資料采礦-育達(dá)科技大學(xué)

第十章資料採(cǎi)礦學(xué)習(xí)目標(biāo)瞭解資料採(cǎi)礦的定義。瞭解資料採(cǎi)礦的流程。瞭解資料採(cǎi)礦的功能。瞭解商業(yè)智慧的發(fā)展。瞭解商業(yè)智慧的架構(gòu)。瞭解商業(yè)智慧應(yīng)用涵蓋的範(fàn)圍。瞭解資料採(cǎi)礦的模式。瞭解資料採(cǎi)礦的方法。瞭解不同資料採(cǎi)礦方法的特性。瞭解資料採(cǎi)礦在企業(yè)的應(yīng)用。課前個(gè)案差異化行銷，210萬(wàn)會(huì)員各個(gè)擊破「觀眾朋友，現(xiàn)在只剩最後50臺(tái)，線上客服人員全部滿線，請(qǐng)老客戶改播語(yǔ)音專線避免等待，我們?cè)賰?yōu)待你100元購(gòu)物金，」螢光幕上，一位男性東森購(gòu)物專家，正聲嘶力竭販?zhǔn)蹟?shù)位相機(jī)。早在那一通電話接通之前，東森得易購(gòu)的IT系統(tǒng)就動(dòng)起來(lái)了。從一開(kāi)始運(yùn)用會(huì)員資料庫(kù)，找到消費(fèi)者喜歡的商品、打電話到客服中心訂貨問(wèn)問(wèn)題，到最後的金流與物流配送，通通要靠資訊系統(tǒng)支援。簡(jiǎn)單來(lái)說(shuō)，從接單、審單到進(jìn)出貨，所有營(yíng)運(yùn)流程與細(xì)節(jié)全建立在資料庫(kù)裡。大量的IT運(yùn)用，正是東森得易購(gòu)的厲害之處?！高@一行就靠IT吃飯，」東森得易購(gòu)總經(jīng)理宋湘嵐，一語(yǔ)道破電視購(gòu)物的經(jīng)營(yíng)之道。不要小看電視購(gòu)物的魅力。剛過(guò)完5週年慶的東森得易購(gòu)，2003年?duì)I業(yè)額高達(dá)280億，相當(dāng)於每天賣出8,000萬(wàn)元的商品，不但累積210多萬(wàn)的會(huì)員，今年?duì)I業(yè)額目標(biāo)更提高到450億?！肝覀?cè)诮?gòu)一個(gè)消費(fèi)平臺(tái)，」東森得易購(gòu)總經(jīng)理宋湘嵐指出，對(duì)廠商而言，東森得易購(gòu)是一個(gè)宣傳通路；但對(duì)消費(fèi)者而言，就是一個(gè)集體議價(jià)的團(tuán)購(gòu)平臺(tái)。210萬(wàn)會(huì)員資料庫(kù)，採(cǎi)礦出差異化行銷電視購(gòu)物有消費(fèi)者信心問(wèn)題?！概码娨暽系臇|西，會(huì)和實(shí)際拿到的東西有差，」曾經(jīng)在東森購(gòu)物買過(guò)東西的消費(fèi)者沈美容，表達(dá)她一開(kāi)始對(duì)電視購(gòu)物的擔(dān)心。無(wú)店舖通路由於無(wú)法讓消費(fèi)者親自看見(jiàn)和摸到商品，所以先天上對(duì)通路的信心較低?！概_(tái)灣的消費(fèi)者很聰明，只要被騙一次就沒(méi)有下次了，」宋湘嵐表示，因過(guò)往經(jīng)營(yíng)電視購(gòu)物的品質(zhì)不高，造成惡性循環(huán)。因此重建消費(fèi)者信心，變成無(wú)店舖通路產(chǎn)業(yè)能否存活的重要關(guān)鍵。重建信心的第一步，就是以IT幫消費(fèi)者找到需求。東森得易購(gòu)每月線上販?zhǔn)鄣纳唐犯哌_(dá)3,000～4,000件，加上超過(guò)3,500家合作廠商，如何販?zhǔn)巯M(fèi)者需要的產(chǎn)品，成為首要之務(wù)?！笍纳唐贩N類、消費(fèi)者和媒體平臺(tái)三大變數(shù)，掌握住消費(fèi)者需求，」東森得易購(gòu)資訊長(zhǎng)許世杰表示，每一樣商品在推出前，都會(huì)在擁有210多萬(wàn)會(huì)員的收視與購(gòu)買習(xí)慣資料庫(kù)中，進(jìn)行資料採(cǎi)礦與參數(shù)設(shè)定分析的動(dòng)作。許世杰表示，參數(shù)設(shè)定根據(jù)商品的目標(biāo)消費(fèi)群。比方說(shuō)，從不同販?zhǔn)蹠r(shí)段、不同購(gòu)物頻道、不同商品類別、不同購(gòu)物專家，和不同年紀(jì)的目標(biāo)消費(fèi)者等變數(shù)中，排出最適合商品販?zhǔn)鄣慕M合模式，讓行銷更精準(zhǔn)。嚴(yán)選商品，連合作廠商都要挑?？偨?jīng)理宋湘嵐表示，目前公司有高達(dá)70人的編制，以高標(biāo)準(zhǔn)全面控制產(chǎn)品品質(zhì)，每年還會(huì)固定察看合作廠商的工廠。以珠寶販?zhǔn)蹫槔?，不但?人專門(mén)負(fù)責(zé)控管品質(zhì)，還有專業(yè)驗(yàn)證珠寶的設(shè)備；另外在旅遊方面，為了掌控整體服務(wù)品質(zhì)，公司自聘80多名領(lǐng)隊(duì)，親自帶隊(duì)以控制品質(zhì)。CTI調(diào)度，電話客服少聘150人CTI（電腦電話整合系統(tǒng)）則讓東森購(gòu)物850名客服人員，每天服務(wù)4萬(wàn)通以上的電話。只要客戶打電話進(jìn)來(lái)，客服人員能從電腦上立即看見(jiàn)客戶相關(guān)資料及每一筆服務(wù)資料，在最短時(shí)間內(nèi)提供個(gè)人化的服務(wù)。資訊長(zhǎng)許世杰表示，透過(guò)CTI系統(tǒng)動(dòng)態(tài)調(diào)整派線，讓原先預(yù)計(jì)需要1,000人的工作量，現(xiàn)在850人就足以負(fù)荷，大多數(shù)的來(lái)電都希望在15秒內(nèi)有人回應(yīng)，不然客戶就會(huì)跑掉。資訊平臺(tái)整合，也讓資訊流統(tǒng)一。節(jié)目錄製的同時(shí)，購(gòu)物專家和節(jié)目製作人能即時(shí)看見(jiàn)消費(fèi)者的來(lái)電數(shù)、詢問(wèn)數(shù)，和訂單問(wèn)題等資訊，進(jìn)而隨時(shí)調(diào)整購(gòu)物專家解說(shuō)產(chǎn)品的方式與節(jié)目的步調(diào)。10天的產(chǎn)品鑑賞期，更是貼近消費(fèi)者的需求?！覆粷M意就可以隨時(shí)退貨，」在電子工廠工作的王欣怡表示，在實(shí)體商店退貨時(shí)，往往要想很多理由，但電視購(gòu)物就沒(méi)有這個(gè)困擾?！竿高^(guò)客服中心，可以取消在不同平臺(tái)的訂單，」資訊長(zhǎng)許世杰表示，除了無(wú)條件退貨，透過(guò)單一資訊平臺(tái)的整合，不論是在電視、網(wǎng)路，或是型錄上的購(gòu)買，都可以打電話到客服中心取消，省去許多麻煩。月抽、滿額抽，免填資料抽大獎(jiǎng)行銷活動(dòng)也要靠IT來(lái)幫忙。以抽獎(jiǎng)為例，以往的活動(dòng)，消費(fèi)者都會(huì)考慮要不要花時(shí)間去填抽獎(jiǎng)單、會(huì)覺(jué)得很麻煩。但是在IT的支援下，東森得易購(gòu)的所有訂單資料都在電腦中，要抽獎(jiǎng)不但免填單，東森得易購(gòu)還可針對(duì)活動(dòng)的性質(zhì)，做出不同的搭配。比方說(shuō)，抽獎(jiǎng)可以分是本月購(gòu)買才可以參加，或滿多少錢才能抽，所有的資訊清清楚楚，有利活動(dòng)的彈性與行銷的更多可能。臺(tái)灣每10個(gè)人當(dāng)中，就有1個(gè)在東森購(gòu)物買過(guò)東西。東森得易購(gòu)資訊長(zhǎng)許世杰表示，虛擬的無(wú)店舖通路雖然從未實(shí)際接觸客戶，但是從產(chǎn)品的定位、宣傳、銷售到售後服務(wù)等步驟，全都靠210多萬(wàn)顧客銷售紀(jì)錄來(lái)整合，掌握顧客的購(gòu)買週期?！负?jiǎn)單來(lái)說(shuō)，就是透過(guò)大量的資料認(rèn)識(shí)、了解客人，」許世杰直截了當(dāng)?shù)卣f(shuō)，運(yùn)用IT支援整個(gè)電視購(gòu)物營(yíng)運(yùn)，其實(shí)是個(gè)持續(xù)演進(jìn)和不斷從中學(xué)習(xí)的過(guò)程，因?yàn)橹皝K沒(méi)有可供學(xué)習(xí)的對(duì)象。面對(duì)愈來(lái)愈多競(jìng)爭(zhēng)者進(jìn)入電視購(gòu)物市場(chǎng)，東森得易購(gòu)宋湘嵐認(rèn)為，有著更多具規(guī)模的競(jìng)者者，會(huì)讓產(chǎn)業(yè)變更好。不過(guò)她也提醒，電視購(gòu)物打的是長(zhǎng)期戰(zhàn)，「客戶是不會(huì)等你長(zhǎng)大的，因?yàn)樗J(rèn)為花了錢，就要有同等的服務(wù)?！菇Y(jié)合科技與創(chuàng)新的服務(wù)，讓東森得易購(gòu)站穩(wěn)了無(wú)店舖通路的基礎(chǔ)?？磥?lái)，喊出「去SOGO逛街，在東森購(gòu)物」口號(hào)的東森得易購(gòu)，已經(jīng)成功創(chuàng)造出一個(gè)新的流通平臺(tái)?？萍迹珓?chuàng)新，服務(wù)厲害在哪裡1.CTI（電腦電話整合系統(tǒng)），15分鐘分派2,000通電話：讓擁有850名工作人員的客服中心，每天可處理超過(guò)4萬(wàn)通電話和上千封電子郵件。客服人員透過(guò)IT介面清楚看到客戶所有交易與抱怨紀(jì)錄，再進(jìn)行整合訂購(gòu)的服務(wù)。2.直效行銷資料庫(kù)，精準(zhǔn)掌握客戶需要：東森得易購(gòu)建立210多萬(wàn)的會(huì)員資料庫(kù)、3,500多家廠商，及上萬(wàn)件商品資訊，透過(guò)資料採(cǎi)礦可以更快找到消費(fèi)者的需求與行銷。3.CRM（客戶關(guān)係管理）＋資料採(cǎi)礦：透過(guò)資料庫(kù)從事客戶關(guān)係管理，可清楚地分辨每一個(gè)客戶的平均貢獻(xiàn)度，與服務(wù)成本之間的關(guān)係，進(jìn)而了解客戶的需求並調(diào)整。資料來(lái)源：陳世耀，e天下，第050期，2005/02/01出刊問(wèn)題討論：東森購(gòu)物是如何利用資料採(cǎi)礦來(lái)作顧客服務(wù)？東森購(gòu)物利用資料採(cǎi)礦來(lái)作客服獲得了什麼好處？除了顧客關(guān)係管理，東森購(gòu)物還能如何利用資料採(cǎi)礦？除了東森購(gòu)物，還有哪些企業(yè)能夠?qū)胭Y料採(cǎi)礦？第一節(jié)資料採(cǎi)礦簡(jiǎn)介問(wèn)答題一、何謂資料採(cǎi)礦？資料採(cǎi)礦也就有了一些特性：(1)資料採(cǎi)礦不只能協(xié)助我們看資料表面的現(xiàn)象，也能進(jìn)一步地幫我們找出是什麼原因造成所看到的結(jié)果。和一般傳統(tǒng)社會(huì)科學(xué)研究過(guò)程不同的是，資料採(cǎi)礦不用假設(shè)檢定，來(lái)推論某個(gè)現(xiàn)象發(fā)生的機(jī)會(huì)是否存在，也因此不會(huì)局限在自身先入為主的想法中。資料採(cǎi)礦沒(méi)有資料量的限制，不會(huì)因?yàn)橘Y料量太大而造成一定顯著的盲點(diǎn)。同時(shí)，只要分析的工具與功能足夠，資料量與變數(shù)的限制，在資料採(cǎi)礦的過(guò)程中，將會(huì)減小。資料採(cǎi)礦不單只是資料庫(kù)與分析工具及方法的概念，在描述現(xiàn)象與建構(gòu)問(wèn)題的過(guò)程中，必須透過(guò)某些專業(yè)的(professional)及專家的(expertise)的人員，來(lái)將問(wèn)題領(lǐng)域(problemdomain)的現(xiàn)象表徵建構(gòu)出來(lái)，使得決策變數(shù)的形成，能夠充分地描述現(xiàn)象與問(wèn)題的核心，以及完成分析之後的資料判讀工作。二、資料採(cǎi)礦的定義為何？資料探勘是一種資料轉(zhuǎn)換的過(guò)程，先由沒(méi)有組織的數(shù)字與文字集合的資料，轉(zhuǎn)換為資訊，再轉(zhuǎn)換為知識(shí)，最後產(chǎn)生決策。