未來篇- AI 時代的使用者分群
不久的未來，小弟 Sojier 我相信 AI 輔助進行使用者分析會成為新的趨勢，質性使用者調研並不會消失，但我們可不能錯過 AI 的崛起！
本文將分享資料科學聚類分析的邏輯，有了自動化分群使用的邏輯後，AI 透過數據進行使用者分群的時代也不將遠矣！
統計學上的聚類分析(Cluster)
進入 AI 分析前，我們需要先知道 AI 自動化處理的邏輯為何？那當然就要先從統計學開始說起了，其中，小弟我會想特別說明聚類分析。
讓我們用簡單的圖表來瞭解聚類分析，可以看到下圖，以二維空間示意，維度 X 和維度 Y 有時會形成有聚合特徵的一堆堆數據，我們可以利用這種呈現出相關性的現象來瞭解進行數據的分析：
當然，這也可以應用到 UX 的使用者分群上！透過數據一堆堆的分佈，我們能回推 Persona 樣貌、行為和動機的，所以讓我們繼續來真實發生的其他案例吧！
數據分群的商業案例
一、
這是 FaceBook 當年尋找產品成長突破口的著名案例，他們透過數據發現「10天內加了7位以上好友」的新使用者留存率特別高！
小弟我相信 FB 那時已對自己的用戶有深入認識，他們透過已有的資料去限縮範圍，最後得到了「加好友」這個維度，然後將資料用類似下圖的方式進行可視化，相信就是這段分析過程得出了產品優化方向，也讓 FB 後續持續追加「導入hotmail 好友」、「Email 邀請朋友」、「你可能認識的朋友」等等功能
二、
「尿布啤酒」，也是個經典的案例(都市傳說?)，某大賣場發現「週五」、「男性」、「買尿布」、「買啤酒」等四個維度有高度聚合的現象，大賣場人員推測可能是週五的年輕爸爸晚上會和朋友聚會看球賽，於是買啤酒準備的時候順便把尿布一起買齊，於是大賣場將尿布與啤酒在擺在貨架鄰近處，最終獲得了相當好的銷售成長成績。(不過，其實網路上滿多人吐槽這是一個假故事的，呵呵)
這個案例中，其實也可以透過類似聚類分析的方式，將這個特殊的使用者 Segment 找出，而因為高維度的資訊較難視覺化，下圖小弟以多個2維的圖表呈現其示意概念
三、
Amplitude，這是一個數據分析 Saas 服務，他們想幫助企業像前述兩個例子一樣，找到產品成功的關鍵指標，所以他們其中一個分析功能應用了 AI 技術，只要你輸入「轉換率」、「留存率」等關鍵結果，Amplitude 就會自動幫你分析，透過擁有對應結果特徵的使用者 Segment 分析出其關鍵差異的行為或指標
使用 AI 自動化聚類分析
透過資料科學使用聚類分析等方式，我們可以取得擁有同樣特徵的使用者分群，這樣子的大方向邏輯確定後，要透過 AI 自動化進行就會變得相當容易，在未來我們只要將對應重要指標輸入 AI 調校演算法，就能得出使用者分群了！
這樣子的方式，不管是小弟之前有提到過的 UX Segment，亦或是使用商業面指標(例如消費金額)切分出的 Marketing Segment，都能夠用 AI 切分出來，而差別只在演算法數值設定的不同而已
質性調查不會被取代
或許會有不少 UX 同學會感到害怕，是不是 AI 會搶走我們的飯碗呢？小弟 Sojier 我對質性研究倒不悲觀，因為在許多沒有數據的開發場景下，AI 是無法發揮作用的，新的公司、新的產品就沒有數據對吧？而老公司的老產品想要開發新功能、新的客源也沒有數據吧！沒有數據的狀況還會是質性調研的天下！
別抗拒 AI，AI 提供了質性調研驗證、優化的幫助，我相信擁抱 AI 並與之良好合作，是 UX 同學們較好的方向！
不過，這一切都是因為現代的「弱 AI」能力有限，如果未來出現了能夠整合外部數據的「強 AI」 出現，那就難說了，不過到了那天我想應該所有人都要失業了吧！
AI 輔助市場分群的未來
在本篇文章中，小弟 Sojier 我講述了「資料科學」透過「聚類分析」來「分群使用者」，而這個邏輯可以延續到 AI 自動化處理的實踐上，而 AI 在高維度下自動找出使用者的 Segment，我判斷將帶動未來質量整合分析的趨勢！
＿＿
如果本篇文章對你有幫助的話，歡迎訂閱我的文章或分享給朋友喔，如果看完整篇文章你還是霧傻傻搞不太懂，也可以閱讀小弟前面幾篇數據分析 UX 的相關文章：
＿＿
最後，小弟 Sojier 我想做一個小調查，
如果你沒看我這邊的說明，你可能會給我1個掌聲 XD
如果你覺得這篇文章不錯，但講的你一點都看不懂，請給我 2個掌聲
如果你覺得這篇文章不錯，但看得霧傻傻需要看下一篇，請給我3~5個掌聲
如果你因為這篇文章有了許多新的啟發與靈感，請給我 10 個或更多的掌聲
你的掌聲，將成為 Sojier 我繼續分享的動力 ！感謝:-)
