行銷資料科學 Marketing Data Science

從大數據（Big Data）到全數據（Whole Data）

        被譽為資訊界的傳奇人物、也曾獲得資訊科學領域中最高榮譽圖靈獎（Turing Award）的美國資訊工程學家吉姆·格雷（Jim Gray），在其生前曾提出「科學典範」（Science Paradigm）的概念，他認為科學研究的演進，有以下四種典範[1]，如圖1所示：

       1.第一典範「科學實驗」：以記錄方式，呈現實驗結果，描述自然現象。

       2.第二典範「理論推演」：發展理論，建立模型，歸納驗證。

       3.第三典範「模擬仿真」：透過電腦，對複雜現象進行模擬。

       4.第四典範「數據密集」：對數據進行探索（Data exploration），又稱eScience

       大數據，就是屬於上述科學研究的第四典範（Paradigm）。

圖1 科學研究演進四典範

（圖形中的時間為2009年前的時間）

資料來源：修改自The Fourth Paradigm: Data-intensive Scientific Discovery （T. Hey, S. Tansley, and K. Tolle, 2009）

繪圖者：周晏汝

       值得一提的是，第一典範其實是世界文明進步的開始，已存在約一千年，主要是人類以紀錄方式，描述自然現象、呈現實驗結果，而這也是人類知識得以累積的重要基礎；至於第二典範，則有一百年以上的歷史，大約是工業革命之後，人類大量投入基礎研究，科學研究為藉由發展理論、建立模型的歸納驗證方式。

       第三典範「模擬仿真」與第四典範「數據密集」都是利用電腦來對數據進行處理。兩者之間的差異，在於第三典範「模擬仿真」會先釐清問題並確認假設，再利用數據進行分析與驗證。而第四典範「數據密集」，則是先有大數據，然後再透過分析，發現未知的理論。因此，第四典範的作法，不強調推論「因果」（cause and effect），而是強調發現「相關」（correlation）。這種思維則徹底顛覆了傳統的科學研究做法。

       由於現有的行銷資料常被集中在各個企業或機構的「資料倉庫」內。這些資料可能有各種來源，各種不同格式，像是各種因為不同任務需要所蒐集而來的數據、統計報告和趨勢調查等。而資料探索（Data exploration）則是由資料科學家根據各方收集而來的資料，形成真實分析的一種資訊探索方式。

       舉例來說，目前各式各樣混亂、毫無結構的人類各種活動的痕跡，正由各種工具如臉書、Instagram和Youtube記錄下來，而藉由探索性資料分析（Exploratory Data Analysis, EDA）這種視覺化和統計分析工具，找出其中的關連，正是大數據分析或行銷資料科學的基本精神所在。

此外，第四典範「數據密集」的研究概念，更強調以完整的數據來進行分析，只要數據是真實的，我們就能透過分析工具，了解資料背後的可能存在的各種行為，進而找出其行為模式。這個部分包涵兩個層次，一是資料蒐集時，不僅是「大」，而是「全」（意即真實且完整）。其次，由於現行分析工具越來越強大，以前企業可能無法顧及末端的消費者（交易次數少、金額低），而只聚焦前端的顧客，現在拜大數據之賜，可以掌握「全部」的個別消費者的交易數據，企業甚至可以觀察到個別消費者的動態。如果某一消費者的交易突然靜止好一段時間，企業就可以盡快推出一對一行銷，將此顧客設法保留在會員名單內，而非坐等令其流失。這也是從大數據（Big Data）到全數據（Whole Data）的基本概念。

                  羅凱揚（台科大兼任助理教授）、蘇宇暉（台科大管研所博士生）