6月5號，《黑鏡》第五季在Netflix 上釋出全新三集內容，一直以來《黑鏡》都探討著科技對生活帶來的影響，而第五季第二集《碎片》(Smithereens)的主題則側重於社群網路，以下有些微劇透，尚未觀看《碎》的讀者請自行斟酌是否向下閱讀。
《碎》劇中提到男主角開車送未婚妻回家的途中，突然收到了來自社群網站Smithereens的通知，男主角則習慣性地拿起了手機看了通知，就在他眼神離開道路不到一秒鐘的時間，他們撞上了右方的來車，僅僅是開車時看了一眼手機的通知，便永遠失去了未婚妻，而隨後的悲劇也從此展開。
錯的不在於通知本身，而是通知的時機
以Line作為例子：如果推播對象不經過分眾篩選，用戶一直收到他毫無興趣的冗贅訊息，只會降低用戶對該Line帳號的興趣，在用戶耐心不斷消耗的同時，被封鎖的機率也在徒增，同時推播的費用也會增加；同樣的，如果推播時間不經過考量，很可能會打擾到用戶作息影響品牌觀感，綜合以上，我們可以做到更貼心的推播方式，在更好的時機推播給用戶。
什麼是「更好的時機」
我們常從自己的角度來思考合最能達到效益的推播時間，但更好的方法是反過來站在用戶的角度思考，每個用戶都有不同的生活作息、閱讀時段偏好，因此最理想的情況就是針對每一個用戶量身打造「最佳推播時間」，這個時間要能對應到用戶閒暇之餘的閱讀時段才能發揮最大效果；然而在資料的應用上，我們會遇到的兩大問題：
- 要怎麼透過資料推敲每一個用戶的「最佳推播時間」
- 怎麼評估「最佳推播時間」是否真有成效
以下會針對上述兩大問題作進一步分析。
用戶閱讀習慣
要站在用戶的角度提供更完善的服務，必須深度了解用戶的類型，但用戶不會主動提交他們的生活規劃，不可能要求用戶主動告訴我們他們什麼時候工作、什麼時候睡覺、什麼時候才想閱讀，只能從用戶在LINE上面的行為旁敲側擊。而此時，我們在推播上就需要一點技術性的小巧思，以及更正確的數據分析及解讀概念。
舉例來說：要怎麼知道一名用戶點開我們的LINE官方帳號之後有沒有接收到資訊呢？當我們推播一則文章連結、圖卡給用戶後，要怎麼知道用戶是否有點擊進去呢？這時可以結合「LIFF」的應用，透過LIFF可以知道單一用戶是否點擊了圖卡或連結，進而計算此次推播的「點擊率」、用戶於LIFF上的停留時間，來推測用戶對該則訊息感興趣的程度，如果後續能再進一步串接網站的轉換動作，就能了解更全面的用戶資料。
接著，要帶大家怎麼分析用戶的閱讀習性，當我們收集到用戶點擊情形後，站在平台的角度，初期用戶資料還比較少的時候，我們可以分析整體文章在每個時段的點擊情形，以下圖作為例子，這是某個平台近29次的推播被所有用戶點擊的情形，我們將每次被點擊的時間記錄下來，製作成每個時段(Time)的點擊(Clicks)直方圖。
一目瞭然地，可以看見圖形有三個高峰，這意味著該平台的用戶可能比較習慣在早上9點、中午12點、以及下午18點的時後點擊推播連結！我們可以間接的猜測，該平台的用戶群可能習慣在這些時間閱讀文章，那麼下次發送推播前便可以優先選擇這3大時段來設定排程。
然而，魔鬼藏在細節中，真正在這3個時段點擊數占總點擊數的42.2%，也就是說這樣推播方式尚未照顧到剩下57.8%的用戶閱讀時間，並且每個人對不同的文章有不同的喜好，依照上面的統計方式，我們無法向客戶說明任何一位用戶的最佳推播時間在哪個時段，只能知道整個用戶群體大致的結果，雖然這在平台推播初期不失為是一個可行方法，但當用戶資料夠多時，我們應該要針對單一用戶與平台的互動時段進行統計才能達到真正的「個人化」的最佳推播時間。
