3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
智慧建築新趨勢 節能環保
智慧建築新趨勢 節能環保
| |||||||||||||||||||||||
智慧建築與智慧家庭
| ||
可穿戴產品 ＆ AR\VR
| ||
2018年6月1日 星期五
‧ 2018\06\01\3S Market Daily 智慧產業新聞
3S Market deliver Smart and Valuable information for Business
．AI 行銷的下一戰場：以時間序列和空間軌跡，來探索用戶未知需求
Can AI Predict the Future?
leiphone 作者：AI金融评论
AI金融評論報導，5月26日，對岸中國阿里雲創始人王堅博士，與科技圈11位志願發起人，共同組織了年度科技創新活動2050大會。
在下午由氪信科技CEO朱明傑出品的「人工智慧重構智慧金融」專題論壇上，微軟全球執行副總裁、美國工程院院士、前微軟亞洲研究院院長沈向洋，前IDG榮譽合伙人、火山石資本創始人章蘇陽，招商局集團創投總經理呂克儉等皆受邀出席。
上海交通大學安泰經管學院助理教授李春曉
期間，上海交通大學安泰經管學院助理教授李春曉受邀進行了「時空序列，如何影響行銷和反欺詐」演講。她主要介紹了AI在商業中的應用。
比如AI是如何影響商家行銷的，並給出了可以如何更好地管理公司的建議。據記者瞭解，她的研究領域在於數據科學，和行為經濟學的交叉領域，聚焦於研究數位技術下的平台策略、用戶行為、財務激勵、和數據安全等。
以下是記者編撰的演講原文，經過李春曉確認：
People Analytics——探索未知需求
用三個典型的哲學問題先開始：你是誰？從哪兒來？到哪兒去？
這三個問題很難回答。我們在生活中會接觸到形形色色的人——用戶、客戶、僱員、合作夥伴，這三個問題時時刻刻地環繞在我們的心頭，這就是 People Analytics人員，分析一直孜孜不倦探討的問題。
再問幾個接地氣的問題：你知道234天以後的下午2點30分，你會在哪裡，做什麼？你知道下一次職業變換在什麼時候，是跳槽還是升職。這個問題不只你關心，你的老闆、你的下屬都非常關心。不管我們知不知道，但是AI知道。
之所以會談到這幾個問題，是因為最近做了研究：不管你自以為的行動有多少自發性，我們都能夠找出線索，並預測你的路徑。
絕大多數人都是非常可預測的，因為我們是習慣的生物。我們的行為，模式和習慣受到很大因素的影響，挑戰在於它跨越了多個學科，比如心理學、腦科學、人類學，社會學，基因學，教育學等。
所以 People Analytics 做的，就是把所有這些學科的研究成果放在一起，讓把大數據和分析結合在一起，利用這些行為和習慣，為我們創造了線索，為公司決策、行銷和品牌做出真正有趣的見解。
我們生活在數據的社會裡，我們遞交的簡歷、合作過的夥伴、就讀的大學、是誰的孩子、誰是我們的孩子，這一條條都集中地記錄在數位設備上，同時建構成了一條條，關於你、我、他的數位線索，再由people analytics將這些整合，還原出獨一無二的畫像，但看過的人卻比你的朋友更懂你，都會跟你說：對過眼神，就是你。
我們做的很多用戶分析，是根據人們的基礎數據、社交數據和歷史消費，讓公司確定用戶的已知需求和已知模式。過去十幾年來我們一直在這個戰場上，已經碩果累累。
我認為下一個戰場，是要探求用戶的未知需求，探求用戶的隱藏模式和偏好。主要是因為我們想在更合適的時機、更合適的地點、更合適的方式，跟用戶接觸、行銷，創造更大的價值。
天時地利人和不只是藝術，更是一門科學，這就是People analytics要做的，在大量的人員數據的基礎上，添加時間序列、空間軌跡，結合人工智能的技術，去觸碰用戶隱藏的認知和思維，你會意識到這是一個巨大的機會。
接下來我將用四個案例，給大家簡化一下流程，深入地分析一下，如何利用AI來增加零售界、金融界、服務界的行銷能力。
行銷的雙重維度：時間+位置
「從哪裡來，到哪裡去」這兩個問題已經強調了地點的重要性，GPS相關技術重新定義了地點，而精確的位置數據，開啓了即時行銷的大門。
大家下飛機下高鐵到杭州時，很多APP會推送「杭州歡迎您」，或者推薦吃喝玩樂的地方。但很多人都沒有去。因為訊息太有限，僅僅靠位置資訊的推送，是不夠完整不夠精確。所以關聯內容是很重要的。
