閱讀筆記
延伸上一篇 《資料科學01|理解「大數據」在商業上的應用,到底與我有什麼關聯 ? 》中的思考,資料分析領域包含 5 個關鍵職務:
1.資料工程師與軟體工程師負責資料的清理、儲存和處理;
2.資料分析師將資料視覺化,供資料科學家分析;
3.資料科學家依據想要解決的商業命題建構模型,供決策參考;
4.領域專家則是熟悉領域專業知識,提供專業見解供資料科學家分析參考,扮演發展決策的橋梁。
其中,讓我感興趣的是,
資料科學家與領域專家,他們之間如何進行溝通決策?
與企業商業命題間又有什麼關聯?
Q1:什麼是「命題」?
分成兩階段
第一階段命題:區分辨別問題
針對問題的成因,做出區辨,描繪核心問題時所提出之關鍵性假設,
意即「對該問題之重點事項記述與關鍵觀點、以及對該問題形成因由之關鍵洞察」。
第二階段命題:針對問題提出解決方案
意即「能抑止問題成因、或為了解決該問題而提出之關鍵解題要點」。
Q2:命題的戰略層次又分成哪些?
就戰略層次來看,「命題」可分為三大層面:
最高層的是策略層次命題、中層的是營運層次命題、基礎層的是行銷層次命題。
策略層次命題
例如美國總統川普上任後所提出的「美國優先」主張,就是延續其競選主張;日本安倍晉三首相提出「安倍經濟」政策(安倍三箭:寬鬆貨幣政策、擴大財政支出、結構性經濟改革與成長策略)等。
營運層次命題
企業為了解決其生存問題、策略問題或營運問題,或是因應競爭或是成長策略而提出的命題,都可謂是企業級命題。
例如中華電信MOD等這些OTT業者,以往無法吸引大量使用者的問題,其中一個顯著原因便是收視習慣,後來某一家網路電視(IPTV)業者,他們所提的重設命題解題方案,除了與機上盒業者和電信業者合作,以策略結盟擴大滲透率以及調整價格收費之外,最重大的調整就是更改了顧客的使用介面,讓一個節目自成一個頻道,打出月繳199元的訂戶可收看400個頻道的體驗方案模式,像這樣以「重設命題」的革新,為自己提升競爭力。
行銷層次命題
就行銷程序而言,所謂的「命題」有兩類。
在行銷過程中會遇到兩個「設定正確的命題」的關卡:
「界定正確的問題命題」與「找出能夠解決問題的正確命題」這兩個部份。
Q3:商業命題與資料科學之間的關聯?
找出商業應用價值高的「目標命題」。
(資料科學家與領域專家溝通情境模擬,原文出處: 先有目標,再有資料)
商業命題:區分辨別問題
針對每位意見領袖的意見,去分析其影響力擴及的社群,
以及對這些社群的行為效益有何影響,進而作為該企業商業布局的參考。
資料科學:針對問題提出解決方案
接著,數據科學需要推演一套思考架構。
商務上,想要瞭解意見領袖影響社群的程度,重點會擺在「量化」每位意見領袖的影響範圍,並以此來決定該位領袖的影響層級,例如可能是「全國性」的意見領袖,或是「區域性」的意見領袖,當然,也可能是全球的代表性人物。
界定出他的影響層級後,就可以量化受其影響的社群人數,評估他的影響力範圍,建立最合適的模型以及演算方法,接著訓練模型後,再利用回饋機制即時驗證模型產出的結果,並在最短時間內不斷反覆驗證。
結論:先思考如何應用,再盤點現有數據
先有目標,再有資料這篇文章點出了一個很重要的觀點:
先思考如何應用,再盤點現有數據,
才不會因為數據應用範圍限制,窄化了商業應用價值高的目標命題。
確立了商業目標命題之後,再運用數據科學推演一套思考架構,
例如發想量化因素,加以驗證,並設定各因素之權重及互相影響的程度,
再來才是去建立最合適的模型及演算方法,並反覆驗證以獲得最準確的效果。