收藏
第三章
行銷演算法(節錄)
來到第三個章節「行銷演算法」，就代表我們已經進入了本書的第二個精華。在開始撰寫行銷演算法之前，我們先來聊聊演算法是什麼，以及行銷演算法的重要性吧！
一、演算法是什麼？
從第一個章節就開始講到，現今的社會是個充斥著網路及科技產品的社會，因此我們常常會聽到新興職業YouTuber 在說：「YouTube 演算法又要改了，我們的薪水要變少了。」又或者你可能聽過有人這麼說：「Netflix 的演算法也太爛了吧，總是推薦我一些我不喜歡的影集。」我們其實在日常生活中無意間就會使用到「演算法」這個名詞，但你真的了解演算法是什麼嗎？
其實很簡單，「演算法」可以被稱為一個計算過程、一個計算工具，它總是輔助我們完成一些「推斷性」的工作，而這種要完成推斷性工作的角色，其中也正包含著我們常說的「機器學習」所要進行的工作。例如上方所提到的Netflix 影集推薦系統、YouTube 流量換算薪資系統等等。
假如我們以Netflix 影集推薦系統來舉例演算法所扮演的角色：在觀眾註冊完畢Netflix 帳號並開始觀看自己喜歡的影集或電影時，這時Netflix 的演算法就會悄悄啟動，它會收錄任何你點選或觀看的影集及電影分別的屬性及其他細節，並透過演算法內的規則來分析及推敲這名觀眾比較偏好的影集及電影類別。因此當這名觀眾觀看完畢這部電影時，Netflix影集推薦演算法（Netflix 影集推薦系統）就會將它所推敲這名觀眾有可能會喜歡的電影或影集呈現出來，詢問這名觀眾「是否繼續觀看」，若這名觀眾喜歡演算法所推薦出的影集或電影並且繼續收看，那麼這個演算法就算是成功了，因為它成功為企業留下了一名使用者。
由上述例子可以得知，在演算法這個角色開始工作時，系統必須先收集好這個觀眾的歷史觀看記錄中各個電影及影集的屬性與其他細項，接著再透過演算法推斷出類似的電影及影集。因此演算法要設計得精準是一件非常必要的事情，假若Netflix 影集推薦系統推薦的影集及電影都是你完全沒有興趣的，那麼它真的就算是徹底失敗了。
由此可知，要替一個系統開發一個好的演算法，需要花費大量的時間及人力成本，但假若我們今天並不是要開發一個系統，只是想要透過演算法來輔助我們從既有的數據「推敲」一些結果的話，那麼這個演算法的設計及執行就不會這麼複雜及困難了。
二、行銷演算法又是什麼？
行銷演算法是屬於上一部分所描述演算法的其中一種「類別」而已。大部分的基礎演算法其實可以與機器學習畫上等號，然而將這些機器學習技術應用在行銷領域，將會是一項領先同行的應用技術，因此能夠應用在行銷領域的一些機器學習演算法則被我們稱為行銷演算法(MarTech)。行銷演算法一樣是一個計算過程、一個計算工具、一個輔助我們完成一些「推斷性」工作的角色，然而行銷演算法又更著重在「行銷」這個領域了。
舉例來說，當一個電子商務企業想要得知特定類型的顧客進入網站後，有可能購買的產品會是什麼，並且刻意展示該產品以增加顧客的購買率，那麼此時就可以透過觀察這個顧客所點擊商品的類別，抑或加入購物車的商品種類來進行購物籃分析，從而得知這名顧客可能會對什麼產品也有興趣，並使用客製化的行銷手法在顧客按下結帳前一刻進行最後一次的推銷，即為我們常在電商看到的「您可能對下列商品也有興趣」這個欄位。而在這邊的購物籃分析就是我們所謂的行銷演算法，也是本書所稱的MarTech 演算法。透過行銷演算法來進行數據分析並使銷量提升的例子不知凡幾，而最著名的行銷傳說無非是「啤酒與尿布」的故事。
這個故事描述著，以前在美國有一家大型超市沃爾瑪(Walmart)，他們為了要讓販售的各項商品在銷售數量有明顯的提升，於是便使用了數據分析及行銷演算法技術來進行消費者的購買預測及分析結果的視覺化。無意間他們發現在每週五的晚上，啤酒與尿布的銷售量呈現正相關，並且時常出現在同一單消費當中（意即消費者同時購買啤酒與尿布），因此他們便推斷是因為年輕的父親在小週末會至超市購買嬰兒的日常必需品，同時也會順便購買啤酒準備在週末觀看球賽時享受一番。有鑑於此，超市的行銷團隊便建議將啤酒販賣區放置在尿布販賣區旁邊，這樣的做法也成功讓啤酒與尿布的銷量提升了。
