行銷與銷售單位都知道要運用分析法來進行決策，但隨著可以蒐集的數據愈來愈繁複，以及分析方法愈臻完善，你知道應該在什麼時候運用哪一種分析方法才合適嗎？

關於本文藝術作品／視覺藝術家安德魯．史特勞斯（Andrew Strauss） 運用演算法和程式碼，藉由自動化生成系統，重新想像什麼是抽象、重複性，與圖形。

高階的分析法可以協助公司解決多種管理問題，包括和行銷、銷售、供應鏈運作相關的問題，從而獲得可持續的競爭優勢。例如，公司若將個別顧客的行為和偏好建模，並提供客製化產品，而且產品價格盡可能接近購物者願意支付的價格點，同時降低個別交易的服務成本，如此便可以整合各種決策，並優化整個價值鏈。 但是隨著可用的數據增多，以及高階的分析法更加完善，經理人可能苦於不知該於何時、何地、將機器納入業務分析到什麼程度，以及在根據數據做決策時，應該運用自身的判斷到什麼程度。他們必須回答的問題是：從以人為中心的傳統方法，轉變為更大程度仰賴分析法和決策自動化，什麼時候這麼做是合理的？我們可以如何在這兩者之間取得適當的平衡？ 我們兩位作者之一（法布里齊歐）創建一種實務做法，能協助客戶使用人工智慧（AI）將訂價和供應鏈決策自動化，以優化績效；另一位（達斯）是學者，設計一門企管碩士（MBA）課程，其中包含一些實地案例，專門用來說明如何使用AI來增強行銷、銷售和支持各種職能。我們合力設法了解如何發揮人和機器的最大潛力，以做出最好的商業決策。

本文觀念精粹

挑戰：隨著可用的數據增多，以及高階的分析方法更加完善，經理人可能苦於不知應在何時信任機器、何時信任自己的直覺。

差別：人類比較擅長做出需要直覺和模糊解析的決策；機器則在需要演繹、精細度和可擴展性的決策上，表現優秀許多。

指引：作者提供的架構，可以根據決策類型和可用的數據來建議最佳的分析方法，並說明人機之間如何平衡。

一般來說，人在直覺和模糊解析（ambiguity resolution）領域的能力比較強；機器在演繹、精細度（granularity，或稱粒度）和可擴展性方面的表現要優越許多。你要如何找到恰當的平衡？常見的分析方法有三種：描述性（descriptive），決策主要由人做出；預測性（predictive），由機器判定可能的結果，但由人選擇要走哪條路；以及規範性（prescriptive），這通常表示由機器自主管理。本文說明應在何時和如何使用每種方法，並檢視當中的權衡取捨和受到的限制。（雖然本文的重點放在行銷和銷售職能，但這些原則的應用範圍可能更廣。）

插畫／安德魯．史特勞斯（Andrew Strauss）

三種分析方法

機器在這些分析方法中扮演的角色有很大的不同：從協助經理人了解業務情況的工具，到支援經理人做決策的輔助工具，再到負起做決策的責任，以減輕經理人在這方面的負擔。我們來逐一探討。

描述性：匯總觀察

經理人使用描述性分析法〔這通常稱為「商業智慧」（business intelligence）〕，是在運用機器來理解歷史數據當中的模式。他們基本上是在問：「請幫助我理解發生了什麼事。」機器在這方面提供的協助，通常以儀表板的形式呈現，凸顯輸入和輸出的績效變數，讓經理人根據觀察到的歷史事實，決定要「調整哪個項目」和「調整多大的幅度」。

描述性分析法的重點在於理解過去，以取得資訊來研判未來。過去的數據是具體、清楚、確定的，而且這種方法植根於可驗證的客觀事實。我們預期，描述性分析法依舊會是企業經理人日常經驗的一部分。但人類無法處理大量的精細數據，因此必須依賴高度匯總的資訊。而根據那些數據做出的決策，本質上往往是粗略的，還需要進行一個重要步驟，那就是推斷過去的趨勢，並展望這些趨勢在未來的發展。

此外，描述性分析法往往過度依賴內部的交易數據，而這是成本最低、最容易獲得的數據。和顧客有關的數據〔例如淨推薦者分數（Net Promoter Score）〕、市場調查數據等外部數據，取得成本較高且耗時，也很難即時分析和整併。因此，描述性分析法最常使用的數據類型，是內部變數和產業的績效變數，這些變數是我們在過去觀察到的事實。經理人出於某種本能，會用本身的經驗或學得的智慧來補充一些回顧型的數據，尤其是在使用這種方法進行診斷時。因此，描述性分析法在很大的程度上，取決於特定決策者的直覺，以及他們克服自身偏見的能力，例如不會專挑那些驗證了預先存在觀點的數據，以克服偏見。

