不用說，我都能懂!「機器學習」給零售業的新解方
作者:SAS台灣創新中心資深顧問林輝倫
原文刊登自:天下雜誌
零售的生態近期因為「新零售」這類串聯線上線下的營運模式開始翻轉，大家忙著著眼於增加與消費者的接觸點時，SAS台灣創新中心資深顧問林輝倫，卻為台灣零售流通業產業提出一個更務實且同時具備銜接人工智慧時代的思考點:企業該提供的不再是超便利服務，而是領先與消費者互動，提供「最適性」服務，不論你擁有的是online or offline。
近期談及零售業的轉型，總是浮現幾個令人興奮的名詞:O2O(Online to Offline)、虛實整合、新零售，還有美、中兩大電子商務平台紛紛開設實體商店等訊息。零售產業生態被翻轉攪動，這波浪潮鼓動了一股企業朝向擁有數位實體通路兼備、持續擴大與消費者接觸點的策略。
面對這點，SAS台灣創新中心資深顧問林輝倫對台灣零售業卻做出了不一樣的觀察。「大家似乎一股腦兒想著如何拓展與客戶接觸的通路、加速回應客戶的需求，然而卻忽略為客戶創造便利，不等同其即願意向你投誠。讓客戶願意再次跟你互動的主因，通常是他們曾經或現在正『即時』從你的產品或服務中，得到『他期待』的滿足-即提供他『最適性』的服務，打造專屬客戶歷程。」
林輝倫進一步舉了幾個SAS服務多年的客戶案例做說明。
駐足點即為你與客戶的對話起點
「需要為您介紹嗎?」「不用，我自己先逛逛」店員與客戶之間常見這樣的對話，然而接下來很可能看到客戶在店內或櫥窗前駐足了一陣子，隨後拿起手機瀏覽網頁，最終轉身離去-因為與電子商務平台比價後，客戶決定改由線上下單。
面對愈來愈多這樣的客戶流失，美國最大連鎖百貨公司決定做些改變，他們佈建了Beacon裝置，利用美國人仰賴百貨公司無線網路的行為，與SAS攜手讓客戶踏進百貨公司時，開始偵測分析個人行動軌跡。
於是當客戶在某些展示架停留一定時間時，開始分析其商品偏好，並針對過往客戶購買紀錄、曾瀏覽該百貨公司網站的網頁與購物籃紀錄，「即時運算」出個人化的商品組合，包含相關商品的限時個人折價券或店內限量色款的資訊等，發送簡訊到其手機，提高其店內採購的意願。甚至，當一位女性購買果汁機時，開始納入其基本資料與過往線上線下互動資料做運算，判斷其可能的身分:注重家人健康的母親?正在瘦身的年輕女性?進而同時給予該名消費者果汁機加學童餐具，或果汁機加瘦身褲的組合優惠套組。
這間百貨龍頭智慧地在擺脫過往不斷發送eDM卻低回應的窘境下，完成精準且客製化的互動目標。
台灣知名百貨櫃位乾坤挪移，施展吸金大法
你可能想不到，其實台灣一家知名連鎖百貨近年早已利用SAS分析，與您做過接觸!「這是目前我接觸台灣大型零售業者中，最願意使用智能分析服務客戶的企業。他們分析櫃位、樓層重新配置最佳組合產品，真正落實以客戶為中心，讓客戶不用走太遠就可以購足需求，甚至因為延長在館內的時間，平均多消費近5%的金額」林輝倫興奮地表示。
這間百貨公司使用櫃位營業額、銷售品項、活動檔期與位置關聯性分析等參數，分析每樓層的櫃位相互關係，結果發現最能夠連帶帶動周邊櫃位業績的，竟然是某些特質的餐飲類櫃位。於是其將各分店該類餐廳重新配置到總是較難留客的樓層位置，或是冷門櫃位區，活絡人潮至更多動線，成功延長顧客停留時間，也讓樓層招商取得更多利基。
退貨櫃台成加購櫃台
許多零售或大型量販店都提供有鑑賞期內免費退貨服務，為減緩與客戶負面的互動，退貨櫃台通常成為保守回應的服務點。而SAS卻利用進階分析技術，讓國際知名量販店成功把退貨櫃台，變成了銷售櫃台!
