預測分析時代:販賣未來:從生活、商業、政治到投資,數據如何在不確定的世界創造最大價值(二版)

預測分析時代:販賣未來:從生活、商業、政治到投資,數據如何在不確定的世界創造最大價值(二版)
國際書號(ISBN): 9789869644716
作者: 艾瑞克.席格
釘裝: 平裝
出版日期: 20180608
頁數: 396
庫存狀態︰ 沒有庫存,可訂貨
銷售價︰ HK$160.0 HK$144.0(9折)

如需訂貨,送貨時間為7-21天,如有庫存則3-5 天內可送達。

購買數量︰  
   - 或 -   
作者簡介:

艾瑞克.席格 博士Eric Siegel
曾任哥倫比亞大學教授,為預測分析世界大會(Predictive Analytics World)及文本分析世界大會(Text Analytics World)創辦人,亦為《預測分析時報》(Predictive Analytics Times)執行編輯。席格讓預測分析變得容易理解也令人著迷,他擔任教授時,就以寓教於樂的方式授課。現為知名演說家、教育家及預測分析領域的翹楚。
 


目錄:

推薦序 大多數天鵝是白的
作者序 預測分析,現代人的超自然能力

前言 預測效應──千金難買早知道
預測人類行為,如何讓我們對付風險、強化健保制度、提高打擊犯罪的效益,並讓銷售額激增?為什麼企業要做好預測,就要肯學?差勁的預測怎麼會變得寶貴無比?組織為什麼要預測你什麼時候會死?

Chapter 1 起而行吧!做預測不能光說不練
要將預測模型實際應用需要多少膽識?這樣做有什麼好處?推動預測分析,表示要依據預測採取行動,把從資料中學到和發現的事情實際應用。許多組織都如此大膽躍進——畢竟,不做,就永遠不可能成功。

Chapter 2惠普科技、塔吉特百貨和警方如何推斷你的祕密
我們如何在不侵犯隱私的情況下善用預測機器,預先得知誰會辭職、誰會懷孕和誰會犯罪?公民自由出現危機了嗎?為什麼某家知名壽險公司要預測保戶的壽命?利用電腦偵測詐騙,機器智能如何在它的腦袋裡解讀「詐騙」這個詞的意思? 
 
Chapter 3 資料效應──多不見得有用
我們忙著處理多到數不清的資料,但是這麼多原始資料能告訴我們多少寶貴資訊?我們真的能利用這些原始資料做預測嗎?現有資料可以揭露平民百姓的集體情緒嗎?如果可以,我們在網路上發洩情緒的聊天話題,跟景氣好壞有什麼關係?

Chapter 4 有學習能力的機器──大通銀行如何預測房貸風險
哪種風險型態最不容易被察覺到?預測如何將風險轉變成機會?為何各行各業都必須向保險公司學習?我們如何放心信任機器的預測?為什麼預測無法避免全球金融危機?

Chapter 5 集成效應──奈飛公司、群眾外包和速效預測
把預測分析委由群眾外包──外包給一般大眾──企業把本身的策略、資料和研究發現公諸於世。這種做法怎麼可能協助企業跟同業競爭?預測分析的哪項創新關鍵是透過群眾外包的協助而開發出來的?集成模型預測的精準度一定會複雜到讓人難以招架嗎?或是有巧妙的解決方法可循?非人類群體也有智慧可言嗎?

Chapter 6 IBM電腦華生挑戰益智問答節目
挑戰益智問答節目《危險邊緣》的IBM超級電腦華生,究竟是怎樣運作的?為什麼這部超級電腦需要預測模型才能回答問題?讓這部超級電腦有如此超高績效的祕訣是什麼?拿iPhone的Siri跟其相比如何?為什麼對電腦來說,人類語言是如此艱鉅的挑戰?人工智慧有發展的可能嗎?

Chapter 7 數字最具說服力──歐巴馬選戰如何精心設計,創造影響力
為什麼有些行銷活動讓顧客反感至極?美國總統大選證明數字最具說服力,所有企業該從總統選戰中學到什麼?投票率預測如何在2012年總統大選幫助歐巴馬連任?怎樣能減少醫療事故,讓醫生不會不小心害死病患?謎語:有些狀況經常發生在你身上,但你無法察覺到,甚至事後都不確定它們是否發生過,想想看那些狀況可以事先預測嗎?

後記
預測2020年第一個上班日,這十件事情已然成真……

附錄
A. 預測的五大效應
B. 預測分析的二十一個應用
C. 預測人物群像

謝辭

預測分析147個實例


內容試閱:
Chapter 2
惠普科技、塔吉特百貨和警方如何推斷你的祕密

我們如何在不侵犯隱私的情況下善用預測機器,預先得知誰會辭職、誰會懷孕和誰會犯罪?公民自由出現危機了嗎?為什麼某家知名壽險公司要預測保戶的壽命?利用電腦偵測詐騙,機器智能如何在它的腦袋裡解讀「詐騙」這個詞的意思?