當我們把時間維度，加到位置上的時候，視野裡會呈現出更清晰的上下文環境。比如說你在星期一的下午2點走在大街上，這個時候你的左手邊一個音樂酒吧，你的右手邊是星巴克咖啡，這個時候手機上推送了兩條優惠券，你打開一看發現是酒吧啤酒半價，和一杯星巴克星冰樂的半價。
這個時候，如果你不想把週一下午浪費的話，你會選擇什麼？星巴克。那換一個時間呢？如果是晚上8點半你同樣收到兩條推送的時候，很有可能你們會去兌換酒吧的優惠券，和同事們喝上幾杯。
所以在這種情況下，時間非常關鍵，它不僅僅是位置。我們的商家已經做了很多基於位置的廣告，但這不夠，用戶有不同的人格，即使同一個地點，不同時段的需求，也是不同的，你需要把時間和地點結合起來，然後看人的行為！
天普大學的Luo xueming教授，就行銷的不同時間，產生的不同效果，做了詳細的隨機實地實驗。
再比如，我們和某公司也有過研究，若先增加時間因素，行銷效果會提升，再加地點地理要素，效果也會有所提升。如果同時添加時間和地點，效果提升的幅度更明顯，這就是時間維度的行銷。
基於空序的行銷
更深一層考慮，僅有位置的行銷，除了缺少時間概念，還只是靜態的、「守株待兔」式的行銷模式，而我們需要更加靈活。
基於空序的行銷，購物商城實驗
舉個例子，在一個大型的購物中心，你站在蘋果店門口，如果沒有其他地理資訊位置，只能基於透過位置進行行銷，可能就會認為你要去逛蘋果店，會給你推送一條，蘋果店相關的訊息或者優惠券。
其實這裡有一個很大的問題——因為你站在蘋果店門口，不代表你就想進去，不代表你就是他的顧客，有可能是你和你的朋友約定好，我們在蘋果的門口見。所以我們需要有不同於地理的數據，和更多的訊息。
另外，也如Anindya Ghose教授的暢銷新書《點擊》（已譯成多國文字）裡闡述的，如果我們知道一個人，剛去了一家華為店，然後又去了小米店，之後路過了三星，繞了一圈最後到達了蘋果店。
我們會更瞭解，這個人的思維模式，會瞭解他的軌跡，更瞭解他究竟為什麼，站在蘋果店門口，以及對什麼樣的品牌，可能產生興趣。
空序行銷碾壓基於地點和隨機的行銷
為了研究這種基於軌跡的行銷策略的有效性，來自NYU的Anindya Ghose教授、CMU的Beibei Li教授，一起做了隨機實地實驗，來觀測空序的行銷，是否會有非常好的效果。
研究發現空序行銷，直接碾壓了基於地點，和基於隨機的行銷，更加碾壓了不行銷的效果。
我們可以看到有更高的優惠券回覆率，更快的優惠券兌換率，同時增加了每一個專賣店的流量。就是說，顧客在專賣店消費更高，在店裡待的時間更短，對商場來說，整體實現了行銷的巨大飛躍。
空間軌跡數據，不止是行銷利器，與投資、房地產、實體店規劃、城市經濟行為也息息相關。
我和Missouri Tech的Yanjie Fu教授，最新的研究是用集體學習的方法，對大規模異構人口，流動性數據進行了建模，來捕捉住宅社區，城市功能，時間效應和用戶流動模式之間的關係。
我們的研究發現，人群的空間軌跡，可以用來理解城市形態，對社會經濟行為的影響，如房地產和餐廳的受歡迎程度等等，這個研究可以幫助政府，規劃適當的城市功能組合，以促進城市發展和促進本地業務發展。
基於時序的行銷
剛才的空間軌跡，是把地點延長成了一條線，我們送出優惠券以後，在現在這個小時和下一小時，用戶的需求是非常類似的，並沒有很大的改變——他可以這個小時去逛，也可以下一個小時。但是現在設想另外一個可能性，用戶在不同的時段裡，需要的推薦是不同的，會產生什麼樣的效果？
基於時序的行銷，以旅遊度假為例
舉個例子，這是一個旅遊度假的上下文，假設時間單元是天，在例子裡就是5天。我們根據歷史記錄，可以看到用戶去了機場、博物館、劇院、購物中心、遊樂場和海灘，我們稱這些地點為POI也就是興趣點。
如果我們要對第四個人進行第四天和第五天的推薦，我們應該推薦什麼？傳統的推薦系統，會先在第四天和第五天推薦海灘，因為海灘和博物館一起出現的頻率更高，相關性更大。
還有一些推薦系統，會在第四天和第五天的時候，都推薦遊樂場，因為遊樂場最可能排在劇院後面。但基於用戶的需求，我們最應該在第四天推薦遊樂場，第五天推薦沙灘。但我們原始的推薦系統算法，就是這麼傻。
