第六章 智慧型的行銷資訊系統 課程名稱 行銷資訊系統 進度 第六章 授課老師 總時數 3小時 線 行銷資訊系統 – E世代的行銷管理

第六章主要的研究議題 何謂人工智慧 何謂智慧型MKIS 專家系統與智慧型MKIS 類神經網路與智慧型MKIS 基因演算法與智慧型MKIS 行銷資訊系統 – E世代的行銷管理

人工智慧 所謂「人工智慧」是研究如何讓電腦來執行原來只有人腦才能做的工作的一個學域 。 換言之，「人工智慧」(AI, Artificial Intelligence)就是希望由人的行為探討出、研究出及設計出一些機器，這些機器可以如人一樣擁有智慧，或者具有近似於人類的智慧，來推理、來運作及發揮他的智慧功能。 行銷資訊系統 – E世代的行銷管理

智慧型行銷資訊系統 將人工智慧運用在行銷方面的系統，就是所謂的「智慧型行銷資訊系統」。 Amaravadi等人認為智慧型行銷資訊系統是行銷資訊系統及行銷決策支援系統的引申，它利用人工智慧領域中的知識表徵之技術，所以智慧型行銷資訊系統之最大特色即是擁有知識庫。 行銷資訊系統 – E世代的行銷管理

智慧型行銷資訊系統架構圖 行銷資訊系統 – E世代的行銷管理 環境輸入 子系統 內部 資訊 外部 產品組合 訂價 促銷 分配 行銷研究 Library 產品組合 訂價 促銷 分配 行銷研究 行銷情報 行銷策略 資料庫 銷售 產品 顧客 競爭者 市場 報表 行銷管理者 過濾器 輸出系統 決策/時機 行銷決策 支援系統 模式 衡量準則 智慧系統 推理引擎 知識庫 行銷資訊系統 – E世代的行銷管理

專家系統的定義 一個以知識法則為依據，以推理為方法之智慧型程式。 將專家的知識和經驗建構於電腦上，且具有推論能力的電腦化系統，以類似專家解決問題的方式對某一特定領域提供建議或答案，並能解釋推論結果。 根據上述兩種說法，本文將「能夠將專家的知識與經驗吸收起來，再以推論的方式提供建議並可以解釋推論結果的電腦化系統 」通稱為專家系統。 行銷資訊系統 – E世代的行銷管理

需要專家系統的理由 專家知識可以協助我們作判斷，以彌補人類專家知識之不足 專業的知識昂貴稀少且不易取得 專家系統經證明有其功能及效益 專家系統可以解決複雜情境 行銷資訊系統 – E世代的行銷管理

專家系統主要模組元件架構圖 人機介面 問題與答案 選單導向 自然語言 圖形介面 知識庫 編輯器 推理引擎 解說 次系統 特殊 個案資料 領 域 專 家 知 識 工 程 師 使 用 者 知識擷取介面 使用者介面 一般 工作記憶區 行銷資訊系統 – E世代的行銷管理

專家系統主要模組元件 知識庫(Knowledge Base) 推理引擎(Inference Engine) 人機介面(Human-Machine Interface) 解說次系統(Explanation Subsystem) 知識庫編輯器(Knowledge Base Editor) 工作記憶區(Working memory) 行銷資訊系統 – E世代的行銷管理

如何建立專家系統 界定問題範圍 選擇適當專家 選擇硬體與軟體工具經濟環境 獲取專業知識 建立雛型專家系統 評核系統成效及可接受性 行銷資訊系統 – E世代的行銷管理

專家系統的特色 專家系統含有稀少、重要的專家知識供使用者來使用。因此，專家系統可提供管理者在解決重大問題時一套客觀的輔助工具。 使用於特定領域。 專家系統應用在一般常識性的判斷上並不理想。 具有追蹤推論路徑的解說功能 ，能夠告知使用者，得到該結論的推論過程引發了那些法則。 行銷資訊系統 – E世代的行銷管理