個人化的最佳推播時間
上述是針對整體推播被點擊的情形進行統計，但要做到真正的個人化，我們還得再抽絲剝繭，統計單一用戶在平台上的互動情形。以下圖為例，這是某個單一用戶在某個LINE平台上的使用狀況，便可以發現該名用戶最習慣點擊連結的時間其實是在晚上8點，反而在早上、中午、傍晚幾乎沒有點擊，這與上述的3大時段並不相同，我們並不知道這3個時段該名用戶究竟在做什麼而不看LINE訊息，但我們可以為該用戶量身打造推播時間，在晚上8點到9點的時段，也就是在他過往最常點擊連結的時段，推播訊息給他！
假使你的用戶沒有明確的高峰閱讀時間也沒有關係，嘗試反向找到用戶最不常點擊的時段，反向操作排除那些時段，剩下的就可以做為候選的推播時間，同樣可以在推播時間上得到改善！
不僅分段推播，還能促進分眾、緩解平台負擔
每一名用戶的閱讀時間不全相同，在整理每個用戶的最佳推播時間時，我們同樣可以將「最佳推播時間」做為其中一個「動態標籤」來將用戶分眾，不僅可以協助推播時間，也能在讓分眾效果更精確，動態標籤的細節讀者們可以參考《Line2.0 分眾推播新思維》，這也代表著，每位用戶收到推播的時間都不完全相同，習慣在早上閱讀的人會在早上收到推播，中午才有空忙裡偷閒看LINE的就會盡量讓他在中午收到通知，如此一來，即便是面對數十萬多個用戶，我們可以根據「最佳推播時間」將推播分散至10多個時段，一方面可以達到更精準、更貼近用戶的閱讀時間，另一方面也可以作為動態標籤改進分眾效果，不僅如此，還能將龐大數量的推播分散開來，緩解平台負擔，堪稱一舉多得。
推播時間也可以Ａ/ B Test
在統計人員整理出每個用戶的「最佳推播時間」之後，先別急著推播，在推播前我們還得在先考慮後續怎麼衡量我們的「最佳推播時間」究竟效果好不好，也許是現況下資料還不夠充足，或者分析時沒有排除雜訊，或需要改良統計方式，這些都會導致我們錯估最佳推播時間，如果沒有一套評估得標準，往後只會徒增後台人員設定推播的步驟，沒有太大效益。
因此，設定推播時，我們可以做Ａ/ B Test，將準備推播的名單分成兩部分，一部分是按照最佳推播時間，另一部分則是隨機選擇，考慮到後續分析上必須用到的統計檢定，我們盡可能讓A、B包每個時段的推播人數一樣，或在人數差距不會太懸殊的情況下讓每個時段的人數比例相同，後續就可以用Chi-Square test of homogeneity 來分析A、B兩組的點擊人數/比例分佈是否有顯著差異（檢定方式僅供參考，根據能接受的型I誤差、資料的分佈、分析目的不同，也許有更適合的檢定方法，建議可以詢問身邊專業的統計人士），如此一來就能根據檢定結果，來評估「最佳推播時間」的判定方法是否還需要改進。
給用戶多一份用心
用戶的每一個行為，都是一次珍貴有價值的資訊反饋，以往我們很難針對每一次的互動行為進行處理，但如今透過大量且深度的數據分析，我們就能夠將資料的價值，以更貼心、更友善的使用者體驗回饋給用戶，甚至做到「個人化」的精準推播。如同每一次用戶的點擊，都暗示著我們他習慣的閱讀時間，只要我們多放一點心思，站在用戶的立場考量，就能以更好的時機發送推播，而盡可能地不打擾用戶原本的作息，也能讓精準推播帶來更大的效益。
