【演講】掌握亞太新零售「企」機 — 讓數據力驅動企業明日營運戰力 — 哈佛商業評論
以 Appier 為主角，解說各單位如何利用 appier 工具，達到精準行銷
兩個故事開場
Stitch fix
讓大數據與造型師幫你挑衣服， Stitch Fix靠宅配試穿營收223億！ — 今周刊
So nice
提到蠻關鍵的詞：OMO
過去十年，電商時代轉型大家談的是 O2O，如何把客戶從線上帶到線下去，或是反過來，也談要不要做線上服務，要不要做 mobile，這些到現在已經成為 common sense 了
OMO （Online-Merge-Offline線上與線下融合），可能是另一個潮詞，但概念上應該也是順應潮流，讓線上資料與線下資料融合，史同一個品牌或服務一致，或是互相呼應，李開復這篇文章提到：出行、零售、教育，其中教育的部分為「語言學習」，利用軟硬整合，sensor 的普及，搭配人工智慧判讀資料，實現 AIOT+OMO，也就是互聯網、AI、Data 將可能形成下一波浪潮，或是… 已經在浪潮了
補充閱讀：
Appier 孫民
appier 繼 2016 延攬台大林軒田後，也在 2018 找來了孫民，孫民專精電腦視覺、自然語言處理、深度學習與強化學習，師承頂尖人工智慧專家，如吳恩達、李飛飛及Silvio Savarese
演講中提到幾個段落：
AI 將改變零售從：
- 物流
- 倉儲
- 客服
- 實體辨識（人或物）
- 會員經營
技術面的挑戰有：
- 多屏時代：平均一個人有三個載具，要如何辨識是否為同一個人
- 跨部門資料整合：讓公司內部的資料融合流通，打破穀倉效應
- 資料治理、整合：資料的管理落實，讓資料更可信更有效率
三個技術革新：
- transfer learning：讓我們從部分已知，去判讀預測未知
- NLP：從 word2vector 進化到 Phrase2Vector，也就是可以做到將片語或是句子轉成向量比較，從單詞判讀到文章語意，這也代表，未來系統可以從你所讀的文章，判斷你個人的屬性，
- 個人化的訊息：除了動態更新用戶屬性外，這裡談到汲取用戶的「站外訊息」，在用戶第一次 onboard 時，就提供個人化服務，是我最好奇的部分，但現場技術著墨不多，我猜是 appier 針對多屏的關鍵技術之一
對談的部分
聽到幾個比較有趣的點：
- 如果我們已經有會員系統了，那為什麼還要透過 appier 等第三方建立會員機制呢？
這裡聽到的解釋大概在於：精準投放，也就是你空有會員列表，但是你沒有辦法規模化解讀行為時，就是要靠第三方幫忙，除非你自己養資料科學家，從頭建立一個系統，但是你要面臨的除了找人才外，還有多屏、線上線下、資料純度等等挑戰
- 線上線下，各自為政，在管理上，如何做到資料融合呢？
讓資料幫助現場成功，進而相信線據，相信數據，依賴數據
數據在公司內推行並不容易，通常一定是由上而下傳教，管理層如果不相信，那就不會有對應政策，那就不會落地，而高層在做數據決策時，勁量去看 why 而不是 what，例如：用數據佐證方向，確認用戶認知，做出好產品，而非直接強行進到推銷行為，產生變現，如此由上而下，利用數據產出好的決策，落實到現場，讓現場因為數據而舒服，才能達到數據決策的真正功效
- 線上事件引發線下行為，或相反順序，如何認列？
通常由各公司自行決定時間，像是FB 會訂定某個時間你看到廣告了，過了 n 小時候，你決定購買相關產品，就會認列其功勞，而 GA 也有類似的功能，叫做輔助轉換，其中也有關於時間及輔助的認列定義
另外，也會產出 一物一碼，線下發票登入購買，回到線上，儲存資訊，讓賣家可以知道使用者在什麼時候，在哪裡，買了什麼？
未來五年的展望
Appier：線上線下整合 OMO
阿瘦：零售業轉型為「服務產業」，讓AI 幫助人（拒絕無人商店）
Neogence：OMO 電商線下實體轉服務，跟消費者站在一起，體驗品牌
91app
- 有會員了，用appier 分析既有會員行為，分群，提升溝通效率，極致做到一對一。
- 客服大部分問題，能用系統解決
- 讓資料源乾淨，提供給用戶，做到更優質的服務