專家系統的優點 將知識移轉至系統上，能延伸專業知識的範疇。 專家與專家知識是稀有資源，當專家不在或經濟上請專家不合算的情況下 ，專家系統仍能處理與專家相等水準的工作。 專家系統有助於教育訓練的安排，能將前人寶貴的專業知識，系統化地存留與傳承。 專家系統可複製成多個系統，因此可由許多不同單位使用，共同分享專家的經驗。 行銷資訊系統 – E世代的行銷管理

專家系統的缺點 專家系統通常只運用在特定領域上面，並不能普遍運用在一般的情況。 需要一知識工程師隨時對系統作更新及修改的功能 發展時耗費相當大的成本。 行銷資訊系統 – E世代的行銷管理

專家系統的應用 專家系統的應用 在下列三種情況下才能產生理想的效率與效能 要解決的問題必須具有清楚的定義和特定的範圍 必須存在有該問題領域的專家，而且必須能夠將專家的專業知識轉換成推理的規則 專家系統的開發應在技術、經濟及操作三方面都具備可行性 行銷資訊系統 – E世代的行銷管理

各產業應用專家系統之主要業務 行銷資訊系統 – E世代的行銷管理

專家系統在行銷上的應用 品牌管理 產生例外報表 信用卡交易分析 商業談判 促銷活動分析 廣告分析 行銷資訊系統 – E世代的行銷管理

類神經網路的起源 類神經網路理論起源於1950年代，當時科學家仿造人類大腦的組織及運作方式，開始提出稱之為「感知機」（perceptron）的神經元模型，這是最簡單也是最早的類神經模型。 1982年，物理學家Hopfield以能量與熱力學觀點做出一套神經網路，開啟了神經計算之門。Hopfield在類神經網路的發展史上，就成了一位承先啟後的重要人物。而此時，專家系統開始遇到了瓶頸，類神經網路理論逐漸受到重視。 行銷資訊系統 – E世代的行銷管理

類神經網路架構(一) W1 W2 W3 計算有效輸入： 將有效輸入與 臨界值做比較 產生輸出 0或1 V1 V1W1+V2W2+V3W3 行銷資訊系統 – E世代的行銷管理

類神經網路架構(二) 一個人工神經處理元，包括結點、臨界值、激發函數。 輸入的訊號(如上圖的V1、V2、V3)，各自加權(權數為加權值，即為上圖的W1、W2、W3)總和後傳進，與臨界值比較，透過臨界值的過濾，再傳給激發函數轉換後輸出。 輸出入變數即是模仿生物神經元模型的輸出入訊號，臨界值是模仿生物神經元的突觸強度，激發函數則是模仿生物神經元模型的非線性處理機能。 藉由不同的演算法訓練類神經網路，使得神經網路的輸出能達到我們的目標值。 行銷資訊系統 – E世代的行銷管理

類神經網路的運作模式 類神經網路的總體運作模式有兩種 而學習過程又可分成三種 : 學習(learning process)：依照學習演算法在範例中學習，以調整權重。 回想(recalling process)：依學習演算法，以輸入資料來決定輸出的過程。 而學習過程又可分成三種 : 監督式學習 無監督式學習 聯想式學習 行銷資訊系統 – E世代的行銷管理

類神經網路的特性 平行處理的特性 容錯(fault tolerance)特性 結合式記憶(Associative Memory)的特性 解決最佳化(Optimization)問題 可在超大型積體電路上實作(VLSI Implementation) 能處理一般演算法難以處理的問題 行銷資訊系統 – E世代的行銷管理

類神經網路的優點 可建構非線性模型 具推廣性 適應力強 具包容力 具預測力 可應用領域廣泛 高度的容錯性 對複雜不確定性的問題具可適行和自學能力 行銷資訊系統 – E世代的行銷管理

類神經網路的缺點 計算量大 無法決定最佳解 無法解釋結果 準確性不一定 需調整輸入於特定範圍 網路架構的設定並無一定準則 類神經網路的實用性遭質疑 行銷資訊系統 – E世代的行銷管理

