電子商務未卜先知的利器 大數據 Big Data

Presentation on theme: "電子商務未卜先知的利器 大數據 Big Data"— Presentation transcript:

1 電子商務未卜先知的利器 大數據 Big Data
第七組 莊景雯 曾益倫 王朝奕 李鴻德 李勍婷 李雪婷

2 一、何謂大數據(Big Data) 2010年IBM提出 2001年道格•萊尼提出相關概念 -又稱「巨量資料」、「大資料」
-KB < MB < GB < TP < PB < EB < ZB < YB」 2001年道格•萊尼提出相關概念 -資料3V(量Volume、速Velocity、多變Variety) Big Data一詞雖然最早由IBM所提出，但其實早在一份2001年的研究與相關的演講中，麥塔集團分析員道格•萊尼（Doug Laney）就曾提出相關概念 -2012年定義增加為4V(真實性Veracity)

3 一、何謂大數據(Big Data) Big Data在電子商務的功用在於 取得 及 消費者行為 分析 並 購買行為、給予銷售 預測 建議
　　及　　消費者行為 分析 並　　購買行為、給予銷售 預測 建議 簡單來說，BD在電子商務的作用為… BD的目的在於分析大量數據資料給予「建議」而非「廣告」 得到客觀結果給予企業參考

4 二、大數據的應用領域 Big Data不是人人需要、人人想要 何種產業適用於巨量資料？ -傳統菜市場？ -統計學相關領域(天文學、大氣學…)
-傳統菜市場？　 何種產業適用於巨量資料？ -統計學相關領域(天文學、大氣學…) 精誠集團Etu負責人蔣居裕的一篇文章中[1]指出「Big Data不是人人想要、人人需要」因此企業僅會由特定行業、特定市場導入巨量資料的剖析方法。 傳統市場有這個需要嗎？　有數據來源嗎？　顧客願意留下個資嗎？ 那麼！有什麼適合大數據的應用呢？ 以CRM為例，系統能夠透過每位消費者的組合搭配、逛街動線來分析出消費者的種類與消費者可能消費的商品，甚至預測出消費者的疑慮或問題等心理因素，企業將以此數據做出對該消費者最有利(或對企業最有利)的解決方案。 -顧客關係管理(CRM)

5 二、大數據的應用領域 只要能夠收集到大量數據 能夠透過 分析得到結論 統計學 能夠產生實質 或 的領域 利潤 幫助
能夠透過　　　分析得到結論 統計學 能夠產生實質　　或　　的領域 利潤 幫助 簡言之，只要能夠收集到大量數據、能夠透過統計學而分析得到的結論、能夠產生實質利潤或幫助的就均為巨量資料的應用領域範圍！而其中又以網際網路最為接近且趨勢最快也最容易引進該項技術，故對於電子商務這個領域來說是非常具有前景的一塊大餅！ -如行銷模式預測、專家系統 -其中以網際網路(電子商務)為趨勢

6 三、大數據之實際案例 FaceBook為例 Twitter為例 -按讚、發文、打卡、留言、瀏覽 -廣告收益成為了FB的成功關鍵
-針對「推特文」預測地區間HIV病例增減 使用者在該社群網站上有許多行為均被列為巨量資料中的一部份，包含按讚、發文、打 卡、回應、分享、瀏覽、點擊等每個動作都會被記錄下來；試想 FB 十幾億個用戶一天會產生多少資料量？這些資料量足以提供 FB 分析各個使用者的瀏覽網站偏好、什麼能夠吸引他們注意、什麼樣的廣告會讓他們點擊，並以此為憑據針對各個用戶展示不同的 廣告，藉此盡可能地讓廣告發揮極大作用！也因此這樣的一個平台 吸引了各大廣告商爭相與 FB 合夥、成為業務夥伴，投入大筆的金額就僅僅只是為了「可能」出現在某個用戶的頁面上！廣告收益是影響FB證券評價價值的重要因素，而不斷變化的廣告模式正是FB的成功關鍵！ 以 Twitter 為例，Twitter 在 2012 年 12 月針對「推特文」 做出了一系列的分析[2]，他們搜尋在特定時間內的文章「性(Sex)」 與「嗨(Get high)」，結果發現當某地區的這類文章明顯增多時，則該地區的愛滋病例也隨之提高！也就是說這樣子的社群網路所蒐 集得到的巨量資料，能夠幫助當局制止或者防範特定病例的發生！一家英國倫敦基金公司(Derwent Capital Markets)更透過巨量資料的預測推出了世界第一支基於Twitter 上公眾情緒來進行投資的對沖基金，並且承諾每年 15 ~ 20% 的高報酬率。 -全球首支以預測情緒投資的對沖基金