雖然這則故事在業界被稱為傳說，但也確實點醒了許多行銷人，不拘泥於傳統行銷手法，透過行銷演算法來進行顧客的購買預測可以有效地提升商品銷量。現今的社會，這項技術不僅限於實體零售業者，在線上零售業的世界，行銷演算法更是被加以利用，行銷演算法可以進行購物籃分析來進行「再行銷」的手法，也可以分類來到你網站的消費者並為每個族群量身訂做適合他們的銷售手段。因此在這個充滿網路以及人人都使用電子商務購買產品的時代，若行銷人具備了撰寫行銷演算法的基礎能力，那麼勢必在未來會是一個大加分的技能。
三、監督式vs. 非監督式
在這邊將會分為兩塊來說明，第一塊是監督式MarTech 演算法，第二塊則是非監督式MarTech 演算法。我們先來了解監督式與非監督式的差異。
監督式演算法的運作邏輯可以被認定為分析已知領域分析模式，監督式演算法需要有較繁瑣的前置作業，需要對現有的資料特質進行標記，而進行過往數據特質的標記就有如「定義標準答案」，有了標準答案後，我們所謂的機器才能依循著這些標準答案來進行演算。而這個標籤的過程是需要透過人工的，它可能會耗費大量時間及精力。打個比方，若我們想讓程式（機器）辨識眼前這個水果是西瓜還是蘋果，那麼我們需要先提供程式大量蘋果與西瓜的照片，並且在每一張照片都明確標註哪一張是西瓜、哪一張是蘋果，讓程式可以藉由這個「標準答案」來進行日後的分類。那麼可想而知，你提供越多的線索及照片來訓練機器，機器的判斷便會更加精準。
非監督式演算法則是少了對現有資料特質進行標記的這項動作，會運用到這項技術的數據都是無須被標記的，而在這些數據裡它們只有特徵而無標籤，因此不需花費大量人力及時間來進行「貼標籤」的動作，不過也理所當然地沒有了標準答案，僅能透過特質來區分出兩大類型之類，而不能判斷出這項物品「是什麼」。
若要再舉一個例子來區隔監督式演算法及非監督式演算法，我最常使用的例子是「小孩辨識新事物」，在孩子還小，資源、時間有限的情況下，年輕爸媽總會買一些動物或是物件圖卡給孩子看，當孩子看到圖卡上的圖案並且閱讀到一張下方的描述為「小狗」，而另一張為「小貓」時，孩子們就會將這張圖案與「小狗」這個詞彙畫上等號，並將另一張圖案與「小貓」這個詞彙畫上等號。在有了這樣的先決知識下，孩子日後在路上看到與當時在圖卡上看到的「小狗」很相似的對象時，就會說：「這是小狗！」而看到與當時在圖卡上看到的「小貓」相似的物體時，則會說：「這是小貓！」而這樣就如同我們的監督式機器學習運算邏輯一般，事先給出一個既定答案，未來遇到類似特徵的事物時再判斷它們為一夥。
那麼非監督式學習之於這個例子呢？假設這對年輕父母想法非常新穎，不先讓孩子們閱讀動物圖鑑，而讓孩子們自己去路上直接觀察，此時孩子在沒有任何先決答案的條件下於路上觀察這些動物，仍會有一些結果，因為孩子們會發現這些動物的「特徵」，例如動物的叫聲（狗是：「汪！」貓是：「喵∼」），如此一來雖然孩子們並不知道會叫「汪」的是狗，會叫「喵」的是貓，不過仍會知道牠們是屬於同一夥的，事後再回來跟爸爸媽媽說他今天看到一群同樣特徵的動物，而此時爸爸媽媽會再告訴孩子：會叫「汪」的是狗，會叫「喵」的是貓。這樣子的流程就是屬於非監督式機器學習的運算邏輯過程，一開始我們不會給出一個特定答案，而讓機器自行尋找每一筆數據之間的特徵，最後再由我們來賦予有相同特徵的這一群該如何稱呼。
監督式與非監督式各有其優缺點，針對不同的數據型態及想分析出的結果呈現方式，這兩種演算類型都會被應用到。而接下來將會針對這兩種類別來進行行銷領域的應用解說，及幾個常用演算法的程式碼撰寫教學。
2025專利防護中