要是你打算離職,但你沒有跟任何人說,老闆卻知情了,會怎麼樣?如果你是惠普科技全球超過三十三萬名員工的其中一位,你跟同事們其實都被老闆用「離職風險」分數逐一標記。這個簡單的數字預言你離職的可能性。身為惠普科技的員工,你很可能不知道公司這樣做,等看完本章的詳細說明,你可能會很生氣。

惠普科技運用預測分析掌握內部動靜
2011年時,惠普科技的兩名傑出科學家破天荒以數學方式,詳細檢查惠普在全球超過三十三萬名員工對公司的忠誠度。哈爾德(Gitali Halder)和德伊(Anindya Dey)開發預測模型,找出所有員工的「離職風險」,風險越高就表示離職機率越高。

留住員工是保護任何組織的關鍵,畢竟組織的關鍵特質就是成員組成的團體。惠普創辦人制定的五大信念準則之一就是:「唯有內部團結合作,我們才能達到共同目標。」員工各自貢獻所長,彼此相輔相成,學習如何共事。一旦有優秀員工要離職,都會對內部士氣造成打擊。管理員工流動率就是所有企業要面臨的重大挑戰。舉例來說,另一家多國企業就設法降低巴塞隆納客服中心人員的流動率。很多人夏天到巴塞隆納這個美麗城市旅遊,順便到客服中心兼差,但是夏天一過這些人就突然遞出辭呈,拍拍屁股走人。要是公司可以在應徵時,事先把這種人排除掉,就能降低員工流動率。

以惠普的例子來說,該公司利用預測分析調查內部員工的行為,這並非常見的顧客行為預測,而是如同為了鎖定該挽留哪些顧客,而預測哪些顧客最可能求去,惠普為了留住員工,也預測哪些員工最可能離職。不管是預測有異心的顧客或員工,這種做法就像是找出船隻的漏洞,趕緊把洞補好,不讓船沉。

預測分析的應用:留住員工
1.要預測什麼:哪些員工會離職。
2.要做什麼用: 主管依據預測審慎了解下屬的意向。這個例子不是以預測結果讓電腦自行做出決策,而是利用預測結果,協助主管做出決策。

究竟是洞察力,還是侵犯隱私?
惠普是聞名全球的品牌,原本是從車庫創業起家,現在成為全球知名的個人電腦製造商。注意:這家公司在2011年時名列全球第二十七大雇主,年營收高達一千二百七十億美元,是全球少數幾家最賺錢的科技公司之一。

惠普就像某種帝國,但絕不是一個封閉的堡壘。有些工作團隊的流動率甚至高達20%,如果把惠普比喻成一艘大船,那麼這艘大船一定有一些漏洞,尤其是時下的科技工作者經常跳槽,讓人員流動率居高不下。

惠普本來就是分析領域的翹楚,光是在印度班加羅爾的分析部門就有一千七百名員工。惠普自豪本身在銷售、行銷、供應鏈、財務和人力資源等領域擁有先進的分析能力。該公司的預測分析專案包括顧客流失預測、銷售案源計分、以及供應商詐騙偵測。

哈爾德帶領惠普在班加羅爾的分析團隊,專注於人力資源方面的應用。哈爾德是德里經濟學院(Delhi School of Economics)經濟碩士,又有幾年實務經驗,在預測分析方面實力堅強。她自信十足,口才跟交際手腕都好,讓人印象深刻。她跟惠普班加羅爾分公司另一名顧問德伊合作,兩人組成一個完美搭檔,從他們在2011年11月於倫敦舉辦的預測分析世界大會上的精彩簡報就能得到佐證。

哈爾德和德伊彙整巨量訓練資料,作為預測分析的學習教材。他們蒐集員工兩年來的資料,比方說薪資、加薪狀況、工作評價、調職情況等資料。然後從每筆員工記錄著手分析員工離職的模式。因此,惠普藉由從以往經驗學習,預測出無價之寶:哪些因素組合的員工類型最可能離職。

如果這項專案協助惠普降低本身員工流動率,那麼哈爾德和德伊就是站在眾人之上,是惠普最寶貴的兩名員工,但他們兩人也可能讓被點名會離職的同事恨之入骨。為惠普賣命的一些員工在得知離職風險一事時,心裡肯定不舒坦。要是分數算錯了,害你被貼上標籤說你對公司不忠,讓你的名聲受損,那該怎麼辦?