美國一家量販店重新設計了退貨的應對流程:當客戶臨櫃時，即開啟了「即時分析」，系統以過往線上線下的客戶偏好、退貨成因以及個人消費紀錄來重新定位服務。如客戶退貨主因是早前買回的廚具與家具顏色不搭配，而過往他總是偏好某些品牌，我們即可當下推薦他其他同等預算的商品，針對店內忠實客戶，甚至給予個人折價或是加購周邊商品的優惠。
當然，如果他只是習慣利用鑑賞期嘗鮮而總是無意購買的客戶，則未來不列入行銷活動優惠族群中，但是，卻可成為行銷部門未來的產品調查潛在對象，打造客戶的另類價值。
上述幾個案例呈現的『最適性』服務不僅代表對個人的掌握度，還可應對至企業內部資源的最佳配置、通路配置、存貨與供應鏈管理…等，達到顧客滿意度及企業投注資源效益的雙贏。「這背後仰賴的，即是近期正討論地沸沸揚揚的『機器學習演算法』。」林輝倫補充說道:「機器學習是人工智慧的一個分支，原理是機器會從數據中自主且重複地學習，進而做出精準的預測。近年來早已被廣泛應用在資料探勘中，而SAS投入機器學習領域已超過30年，我們提供給客戶的解決方案早已架構在此運算基礎上」
機器學習的魔力:知其所知(Know knows)、知其所不知(Know unknowns)、不知其所不知(Unknown unknowns)
美國前國防部長倫斯斐（Donald Rumsfeld）曾在回應掌握該出兵伊拉克的證據時，以幾個出色的詞彙表達出複雜的決策基礎:
- 有些事我們知道(Know knows)
- 有些事我們知道尚未得知(Know unknowns)
- 還有些事，我們不知道其實我們未知(Unknown unknowns)。
林輝倫巧妙地引述「其實這就如同機器學習可帶來的魔力」:
過去，我們整理報表來剖析，是種知其所知(Know knows)
現在，我們開始以大數據做資料採礦，發掘以往不知的洞察，是種知其所不知(Know unknowns)
不遠的未來，我們將在機器可快速地不斷吸收數據量、自動學習最佳解的運算中，看見我們自己也從未意識到的領域，即是種不知其所不知(Unknown unknowns)
以零售為例的解釋，我們在線下蒐集到的數據(會員資料、購買紀錄與問卷回饋…等)，即可讓我們利用機器學習做到進階的分析，如關聯性分析與文字分析，大量的自動學習既有資訊，讓我們知道這位客戶因為曾經消費A產品，所以我們可推薦他相關的B產品，或是可為客戶分群觀察其共通的行為軌跡，更有效益地配置行銷資源與對的族群互動。機器學習其實是奠基在擁有歷史資料，進而以其建構出模型來完成預測，達到「知其所不知(Know
unknowns)」的功力。
而現在因為電商平台與市場的成熟，當我們的分析也可從線下延伸到線上，或是做出O2O的整合，這些線上串流資料的匯集，我們甚至可佈署好「即時決策」機制，把會員經營的關係提升到最緊密、最適性也最迅速，甚至超越到替你挖掘出連客戶自己都未知的需求!
舉例來說，我們一直不斷從線上線下大量累積的數據中，重複「同中求異，異中求同」的運算來累積客戶行為模式。而今日一位客戶忽然出現異常值跑去童裝櫃位，一來不像她過往的行為，二來其與既有社群的關聯性也忽然降低，於是機器察覺此獨特處作下註記，並開始與其互動，過程中隨著她接受或回應，機器持續不斷即時運算，繼續理解她可能的人生階段改變:「她懷孕了」、「親友有人生孩子」或是找到一份跟「幼教相關的工作」…等。
此類的異常值因為從未被認知，所以決策單位沒有建立應對機制或模型的決策關鍵點，但是機器學習技術卻幫你看出了端倪，完成了「不知其所不知(Unknown unknowns)」! 這樣的應用非常適用在嶄新產品、試行服務上線或是倉儲系統設備偵測等實踐，是未來智能時代取得領先優勢的關鍵技術!
現今全世界開始瘋人工智慧，即是在於其即將以擬人甚至超人的智慧，幫企業更快地了解客戶預測客戶行為，以即時連結商業決策。林輝倫最終補充:「機器學習的應用其實早已來到我們身邊，人類超越機器的價值所在，即是在於能否發揮感知與創意，360度地以客戶為導向，來『教育』機器建構更好的服務體系。」
