资料分析的思维-国立成功大学会计学系.PPT

本書主要討論兩種決策: (1) 藉由發現資料背後的訊息來做決策 (2) 重複性決策，尤其是大規模的決策，藉由資料分析即使提高一點點的決策精確度都能夠獲益 Wall-Mart及Target的例子皆屬於第一種。 * 資料科學、工程、資料導向決策 前面所提及的電話公司預測顧客跳槽例子為第二種決策---每個月有大量的客戶合約到期，其中有些可能就此離開。 如果對這樣的顧客我們能夠較準確的預估專注在他身上的獲益有多大，因為我們有數百萬的客戶，就會積沙成塔，獲益可觀。 同樣的邏輯也適用在其他的領域：直接行銷、線上廣告、金融交易、信用評分、舞弊偵測、產品推薦等等。 * 資料科學、工程、資料導向決策 * Netflix(網飛)的例子 用戶租看的影片75%來自系統的自動推薦 預測用戶對一部影片的評等誤差不會超過半顆星 * Netflix的例子 (續) 2013年2月Netflix推出「紙牌屋」(House of Cards)影集 導演：大衛芬奇 (David Fincher；《社群網戰》、《班傑明的奇幻旅程》、《鬥陣俱樂部》) 主角：凱文史貝西 (Kevin Spacey；《老闆不是人》、《心理醫生》、《美國心玫瑰情》) 集數：共 26 集，分兩季推出。 * Netflix的例子 (續) 「紙牌屋」(House of Cards)影集 突破：1. 只在網路上架；2. 一次上架整季 13 集。 優勢：事先根據 2,900 萬 Netflix 的會員收視行為分析，根據導演、主角、政治題材的組合，找出目標觀眾，進行精準推薦。 成績：IMDb 上 15,762 次評價，平均得分 9.0 (2013.2.28)，上架兩週後被 IMDb MOVIEmeter 評為最受歡迎的電視影集。 * Netflix 資料分析的顧客價值主張 精準推薦減少客戶找尋喜好影片的時間 精準推薦降低客戶花時間觀看不能令其滿意影片內容的機率 創新影集播映方式，一季全部集數一次給足，讓客戶不用每週枯等一集 * 成功大學預測漸凍人病程? 漸凍人症的病況發展難預測，成功大學資訊工程學系蔣榮先教授、楊士德教授帶領成大團隊成員方文杰博士、研究生張桓瑞、楊震，參加「世界夢想挑戰賽（DREAM Challenge）」之漸凍人病況發展預測的計算生物醫學程式設計競賽，擊敗30支來自全球知名大學及醫學研究機構專業人員，勇奪世界第一。 * 成功大學預測漸凍人病程? DREAM Challenge為國際生醫領域極為重要的大數據（Big Data）演算競賽，創立於2006年，由美國哥倫比亞大學、美國國立衛生研究院、IBM，以及紐約科學院（The New York Academy of Sciences）贊助成立，每年提供3至5項不同主題競賽，由各組織提供資料與數據，參賽者提出運算程式模型來分析，每年均吸引世界各地眾多電腦科學、工程與統計等學者專家參與競賽。 * 成功大學預測漸凍人病程? 蔣榮先教授指出，主辦單位提供了7千多名漸凍人症病患300多萬筆臨床檢查等相關研究數據，包括(身高、體重、家族病史、血液檢測等)；參賽隊伍必需先從龐大資料、數據去篩選出與漸凍人症可能有關的6項「特徵資料」，再選擇最適合的演算法，讓演算法去分析與整合「特徵資料」，建立漸凍人症病程進展的預測模型。 * 成功大學預測漸凍人病程? 成大團隊將臨床檢查資料所代表的意義，全部轉成數字，從300多萬筆資料中，找出與漸凍人症最相關的20幾個特徵，再篩選出數10組不同特徵組合，經由交叉驗證找出最佳特徵組合，要找出這個最佳特徵組合難度極高，是獲勝關鍵。? * 成功大學預測漸凍人病程? 成大團隊找出的六項特徵為，疾病症狀發作到試驗開始的時間長度、言語能力、切割食物與使用家庭日常用品的能力, 軀幹協調功能、 血中磷含量、小腿功能，團隊依篩選出的特徵，再用交叉驗證方式挑選出最適合競賽的預測演算法－GBRT。 ? 將資料及資料科學視為策略性資產 如果沒有適當的資料，資料科學團隊也無法做出有價值的事。(巧婦難為無米之炊) 如果沒有好的資料科學的分析能力，有對的資料也無法改進決策。 如同其他的資產，這是需要投資的。 * 用心思考如何投資在資料資產上常常會有很棒的回報---90年代Signet Bank的經典故事： 在80年代，為違約機率建立模型已經將金融產業從估計個人違約機率進到大尺度與市場佔有率的策略。 在80年代，信用卡基本上是單一定價，有以下兩個原因： (1)公司沒有適當的資訊系統去處理大規模不同的定價 (2)銀行管理階層覺得顧客無法接受價格差異化 * 將資料及資料科學視為策略性資產 約在1990年，兩位有遠見的策略家(Richard Fairbanks Nigel Morris)看到資訊科技已經夠強大，讓他們可以做先