“設計良好的規範性模型可以帶來更大的財務報酬和更好的業務績效。然而建置模型可能非常昂貴且複雜。

簡單來說，描述性分析法往往缺乏外部的視角，也受限於高層次的匯總作業。擁有商業智慧工具的經理人，依靠過去的經驗和高層級的模式識別（pattern recognition），用過去的情況來展望預判未來，而這常是仰賴本身的直覺來進行。這可能導致他們一再使用歷經時間考驗的方法去解決問題，而不是尋找創新的新途徑。儘管這種方法存在主觀性的問題，但人們仍廣泛使用，因為開發和執行這種方法相當簡單且便宜。而且它仰賴人類進行意義建構（sensemaking），這正好落於大多數在類比世界中成長的經理人的舒適區內。

預測性：對未來的看法受到限制

預測性分析法是指，由機器判定在某種特定情況下，輸入變數的不同組合會產生的一種或多種可能結果，這提供經理人一些見解，用以選擇預期結果最能達成目標的行動方案。預測性分析法可用於預測輸贏、計算價格彈性、預測行銷行動對特定顧客的影響，以及動態地將顧客歸入不同的市場區隔中。這種預測能讓經理人仔細深入檢視情況，並在交易和戰術的層次上做出決策，而不像描述性分析那樣通常局限於高層次的決策。

預測性分析法在結構上有限制。我們幾乎不可能非常確定地預測未來的需求（更不用說預測未來本身）。此外，即使預測個別的輸入變數，也可能非常複雜：例如，若要預測天氣、競賽和供應商的績效等變數，可能需要它們自身的預測模型。這些模型不僅難以建構，也存在問題，因為輸入和輸出的變數往往互相影響，迫使經理人必須同時預測輸入和輸出變數。

插畫／安德魯．史特勞斯（Andrew Strauss）

可以建模的輸入變數的數量，以及可以達到的精細程度，也都有限制。雖然通常有許多因素會影響購買決定，但迴歸（regression）、集群（clustering）和時間序列預測等常見的預測技術，通常只用到一小組變數。這是因為模型要有效，所用的變數必須彼此獨立，互不影響，但加進更多的輸入變數之後，會製造複雜的相互依存關係，使得模型在統計上不適用。此外，為了做出更精細的預測，企業必須蒐集更精細的數據。例如，若要預測特定產品的銷售量，就必須搜集庫存單位（SKU）層次的數據，而不是產品類別層次的數據。

預測性分析法的另一個問題，是數據科學家和商業科學家在目標上的分歧日益擴大。數據科學家專注於提高統計的嚴謹程度，商業科學家則專注於優化分析法，以改善業務成果。對數據科學家來說，預測性分析法的目標可能是提高模型的準確性，而對商業科學家來說，目標是對業務帶來影響。商業科學家專注於解釋偽正面或偽負面的經濟影響，以便極大化預測性分析法的效益（偽正面是指，當預測為正面，結果卻為負面；偽負面則是指，當預測為負面結果，且公司決定不採取任何行動，但若把握機會，可以取得正面成果）。例如，在預測性的輸贏分析工作中，偽正面通常導致銷售和行銷的努力徒勞，而偽負面通常會錯失機會或損失業務。只關注提高準確性，可能會降低模型的正面性（這是好結果），卻會有很高的偽負面，因而浪費了機會，並導致整體績效欠佳。

簡單來說，預測性分析法有問題存在。只依賴機器，可能導致業務決策欠佳，並損失獲利潛力。當然，經理人可以利用描述性數據，以人力進行診斷和預測性分析，來提高決策的品質。但是這種有需要就改由人類進行分析的做法，會出現在描述性分析法當中可觀察到的相同類型偏見。

規範性：細化指引

規範性分析法，是指機器根據經理人界定的目標做出決策，進行方式是運用大量的數據，迅速分析市場狀況，並且透過設計和執行大量的低成本實驗與假設情境來學習。雖然它們許多實驗起初可能不是最佳的，甚至完全錯誤，但機器能夠迅速學習，以極快的速度和低廉的成本，愈來愈接近最佳結果的目標。然後它們會告訴經理人需要做什麼，將焦點從輸入（例如確保決策變數的準確性），轉向輸出（例如優化決策對業務造成的影響），同時具體而明確地將風險和經濟成本進行建模。

最佳的規範性決策通常取決於市場預測和不確定性，前者推動創造期望的營收，後者推動產生預期的成本。預測性分析法的重點放在預測出預期銷售的單位數量，卻忽略了需求不確定性的誤差水準。規範性的分析方法會考量這種不確定性，以做出利潤優化的決策，並持續在出現可用的新資訊時調整決策。例如，貨架上庫存較少且物流成本相對較低的零售商，可能會以積極的庫存補充策略，來應對需求上升的可能性。然而，同一家零售商若面對較高的物流成本和市場不確定性，可能會發現比較保守的補貨策略是最佳的，而且可以讓利潤極大化。

