金融大數據時哥的部落格

用同樣的例子，我們試著用大數據的方式來看會有什麼差別?

1. 分析目的：
   1. 找出可能喜歡基金商品的客戶進行行銷。
2. 啟動方式：
   1. 找出購買基金客戶的操作行為偏好。
   2. 找出購買基金客戶的股票商品偏好。
3. 分類方法：
   1. 用操作行為偏好及股票商品偏好找出相符的客戶
   2. 用購買基金的客戶作為基準，優化偏好特徵的採用順序形成模型
4. 產出成果：
   1. 提供有相似程度比例的客戶清單給營業員或行銷人員。
5. 提高命中率方式：
   1. 以行銷後全體客戶的行為與商品偏好變化進行模型內特徵調整

從兩個流程的比較中，很容易發現差異的地方在於：

1. 從人工假設還是從資料歸納出發
2. 僅用交帳單一資料還是納入操作行為等等多重資料
3. 單一特徵的客戶清單還是複合特徵模型的客戶清單
4. 只能列出客戶分類清單還是可以測試優化客戶分類清單
5. 每個客戶只是有沒有納入清單內還是可以訂出各自喜好的程度比例
6. 行銷後有沒有辦法發掘影響銷售的行為或商品偏好新特徵

這個簡單的例子很容易直覺思考現有分析方式也可以納入操作行為等更多資料建構成複合特徵的應用模式，那阻礙現行發展的因素是什麼? 我的答案是更有效率的資料運算架構，讓大數據分析俱備過往方式所不能達成的從資料出發建構模型的能力。