資料探勘為知識(shí)發(fā)現(xiàn)的一個(gè)步驟，目的在於找出資料中有效的、嶄新的、潛在有用的、易於瞭解之樣式的一個(gè)不繁瑣的過(guò)程。由資料庫(kù)(database)，資料倉(cāng)儲(chǔ)(datawarehouse)或其他資訊的儲(chǔ)存庫(kù)中利用己儲(chǔ)存之大量資料找到知識(shí)的過(guò)程，稱為資料探勘。資料探勘是指尋找隱藏在資料中的訊息，如趨勢(shì)(Trend)、特徵(Pattern)及相關(guān)性(Relationship)的過(guò)程，也就是從資料中發(fā)掘資訊或知識(shí)(KDD)。資料探勘，即為從資料庫(kù)中發(fā)現(xiàn)知識(shí)，因?yàn)榻鼇?lái)大量商業(yè)化的資料湧入，使得需要此種技術(shù)以使得資料自儲(chǔ)存單元中分析、淬取，甚而能夠提供視覺(jué)化的決策支援。三、資料採(cǎi)礦的流程為何？設(shè)定探勘目標(biāo)設(shè)定探勘目標(biāo)資料的選擇資料前處理資料轉(zhuǎn)換資料倉(cāng)儲(chǔ)化資料探勘評(píng)估探勘結(jié)果原始資料選擇資料處理目前的資料轉(zhuǎn)換資料資料倉(cāng)儲(chǔ)結(jié)果&知識(shí)圖10-1資料探勘流程圖資料來(lái)源：From“Dataminingforcustomerservicesupport.”ByHui,S.C.&Jha,G.,2000,Information&Management,38,5.資料採(cǎi)礦的流程，歸納成為下列的步驟：(1)資料選擇（Selection）：先了解該領(lǐng)域的知識(shí)，接著建立目標(biāo)資料集，並專注於所選擇之資料子集在資料探勘的過(guò)程中。(2)前置處理（Pre-processing）：再?gòu)哪康馁Y料中作前置處理，資料庫(kù)中的資料會(huì)包含些錯(cuò)誤、遺失、不完整的資料，需去除錯(cuò)誤或不一致的資料的處理。(3)轉(zhuǎn)換（Transformation）：然後作資料簡(jiǎn)化與轉(zhuǎn)換工作，從一個(gè)巨大的資料庫(kù)中去發(fā)現(xiàn)有用的資訊，是一件非常困難的事，必須適時(shí)縮減資料量。如使用多次元（Dimensionality）縮減、轉(zhuǎn)換或編碼的方法去減少有效的變數(shù)或資料。(4)資料採(cǎi)礦（DataMining）：在整個(gè)過(guò)程中，最重要的步驟莫過(guò)於此。包括去探勘有用、有興趣的特徵或資料，以一個(gè)特別的形式呈現(xiàn)，包括了分類規(guī)則、決策樹(shù)、統(tǒng)計(jì)回歸、群聚方法、線性分析等演算法。(5)解釋或評(píng)估（Interpretation/Evaluation）：最後把這些探勘出來(lái)的特徵或模式，可用一些報(bào)告方法或圖形工具，轉(zhuǎn)換成可讓人輕易了解的圖示或報(bào)表，以提供決策支援之用。四、資料採(cǎi)礦的功能為何？（1）分類（Classification）分類是資料採(cǎi)礦作業(yè)中最普遍的一種，所謂分類就是檢視、分析新物件的所有特性，然後將其指派到一個(gè)現(xiàn)有預(yù)先定義好的類別集群中，後續(xù)動(dòng)作包含更新資料、標(biāo)上類別編號(hào)。因?yàn)檫@些分類的事物通常是一組資料庫(kù)的交易資料，而賦予每一筆資料用以區(qū)別群集的辨識(shí)碼也是必須的，方能達(dá)到方便作業(yè)的功能。而分類的工作就是將每一個(gè)群集的特徵清楚定義，並且透過(guò)訓(xùn)練組資料，建立出模型，將未歸類的原始資料分門(mén)別類。分類的目的在建立一個(gè)模型，可以將尚未分類的資料，加以分類，納入各類別中。如將信用卡申請(qǐng)人分類為低、中、高風(fēng)險(xiǎn)群。（2）推估（Estimation）分類出來(lái)的結(jié)果會(huì)像「是或否」這樣不連續(xù)的答案，而推估所得的結(jié)果，則是易於處理的連續(xù)性數(shù)值。憑著一些輸入資料，我們可利用推估，來(lái)得知某未知連續(xù)性變數(shù)的值，例如高度、收入、信用卡結(jié)餘。如將每個(gè)顧客的紀(jì)錄，依照其有興趣的程度加以排序，可判定哪些顧客有可能不再是顧客的亦可依此順序給予分類。（3）預(yù)測(cè)（Prediction）其實(shí)預(yù)測(cè)與分類和推估是相當(dāng)接近的，只不過(guò)預(yù)測(cè)是去推估「未來(lái)」的數(shù)值以及趨勢(shì)。其概念為將目前新的數(shù)值輸入到此模型中，運(yùn)算結(jié)果就是未來(lái)狀態(tài)的預(yù)測(cè)?？稍俑鶕?jù)某些未來(lái)行為的預(yù)測(cè)來(lái)分類，或推估某變數(shù)未來(lái)可能的值。要預(yù)測(cè)的某變數(shù)，只要將此變數(shù)的某些已知值當(dāng)成訓(xùn)練集，再加上這些訓(xùn)練集的歷史資料即可。歷史資料可用來(lái)建立模型，以檢視近來(lái)觀察值的狀態(tài)及變化。像是「購(gòu)物籃分析」就可以預(yù)測(cè)在雜貨店中，哪些商品總是會(huì)被同時(shí)購(gòu)買，經(jīng)過(guò)修正後，也可透過(guò)最新的資料來(lái)預(yù)測(cè)未來(lái)的購(gòu)買行為，或如預(yù)測(cè)哪些電話用戶會(huì)申請(qǐng)加值服務(wù)，像是三方通話或語(yǔ)音信箱，都是預(yù)測(cè)的實(shí)際運(yùn)用案例。（4）同質(zhì)分組或關(guān)聯(lián)規(guī)則（Affinitygroupingorassociationrule）這項(xiàng)技術(shù)會(huì)變是資料之間的關(guān)聯(lián)性，並以規(guī)則來(lái)表示之。目的是判定哪些事物會(huì)一起出現(xiàn)。如判定超市中哪些物品會(huì)一起被購(gòu)買，可讓公司掌握交叉銷售（cross-selling）的機(jī)會(huì)，或規(guī)劃店內(nèi)的商品擺設(shè)。（5）群集化（Clustering）是將許多異質(zhì)的群體區(qū)隔，分成一些同質(zhì)性較高、更相似的子群組或群集，這與分類不同的是，群集化並沒(méi)有依靠事先定義明確的類別來(lái)進(jìn)行分類，在分類的作業(yè)裡，資料是將訓(xùn)練組資料，透過(guò)某個(gè)定義好的類別來(lái)進(jìn)行的。而在群集化的作業(yè)中，不需要事先定義好該如何分類，同時(shí)也不需要訓(xùn)練組資料。資料是依靠自身的相近性來(lái)群集在一起的，而群集的意義也是要靠事後的闡釋才能得知。群集化通常是其他資料採(cǎi)礦以及模型化的前導(dǎo)作業(yè)。如市場(chǎng)行銷調(diào)查前，會(huì)先根據(jù)客戶基本資料將顧客群集化，再分析每群類似的顧客各自最喜歡哪一類促銷，以擬定不同的行銷策略。（6）順序/因果(SequentialModeling)根據(jù)既有連續(xù)性數(shù)值之相關(guān)屬性資料，以獲致某一屬性未知之值，這項(xiàng)技術(shù)會(huì)辨識(shí)過(guò)去的樣式，如分析客戶過(guò)去數(shù)次的購(gòu)物行為。舉例來(lái)說(shuō)，若某次客戶購(gòu)買引擎用油和過(guò)濾器，下次他將會(huì)購(gòu)買汽油添加物，這種分析結(jié)果對(duì)型錄公司尤其重要，可排定每期的產(chǎn)品內(nèi)容順序。大企業(yè)的商業(yè)交易資料都是相當(dāng)大量且瑣碎的，若能恰當(dāng)?shù)氖褂觅Y料採(cǎi)礦對(duì)以上六種類別進(jìn)行分析，必會(huì)獲得相當(dāng)具有可信度的結(jié)論，為公司創(chuàng)造商機(jī)及競(jìng)爭(zhēng)優(yōu)勢(shì)。而資料採(cǎi)礦的運(yùn)作流程是從CRM的整合性資料庫(kù)中，進(jìn)行資料取樣的工作，再?gòu)钠渲羞M(jìn)行學(xué)習(xí)或進(jìn)化的程序，進(jìn)而得到它們的模式和特徵(曾國(guó)雄等，2005)。第二節(jié)商業(yè)智慧問(wèn)答題五、商業(yè)智慧的發(fā)展為何？隨著資訊科技硬體軟體的進(jìn)步，商業(yè)智慧發(fā)展至今經(jīng)歷過(guò)數(shù)個(gè)階段。從以主機(jī)為基礎(chǔ)的查詢及報(bào)表系統(tǒng)到資料倉(cāng)儲(chǔ)，進(jìn)而發(fā)展成現(xiàn)今的商業(yè)智慧系統(tǒng)。第一代以主機(jī)為基礎(chǔ)的查詢及報(bào)表系統(tǒng)使用，許多批次應(yīng)用程式來(lái)提供使用者他們所需的資訊。通常這樣的系統(tǒng)會(huì)產(chǎn)生大量的報(bào)表，使用者必須從這些報(bào)表中找到他們所需要的商業(yè)問(wèn)題解答。這樣的系統(tǒng)雖然提供資訊給使用者的速度較快，但是系統(tǒng)仍然使用不易，且需接觸複雜的營(yíng)運(yùn)資料庫(kù)。第二代的系統(tǒng)有資料倉(cāng)儲(chǔ)，比上一代的系統(tǒng)有更大的儲(chǔ)存容量。比起上一代的系統(tǒng)，資料倉(cāng)儲(chǔ)有許多優(yōu)點(diǎn)。資料倉(cāng)儲(chǔ)是設(shè)計(jì)來(lái)滿足商業(yè)人士，不需要操作複雜的營(yíng)運(yùn)資料庫(kù)。資料倉(cāng)儲(chǔ)中的資訊是以商業(yè)人士可以理解的形式儲(chǔ)存，並且資料協(xié)調(diào)一致，不會(huì)互相矛盾，也沒(méi)有無(wú)效的資料。資料倉(cāng)儲(chǔ)提供概括性及回顧性的資訊，以更進(jìn)步的方式呈現(xiàn)，且有更強(qiáng)的決策支援工具。第三代的商業(yè)資訊系統(tǒng)為商業(yè)智慧系統(tǒng)。商業(yè)智慧系統(tǒng)著重於在增進(jìn)資訊提供者及資訊使用者間的取得及傳播商業(yè)資訊。商業(yè)智慧系統(tǒng)不僅使用最新的資訊技術(shù)，且提供套件式的解決方案。透過(guò)商業(yè)智慧系統(tǒng)可以取得各種形式的資訊，而不僅僅是儲(chǔ)存在資料倉(cāng)儲(chǔ)中的資訊。六、商業(yè)智慧的架構(gòu)為何？我們以IBM的商業(yè)智慧架構(gòu)為例(如圖10-1)，共區(qū)分為八個(gè)組成元件分別如下：圖10-1商業(yè)智慧系統(tǒng)架構(gòu)圖資料來(lái)源：IBM“GettingStartedwithDataWarehouseandBusinessIntelligence”(1)作業(yè)性資料及外部資料(Operationalandexternaldata)：商業(yè)智慧系統(tǒng)必須基於實(shí)際的資料才可產(chǎn)生結(jié)果。這些資料有許多是從POS系統(tǒng)中取得的作業(yè)性資料。(2)資料倉(cāng)儲(chǔ)模型與建構(gòu)工具(Datawarehousemodelingandconstructiontools)：將作業(yè)性資料及外部資料整理，並轉(zhuǎn)換成資料倉(cāng)儲(chǔ)的格式，以便將資料轉(zhuǎn)入資料倉(cāng)儲(chǔ)中。(3)資料管理(Datamanagement)：包含了全球資料倉(cāng)儲(chǔ)，各部門(mén)資料倉(cāng)儲(chǔ)(資料市集)以及其他資料庫(kù)。必須讓這些資料可以互相流通。(4)使用控制(Accessenabler)：作為各種不同資料應(yīng)用的介面，可提供不同樣式的資料格式做不同的應(yīng)用。(5)決策支援工具(Decisionsupporttools)：包含查詢及報(bào)表、線上即時(shí)分析(OnlineAnalyticalProcess,OLAP)及資訊探勘等邏輯，為商業(yè)智慧系統(tǒng)之核心。此區(qū)可採(cǎi)外掛模組的方式加入新的邏輯，使商業(yè)智慧系統(tǒng)更具威力。