相較於描述性或預測性模型，設計良好的規範性模型可以帶來更大的財務報酬和更好的業務績效。然而，建置模型可能非常昂貴且複雜，這麼做需要專用的軟體和硬體解決方案，以及專門的人員專業知識，才能將主管的策略，轉化為數學與機器適用的優化目標和商業規則。

人類在所有這一切中扮演極重要的角色，也就是必須由人來界定商業規則和目標。預測性分析法取決於能否將商業目標、規則和限制，轉化為給予規範性機器的明確指示。如此一來，規範性模型就能夠動態地校準本身的建議，以朝著管理階層指定的方向發展，同時保證得到最佳的結果，以及有系統地履行所有的規則，遵循所有的限制。

何時使用哪種方法

從描述性分析法轉向更高階、成本更高的方法，需要進行成本效益評估。與成本有關的事項，包括蒐集與分析數據所需的基礎設施、專業知識和領導人；效益則取決於是否有機會透過更精細與相關性更高的決策，來取得額外的利潤。

因此，在特定情況中使用哪種方法，取決於兩個因素：可用數據的相關性，以及商業合理性的強度。成功取得人與機器之間的平衡，可以極大化每一種方法的貢獻。

數據：當可用的數據有限，而且不確定性高時，描述性分析法是提供經理人方向指引的最可行選項。隨著做決策的頻率增加，更加精細的可用數據增多，而且數據和問題的相關性提高，更為自主的規範性分析法往往會有最好的表現。介於這兩種情況之間的居中情況裡，只有相關性有限的數據可用，這種情況下預測性分析方法是首選。

商業合理性：提高獲利的潛力，來自於數據驅動的見解可望處理多少低效率的問題。但低效率並不是每個商業問題的特徵。而當它確實是問題時，可能只有不是立即可得的數據能夠處理。因此，不是所有的問題都適合使用高階的分析方法。

“選擇分析方法時，我們必須重新思考經理人扮演的角色：從知道所有答案的人，轉變為提出正確問題的人。

例如，機器可能會在設定長期策略和創新相關的問題上遇到困難，因為這些問題的初步定義，其實比制定準確的答案更重要。但是，涉及價格、存貨或行銷投資的優化時，分析法能提供公司大好的機會，因為準確的答案更能滿足顧客的需求。以下類型的商業問題，運用預測性方法的效果往往最好：時間跨度較長的商業問題（比如進行規畫），或在更細分的層次上存在高度內在雜訊的商業問題〔比如對顧客關係管理（CRM）進行區隔化〕，或者極端優化導致低邊際效益的商業問題（比如營運維護）。

活動網路公司的降價歷程

庫存過多是常見的問題。庫存必須賣出去，通常是折價出售，這使得降價成為庫存管理的一個普遍且必要的部分。根本原因在於，即使有個理論上完美的預測模型，結構上還是不可能精準預測銷售額。天氣、競爭對手的行動和總體經濟的震盪等因素具有不確定性，因此經理人傾向於維持高庫存水準，以免失去銷售額和顧客。

我們來看看活動網路公司（Event Network，簡稱EN）如何處理這項挑戰。EN在美國各地和加拿大經營禮品與紀念品商店（資訊揭露：EN是法布里齊歐所創的「進化訂價」公司的客戶）。設在博物館、動物園、水族館和其他文化景點的EN商店，客流量有高度的季節性，而且相當難以預測。每個EN店面各自有不同的庫存情況，而通常根據地點（例如舊金山或紐約）、景點主題（植物園的植物）和一年當中的時間（冬天的毛衣），庫存情況會有所不同。這家連鎖店的庫存單位數量高（超過十萬種），對降價管理構成巨大的挑戰。

歷年來，EN運用了全部三種分析方法。以下說明每一種方法如何運作。

方法一：描述性分析法

EN的經理人一開始先使用一種簡單的方法：對於銷售不佳而導致庫存較高的產品，他們提供較大的折扣。為了決定哪些產品要降價和降多少，EN的經理人考慮的指標包括每週的歷史銷售額、庫存水準，以及覆蓋率（以目前的銷售率來看，庫存可賣的天數）等。

例如，要計算持有10,000件、單位成本為10美元的產品的降價幅度，他們將擬議的降價幅度（30％）乘以持有的產品單位數（30％×10×10,000）。他們從覆蓋率最高的庫存單位開始，在庫存單位清單上逐一往下處理，直到用完全部可用的降價預算為止。

