和折扣總額這三項變因無法做到的。

可以說,一旦建立了信任,即便模型在優化的同時也變得愈來愈複雜,資料科學家需要解釋的時間和力氣反而會愈來愈少。而這樣的加乘合作,將更有助於整體業績目標的達成,一起把公司給養胖、養壯。

文章授權(創用CC授權)
by-nc-sa
comment

CONTACT US

We're not around right now. But you can send us an email and we'll get back to you, asap.

Sending

©2020 Business Next Publishing Corp. 聯絡、建議隱私權

Log in with your credentials

or    

Forgot your details?

Create Account