(6)商業(yè)智慧應(yīng)用層(Businessintelligenceapplications)：此為使用者接觸商業(yè)智慧系統(tǒng)的介面。透過(guò)這些應(yīng)用程式，使用者可以使用商業(yè)智慧系統(tǒng)中的決策支援工具分析資料倉(cāng)儲(chǔ)中的資料，並產(chǎn)生有意義的決策。(7)元資料管理(Metadatamanagement)：元資料(metadata)是用來(lái)詮釋資料的資料(dataaboutdata)。商業(yè)智慧系統(tǒng)中資料來(lái)源相當(dāng)?shù)膹V，必須使用metadata來(lái)使資料產(chǎn)生意義。由於資料來(lái)源龐大，使得Metadata本身亦會(huì)相當(dāng)龐大，需要管理以避免混亂。(8)系統(tǒng)管理(Administration)：系統(tǒng)管理包含維護(hù)資料倉(cāng)儲(chǔ)、決策支援工具管理等。系統(tǒng)管理、商業(yè)智慧應(yīng)用層與Metadata管理為商業(yè)智慧系統(tǒng)外層使系統(tǒng)完整不可或缺的工具。七、商業(yè)智慧應(yīng)用涵蓋的範(fàn)圍為何？商業(yè)智慧應(yīng)用涵蓋的範(fàn)圍相當(dāng)廣泛，包括了績(jī)效管理計(jì)分卡工具(CMMScorecard)、企業(yè)規(guī)劃(EnterprisePlanning)、數(shù)位儀表板(Visualizer)、動(dòng)態(tài)報(bào)表查詢(ReportNet)、線上分析處理(OLAP)等，如圖10-2所示。圖10-2商業(yè)智慧應(yīng)用流程圖企業(yè)計(jì)分卡工具(MetricManager)企業(yè)計(jì)分卡是應(yīng)運(yùn)新的管理技術(shù)而產(chǎn)生新世代的科技工具，例如企業(yè)進(jìn)行“平衡計(jì)分卡、六個(gè)標(biāo)準(zhǔn)差、全面品質(zhì)管理”等管理方法的導(dǎo)入後；應(yīng)用企業(yè)計(jì)分卡來(lái)創(chuàng)造、管理、呈現(xiàn)、和提供企業(yè)的重要衡量標(biāo)準(zhǔn)。能連接企業(yè)各階層組織（執(zhí)行層／作業(yè)層、管理層、決策層）的責(zé)任和目標(biāo)，與策略做緊密的銜接，進(jìn)而達(dá)到高效能績(jī)效管理目的，讓它們監(jiān)控、分析、管理、和報(bào)告企業(yè)各層級(jí)的重要績(jī)效衡量標(biāo)準(zhǔn)。2.企業(yè)規(guī)劃及預(yù)算(EnterprisePlanning)企業(yè)規(guī)劃，是績(jī)效管理的起點(diǎn)，最佳企業(yè)規(guī)劃及預(yù)測(cè)解決方案應(yīng)同時(shí)並重管理績(jī)效上的預(yù)測(cè)規(guī)劃與分析功能，但不如人願(yuàn)地，大多數(shù)的軟體廠商僅只針對(duì)企業(yè)歷史績(jī)效作計(jì)算分析，對(duì)於預(yù)測(cè)與規(guī)劃部分，無(wú)法真正有效推測(cè)，比較預(yù)測(cè)、規(guī)劃與未來(lái)績(jī)效管理的能力；編列預(yù)算、判估情勢(shì)、事件監(jiān)控面面俱到，更可從不同的角度作結(jié)果分析。一個(gè)可以讓企業(yè)依需要改變目標(biāo)的溝通平臺(tái)，使?fàn)I運(yùn)上的判斷與決策更為正確。企業(yè)儀表版(Visualizer)數(shù)位儀表板將大量的資訊以圖表的方式集中在同一畫(huà)面中，直覺(jué)式的展開(kāi)企業(yè)的經(jīng)營(yíng)績(jī)效指標(biāo)、管理績(jī)效指標(biāo)，讓高階主管快速理解企業(yè)運(yùn)作狀況。因此您可以立刻掌握複雜資料中最重要的層面，更有效地對(duì)企業(yè)營(yíng)運(yùn)進(jìn)行績(jī)效衡量和管理。線上分析處理(OLAP)將資料倉(cāng)儲(chǔ)內(nèi)的資料，加以篩選、分類、彙總，產(chǎn)生極小的實(shí)體資料，建構(gòu)成多維立體資料模型(Multi-DimensionalDataCube,MDC)，讓使用者可以依不同的主題和角度，根據(jù)其專業(yè)的直覺(jué)，即可操作並分析經(jīng)營(yíng)資訊，找出改善的重點(diǎn)，釐清事件的真相。各種管理角度的交叉分析、資料排名、預(yù)算、及實(shí)際值的比較、例外管理等等，均可在瞬間完成。使用者有需求時(shí)，只需利用工具就能找到資料，排隊(duì)等待資訊人員寫(xiě)程式的盛況將不會(huì)再出現(xiàn)。在整個(gè)資料倉(cāng)儲(chǔ)/商業(yè)智慧的架構(gòu)中，一個(gè)最重要的一環(huán)是如何讓使用者能夠靈活運(yùn)用資料倉(cāng)儲(chǔ)系統(tǒng)中的資料，而這就是線上分析系統(tǒng)(OLAP)的目的。線上分析系統(tǒng)的英文全名為On-LineAnalyticalProcessing(OLAP)，簡(jiǎn)言之為直接存取資料庫(kù)(Database)資料做資料分析的應(yīng)用程式。一般而言，一個(gè)線上分析必須符合以下的基本條件：(1).可以用來(lái)作分析使用，而不只是一個(gè)單純的報(bào)表工具此系統(tǒng)可以讓使用者輕易地做出分析，而這裡所指的分析，不光單是資料鑽取(Drill)，還包括了一些如統(tǒng)計(jì)上或財(cái)務(wù)上所需要的計(jì)算；另外線上分析系統(tǒng)必須讓使用者自己去設(shè)定他需要的報(bào)表及公式。這不僅代表系統(tǒng)的架構(gòu)需要能支持這些功能，也意味著系統(tǒng)的前端介面是易懂的，因?yàn)樵谧龇治鰰r(shí)，使用者勢(shì)必需要常運(yùn)用到這個(gè)系統(tǒng)。(2).速度需要夠快On-Line這個(gè)詞直接翻譯就是〝線上〞，意思是指使用者一按下指令，很快就可以得到所要的結(jié)果。目前市場(chǎng)上有許多的線上分析系統(tǒng)在速度方面皆有水準(zhǔn)之上。(3).能以多維度的方式展現(xiàn)資料對(duì)使用者來(lái)說(shuō)，這個(gè)系統(tǒng)必須可以展現(xiàn)出維度模式的特點(diǎn)，包括以多維度的角度去看資料及階層觀念。動(dòng)態(tài)報(bào)表查詢(ReportNet)以強(qiáng)大的查詢引擎，加上人性化的圖形介面，使用者不需要對(duì)資料庫(kù)有詳盡的了解，即可自行取得所需的明細(xì)資料，或是透過(guò)容易理解的介面，系統(tǒng)自動(dòng)引導(dǎo)使用者產(chǎn)生報(bào)表資料所需的程式。並可透過(guò)資料庫(kù)原生驅(qū)動(dòng)程式(NativeAPI)或開(kāi)放式資料庫(kù)連接介面(ODBC)，連接企業(yè)資料倉(cāng)儲(chǔ)資料庫(kù)或ERP資料庫(kù)，做大量資料的查詢，使用者利用這種工具，就可在被授權(quán)的範(fàn)圍內(nèi)，查詢相關(guān)的資料。情報(bào)雷達(dá)站(NoticeCast)NoticeCast是屬於「事件偵測(cè)」的軟體工具，主要是透過(guò)自動(dòng)監(jiān)控機(jī)依管理機(jī)制（內(nèi)稽內(nèi)控等）設(shè)定管理內(nèi)容將資料庫(kù)上不符管理規(guī)定的項(xiàng)目，將有時(shí)效性的資訊利用電腦、PDA或行動(dòng)電話等方式，即時(shí)送交決策管理人員，來(lái)增進(jìn)企業(yè)掌握稍縱即逝的經(jīng)營(yíng)契機(jī)能力。八、商業(yè)智慧的系統(tǒng)發(fā)展程序?yàn)楹危可虡I(yè)智慧的系統(tǒng)發(fā)展程序，涵蓋商業(yè)智慧系統(tǒng)分析、商業(yè)智慧系統(tǒng)設(shè)計(jì)、商業(yè)智慧系統(tǒng)建置與管理三大程序。商業(yè)智慧系統(tǒng)分析：又可分為企業(yè)需求分析、資訊來(lái)源分析、邏輯資料庫(kù)設(shè)計(jì)、商業(yè)智慧系統(tǒng)架構(gòu)設(shè)計(jì)等程序。商業(yè)智慧系統(tǒng)設(shè)計(jì)：又有實(shí)體資料庫(kù)設(shè)計(jì)、ETL（萃取、轉(zhuǎn)換與載入）設(shè)計(jì)、資料採(cǎi)礦方法設(shè)計(jì)、使用端程式設(shè)計(jì)（OLAP或EIS等）等程序。商業(yè)智慧系統(tǒng)建置與管理：也有商業(yè)智慧整合性系統(tǒng)建置、資料庫(kù)管理、安全管理與效能管理等程序（劉德泰，2002）。圖10-3說(shuō)明商業(yè)智慧的系統(tǒng)發(fā)展程序。圖10-3商業(yè)智慧系統(tǒng)發(fā)展程序1.商業(yè)智慧系統(tǒng)分析(1)企業(yè)需求分析：首先從企業(yè)決策需求層面開(kāi)始，綜合企業(yè)中顧客、商店、商品、促銷推廣、財(cái)務(wù)與電子商務(wù)等業(yè)務(wù)問(wèn)題，擬定企業(yè)的分析、統(tǒng)計(jì)與預(yù)測(cè)的需求。其規(guī)劃企業(yè)商業(yè)智慧的系統(tǒng)範(fàn)圍可包含顧客關(guān)係管理分析、商店經(jīng)營(yíng)分析、商品組合分析、商品促銷推廣分析、財(cái)務(wù)風(fēng)險(xiǎn)分析與電子商務(wù)分析等等。(2)資訊來(lái)源分析：依據(jù)企業(yè)資訊系統(tǒng)規(guī)劃，資料來(lái)源可從顧客服務(wù)、商品銷售、存貨採(cǎi)購(gòu)、會(huì)計(jì)財(cái)務(wù)、人力資源、推廣促銷、市場(chǎng)調(diào)查與電子商務(wù)等相關(guān)系統(tǒng)蒐集。企業(yè)要發(fā)展商業(yè)智慧，必須先擁有完整POS、EOS系統(tǒng)或ERP系統(tǒng)，蒐集這些資訊系統(tǒng)的資料庫(kù)當(dāng)成商業(yè)智慧分析的資料來(lái)源。(3)邏輯資料模型設(shè)計(jì)：主要的工作是從已經(jīng)上線的資訊系統(tǒng)中，找尋可從事資分析的相關(guān)資料檔案，並且與企業(yè)各項(xiàng)業(yè)務(wù)分析中的系統(tǒng)需求功能一起比對(duì)，設(shè)計(jì)與彙整可符合企業(yè)需要的邏輯資料模型。(4)商業(yè)智慧架構(gòu)設(shè)計(jì)：這個(gè)架構(gòu)包括硬體與軟體元件、以及資料從來(lái)源系統(tǒng)到商業(yè)智慧系統(tǒng)資料庫(kù)的處理流程設(shè)計(jì)，採(cǎi)用OLAP與資料挖礦工具從事分析預(yù)測(cè)，使末端使用者存取資料更有效率，而且使整個(gè)環(huán)境的有良好的管理方式。2.商業(yè)智慧系統(tǒng)設(shè)計(jì)(1)實(shí)體資料模型設(shè)計(jì)：就是所謂的資料萃取(Extraction)、轉(zhuǎn)換(Transformation)與載入（Loading）的功能設(shè)計(jì)。商業(yè)智慧系統(tǒng)必須具備「萃取」各種類型資料的能力，並且依照資料的特性與決策者的需求，能夠自動(dòng)且定時(shí)的到來(lái)源資料庫(kù)中萃取資料。而在「資料轉(zhuǎn)換」中將不一致的資料，根據(jù)規(guī)則轉(zhuǎn)換為具有一致性的資料，例如：資料代碼(商店代號(hào)、顧客代號(hào))、資料名稱(國(guó)名、城市)、資料型態(tài)(數(shù)字、文字)、資料長(zhǎng)度、資料的特殊限制(英文大小寫(xiě)、中文繁簡(jiǎn)體)等等項(xiàng)目。「載入」這項(xiàng)工作會(huì)在商業(yè)智慧的轉(zhuǎn)換程序伺服器上進(jìn)行，這項(xiàng)載入程序?qū)?huì)自動(dòng)化。