在跟風 AI、大數據、機器學習之前，先問清楚#
這些是當下最熱門的關鍵字，但怎麼判斷你公司的問題是否真的適合機器學習（machine learning）？
要回答這個問題，必須從三個角度切入：
- 問題本身的特性
- 可取得的資料
- 對可行性、直覺與期望的提問
一、評估問題是否「需要學習」#
機器學習能協助自動化，但不是所有自動化問題都需要「學習」。
不需學習的自動化#
當步驟清晰且預先定義時，傳統自動化就夠了。
範例：
- 篩選外部資料供應商提供的明顯錯誤
- 例如：避險基金自動過濾「負值」的成交量資料（成交量不可能為負）
必須使用機器學習的問題#
複雜、無法用簡單規則描述的問題，例如：
- 把人類自然語言轉換成結構化資料
機器學習的本質：一組統計方法，用來在資料中找出可預測的模式。它擅長辨識「資料特徵」與「目標結果」之間的關係，但無法存取你提供的資料以外的知識。
危險案例：肺炎死亡率預測#
匹茲堡大學 1990 年代後期評估機器學習演算法預測肺炎死亡率：
- 演算法建議「有氣喘的肺炎病患風險較低，可送他們回家」
- 真相：氣喘病患被立即送進加護病房，因為得到更密集照護才存活率高
- 演算法看不到「加護病房」這個背景資訊
機器學習只看你給它的資料。重要的脈絡如果沒進資料，它就是看不見。
適合機器學習的兩條判準#
- 需要的是預測，不是因果推論（causal inference）
- 問題夠自我封閉、相對隔離於外部影響
舉例對照：
| 適合 | 不適合 |
|---|---|
| 預測某類使用者點擊某類廣告的機率 | 預測一個全新革命性產品線的獲利 |
| 評估一段文字與既有文本的相似度 | 在重要新對手剛進入市場時，從歷史推估明年銷售 |
二、案例：Harley-Davidson 的 AI 行銷#
Asaf Jacobi 在紐約的 Harley-Davidson 經銷店冬天每週只賣 1–2 台。一次散步偶遇 Adgorithms 的 CEO Or Shani，建議他試用 AI 行銷平台 Albert 一個週末。結果：
- 那個週末賣出 15 台——幾乎是史上最佳夏季週末紀錄（8 台）的兩倍
- 每天合格名單從 1 人 → 40 人
- 第三個月起，名單成長 2,930%，50% 是「相似客群（lookalikes）」
- 必須額外設立 6 人客服中心應付業績
Albert 怎麼做？#
- 分析 Jacobi CRM 裡的既有客戶資料，定義「高價值過去客戶」（曾完成購買、加入購物車、瀏覽內容、或網站停留時間前 25%）
- 找出與這些客戶相似的「相似客群（lookalikes）」
- 在小型微區隔（micro-segment）跑測試廣告
- 預測哪些標題、視覺、其他數千個變數的組合最能轉換特定受眾
- 一旦確定有效，自動跨通路擴大投放並重新分配預算
一個具體洞察#
Albert 發現含「call」的廣告（「Call now!」）比含「buy」的廣告轉換率高 447%，於是立即把所有相關廣告中的「buy」全部改成「call」。
三、確認你有對的資料#
問題確認適合後，下一步檢查資料。
- 資料可能來自你自己，也可能來自外部
- 對外部資料源多問問題，搞清楚範圍與適配度
四、提問與找錯誤——別把方法當魔法#
機器學習的方法就是統計——可以用直覺解釋。不要相信看不懂的方法。
讓自己對方法有直覺：
- 它的原理是不是大致說得通？
- 在你的情境裡概念上行得通嗎？
- 為什麼這個方法特別適合你的問題？
- 編碼一連串步驟 → 序列模型或決策樹（decision tree）可能合適
- 二分類問題 → 二元支援向量機（binary support vector machine）
對結果保持實際的期望#
每個人都會犯錯，每個演算法也都會錯。除非問題極簡單，否則一定會有時候出錯。
機器學習引擎平均會做對，但會穩定地犯一定比例的錯——而這些錯經常以你料想不到的方式發生。
五、決定怎麼往前走#
評估你能容忍多少錯誤：
- 80% 對足夠了嗎？
- 10% 的錯誤率可以接受嗎？5%？1%？
- 是否有某些錯誤永遠不能犯（例如醫療、安全相關）？
對自己與供應商清楚明說需求與期望。雙方在同一頁時，再放手一搏。
帶著知識、理解與合理期望——耐心一點，機器學習的好處會回報你。