用戶選擇的時間序列，體現了用戶的偏好，在研究裡有兩個難點：
- 首先，要根據POI之間的時間間隔，和時間序列來進行建模。
- 其次，歷史上連續check-in數據，是非常鬆散的。 鬆散的數據，極大地降低機器學習的效率和算力。
基於時序的推薦系統流程結構圖
那解決方案是怎樣呢？
Rutgers的Hui Xiong教授，研究了基於時序的推薦系統的流程結構圖。透過從用戶歷史check-in序列中，提取序列模式，來建構POI過渡立方體（立方體是用於測量時序偏好）。
接著根據用戶check in的頻率，建構用戶的興趣偏好。然後同時模擬和學習用戶的興趣，以及序列的偏好。
Low-rank graph construction model可以很好地解決，稀疏觀測來估計分布的挑戰。同時建立bi-weighted graph，來評定用戶興趣，最後對潛在興趣點，進行排名和評估建立了POI實際系統。用實際數據來檢測的成果顯示，與現有的POI推薦系統不同，推薦系統可以透過捕獲，用戶演變的順序偏好，在未來的特定時間段內，提供有效的POI推薦。
時空序列控制公司風險
事實上，時空序列還有更多的用途，比如幫助公司控制風險。公司財產損失很大程度上，來源於金融欺詐，主要有兩方面威脅——外部威脅和內部威脅。
外部的威脅包括投資欺詐、信用卡欺詐、身份盜竊等等；內部威脅諸如金融偷竊，會計造假，洗錢，抵押欺詐，內部交易和市場操縱等等。外部風控業內已經做得非常領先，那我們把注意力轉向內部欺詐。
值得注意的是，內部的金融威脅實際上佔主流，75%的欺詐來源於內部。當你的公司運轉很好，但是營收不佳的時候，你就要警惕公司是否存在異常了，典型的異常包括密報、高員工流動率、低士氣、不尋常不合理不一致的行為等等。
基於時序的報表挖掘
介紹兩個欺詐檢測的方法：
基於時序的報表挖掘
第一個是根據持續報表和記錄挖掘，總共分15步：
1）將支付記錄與授權供應商列表對應
2）將供應商與僱員對應
3）將機構銀行賬戶序號與僱員銀行賬戶序號對應
4）將遞送地址與僱員地址對應
5）確定與往年記錄比較有較大變化的情況
6）檢測查找重復的發票
7）檢測查找重覆的支付記錄
8）檢測可能缺失的支票
9）檢驗在break points或較低的金額數量
10）檢測被拆分的發票
11）檢測查找較大的折扣
12）檢查大額的支付記錄
13）分析支付日期+確定支付數額有較大方差的供應商
14）抽取異常的交易
15）提取授權和付款記錄
前4步將數據關聯起來，把支付記錄、供應商、僱員、機構銀行賬戶、地址對應之間做關聯，以方便進行Multi-source Joint Learning聯合學習。
第5步是籠統地用文本挖掘，篩查大的變動。第6到第10項處理髮票相關的報表記錄，挖掘，重覆、缺失、拆分等等。在這裡我們會建立一個時序的模型，控制時間上的因素比如季節性趨勢，同時用地點作為fix effect，固定變量。第11到14步，是針對大額和異常的分析，第15步是個體抽樣。
基於行為軌跡的挖掘
下面介紹基於還有對於行為軌跡的挖掘，比如說僱員出現在不該出現的位置，出現在了不該出現的時間。打比方說小張一直是非常非常守時的人，他有一個很好的時間表。
早上8點鐘上班，下午5點鐘下班，從來都是這樣。突然有一天我發現他非常努力，連續3天加班加到9點，這樣的情況就是異常情況了。我們應該用數據分析看一下他在做什麼，他是不是調用了不該調用的數據庫，或者數據庫有沒有可能被篡改了，這些都是可以用行為軌跡分析倆挖掘到的。
另外，內部風控裡的會計造假、或者人員的策略行為，是可以透過在公司內建立機制，來做預防和早期干預的。
我和Arizona State University的顧彬教授，最近的研究發現，社會成本會被人員考慮再造假成本裡。當員工曝露於社會網路中，當人員越是處於社交網路相對中心位置、越是被關注、或者積極與他人進行社交互動的狀況下，策略行為會有所降低。
企業相應可以採取的辦法，是增加企業內的社交網路分析，加強員工間的溝通，報表和記錄盡量多人合作完成，並相互檢查確認，同時對於欺詐報表，也進行網路分析和追溯。
今天的Take away只是說，我們在孜孜不倦地探索，用戶已知和未知的需求，關鍵要素是時間序列和空間軌跡，把握住這兩個要點，將會很大程度地提升行銷效果，同時在內部這兩個因素，也是控制內部風險非常好的手段。