載入程序需考慮自上一次資料擷取之後，重新組織來(lái)源系統(tǒng)內(nèi)發(fā)生改變的項(xiàng)目的能力，與載入時(shí)產(chǎn)生錯(cuò)誤的規(guī)範(fàn)。(2)末端使用者應(yīng)用系統(tǒng)設(shè)計(jì)：主要目標(biāo)是經(jīng)過(guò)線上分析處理，資料挖礦分析的結(jié)果以何種型態(tài)呈現(xiàn)給使用者。一般末端使用者應(yīng)用系統(tǒng)能提供Web之HTML格式、EXCEL檔案格式、系統(tǒng)軟體系統(tǒng)業(yè)者所提供之線上分析處理與資料採(cǎi)礦應(yīng)用程式等三種型態(tài)的報(bào)告。3.商業(yè)智慧系統(tǒng)建置與管理這有兩個(gè)層面，第一是維持與管理商業(yè)智慧系統(tǒng)與其支援架構(gòu)(資料庫(kù)管理、安全管理、與效能管理)所需的基本功能。第二是以技術(shù)及商業(yè)的角度來(lái)檢討商業(yè)智慧系統(tǒng)建置是否達(dá)到最佳性。以技術(shù)的角度而言，包括檢討邏輯與實(shí)體資料庫(kù)設(shè)計(jì)，以及所須工作效能調(diào)整是否合適。從商業(yè)的角度而言，這包括資料庫(kù)稽核，亦即訪問(wèn)商業(yè)使用者，來(lái)決定他們的需求是否獲得滿足，以及獲得的投資報(bào)酬。資料庫(kù)系統(tǒng)管理群組是商業(yè)智慧能獲得成功的關(guān)鍵，管理群組負(fù)責(zé)實(shí)體資料模型、資料倉(cāng)儲(chǔ)的DBMS、備份與復(fù)原程序、安全管理、效能管理。(1)備份與復(fù)原：於特定時(shí)刻完成資料的復(fù)原，將損失資料的可能性降至最低，使歸檔處理儘可能有效率，備份與復(fù)原程序應(yīng)加以自動(dòng)化，並與商業(yè)智慧系統(tǒng)更新程序相整合。(2)安全管理：對(duì)於資料的存取應(yīng)以「需要知道」為基礎(chǔ)，但是仍然有平衡之道，如果程序的限制太嚴(yán)格與繁瑣，就會(huì)使資訊難以利用。在另一方面，如果資訊的使用沒(méi)有限制，則可能因?yàn)闄C(jī)密資料落入不當(dāng)使用而發(fā)生法律問(wèn)題。萬(wàn)一競(jìng)爭(zhēng)者掌握策略資訊，可能影響競(jìng)爭(zhēng)態(tài)勢(shì)。設(shè)立管制措施來(lái)確保資料存取作業(yè)獲得管制，而且隨時(shí)能知道誰(shuí)在何時(shí)存取哪些資料。在此同時(shí)，程序應(yīng)儘可能有效率，不要對(duì)DBA造成管理負(fù)荷。(3)效能管理：效能管理的主要目的是確保所有使用者能以有效率及有效果的方式來(lái)存取資料倉(cāng)儲(chǔ)。可用的系統(tǒng)資源與每一位使用者的要求必須加以平衡，以確保每一位使用者取得機(jī)器的適當(dāng)佔(zhàn)有率。為使效能管理作業(yè)有效運(yùn)作，設(shè)立服務(wù)層級(jí)是必要的。我們必須設(shè)立程序來(lái)量測(cè)這些服務(wù)等級(jí)，然後應(yīng)確認(rèn)任何缺點(diǎn)，並採(cǎi)取行動(dòng)來(lái)解決問(wèn)題。課間實(shí)例1通路為王回顧2005年的排行榜，「通路」似乎是最耀眼的明星。2005年7月，美國(guó)《財(cái)星》雜誌依據(jù)年?duì)I收排行全球500大企業(yè)。排名第一的不是英特爾，不是微軟，是美國(guó)最大的零售通路業(yè)者威名百貨（Wal-Mart）。自2000年擠下艾克森美孚石油（ExxonMobil）後，這已是連續(xù)第二年威名百貨蟬聯(lián)冠軍寶座。今年3月《富比士》雜誌出爐的全美400大富豪排行榜，前10名得主中，威名百貨創(chuàng)辦人山姆?華頓（SamWalton）後裔共五人，均以188億美元並列第四。而上月25日出刊的美國(guó)《商業(yè)週刊》，以收入、銷售成長(zhǎng)率、利潤(rùn)、股東報(bào)酬等為指標(biāo)，公布全球今年上半年的IT百?gòu)?qiáng)排名，結(jié)果可能更令你大吃一驚。臺(tái)灣排名最前者，不是臺(tái)積電，不是鴻海，而是資訊通路廠商——聯(lián)強(qiáng)國(guó)際。從去年的排名113，今年2005年中的排名60，到現(xiàn)在的全球第四名，聯(lián)強(qiáng)的黑馬姿態(tài)，讓「通路」成了臺(tái)灣第一。最貼近消費(fèi)者的末稍神經(jīng)十年河?xùn)|十年河西，風(fēng)水真是輪流轉(zhuǎn)。當(dāng)科技股身上的亮麗袍子，因景氣下滑而蒙塵時(shí)，就開(kāi)在你家附近轉(zhuǎn)角的通路商，鈔票卻穩(wěn)穩(wěn)地進(jìn)了他們口袋。特別是在供給大於需求的年代，由於通路商是與消費(fèi)者第一線面對(duì)面接觸的末稍神經(jīng)，製造商為了去化過(guò)剩產(chǎn)能，倚賴通路程度更甚以往。不止聯(lián)強(qiáng)、威名百貨，看看今年臺(tái)灣上市櫃中幾檔廣義的「通路概念股」，在不景氣時(shí)節(jié)，成績(jī)同樣亮眼無(wú)比。還記得數(shù)月前引爆的油價(jià)大戰(zhàn)嗎？其中有兩家油品通路商前3季營(yíng)收成長(zhǎng)率都相當(dāng)驚人，全國(guó)加油站為31.3％，北基加油站則是29.1％，成長(zhǎng)率都約3成左右。而展店數(shù)逼近1300家的全家便利商店，規(guī)模雖居於老二，成長(zhǎng)卻明顯高過(guò)龍頭，前3季營(yíng)收成長(zhǎng)為21.2％，上半年由於營(yíng)收與獲利都超越原訂目標(biāo)，今年已正式調(diào)高財(cái)測(cè)。此外，居房地產(chǎn)通路商角色的信義房屋，前3季營(yíng)收成長(zhǎng)率則有42.2％，每股稅前盈餘為3.92；而另一家以經(jīng)營(yíng)醫(yī)療器材等專業(yè)市場(chǎng)為導(dǎo)向的通路商博登，每股稅前盈餘為3.42元，前3季營(yíng)收成長(zhǎng)率更高達(dá)62.1％。角色多元，以複合刺激成長(zhǎng)羅格斯（Rutgers）管理學(xué)院教授班奈德特?緹南（BernadetteTiernan），曾以「任何擁有多種來(lái)源，由多種元素組成」的Hybrid這個(gè)字，說(shuō)明實(shí)體通路朝虛擬進(jìn)軍成為多通路企業(yè)（HybridComapny）時(shí)，將產(chǎn)生極大力量。緹南認(rèn)為，由實(shí)體出發(fā)的企業(yè)，由於擁有高知名度以及與顧客實(shí)質(zhì)接觸的經(jīng)驗(yàn)，朝多通路進(jìn)軍時(shí)，遠(yuǎn)比由虛擬轉(zhuǎn)進(jìn)實(shí)體店面勝算更高。同時(shí)，佛斯特（Forrest）研究中心在一份「結(jié)合實(shí)體虛擬（MixingBrickswithClicks）」的報(bào)告中也指出，有8成的零售商，計(jì)畫(huà)在店內(nèi)加裝如Kiosk類型的公共數(shù)位資訊設(shè)備。開(kāi)始發(fā)光發(fā)熱的通路商，為什麼能在不景氣年代獨(dú)占鰲頭？他們的經(jīng)營(yíng)方式又帶給其他產(chǎn)業(yè)什麼啟示？這裡，我們就不能不提到總店數(shù)已超過(guò)3千家，把超商角色經(jīng)營(yíng)得爐火純青的通路王7-ELEVEN，以及念茲在茲於擴(kuò)展實(shí)體通路，但卻同時(shí)也透過(guò)投資，進(jìn)入電信與線上遊戲產(chǎn)業(yè)試水溫的富邦金控。對(duì)已是通路的7-ELEVEN來(lái)說(shuō)，「複合」概念早已成為刺激成長(zhǎng)的重要元素。別以為它只是賺買進(jìn)賣出的轉(zhuǎn)手錢，「我們要做社區(qū)服務(wù)中心，」總經(jīng)理徐重仁說(shuō)，在銷售中融入家庭與歡樂(lè)因子，是他們長(zhǎng)遠(yuǎn)的目標(biāo)。既要做好「好鄰居」的服務(wù)角色，瓦斯費(fèi)、電話費(fèi)？他們代收；想替孩子買參考書(shū)？7-ELEVEN將貴子弟學(xué)校用什麼版本課本調(diào)查得清清楚楚，你只要到店取書(shū)即可；想吃新鮮的帝王蟹？他們代訂並送貨到府；更別提他們還在店裡放臺(tái)自動(dòng)櫃員機(jī)，搖身一變當(dāng)起無(wú)人小銀行，以及與中華電信合作，直接傳手機(jī)簡(jiǎn)訊賣減肥餐的多通路行銷策略。從實(shí)體分行到直接上門(mén)資策會(huì)資深產(chǎn)業(yè)分析師童啟晟，以國(guó)外發(fā)展情況指出，其實(shí)許多金融業(yè)者已隱隱察覺(jué)，未來(lái)他們的競(jìng)爭(zhēng)對(duì)手，不再只限於傳統(tǒng)金融同業(yè)，更大的潛在競(jìng)爭(zhēng)者，可能會(huì)出現(xiàn)在超商、電信領(lǐng)域。如國(guó)內(nèi)的超商代收服務(wù)是其一，而在韓國(guó)，電信公司與網(wǎng)咖業(yè)者合作，電信業(yè)者提供加值服務(wù)，以扣點(diǎn)方式介入金流是其二。由此觀察，即使國(guó)內(nèi)已有不少銀行與電信產(chǎn)業(yè)合作，共同發(fā)行電信聯(lián)名卡，但「既競(jìng)爭(zhēng)又合作，可說(shuō)是未來(lái)金融業(yè)與電信業(yè)的態(tài)勢(shì)，」童啟晟說(shuō)。當(dāng)便利超商可成為小銀行，電信業(yè)也可能搶奪金流大餅時(shí)，銀行業(yè)者的思維又如何？這裡，富邦金控對(duì)「通路」的思考，似乎也同樣朝「最後一哩（thelastmile）」精髓推進(jìn)。

目前各家金控業(yè)者均戮力爭(zhēng)取分行通路，但富邦即使將臺(tái)北銀行納入旗下，實(shí)體通路點(diǎn)也不過(guò)179家，再加上自動(dòng)化設(shè)備250臺(tái)，影響力畢竟還是不如數(shù)以千計(jì)的連鎖便利超商。但很早就在集團(tuán)內(nèi)力行交叉行銷的富邦，除了透過(guò)直效行銷公司做資源整合，同時(shí)以實(shí)體、電話等各種通路提高金融商品銷售力外，透過(guò)轉(zhuǎn)投資臺(tái)灣大哥大與遊戲橘子，一腳踩入另外兩個(gè)同樣以「百萬(wàn)人次」計(jì)算的電信與線上遊戲產(chǎn)業(yè)。這三種均以個(gè)人消費(fèi)者為對(duì)象的產(chǎn)業(yè)中，一旦靠著資料採(cǎi)礦（DataMining）累積對(duì)消費(fèi)者習(xí)性的瞭解，可激發(fā)的能量恐怕更為深遠(yuǎn)。套句富邦直效行銷總經(jīng)理林啟峰所說(shuō)：「現(xiàn)在的銷售通路愈來(lái)愈Blending（混合），」再對(duì)照7-ELEVEN總經(jīng)理徐重仁對(duì)店內(nèi)銷售產(chǎn)品的「複合」概念——混合與多元，或許是讓通路業(yè)者大放異彩的重要元素吧！資料來(lái)源：李佩芬，數(shù)位時(shí)代，2002年12月出刊，.tw/mag//2002_12_01/2002_12_01_485.html第三節(jié)資料採(cǎi)礦分析方法九、資料採(cǎi)礦的模式為何？在資料採(cǎi)礦的領(lǐng)域中，包含了許多的模式(Model)（如分類、推估、預(yù)測(cè)、群聚/分析、同質(zhì)分組或關(guān)聯(lián)規(guī)則、描述及視覺(jué)化、順序等七種）及應(yīng)用的方法(Method)（如關(guān)聯(lián)式法則、時(shí)間序列分析、序列型樣、群組式法則、分類式法則、機(jī)率經(jīng)驗(yàn)分析等六種）(Mehta&Bhattacharyya,2004)，如圖10-4所示。圖10-4資料探勘的模式1.分類(Classification)：根據(jù)不同團(tuán)體的物件特性建立屬性變數(shù)，當(dāng)新物件進(jìn)來(lái)時(shí)，可以前述的屬性加以判定並分類。常使用的技巧有決策樹(shù)(DecisionTree)或類神經(jīng)網(wǎng)路(NeuralNetwork)等。