快速反應機制─類神經網路
在大數據風起雲湧的浪潮下，「類神經網路（Artificial Neural Network，ANN）是現今廣泛被稱為「人工智慧」或者「深度學習」的主角之一。簡單來說，類神經網路是模仿大腦運作的機器學習方式。人類大腦內的神經網路，主要是由神經元與突觸所組成。其中，神經元具有階層性，階層之間的神經元有著不同強度的鍵結，而類神經網路，就是仿照這樣的概念發展而成。
類神經網路是以電腦（軟體或硬體）來模擬大腦神經的人工智慧系統，並將此應用於辨識、決策、控制、預測等工作。在神經網路的階層上，一般包括輸入層、隱藏層與輸出層，而中間的隱藏層可以有一層以上。其中，兩層（含）以上隱藏層的神經網路，通常會被泛稱為深度神經網路（Deep Neural Network，DNN），如圖1所示。
如果要談類神經網路的細部原理，類神經網路所模擬人類神經元中，常會設定一個個的激發函數（activation function），也就是圖1中的各個隱藏層裡面的節點，轉換成數學式，就是我們時常看到的迴歸模型（見）。
當我們對神經元進行輸入（Xi）後，經過激發函數與內部迴歸模型對輸入的權重（Wi）加乘，再加入偏誤（b）後，便完成了該節點的輸出。該輸出會再傳給下一個神經元，作為該神經元的輸入值，如此一層層傳遞下去，直到最後一層的輸出層，產生預測結果。在學術上，這就是著名的「前向傳播法（Forward-Propagation）」。
此外，類神經網路會由預測結果和真實結果之間的差距，對整個神經網路進行更新。由於這是一種由後面神經元至前層神經元的更新，學術上又稱為「反向傳播法(Backward-Propagation)」。
透過訓練類神經網路的這幾個基本步驟，達到如人類神經元一般的活動進行學習，逐步讓預測結果愈來愈準確。同時，過程中隨著隱藏層的加深，也讓預測能力更好，意味賦予類神經網路更多的神經元進行訓練，這也是類神經網路，為何常被稱為「人工智慧」與「深度學習」的原因。
如今類神經網路對各大產業已經產生了深遠的影響與應用，從瑕疵檢測、醫學影像辨識、信用卡詐欺偵測、精準校務就學穩定率預測、離職預測到精準行銷等，幾乎全都奠基在類神經網路模型的架構與技術上發展。
至於在行銷資料科學的領域中，有類神經的類似案例嗎？以實際執行的行銷資料科學專案為例，透過類神經網路搭配其他數學方法，已經可以幫助我們做出產品銷量預測與產品調整的指示性建議。
在銷量預測部分，管理者只要將每一家分店所搜集的相關數值作為類神經網路模型的「輸入（input）」，經過類神經網路開始進行預測，進而產出分店內不同產品的銷售量。藉由機器輔助方式，讓管理者可預先知道銷售量預測數值，進而作為調整商店現場的參考依據。
在圖2中，假設下週的A產品預測銷售量為50、B產品預測銷售量為75…，身為有經驗的管理者即可預估下週店員的派駐數量、現場產品陳設方案等，但更重要的是，管理者便知道A產品要進行「到貨準備」，如此，不但大大減少庫存壓力，同時降低存貨評估人員的人工成本，達到一舉兩得之效！
其次，在產品調整的指示性建議部分，類神經網路可比銷量預測更進一步，做到自動調整的建議。也就是說，管理者此時僅需將過去搜集到的數據，同時給定目標銷售量、轉換率或者任何想要達成且可量化的目標，並放入類神經網路模型。經過模型與其他數學函數的轉換，模型就會建議管理者，調整達到目標所需的管理變數，做為在現場調整的參考方案。
舉例來說，假設管理者要求商品要有10%的轉換率（即100名入店的消費者，有10個人進行消費），這時候，模型馬上便會給予管理者，在特定時間點的銷售建議，像是現場銷售人員數量的配置，以及調整上架商品的售價等，讓管理者能夠節省決策時間，快速搶進商機，如圖3所示。
作者：鍾皓軒（臺灣行銷研究有限公司共同創辦人）、 蘇宇暉（台科大管研所博士候選人）