7 三、大數據之實際案例 Google為例 YouTube為例 -透過Cookie分析人群喜好 -廣泛的廣告收益促使企業成為網路巨擘
-個人化的推薦影片 Google是近幾年快速崛起的美國科技企業，其提供了很多方面的網路服務，但卻幾乎完全免費，一家沒有營利的企業為何能夠急起直追成為網路巨擘呢？答案是「廣告」，相信大家也不陌生，當我們在瀏覽網頁時常有廣告出現在頁面空白處，很大的原因就在於Google提供廣告商刊登的緣故。Google採用了巨量資料的處理方法，透過Cookie[3]來分析人們曾經或者有可能點擊什麼網站、瀏覽什麼廣告進而在頁面上呈現各種個人化的廣告，也因此Google憑藉這樣的技術吸引廣告商大量投入資金！ 同屬Google公司的YouTube也同樣廣泛運用了大數據的概念及技術，針對每位用戶瀏覽過的影片詳加分析，彙整其他用戶觀看完該影片後下一部影片為何，以此為依據推薦給每一位用戶，說穿了這種模式就是「用戶與用戶之間的共通性」，假設巨量資料發現看完A影片後接下來有大約40%會看B影片，則其餘每位使用者只要看完A影片，則系統會自動推薦B影片。這樣的模式會令用戶感到貼心及方便，也因此對YouTube網站更為依賴且死忠。

8 三、大數據之實際案例 醫療體系的應用 -全球至多有50%為過敏人口 -Apple Watch搭載ResearchKit應用程式
-分析經緯度、濕度、氣溫、血壓、血糖值 根據WHO報導指出未來15年過敏人口將高達一半！ 在當今社會空氣汙染越來越糟糕的情況下，其實有多數民眾都深受過敏的騷擾，但往往看醫生卻要持續好一陣子才能夠發現過敏原，原因就在於過敏原實在太多種，且每位患者的症狀差異並不大，導致醫師短時間內無法確切的診斷出過敏原為何；但是這樣的情況由巨量資料來處理最為適當不過了！如同蘋果(Apple)公司所推出的Apple Watch就搭載了ResearchKit應用程式[4]，其功用在於能夠偵測用戶的心跳、體重、血壓、血糖值……等，亦就是說當用戶突然發生過敏情況、氣喘狀況時Apple Watch則會自動將當下的地點座標、環境情況，如濕度、氣溫……等回傳至巨量資料庫中，藉此來分析用戶的過敏原究竟為何！別小看了這項功能，全球約七十億人口上下，假設其中有一千萬人(0.14%)使用了該項機制，那麼對於醫療體系的幫助那該會有多大！更不用說該巨量資料庫不僅只供Apple使用，而是會公開給所有醫療人員做為參考！這對醫療而言是非常大的進步！

9 四、大數據未來之機會與風險 機會 風險 -由文資轉圖資 -後續維護成本低 -如影隨形的廣告 -個資外洩 -政府權力式微
現今的巨量資料取得方式多為文字型態，亦即針對關鍵字去做整理及分析，也因此對於「圖資」的應用尚未普及化，這將是目前大數據的未來趨勢！依照現在的研究速度，系統僅透過一張照片就能夠推測該地經緯度、氣溫及居住人口，那天的到來將不再是遙不可及的夢。 根據紐約時報的一篇報導中[5]指出麥特林(Matlin)曾在購物網站上看到一雙很漂亮的鞋子，她只看看而並未購買；但在接下來的日子裡，麥特林不論逛到哪個網站總是會看到那雙鞋子...彷彿如同夢靨的跟著她。而當她上網使用了某種瘦身服務後，減肥的相關廣告又像是如影隨形一般的跟著她，總是讓她感到「我是不是太胖了?」而心情鬱悶。 高科系產品不斷的有大量數據能夠分析消費者、使用者的下一步，在這樣的環境下一般大眾開始擔憂自己是否一舉一動都被人注視、記錄著。 然而，大數據的取得不僅只有政府，更多的還在民間企業上，如同方才所說的Google就有十分充足且可靠的巨量資料，這類的情況如果持續發生，也許會導致政府與公民之間的角色會對調、也許未來不再是我們所選擇的「政府」來維護國家安全而是「私人企業」！如此的巨變能夠被普羅大眾接受嗎？這是個值得思考的議題！ -個資外洩 -政府權力式微

10 五、結論 為何巨量資料能夠預測未來？ 不外乎就是透過「 」的預測 統計學 進階的資料探勘技術能夠協助發展
不外乎就是透過「　　　」的預測 統計學 進階的資料探勘技術能夠協助發展 為何大數據可以預測未來？其實說穿了就是「統計學」，由於可大量且快速地儲存、處理與分析各項複雜資訊，透過整合這些巨量資料，如最近點擊看過哪些品項、停留時間長短、最近一次消費品項、消費頻率與消費金額等，就有很高的可能性能夠預測下一次消費者的行為。 總言之，大數據就是目前的趨勢，我們不能也無法阻止這樣子的潮流。如同你存錢到銀行，難道你會擔心你的個人資料被銀行所發現嗎？當然了！國家與私人企業的可信度自然又是另外一回事了……。

11 六、參考資料 [1]Fred眷養的雲中象-2015台灣Big Data市場五大趨勢預測
[2]TechNews-Big Data未來醫療的終極武器 [3]Google-隱私權與條款 [4]Apple新聞-ResearchKit提供醫學研究人員革新醫學的工具 [5]紐約時報-Retargeting Ads Follow Surfers to Other Sites [1]Fred眷養的雲中象-2015台灣Big Data市場五大趨勢預測 [2]TechNews-Big Data未來醫療的終極武器 [3]Google-隱私權與條款 [4]Apple新聞-ResearchKit提供醫學研究人員革新醫學研究的工具 [5]紐約時報-Retargeting Ads Follow Surfers to Other Sites [6]維基百科-大數據(Big Data) [7]維基百科-FaceBook [6]維基百科-大數據(Big Data) [7]維基百科-FaceBook

12 Q&A