2.推估(Estimation)：分類出來(lái)的結(jié)果是不連續(xù)的，而推估所得的結(jié)果則是連續(xù)性的數(shù)值。例如以一個(gè)家庭擁有之汽車款式來(lái)推估該家庭的年收入。3.預(yù)測(cè)(Prediction)：利用一或多種獨(dú)立變數(shù)來(lái)找出某個(gè)標(biāo)準(zhǔn)(Criterion)或因變數(shù)的值就叫預(yù)測(cè)。使用的相關(guān)技術(shù)包括迴歸分析、時(shí)間序列分析(TimeSeriesAnalysis)、類神經(jīng)網(wǎng)路及案例庫(kù)推理(Case-BasedReasoning)等。4.關(guān)聯(lián)分組(Affinitygroupingorassociationrule)：用以辨識(shí)資料間的關(guān)聯(lián)，而這些關(guān)聯(lián)通常以規(guī)則來(lái)表示。例如含有項(xiàng)目A和B的紀(jì)錄中，有60%也含有C和D。事件發(fā)生的百分比是關(guān)聯(lián)的支持度及可靠度。較常使用Apriori演算法並用於購(gòu)物籃分析(MarketBasketAnalysis)，使用銷售點(diǎn)的交易資料來(lái)辨識(shí)產(chǎn)品的關(guān)聯(lián)。5.群聚/分析(clustering/segmentation)：將異質(zhì)母體中區(qū)隔為較具同質(zhì)性之群組(clusters)。同質(zhì)分組相當(dāng)於行銷術(shù)語(yǔ)中的區(qū)隔化(Segmentation)，但是，假定事先未對(duì)於區(qū)隔加以定義，而資料中自然產(chǎn)生區(qū)隔。使用的技巧包括k-means法以及agglomeration法。6.描述及視覺(jué)化(descriptionandvisualization)：利用視覺(jué)化的方式，將分析以及淬取的結(jié)果呈現(xiàn)出來(lái)，以解釋複雜或繁瑣的內(nèi)容。使用圖像的表達(dá)方式，對(duì)於使用者來(lái)說(shuō)能夠更容易解釋及接受。7.順序(sequentialmodeling)：例如，以自行車產(chǎn)業(yè)為例，若在研究的結(jié)果中發(fā)現(xiàn)購(gòu)買公路跑車款式的自行車消費(fèi)者，有25%的人會(huì)在五年後會(huì)購(gòu)買登山越野車，同時(shí)有53%的人也會(huì)增購(gòu)周邊附加的相關(guān)商品，這樣的分析就是「順序」的研究結(jié)果。這些資料探勘應(yīng)用程式和技術(shù)的共同目標(biāo)，包括偵測(cè)、解釋和預(yù)測(cè)資料的質(zhì)化或量化樣式。要達(dá)成這些目標(biāo)，資料探勘解決方案使用了多種機(jī)械學(xué)習(xí)(machinelearning)、人工智慧(AI)、統(tǒng)計(jì)(Statistics)、和資料庫(kù)查詢(SQL)處理的技術(shù)。十、資料採(cǎi)礦的方法為何？資料採(cǎi)礦的分析方法，隨著不同的理論與應(yīng)用，可以區(qū)分成不同的類別。常見(jiàn)的方法有：決策樹(shù)分析，關(guān)聯(lián)性分析，類神經(jīng)網(wǎng)路，基因演算法，多元尺度分析法，集群分析法，羅吉斯迴歸，聯(lián)合分析，時(shí)間數(shù)列分析法，貝氏網(wǎng)圖分析法，蟻群分析法，以及多變量分析等。本書(shū)挑選其中常用的一些方法，介紹其概念與理論。1.決策樹(shù)分析(Decisiontreeanalysis)決策樹(shù)是從一個(gè)或多個(gè)預(yù)測(cè)變數(shù)中，針對(duì)類別應(yīng)變數(shù)的階級(jí)，預(yù)測(cè)案例或物件的關(guān)係；決策樹(shù)是資料挖掘(DataMining)其中一項(xiàng)主要的技巧。決策樹(shù)的目標(biāo)是針對(duì)類別應(yīng)變數(shù)加以預(yù)測(cè)或解釋反應(yīng)結(jié)果，此模組分析技術(shù)與判別分析、區(qū)集分析、無(wú)母數(shù)統(tǒng)計(jì)，與非線性估計(jì)所提供的功能是一樣的，決策樹(shù)的彈性，使得資料本身更加具吸引人的分析選項(xiàng)，但並不意謂許多傳統(tǒng)方法就會(huì)被排除在外。實(shí)際應(yīng)用上，當(dāng)資料本身符合傳統(tǒng)方法的理論條件與分配假說(shuō)，這些方法或許是較佳的，但是站在探索資料技術(shù)的角度，或者當(dāng)傳統(tǒng)方法的設(shè)定條件不足，決策樹(shù)對(duì)於研究者來(lái)說(shuō)，是較佳的建議技巧。例如，假設(shè)我們想要設(shè)計(jì)硬幣收集時(shí)的排序系統(tǒng)，測(cè)量是依據(jù)硬幣的直徑長(zhǎng)度，建立硬幣排序時(shí)的階級(jí)組織系統(tǒng)，首先我們可以將硬幣(一堆硬幣)，以直立的方式，將硬幣邊緣向下滾動(dòng)至一狹窄的孔中，依據(jù)設(shè)置不同幣值的投幣孔(1分、10分、25分、5分)那麼不同硬幣在滾動(dòng)的同時(shí)，會(huì)依據(jù)不同的硬幣孔，落入不同的儲(chǔ)存盒中，如此一來(lái)，我們正是在建構(gòu)一個(gè)決策樹(shù)，而依此結(jié)構(gòu)，也正是在執(zhí)行有效的決策過(guò)程，建立硬幣排序的分類標(biāo)準(zhǔn)，依此類推，我們可以延伸至其他更多元化的分類問(wèn)題上。決策樹(shù)的結(jié)果能夠或者說(shuō)有時(shí)候會(huì)相當(dāng)複雜，然而，圖形程序可以協(xié)助使用者容易地對(duì)複雜的樹(shù)狀結(jié)果做出解釋，如果使用者的主要目的在於成就某資料反應(yīng)值的持定階層時(shí)所給的條件，例如：呈現(xiàn)較高的反應(yīng)結(jié)果，可以利用三維等高線圖的技巧，將最終節(jié)點(diǎn)中的較高反應(yīng)呈現(xiàn)出來(lái)，我們以STATISTICA中決策樹(shù)的圖形為例，如圖10-5。圖10-5決策樹(shù)分析2.關(guān)聯(lián)性法則（AssociationRule）Agrawaletal.,(1993)指出，在資料探勘的領(lǐng)域之中，關(guān)聯(lián)性法則(AssociationRule)是最常被使用的方法。關(guān)聯(lián)性法則在於找出資料庫(kù)中的資料間彼此的相關(guān)聯(lián)性，而這種方法現(xiàn)已經(jīng)普遍運(yùn)用於各領(lǐng)域之中；例如，80％消費(fèi)者購(gòu)買碳粉匣，也會(huì)購(gòu)買報(bào)表紙。假設(shè)在資料庫(kù)中，L={l1,l2,…,ln}是所有顧客的知識(shí)與需求之集合，其中X及Y均為決策變數(shù)且是L的子集合(Subset)並互相獨(dú)立，因此關(guān)聯(lián)式法則的表示形式為：X→Y，XL，YL且X∩Y=ψ。關(guān)聯(lián)式法則的產(chǎn)生由兩個(gè)參數(shù)來(lái)決定：支持度(Support)及可靠度(Confidence)(Wang,etal.,2004)。關(guān)聯(lián)性法則的建立，按照Agrawal&Srikant(1994)兩位學(xué)者所設(shè)計(jì)的流程，有以下二個(gè)步驟:(1)從資料庫(kù)中找出高頻的項(xiàng)目集合(LargeItemsets)，亦即此集合之各個(gè)決策變數(shù)的組合，同時(shí)要大於所設(shè)定之最低支持度(MinimumSupport)。(2)接著，用前述步驟所產(chǎn)生的高頻項(xiàng)目集合產(chǎn)生關(guān)聯(lián)性法則，並計(jì)算其可靠度，若高於所設(shè)定的最低可靠度(MinimumConfidence)，則此法則確定成立。此外，為減少僅憑藉此兩項(xiàng)指標(biāo)可能造成之偏誤，因此，應(yīng)該要再考量相關(guān)性(Correction)，進(jìn)行相關(guān)分析(Correctionanalysis)，此處所提到相關(guān)分析，即為增益值(Lift)(Wang,etal.,2004)。Lift(Correction)Lift(Correction)=Support(Y)Confidence(X→Y)若：增益值＞1，表示X與Y呈現(xiàn)正相關(guān)，規(guī)則才具有實(shí)用性。增益值＝1，表示X與Y呈現(xiàn)正相關(guān)，結(jié)果與亂數(shù)取得方式相似。增益值＜1，表示X與Y呈現(xiàn)負(fù)相關(guān)，比亂數(shù)取得之結(jié)果更差。Apriori演算法在關(guān)聯(lián)式法則之使用中，Apriori是最為著名且廣泛運(yùn)用的演算法。最早是由Agrawal&Srikant等兩位學(xué)者於1994年首先提出，而在這之後許多應(yīng)用的相關(guān)演算法，僅是修正Apriori中的部分概念而來(lái)，例如DHP演算法、DLG演算法、DIC演算法與FP-Tree演算法等，其處理程序說(shuō)明如下：(1)定義最低支持度(MinimumSupport)及最低可靠度(MinimumConfidence)。(2)Apriori演算法使用了候選項(xiàng)目集合(CandidateItemsets)的觀念，若候選項(xiàng)目集合的支持度大於或等於最低支持度(MinimumSupport)，則該候選項(xiàng)目集合為高頻項(xiàng)目集合(LargeItemsets)。(3)首先由資料庫(kù)讀入所有的交易，得到第一候選項(xiàng)目集合(Candidate1-Itemset)的支持度，再找出第一高頻項(xiàng)目的集合(Large1-Itemset)，並利用這些高頻單項(xiàng)目集合的結(jié)合，產(chǎn)生第二候選項(xiàng)目集合(Candidate2-itemset)。(4)再掃描資料庫(kù)，得出第二候選項(xiàng)目集合的支持度以後，再找出第二高頻項(xiàng)目集合，並利用這些第二高頻項(xiàng)目集合的結(jié)合，產(chǎn)生第三候選項(xiàng)目集合。(5)反覆掃描整個(gè)資料庫(kù)，再與最低支持度相比較，產(chǎn)生高頻的項(xiàng)目集合，再結(jié)合產(chǎn)生下一層候選項(xiàng)目集合，直到不再結(jié)合產(chǎn)生出新的候選項(xiàng)目集合為止。以下則利用簡(jiǎn)單的例子，來(lái)看Apriori演算法的處理過(guò)程。若資料庫(kù)中有四筆交易，每筆交易都具有不同的ID作代表，而交易中都包含了有數(shù)種物品，如下所示：表10-1：資料庫(kù)中交易記錄IDItems001ACD002BCE003ABCE004BE則Apriori產(chǎn)生候選項(xiàng)目集合和高頻項(xiàng)目集合的計(jì)算流程如下：首先在掃瞄完整個(gè)資料庫(kù)後，將所有出現(xiàn)商品的次數(shù)予以計(jì)數(shù)，如此即得C1表（第一候選項(xiàng)目集合），將不符合最小支持度之項(xiàng)目剔除後，即得L1表（第一高頻項(xiàng)目集合）。藉此反覆遞迴的過(guò)程，依次產(chǎn)生第二高頻項(xiàng)目集合與第三高頻項(xiàng)目集合(如表10-2)。表10-2:Apriori演算法產(chǎn)生的候選項(xiàng)目集合和高頻項(xiàng)目集合C1L1ItemsetSupportItemsetSupportScan{A}2{A}2Database{B}3{B}3→{C}3→{C}3{D}1{E}3{E}3C2C2L2ItemsetItemsetSupportItemsetSupport{AB}Scan{AB}1{AC}2{AC}Database{AC}2{BC}2{AE}→{AE}1→{BE}3{BC}{BC}2{CE}2{BE}{BE}3{CE}{CE}2C3ScanC3L3ItemsetDatabaseItemsetSupportItemsetSupport{BCE}→{BCE}2→{BCE}2資料來(lái)源：Kouris,I.N.,Makris,C.H.,Tsakalidis,A.K.