這種方法終究不盡如人意，因為它完全仰賴歷史性的內部庫存績效數據。它沒有考慮對消費者需求有重大影響、與顧客或情境有關的因素。

方法二：預測性分析法

接下來，經理人使用以迴歸分析為基礎的技術，對價格彈性最高的產品計算折價（價格彈性是指，在某種價格調整比率之下，銷售量可望發生的變動率）。他們依產品類別、依商店、依週，對歷史價格的歷史銷售量進行迴歸分析，以計算價格彈性。例如，價格彈性為 -2的單位庫存，降價10％會使銷售量增加20％（-10％×-2）。因此，以每件10美元的價格銷售100件，會獲得1,000美元的營收，以此為基準來計算，以每件9美元的價格銷售120件，可賺得1,080美元的營收，表示營收會因此增加8％。他們可以對利潤率和庫存水準等指標進行類似的計算。經理人可以模擬各種情境，以選擇他們喜歡的策略目標，並且根據期望產生的影響，確定最佳的降價組合。這麼做不只考慮到內部的庫存數據，也考慮到顧客需求的預期，因此能考量他們的決策對市場產生的影響。

最佳的降價幅度會因為經理人的目標，而不是因為銷售或庫存水準而發生變化。雖然EN經理人的迴歸模型產生的結果具有統計上的顯著性，但他們發現模型的解釋力相對較低（價格只解釋了產品銷售額變動情況的10％到20％）。這是因為價格以外的其他許多因素會影響銷售，包括天氣、客流量和可取得產品的範圍。將這些變數加到模型中，會產生及時蒐集額外數據的成本。此外，更多的數據會引入更多雜訊，並導致變數之間產生我們不希望會有的相互依存情況，從而加重計算的複雜性。

EN的經理人繼續進行簡單的銷售量和價格的單維度迴歸，不管做得多粗略，因為它產生的結果，優於使用描述性分析方法獲得的結果。由此產生的績效提升，也增強了EN管理階層使用更高階分析方法的興趣。他們開始願意使用完全不同的方法，以克服預測性分析方法的結構性限制。

方法三：規範性分析法

EN經理人最後使用的規範性分析方法，考慮到影響消費者行為的最廣泛範圍的因素，因而能夠改善前兩種方法。 EN使用多重數據來源，以及機器學習和自動優化等高階技術，因此可以確定在任何特定的時間應給哪些產品打折，以及折扣的幅度。 經理人了解，在這種細分程度和非線性的程度上，幾乎不可能依靠直覺。此外，他們跨越不同分析方法的歷程也讓他們明白，使用自動化和機器學習去理解複雜性，並打造可以長期大幅改善獲利能力的自學系統，這麼做可以帶來哪些效益。

在成本效益分析中，描述性分析法是「低痛苦／低效益」的方法。在可用的數據有限，且結果存在高度不確定性的情況下，這種分析法最適用。雖然每個決策帶來的絕對經濟影響可能非常高，但由此產生的績效改善，不足以合理化有必要進行投資，以納入機器的輸入數據，用來增強預測和決策的品質。另一種極端的情況是，有大量的數據可用，而且有機會在每個單一預測中加強經濟影響，並具有高度的確定性，那麼採取規範性分析法是最合理的，因為如此取得的高投資報酬，合理化了這種方法相對較高的複雜程度與成本。在這些情況中，個別決策的絕對經濟影響通常並不高，但做出的決策數量、每個決策帶來正面成果的潛力，以及隨時間推移而對結果具有較高的確定性，這些因素結合起來，使投資於規範性分析法非常值得。預測性分析法最適合居中的區域。

人機各司其職

選擇分析方法時，務必要重新思考經理人扮演的角色：從知道所有答案的人，轉變為提出正確問題的人。把問題建構好，然後就可以交給機器去解決；建構問題仍舊是完全屬於人類的能力。但經理人可以明智地將一些控制權交給機器。選擇最佳的方法時，主要的考慮因素已知且明確：數據的相關性和可取得性，以及是否有潛力可以因為投資於更精密複雜的分析方法，而改善對業務帶來的影響。

人類和機器擅長不同的任務：人類擅長處理數量有限的數據，並在不熟悉的情境中運用直覺；機器則擅長做出於時間或空間中一再重複的決策，以及在充滿豐富數據的環境中做決策，不管數據的細分和稀疏程度如何。如果在高度模棱兩可的情況下能取得的數據太少，或者存在相互衝突的目標，因而限制了能夠從數據中推斷的結論，那麼機器就很難產生貼切的結果。但若複雜的問題有豐富的相關數據，而且這些問題的解決方案可以顯著改善業務績效，經理人就應該購買或建構合適的機器，並設定恰當的目標，讓機器發揮所長。

文章來源：哈佛商業評論 5月號