一種全新類型又有效的人力資源資料出現了:推測資料。超越跟個人有關的私人資料、財務資料或其他私密資料,這類資料是對個人未來的預估,所以是把員工內心的感受、想法和意向通通說出來。這些究竟是洞察力或是侵犯隱私?

洞悉離職背後隱藏的因素
資料顯示,離職風險是以你會期望的一些事情為依據,比方說:薪水越高、加薪越多、績效評等越高,就越不可能離職。這些因素就成為降低離職風險的驅動因子。有更多工作輪調機會,員工也比較不會離職;包斯推測由於這項工作都在操作電腦系統,過一陣子就會令人覺得單調無趣,才會造成人員一陣子就出現流動。

讓人訝異的是,升職未必是好事。以惠普公司整體狀況來說,升職確實降低離職風險,但是對業務薪酬小組來說,就算升職幾次,薪水也沒調高多少,所以就產生反效果:升職越多次的員工就越可能離職,除非升職時薪水也調高不少。

這項分析就跟原先的資料一樣(電腦界有句俗話說:丟東西進電腦裡就是垃圾進、垃圾出)。我替某家公司進行一項類似卻不相關的專案,這間公司是一間提供企業信用資訊的財經一千大企業,我設計模型預測客服中心新進人員會任職多久。我從這家企業提供的歷史資料發現,先前有外場業務經驗的應徵者任職至少九個月的機率高達69%,其他影響因素還包括:過去十年內做過幾份工作、應徵者的推薦單位,以及教育程度。這項專案巧妙避開一個地雷,因為初步結果顯示錯誤,沒有高中學歷的新進人員任職更久的可能性,是有高中學歷新進人員的2.6倍。那時,我們再過幾天就要跟客戶簡報,並建議客戶雇用更多高中沒念完的應徵者,幸好我們從客戶提供的資料中,及時發現差點釀成大錯的問題。容易出錯的資料通常只表示,我們能從中做出更少的推論,而不是做出錯得離譜的推論,但是這個案例卻是例外—真是千鈞一髮,我們差一點就出大紕漏!

在任何領域使用預測分析,預測模型會考慮不同因素,產生一個單一分數—以惠普這個例子來說,就是每位員工有自己的離職風險分數。現象中有許多看似顯而易見或理所當然的事,但是這個模型本身妙處所在就是:如何確定這些要素彼此之間的相關權重?這些要素如何結合或互動?哪些預感直覺最後證實無效而該被去除掉?機器學習流程藉由處理以前的資料,也就是從以前的資料學習,自動找出這些答案。

哈爾德和德伊設計的離職風險模型,讓惠普避免因為遍及全球各地員工頻頻離職,造成生產力損失及增加人員招募作業,最後幫惠普省下將近三億美元。結果,惠普所有員工中,有40%屬於高離職風險群,而75%的離職者都屬於這群人(意即預測的增益值﹝lift﹞為1.9,也就是實際發生率除以母體原始發生機率,所以75%除以40%四捨五入後為1.9)。

我問哈爾德和德伊,他們自己的離職風險分數是多少,他們預測過自己可能離職嗎?結果他們馬上跟我說,自己很喜歡目前在惠普做的工作,不過他們也坦承自己就屬於高離職風險群。我想也是這樣,因為分析技能現在可是超級搶手。

小心運用預測指標
化學家在合成一個不安定的新元素時,必須小心翼翼地處理。惠普的離職風險分數在實際應用時必須額外審慎小心,包斯、哈爾德和德伊設計一個通報系統,只有一些受過訓練,懂得解讀離職風險分數,也了解其限制、衍生關係和機密性的高階主管,才能檢視個別員工的離職風險分數,而且這些高階主管只能檢視自己部屬的分數。其實,就算這份報告落入未授權者的手中,他們也無法從名單裡認出誰是誰,因為名單上並未列出姓名或能辨認個別員工的資訊,只有一些讓人看不懂的隱密符號,授
權主管才有線索解讀密碼,並將資料對應到個別員工姓名。雖說所有保全系統都有漏洞,但是惠普這套系統相當牢靠。

以GBS業務薪酬小組的三百名員工來說,只有三位主管能看到這份報告。惠普利用一項工具,以讓使用者輕易上手並減少技術難度的方式,顯示離職風險分數,並在每個分數旁邊提供支援情境資訊,協助說明分數高低的原因。這種分析產品的使用者(惠普主管)事先接受訓練,從針對員工分數高低影響因素的附帶說明來了解離職風險,這樣這些分數就不會被當成主要依據或過度信賴,而取代其他考量。

 

如果您對本書本有什麼問題或經驗,請在此留下您的意見和建議!

您的姓名︰


您的評價︰ 注意︰ 評論內容不支持HTML代碼!

會員評分︰ 劣評            好評

請在下框輸入驗證碼︰