(2005)圖10-6：五維度的子集合示意圖資料來(lái)源：Coenen,F.,Goulbourne,G.,&Leng,P.(2004)當(dāng)我們想要產(chǎn)生第三候選項(xiàng)目集合時(shí)，所產(chǎn)生的集合項(xiàng)目中，必須皆已產(chǎn)生於第二高頻項(xiàng)目集合中，由圖10-6可以很清楚的看到整個(gè)演算的路徑。因此第三候選項(xiàng)目?jī)H剩{BCE}，無(wú)法再產(chǎn)生C4，所以演算法就此終止。3.類神經(jīng)網(wǎng)路(Neuralnetworks)(1)類神經(jīng)網(wǎng)路的基本概念類神經(jīng)網(wǎng)路(NeuralNetwork)，又名為平行分散處理器(ParallelDistributedProcessors)、自我組織系統(tǒng)(Self-organizingSystems)、適應(yīng)系統(tǒng)(AdaptiveSystems)、類神經(jīng)網(wǎng)路(ArtificialNeuralNetworks)等，它使用大量簡(jiǎn)單的相連人工神經(jīng)元來(lái)模仿生物神經(jīng)網(wǎng)路的能力。人工神經(jīng)元是生物神經(jīng)元的簡(jiǎn)單模擬，它從外界環(huán)境或者其它人工神經(jīng)元取得資訊，並以非常簡(jiǎn)單的運(yùn)算，將輸出其結(jié)果到外界環(huán)境或者其它人工神經(jīng)元，以便用於推估、預(yù)測(cè)、決策、診斷。早在1957年，第一種類神經(jīng)網(wǎng)路模式－感知機(jī)（Perceptron）就被提出，然由於許多因素的影響，類神經(jīng)網(wǎng)路的研究在1960年代中期即告沒(méi)落。直到1982年J.Hopfield提出霍普菲爾網(wǎng)路(HNN)，證明誤差可收斂至一局部最小值，1986年Rumelhart等人提出倒傳遞網(wǎng)路(BPN)更是掀起類神經(jīng)網(wǎng)路的研究風(fēng)潮；其後經(jīng)多位專家學(xué)者的不斷研究開(kāi)發(fā)，至今類神經(jīng)網(wǎng)路已發(fā)展出多種的型態(tài)。自1980年代中期，類神經(jīng)網(wǎng)路研究突然復(fù)興起來(lái)，且在短時(shí)間內(nèi)成為風(fēng)潮，其原因包括：(A).類神經(jīng)網(wǎng)路本身在理論的建立與模式的開(kāi)發(fā)上有了突破。最明顯的包括霍普非爾網(wǎng)路（Hopfieldneuralnetwork,HNN），與倒傳遞網(wǎng)路（Back－propagationnetwork）。(B).解決電腦科學(xué)與人工智慧一些難題的需要，例如樣本學(xué)習(xí)、機(jī)器學(xué)習(xí)。(C).電子、光學(xué)等技術(shù)的進(jìn)展提供了實(shí)現(xiàn)「神經(jīng)電腦」可能性，例如基於VLSI的神經(jīng)電腦與光神經(jīng)電腦的誕生。(D).從現(xiàn)代生理學(xué)、認(rèn)知學(xué)、心理學(xué)對(duì)生物神經(jīng)網(wǎng)路的瞭解，提供了發(fā)展新的類神經(jīng)網(wǎng)路模式的啟示。類神經(jīng)網(wǎng)路是基於腦神經(jīng)系統(tǒng)研究所啟發(fā)的一種資訊處理技術(shù)，它由巨量的神經(jīng)細(xì)胞（或稱神經(jīng)元）組成，包括：(A).神經(jīng)核（soma）：神經(jīng)細(xì)胞呈核狀的處理機(jī)構(gòu)。(B).軸索（神經(jīng)軸）（axon）：神經(jīng)細(xì)胞呈軸索狀的輸送機(jī)構(gòu)。(C).數(shù)突（神經(jīng)樹(shù)）（dendrites）：神經(jīng)細(xì)胞呈樹(shù)狀的輸出入機(jī)構(gòu)。(D).突觸（神經(jīng)節(jié)）（synapse）：神經(jīng)樹(shù)上呈點(diǎn)狀的連結(jié)機(jī)構(gòu)。圖10-7：神經(jīng)元模型當(dāng)一個(gè)神經(jīng)元被輸入的訊號(hào)所激發(fā)時(shí)，經(jīng)過(guò)神經(jīng)核處理神經(jīng)元會(huì)產(chǎn)生一個(gè)新的脈波訊號(hào)，如果脈波訊號(hào)是經(jīng)過(guò)興奮神經(jīng)節(jié)，則增加脈波訊號(hào)的速率；如果脈波訊號(hào)是經(jīng)過(guò)抑制神經(jīng)節(jié)，則會(huì)減少脈波訊號(hào)的速率，因此脈波訊號(hào)的強(qiáng)弱視同時(shí)取決於輸入訊號(hào)的強(qiáng)弱與突觸的強(qiáng)度。類神經(jīng)網(wǎng)路通常利用一組範(fàn)例資料建立系統(tǒng)模型，在依據(jù)此模型進(jìn)行推估、預(yù)測(cè)、診斷及決策。而類神經(jīng)網(wǎng)路由許多人工細(xì)胞（又可稱為類神經(jīng)元、人工神經(jīng)元及處理單元）組成，每一處理單元的輸出則成為其他許多處理單元的輸入。圖10-7：人工神經(jīng)元模型處理單元其輸出、入值計(jì)算式，可用下列函數(shù)表示：其運(yùn)算符號(hào)說(shuō)明如下：Yj：類神經(jīng)元模型的輸出訊號(hào)。f：類神經(jīng)元模型轉(zhuǎn)換函數(shù)，其目的係將從其他處理單元輸入的輸入值之加權(quán)乘積轉(zhuǎn)換為處理單元輸出值。Wij：類神經(jīng)元模型的神經(jīng)節(jié)強(qiáng)度。θj：類神經(jīng)元模型的門(mén)檻值（Threshold），亦稱Bais。因類神經(jīng)網(wǎng)路的組成是由多個(gè)神經(jīng)元組成，而每一鏈結(jié)有一個(gè)加權(quán)值Wij，用以表示第i個(gè)輸入單元對(duì)第j個(gè)輸出單元影響強(qiáng)度。(2)類神經(jīng)網(wǎng)路的類型一般神經(jīng)網(wǎng)路依其學(xué)習(xí)特性的差異區(qū)可以分成為監(jiān)督式學(xué)習(xí)(Supervised)、非監(jiān)督式學(xué)習(xí)(Unsupervised)、聯(lián)想式學(xué)習(xí)(AssociateLearningNetwork)及最適化應(yīng)用網(wǎng)路(OptimizationApplicationNetwork)，以下將介紹其網(wǎng)路特性：(A)監(jiān)督式學(xué)習(xí)網(wǎng)路（SupervisedLearningNetwork）從問(wèn)題領(lǐng)域中取得訓(xùn)練範(fàn)例(包括輸入變數(shù)值及輸出變數(shù)值)，網(wǎng)路從中學(xué)習(xí)輸入變數(shù)與輸出變數(shù)的內(nèi)在對(duì)應(yīng)規(guī)則，以應(yīng)用於新的範(fàn)例(只有輸入變數(shù)值而需推論輸出變數(shù)值的應(yīng)用)；此種學(xué)習(xí)方式有如老師指導(dǎo)學(xué)生對(duì)問(wèn)題做正確的回答，常見(jiàn)應(yīng)用於圖形辨認(rèn)和預(yù)測(cè)領(lǐng)域，如：倒傳遞網(wǎng)路、學(xué)習(xí)向量量化網(wǎng)路、機(jī)率神經(jīng)網(wǎng)路、反傳遞網(wǎng)路(CP)等。(B)非監(jiān)督式學(xué)習(xí)網(wǎng)路（UnsupervisedLearningNetwork）相對(duì)於監(jiān)督式學(xué)習(xí)網(wǎng)路而言，必須有明確的輸入與輸出範(fàn)例資料訓(xùn)練網(wǎng)路，然而非監(jiān)督式學(xué)習(xí)只需要從問(wèn)題域中取得輸入變數(shù)值範(fàn)例資料，並從中學(xué)習(xí)範(fàn)例內(nèi)在聚類規(guī)則，以應(yīng)用於新範(fàn)例(有輸入變數(shù)值，而需推論它與那些訓(xùn)練範(fàn)例屬同一聚類的應(yīng)用)，如：競(jìng)爭(zhēng)式學(xué)習(xí)、自適應(yīng)共振理論網(wǎng)路(ART)、Kohonen學(xué)習(xí)法則(SOM)等。(C)聯(lián)想式學(xué)習(xí)(AssociateLearningNetwork)從問(wèn)題領(lǐng)域中取得訓(xùn)練範(fàn)例(狀態(tài)變數(shù)值)，並從中學(xué)習(xí)範(fàn)例的內(nèi)在記憶規(guī)則，以應(yīng)用新的案例，意即在現(xiàn)有資料不完整狀態(tài)之下，而需推論其完整的狀態(tài)變數(shù)值之應(yīng)用，如霍普菲爾網(wǎng)路(HNN)、雙向聯(lián)想記憶網(wǎng)路(BAM)等。(D)最適化應(yīng)用網(wǎng)路(OptimizationApplicationNetwork)類神經(jīng)網(wǎng)路除了「學(xué)習(xí)」應(yīng)用外，還有一個(gè)特殊應(yīng)用，那就是最適化應(yīng)用，意即對(duì)一問(wèn)題決定其設(shè)計(jì)變數(shù)值，使其在滿足設(shè)計(jì)限制條件下，使設(shè)計(jì)目標(biāo)達(dá)到最佳狀態(tài)的應(yīng)用，如霍普菲爾—坦克網(wǎng)路(HTN)、退火神經(jīng)網(wǎng)路(ANN)等。4.集群分析(Clusteranalysis)群集分析是一種傳統(tǒng)的多變量統(tǒng)計(jì)分類方法，其主要是探討如何將資料或物件予以分群(cluster)或是分類(classify)，主要目的就是依照收集的樣本將它分成數(shù)個(gè)群數(shù)，使得群內(nèi)個(gè)體間高度的同質(zhì)性，以及不同群體高度的異質(zhì)性，而此資料或物件的表現(xiàn)方法最常用的是一組特徵向量。然而目前群集分析主要分成多變量分析、類神經(jīng)網(wǎng)路及遺傳演算法等。而多變量分析已經(jīng)被許多學(xué)者所應(yīng)用，目前可區(qū)分成階層式(hierarchical)、非階層式(non-hierarchical)與兩階段方法等方法。而類神經(jīng)方法主要分成監(jiān)督式學(xué)習(xí)與非監(jiān)督式學(xué)習(xí)，透過(guò)權(quán)重的過(guò)程，來(lái)加速學(xué)習(xí)率的提昇。至於遺傳演算法則利用其交配、突變來(lái)找尋最佳化的分群效果。最早的資料分群多依據(jù)經(jīng)驗(yàn)作定性分析處理，使得許多分類研究屬主觀結(jié)果而無(wú)常法遵循，而多變量統(tǒng)計(jì)之集群分析（ClusterAnalysis），是實(shí)施分組工作最常用的程序，它是將個(gè)體（受測(cè)者或變數(shù)）分成有意義群組的一種統(tǒng)計(jì)分析技巧，可提供客觀合理之?dāng)?shù)值分類程序結(jié)果。集群分析已經(jīng)廣泛被應(yīng)用於各式各樣領(lǐng)域上的分析及探討，主要的目的就是利用群體中具有相同統(tǒng)計(jì)特性聚成同一群，使得同群組內(nèi)的個(gè)體相似性高，不同群組的個(gè)體相似性低。另外，當(dāng)使用集群分析來(lái)作為其它資料探勘的預(yù)處理步驟時(shí)，不但可以加速資料探勘的速度，而且對(duì)於資料探勘結(jié)果的正確性，也有正面的幫助。集群技術(shù)目前已經(jīng)非常明確被分隔成分層式與非層式分析，在分層式集群方法中，集群一旦形成，便不再打散，所以群數(shù)就固定。然而在非分層式集群方法中，是要求在各階段分群過(guò)程之中，將原有群數(shù)欲以打散，並重新形成新的集群。