類神經網路的應用 手寫簽字認證 天氣預測 影像邊緣檢測 發音模擬 資料庫回想 行動控制 專家系統 人事部門決策 商業領域 行銷資訊系統 – E世代的行銷管理

類神經網路在MKIS的應用 台新銀行「持卡人風險辨識服務系統」及「類神經網路人工智慧詐欺偵測系統」 美國FreddieMac家庭貸款抵押公司 芬蘭的Infomarket公司 Visa國際公司 資料採礦 美商SAS公司 決策支援 SuperPoll數博網 行銷資訊系統 – E世代的行銷管理

基因演算法簡介 基因演算法(Genetic Algorithm；GA)，或稱遺傳演算法)最早於1975年由密西根(Michigan)大學John Holland教授所領導的研究團隊共同研究提出。 其基本構想與精神主要參照達爾文進化論中「物競天擇、適者生存」的自然進化法則，藉由模擬生物自然進化的過程，來建立一個保有自然特性的「人工基因系統」(Artificial Genetic System) 再將此過程融入問題求解的過程。 目前這個科技已經成功地解決許多傳統系統無法克服的問題。 行銷資訊系統 – E世代的行銷管理

基因演算法的運作 將問題的變數編碼 產生初始族群(Initial Population) 計算目標函數值(Evaluation) 計算適應函數(Fitness Function) 複製(Reproduction) 基因互換(Crossover) 突變(Mutation) 行銷資訊系統 – E世代的行銷管理

基因演算法的運作 將問題的變數編碼 產生初始族群 計算目標函數值 計算適應函數 是否滿足 終止條件 複製(Reproduction) 最佳參數解 互換(Crossover) 突變(Mutation) 行銷資訊系統 – E世代的行銷管理

基因演算法範例 (一) 1. 產生一個具有八個長度十二的隨機字串之族群(如101000111010、001001100111…)。 2. 將產生的每個字串解碼成整數x (如000000000011代表x為3、000000000000代表 x 為 0、111111111111代表 x為4095 )。 3. 將解碼後的整數 x 代入求f(x)=x2之fitness值 (如整數x 為10，其 fitness 為102 =100 )。 4.選擇這族群中最好的(Fitness值較高的)一半進入下一個步驟。 行銷資訊系統 – E世代的行銷管理

基因演算法範例 (二) 5. 隨機選擇一對母代(parent)字串做單點互換，產生新的子代(child)字串。 6. 偶而對子代字串做突變(mutation)，將子字串 0 變為 1 或 1 變為 0。 7. 結合這些新子代字串和被選出的舊母代字串成為一個新的族群。 8. 回到第 2 步驟重覆做，直到達到預訂目的（如做完 100 個世代）後跳出。 行銷資訊系統 – E世代的行銷管理

基因演算法優缺點(一) 當要搜尋的解答空間很大、有雜訊、非線性與連續性數值，且對解答一無所知時，都是應用基因演算的最佳時機。 GA能廣泛的應用在各個領域中，主要原因如下： GA能快速且正確的解出困難的問題。 GA易於連結各種模擬或模型。 GA擴充性佳。 GA能與其他方法混合，成為知識擴充的系統。 行銷資訊系統 – E世代的行銷管理

基因演算法優缺點(二) 基因演算法並非全能的，對某些問題而言，它並非一個最佳的方法，例如當在處理一具有凸函數型態，且僅有少量變數之問題時，一般傳統以微積分為基礎的搜尋法，即可比基因演算法快速的找到最佳解。 此外，一些簡單的擇優問題，傳統的演算法亦都能很快的解決。 行銷資訊系統 – E世代的行銷管理

基因演算法應用 犯罪嫌疑犯的指認 消費者行為分析 貨幣交易 輔助保險業建立行銷策略 網路 輔助建立網際網路媒體行銷組合最佳化之決策 機械人 工作排程 圖像辨識 人工智慧 財務預測 消費者行為分析 輔助保險業建立行銷策略 輔助建立網際網路媒體行銷組合最佳化之決策 與物流網路規劃的結合 其他 行銷資訊系統 – E世代的行銷管理