而兩階段方法就是結(jié)合了分層式與非分層式的優(yōu)點(diǎn)，以求的最佳群數(shù)。(1)階層式分群法（HierarchicalClusterAnalysis）:階層式的集群分析，是將個(gè)體分類成為階層式或階段式，如：生物學(xué)中或是語(yǔ)言學(xué)中的系統(tǒng)樹(shù)，其分類目的是希望在系統(tǒng)分類的同時(shí)，可以很清楚的表達(dá)出每一個(gè)集群之間相互的階層構(gòu)造以及其包含的關(guān)係，而其分析的結(jié)果則是系統(tǒng)圖或是樹(shù)狀圖。非階層式的集群分析則是把具有類似特性的個(gè)體歸類成一個(gè)集群，不同特性的歸類到不同集群，其主要目的就是將個(gè)體分類或是並列成幾個(gè)集群的找出，不過(guò)，這一種的分群方式並無(wú)集群間的階層構(gòu)造或是包含關(guān)係，而是主要以展現(xiàn)集群特性為目的。階層式的集群分析主要是利用凝聚(agglomerative)與分離(divisive)的方式，將樣本的個(gè)體視為一群，然後將相近的個(gè)體合成同一群，依次的結(jié)合使得群組愈來(lái)愈少，最後所有個(gè)體結(jié)成一群，或是經(jīng)由相反的程序，將所有個(gè)體從同一群，一一分離出為個(gè)別的群數(shù)。此種方法最大的好處可以使決策者依據(jù)實(shí)際需要，選擇最適當(dāng)?shù)娜簲?shù)，作為區(qū)隔市場(chǎng)之依據(jù)。因此，階層式集群分析又可分為凝集群法（AgglomerativeHierarchicalMethod）及分裂式集群法（DivisiveHierarchicalMethod）兩種。（A）凝集群法：是指剛開(kāi)始時(shí)將N個(gè)觀察體劃分為N集群，然後根據(jù)彼此間的相似程度（Similarity），將最相似的集群加以合併，最後將所有集群合併成為一個(gè)大集群，最常使用的凝集群法有：簡(jiǎn)單連結(jié)法、完全連結(jié)法、平均連結(jié)法，及華德最小變數(shù)法。（B）分裂式集群法：此方法跟凝集群法相反，先是將所有觀察體歸為同一集群，然後再根據(jù)各個(gè)觀察體與集群間的相似程度，慢慢地一步步將大集群分為各個(gè)小集群，最後直到把所有的觀察體劃分成N個(gè)集群為止。(2)非階層式方法（NonhierarchicalClusterAnalysis）:首先是先決定K個(gè)集群中心，用來(lái)當(dāng)作起始的分群中心，而後，依各個(gè)體到各中心點(diǎn)距離遠(yuǎn)近，重新移動(dòng)個(gè)體到最近的群體，並計(jì)算出各群體新的中心點(diǎn)，然後繼續(xù)再移動(dòng)各個(gè)體到最接近的群體，直到群聚結(jié)果不再改變或滿足某種限制為止，如群聚中心直的改變量小於預(yù)設(shè)值、重複的次數(shù)超過(guò)預(yù)設(shè)值等等。非階層式集群分析中最常使用的方法為K-MeansCluster分群法，與其他的分群法最大的差異在於：若樣本的分群數(shù)為已知的情形之下，則K-MeansCluster分群法可以將所有的樣本分為指定的群數(shù)，而且K-MeansCluster分群法比較不容易受到不適當(dāng)之屬性（構(gòu)面）、異常點(diǎn)與不同的相似度（距離）的影響。(3)兩階段方法：如果要求的更精確的分類結(jié)果，可以同時(shí)使用分層法與非分層法。第一階段以華德法做分群，以決定群組個(gè)數(shù)，第二階段再以K-Means進(jìn)行群集，以二階段方法目的是由於第一階段華德法是屬於分層式群集分析，當(dāng)二個(gè)個(gè)體一旦被分在一群，則其後永遠(yuǎn)就在同一群，而此時(shí)在第二階段所使用K-Means就是彌補(bǔ)此種缺點(diǎn)，以達(dá)到最佳組內(nèi)同質(zhì)、組間異質(zhì)的群數(shù)。此種分析的手法就是透過(guò)兩階段分群方法，修正了分層式集群法中對(duì)於集群分析一旦形成，就無(wú)法對(duì)併入不適當(dāng)集群觀察值進(jìn)行重新分群的缺點(diǎn)。同時(shí)也克服了非曾即是集群法需事先決定集群數(shù)目與集群中心點(diǎn)的問(wèn)題。集群分析的相關(guān)方法架構(gòu)，我們可以整理如10-8圖。圖10-8集群分析方法架構(gòu)圖5.基因演算法(Geneticalgorithm)基因演算法是Holland(Goldberg,1989)發(fā)展出的演算法，它是一種極有效的搜尋最佳解的方法，其基本觀念是以達(dá)爾文的進(jìn)化論為基礎(chǔ)，模擬自然界”適者生存，不適者淘汰”的進(jìn)化程序。每一種物種的特性均來(lái)自於該物種上一代的基因排列，而進(jìn)化則是代代之間的基因發(fā)生變化。所謂”適者生存，不適者淘汰”即是自然界為繁衍出更優(yōu)良的下一代，會(huì)隨著環(huán)境的變化而自我調(diào)適，使子代(Offspring)的基因排列優(yōu)於母代(Parents)的基因排列，而產(chǎn)生比母代更適應(yīng)環(huán)境的子代。因此，就逐漸演化出越來(lái)越優(yōu)良的物種?；蜓菟惴ㄋ軌蜻x擇物種中具有較好特性的母代，透過(guò)交配隨機(jī)的交換彼此的位元資訊，以期產(chǎn)生更優(yōu)良的子代，再藉著突變的運(yùn)算，預(yù)防優(yōu)良因子的流失和不良因子的常駐，如此重複的演化下去，逐漸逼近適應(yīng)度最強(qiáng)的物種。其基本的精神在篩選(Selection)與演化(Evolution)。另外，基因演算法係由一組稱之族群的參數(shù)來(lái)執(zhí)行搜尋任務(wù)，在每一世代，從舊有族群中依據(jù)預(yù)先定義好的適應(yīng)函數(shù)來(lái)產(chǎn)生新的物種，而適應(yīng)函數(shù)代表系統(tǒng)的性能指標(biāo)。有較高的適應(yīng)函數(shù)值，即系統(tǒng)有較好的性能?；蜓菟惴ń逯Ａ粲休^高適應(yīng)函數(shù)值的物種與物種間互換基因的方式，一個(gè)世代接著一個(gè)世代的進(jìn)化，使系統(tǒng)性能提昇?；蜓菟惴ǖ乃褜ぜ夹g(shù)是以隨機(jī)搜尋為架構(gòu)，透過(guò)多點(diǎn)搜尋法演化過(guò)程來(lái)表現(xiàn)出比一般隨機(jī)搜尋方式更佳的求解能力。基因演算法的基本觀念遺傳演算法的演算過(guò)程中包含幾個(gè)重要部分(Goldberg,1989)，分別是編碼與解碼(Encoding&Decoding)、初始群數(shù)(Initialpopulation)、適應(yīng)函數(shù)(Fitnessfunction)、複製(Reproduction)、交配(Crossover)與突變(Mutation)等，以下針對(duì)各項(xiàng)加以說(shuō)明：(A)編碼與解碼(Encoding&Decoding)遺傳演算法運(yùn)作的對(duì)象通常能表示可行解的字串而非決策變數(shù)本身，因此執(zhí)行遺傳演算法之前必須透過(guò)編碼的程序?qū)?wèn)題的決策變數(shù)轉(zhuǎn)換成固定長(zhǎng)度的字串，但在求解適合度之值時(shí)，必須再將字串解碼為實(shí)際的決策變數(shù)才行。a.二元(binary)編碼方式:為最普遍的編碼方式，就是將變數(shù)對(duì)應(yīng)到某個(gè)固定範(fàn)圍內(nèi)的變數(shù)，此編碼的方式是以｛0，1｝來(lái)表示染色體編碼方式，例如：以001表示數(shù)值為1，用101表示數(shù)值為5，以此類推。b.順序(order)編碼方式:以序號(hào)來(lái)表達(dá)編碼的方式，通常被應(yīng)用於排序問(wèn)題(排程問(wèn)題、旅行推銷員問(wèn)題)。(B)初始群數(shù)(Initialpopulation)因?yàn)槎帱c(diǎn)搜尋法是遺傳基因演算法最大的特色，所以在執(zhí)行遺傳基因演算法，必須先利用隨機(jī)亂數(shù)產(chǎn)生一組多字串初始群數(shù)，透過(guò)字串的演化，產(chǎn)生較佳的下一代。但若個(gè)體數(shù)目過(guò)少則演化極為緩慢，很難找到較好的個(gè)體作為演進(jìn)的基礎(chǔ)；但若個(gè)體數(shù)目過(guò)多則計(jì)算就顯的十分龐大，所以族群的大小要視問(wèn)題的複雜程度來(lái)決定。(C)適合度函數(shù)(Fitnessfunction)為了在針對(duì)問(wèn)題求最佳化的解時(shí)，透過(guò)一定判斷的準(zhǔn)則，以決定其優(yōu)劣程度，此時(shí)在遺傳演算法稱之為「適應(yīng)函數(shù)」。而適應(yīng)函數(shù)是遺傳演算法的性能指標(biāo)(Performanceindex)，目的就是要判斷染色體對(duì)問(wèn)題所處的環(huán)境的好壞，以保留優(yōu)良基因，淘汰不良基因，作為演化的依據(jù)。但適應(yīng)函數(shù)在針對(duì)問(wèn)題的不同時(shí)，會(huì)有極大化與極小化目標(biāo)值，這些完全必須依問(wèn)題而定，在遺傳演算法方面，透過(guò)適應(yīng)函數(shù)的修正，採(cǎi)取適應(yīng)值越高作為產(chǎn)生下一代族群個(gè)體，其適合度(適應(yīng)能力)定義如下式所示，(其中if為第i個(gè)染色體的適應(yīng)函數(shù)值，iPS為第i個(gè)染色體被選中而複製的機(jī)率)。(D)複製(Reproduction)複製運(yùn)算元是根據(jù)每一個(gè)染色體適應(yīng)度函數(shù)值的高低，來(lái)加以決定染色體被複製的機(jī)率，所以性能較好的染色體，就會(huì)有較高的機(jī)率被選擇，進(jìn)而被複製出下一代的新染色體，目的就是希望能將優(yōu)良的染色體得以留存，且繼續(xù)重組優(yōu)良的後代。遺傳演算法中常用模擬物競(jìng)天擇的選擇機(jī)制有許多種，常用的方法就是輪盤(pán)法(RouletteWheelSelection)[26]，其設(shè)計(jì)概念就是利用輪盤(pán)上每一個(gè)代表一個(gè)個(gè)體，而其面積與該個(gè)體的適應(yīng)值成正比，意即適應(yīng)函數(shù)值越高所佔(zhàn)的盤(pán)面比率就越大。(E)交配(Crossover)交配是提供個(gè)體間彼此交換訊息，透過(guò)基因重組以產(chǎn)生新個(gè)體，使得族群中不同個(gè)體可經(jīng)由隨機(jī)交配過(guò)程，互相交換基因，組合出適存度更高子代(offspring)，以達(dá)到不斷演化的目標(biāo)。在經(jīng)過(guò)複製選取出來(lái)的新群體也就是所稱之母代(Parent)，以隨機(jī)方式選取兩兩互相配對(duì)，然後在每組成對(duì)染色體，隨機(jī)選取一個(gè)或多個(gè)交配點(diǎn)(CrossoverPoint)，基因交換產(chǎn)生一對(duì)新的個(gè)體，如圖10-9所示。圖10-9基因交配圖(F)突變(Mutation)突變的過(guò)程是將交配後產(chǎn)生的子代，根據(jù)預(yù)設(shè)的突變機(jī)率進(jìn)行突變，其目的就是希望透過(guò)引進(jìn)新的基因樣式，避免過(guò)早收斂(PrematureConvergence)，因?yàn)樵谇蠼膺^(guò)程可能會(huì)掉入?yún)^(qū)域最佳解，為了解決這個(gè)問(wèn)題，我們採(cǎi)取突變率(MutationProbability,Pm)來(lái)控制，開(kāi)發(fā)新的搜尋領(lǐng)域。其方式就是以隨機(jī)亂數(shù)選取基因，將染色體中的某些基因偶然改變，染色體的每一個(gè)基因都有相等的機(jī)會(huì)突變，完全由突變機(jī)率來(lái)決定其選擇，通常突變機(jī)率都非常小，是為避免將優(yōu)良的染色體大量遺失，若是機(jī)率值過(guò)高則導(dǎo)致於演算過(guò)程中演化往返不停地。(2)基因演算法的基本流程基因演算法的主要步驟可以表示為(Ladd,1996)：步驟1：第一個(gè)世代的初始族群係由隨機(jī)產(chǎn)生的物種所組成。步驟2：每個(gè)物種分別計(jì)算適應(yīng)函數(shù)值。步驟3：依據(jù)適應(yīng)函數(shù)值大小，決定物種是否被複製到下一世代成為新的族群。步驟4：決定是否交配？若是，隨機(jī)選擇兩個(gè)母世代的物種，互換基因進(jìn)而組成新的物種。步驟5：決定是否突變？若是，隨機(jī)決定突變的位置。步驟6：族群取代。步驟7：適應(yīng)函數(shù)值收斂或達(dá)到預(yù)設(shè)的最大世代次數(shù)，則結(jié)束基因演算，否則回到步驟2。(3)基因演算法的特色大部份的最佳化方法，只考慮一個(gè)搜尋點(diǎn)，基於某種搜尋條件來(lái)決定下一點(diǎn)的方向位置，這些方法對(duì)於多峰值模式(Multi-PeakModel)的搜尋空間而言，有收斂到局部最佳值的可能。而基因演算法是多個(gè)點(diǎn)同時(shí)並行搜尋，而非單一個(gè)點(diǎn)，因此有較好的機(jī)會(huì)獲得整體最佳值。另外，基因演算法僅計(jì)算適應(yīng)函數(shù)值，不需要複雜的運(yùn)算，如：函數(shù)的導(dǎo)數(shù)。而且隨機(jī)性比一般最佳化方法來(lái)的多，在複製、交配與突變運(yùn)算過(guò)程中，基因演算法使用隨機(jī)方式來(lái)決定運(yùn)算或不運(yùn)算。第四節(jié)資料採(cǎi)礦在企業(yè)的應(yīng)用問(wèn)答題十一、目前企業(yè)最主要的資料採(cǎi)礦的應(yīng)用為何？資料採(cǎi)礦的應(yīng)用對(duì)於每個(gè)企業(yè)來(lái)說(shuō)是一項(xiàng)策略性的計(jì)畫(huà)，目前最主要的應(yīng)用有三大方向，都是應(yīng)用在市場(chǎng)推廣與顧客關(guān)係管理方面，分別為：（1）顧客特性分析（CustomerProfilingAnalysis）：希望找出顧客的一些共同的特徵，藉此預(yù)測(cè)哪些人可能成為我們的顧客，以幫助行銷人員找出正確的行銷對(duì)象。（2）目標(biāo)市場(chǎng)分析（TargetedMarketingAnalysis）：從現(xiàn)有顧客資料中找出他們的特徵，利用這些特徵到潛在顧客資料庫(kù)裡去篩選出可能成為我們顧客的名單，作為行銷人員推銷的對(duì)象。行銷人員就可以只針對(duì)這些名單寄發(fā)廣告資料，以降低成本，也提高行銷的成功率。（3）市場(chǎng)購(gòu)物籃分析（Market-BasketAnalysis）：主要是用來(lái)幫助零售業(yè)者了解顧客的消費(fèi)行為，例如哪些產(chǎn)品顧客會(huì)一起購(gòu)買；或是顧客在買了某一樣產(chǎn)品之後，在多久之內(nèi)會(huì)買另一樣產(chǎn)品…等。零售業(yè)者使用資料採(cǎi)礦技術(shù)可以更有效的決定進(jìn)貨量、庫(kù)存量、或是決定店裡貨品要如合擺設(shè)，同時(shí)也可以用來(lái)評(píng)估店裡的促銷活動(dòng)成效。除此之外，資料採(cǎi)礦於各行各業(yè)還有其他方面的應(yīng)用(如表10-3)：十二、資料採(cǎi)礦系統(tǒng)建構(gòu)時(shí)應(yīng)該需要特別考慮的因素為何？資料採(cǎi)礦最主要是為了達(dá)成商業(yè)目標(biāo)所建置，但是否採(cǎi)用此系統(tǒng)的考慮因素，應(yīng)該還包括其他的優(yōu)點(diǎn)，以下是從商業(yè)觀點(diǎn)，在資料採(cǎi)礦系統(tǒng)建構(gòu)時(shí)應(yīng)該需要特別考慮的幾項(xiàng)要點(diǎn)：(1)商業(yè)利益（BusinessBenefit）：我們都知道企業(yè)以賺錢為最終考量，採(cǎi)用一個(gè)資料採(cǎi)礦的系統(tǒng)，到底能為公司帶來(lái)什麼利益？所以如何衡量資料採(cǎi)礦系統(tǒng)帶來(lái)利益的多寡，是商業(yè)利益上很重要的問(wèn)題。(2)技術(shù)知識(shí)（TechnicalKnow-how）：資料採(cǎi)礦的系統(tǒng)會(huì)包含很多複雜的專業(yè)知識(shí)，如何設(shè)計(jì)一個(gè)讓一般資訊管理人員不必知道許多專業(yè)知識(shí)下就可以操作的系統(tǒng)，也是一個(gè)資料採(cǎi)礦系統(tǒng)設(shè)計(jì)上的一個(gè)環(huán)節(jié)。(3)易懂與說(shuō)明（UnderstandabilityandExplanations）：結(jié)果是否很直覺(jué)或很難了解？對(duì)每項(xiàng)規(guī)則是否有清楚的說(shuō)明？(4)進(jìn)一步詢問(wèn)（Follow-up）：可以進(jìn)一步詢問(wèn)系統(tǒng)的程度？有些初步結(jié)論需要經(jīng)過(guò)中間人的解釋，那需要的程度為何？盡可能減少詢問(wèn)所花費(fèi)的時(shí)間，改善系統(tǒng)進(jìn)一步詢問(wèn)的能力。(5)商業(yè)上顧客（BusinessUsers）：系統(tǒng)能容納商業(yè)顧客的人數(shù)為何？系統(tǒng)是否可供顧客做日常決策的知識(shí)管理？顧客可提供問(wèn)題給系統(tǒng)等。(6)正確、完整、同步（Accuracy,CompletenessandConsistency）：系統(tǒng)產(chǎn)生的結(jié)果正確率為何？是否有遺漏任何規(guī)則？在多人存取下，能否保持結(jié)果的一致性？(7)自動(dòng)分析（IncrementalAnalysis）：可以自動(dòng)化分析每日或每週資料嗎？可以自動(dòng)比較月與月之間規(guī)則的變化嗎？(8)資料的掌控（DataHandling）：系統(tǒng)可以處理多大的資料？可以直接從資料庫(kù)中存取資料或需要萃取資料？(9)整合性（Integration）：如何將資料採(cǎi)礦系統(tǒng)整合於日常資訊操作系統(tǒng)或公司內(nèi)部網(wǎng)路（Intranet）或資料庫(kù)？(10)維護(hù)人員（SupportStaff）：系統(tǒng)安裝執(zhí)行後需要投入多少人員維護(hù)此系統(tǒng)？如何訓(xùn)練此人員來(lái)維護(hù)系統(tǒng)？企業(yè)在建構(gòu)資料採(cǎi)礦系統(tǒng)時(shí)，應(yīng)依照以上所提作為系統(tǒng)設(shè)計(jì)的必須考量要點(diǎn)，能使資料採(cǎi)礦系統(tǒng)具有成長(zhǎng)性、永久性。故系統(tǒng)的效用越大，企業(yè)對(duì)於資料採(cǎi)礦的運(yùn)作效益也會(huì)成正比提升。課間實(shí)例2udn聯(lián)合線上－－老牌媒體拓展虛擬版圖千禧年對(duì)ICP（網(wǎng)路內(nèi)容提供者）來(lái)說(shuō)，可以說(shuō)是刻骨銘心的一年了。首先是網(wǎng)路股的修正，繼之以全球經(jīng)濟(jì)面臨反轉(zhuǎn)，臺(tái)股大跌，最後補(bǔ)上網(wǎng)路歇業(yè)裁員打擊，就連網(wǎng)路席捲舊經(jīng)濟(jì)時(shí)，首先吹響平面媒體e化號(hào)角的「中時(shí)網(wǎng)科集團(tuán)」也無(wú)法倖免，於歲末之際宣佈裁員。相較於另一老牌媒體集團(tuán)「聯(lián)合報(bào)系」，卻一改過(guò)去網(wǎng)路狂潮時(shí)的沉默，接連推出各網(wǎng)站，立志塑造聯(lián)合線上成為「華文世界最大的中文資訊平臺(tái)」，集結(jié)實(shí)體後勤和虛擬先鋒兩路大軍，揮兵攻向21世紀(jì)。細(xì)數(shù)聯(lián)合線上的動(dòng)作，2000年9月聯(lián)8達(dá)企業(yè)入口網(wǎng)站（http://27681234.com）、10月《聯(lián)合電子報(bào)》（），11月udnStars聯(lián)合追星網(wǎng)（），幾乎每個(gè)月推出一個(gè)新網(wǎng)站，2001年更將推出包括聯(lián)合理財(cái)網(wǎng)、聯(lián)合知識(shí)庫(kù)、聯(lián)合體育網(wǎng)、聯(lián)合旅遊網(wǎng)四大網(wǎng)站形成聯(lián)合線上網(wǎng)群。穩(wěn)重腳步下的e化決心在網(wǎng)路泡沫化，大多數(shù)ICP無(wú)以為繼的寒冬，《聯(lián)合報(bào)》連續(xù)出招，自然成為眾所注目焦點(diǎn)，「《聯(lián)合報(bào)》大舉進(jìn)軍虛擬世界」成為許多人對(duì)《聯(lián)合報(bào)》的看法。對(duì)這些說(shuō)法，聯(lián)合線上營(yíng)運(yùn)長(zhǎng)劉永平倒是處之泰然，之前擔(dān)任《世界日?qǐng)?bào)》多倫多社社長(zhǎng)，9月走馬上任的他，觀察國(guó)內(nèi)網(wǎng)路界有「網(wǎng)路表象極大化」的現(xiàn)象，開(kāi)站記者會(huì)必須聲勢(shì)浩大、金碧輝煌才算數(shù)，他淡淡的說(shuō)：「網(wǎng)路熱的時(shí)候，大家看的都是開(kāi)站光環(huán)，可是經(jīng)營(yíng)者只看開(kāi)站是危險(xiǎn)的，不是開(kāi)站了就結(jié)束，如何營(yíng)運(yùn)才是問(wèn)題。」因此如何立足現(xiàn)在，走到未來(lái)才是《聯(lián)合報(bào)》所考慮的。對(duì)行事一向穩(wěn)重的《聯(lián)合報(bào)》，光環(huán)背後，其實(shí)隱藏聯(lián)合報(bào)系轉(zhuǎn)型e化的決心。劉永平表示，對(duì)聯(lián)合報(bào)系而言，媒體經(jīng)營(yíng)必須跟隨時(shí)代腳步走，他表示，早在1998年聯(lián)合報(bào)系集團(tuán)就觀察到，網(wǎng)路確實(shí)已經(jīng)走進(jìn)人們的生活，和生活劃上等號(hào)，因此網(wǎng)路長(zhǎng)程發(fā)展是看好的。如果企業(yè)為了短期不景氣而放棄網(wǎng)路的投資，卻很可能會(huì)失去未來(lái)市場(chǎng)的位置。劉永平舉數(shù)位音樂(lè)為例，MP3的出現(xiàn)對(duì)唱片界造成莫大衝擊，音樂(lè)工業(yè)給所有經(jīng)營(yíng)者啟示是，企業(yè)如果不能跟上網(wǎng)友需求，只固守原有地盤(pán)，到時(shí)候世界上某個(gè)角落也會(huì)有人提供服務(wù)而搶走市場(chǎng)，因此，數(shù)位化已經(jīng)是大勢(shì)所趨。但是未來(lái)雖然美好，企業(yè)卻需要面對(duì)生存的難題，劉永平認(rèn)為，目前網(wǎng)路問(wèn)題是消費(fèi)者需求走在時(shí)代的前面，企業(yè)服務(wù)卻跟不上，而商業(yè)模式更遠(yuǎn)遠(yuǎn)落在業(yè)者提供的服務(wù)之後，需要時(shí)間慢慢讓這三者重疊。因此等待的過(guò)程中，網(wǎng)路產(chǎn)業(yè)必須要有所調(diào)整。相對(duì)於過(guò)去網(wǎng)路講求速度決定一切，只要有好點(diǎn)子就衝，現(xiàn)在整個(gè)產(chǎn)業(yè)速度反而必須沉澱下來(lái)。劉永平傳神比喻：「像啤酒一樣，倒的太快，泡沫一多就不好喝，但是慢慢倒，在夏天喝起來(lái)反而特別清涼?！谷瞬拧?chuàng)意、跟上潮流但是廠商面對(duì)生存危機(jī)和未來(lái)願(yuàn)景高度落差，要如何生存度過(guò)黎明前的黑暗呢？劉永平認(rèn)為網(wǎng)路公司有三個(gè)步驟可以思考，首先是訓(xùn)練人才跟上時(shí)代思考，才能以創(chuàng)意引導(dǎo)公司，順著潮流所需發(fā)展。其次是所