資料采礦-育達科技大學

第十章資料採礦學習目標瞭解資料採礦的定義。瞭解資料採礦的流程。瞭解資料採礦的功能。瞭解商業(yè)智慧的發(fā)展。瞭解商業(yè)智慧的架構。瞭解商業(yè)智慧應用涵蓋的範圍。瞭解資料採礦的模式。瞭解資料採礦的方法。瞭解不同資料採礦方法的特性。瞭解資料採礦在企業(yè)的應用。課前個案差異化行銷，210萬會員各個擊破「觀眾朋友，現(xiàn)在只剩最後50臺，線上客服人員全部滿線，請老客戶改播語音專線避免等待，我們再優(yōu)待你100元購物金，」螢光幕上，一位男性東森購物專家，正聲嘶力竭販售數(shù)位相機。早在那一通電話接通之前，東森得易購的IT系統(tǒng)就動起來了。從一開始運用會員資料庫，找到消費者喜歡的商品、打電話到客服中心訂貨問問題，到最後的金流與物流配送，通通要靠資訊系統(tǒng)支援。簡單來說，從接單、審單到進出貨，所有營運流程與細節(jié)全建立在資料庫裡。大量的IT運用，正是東森得易購的厲害之處?！高@一行就靠IT吃飯，」東森得易購總經(jīng)理宋湘嵐，一語道破電視購物的經(jīng)營之道。不要小看電視購物的魅力。剛過完5週年慶的東森得易購，2003年營業(yè)額高達280億，相當於每天賣出8,000萬元的商品，不但累積210多萬的會員，今年營業(yè)額目標更提高到450億?！肝覀冊诮嬕粋€消費平臺，」東森得易購總經(jīng)理宋湘嵐指出，對廠商而言，東森得易購是一個宣傳通路；但對消費者而言，就是一個集體議價的團購平臺。210萬會員資料庫，採礦出差異化行銷電視購物有消費者信心問題?！概码娨暽系臇|西，會和實際拿到的東西有差，」曾經(jīng)在東森購物買過東西的消費者沈美容，表達她一開始對電視購物的擔心。無店舖通路由於無法讓消費者親自看見和摸到商品，所以先天上對通路的信心較低。「臺灣的消費者很聰明，只要被騙一次就沒有下次了，」宋湘嵐表示，因過往經(jīng)營電視購物的品質不高，造成惡性循環(huán)。因此重建消費者信心，變成無店舖通路產(chǎn)業(yè)能否存活的重要關鍵。重建信心的第一步，就是以IT幫消費者找到需求。東森得易購每月線上販售的商品高達3,000～4,000件，加上超過3,500家合作廠商，如何販售消費者需要的產(chǎn)品，成為首要之務?！笍纳唐贩N類、消費者和媒體平臺三大變數(shù)，掌握住消費者需求，」東森得易購資訊長許世杰表示，每一樣商品在推出前，都會在擁有210多萬會員的收視與購買習慣資料庫中，進行資料採礦與參數(shù)設定分析的動作。許世杰表示，參數(shù)設定根據(jù)商品的目標消費群。比方說，從不同販售時段、不同購物頻道、不同商品類別、不同購物專家，和不同年紀的目標消費者等變數(shù)中，排出最適合商品販售的組合模式，讓行銷更精準。嚴選商品，連合作廠商都要挑?？偨?jīng)理宋湘嵐表示，目前公司有高達70人的編制，以高標準全面控制產(chǎn)品品質，每年還會固定察看合作廠商的工廠。以珠寶販售為例，不但有8人專門負責控管品質，還有專業(yè)驗證珠寶的設備；另外在旅遊方面，為了掌控整體服務品質，公司自聘80多名領隊，親自帶隊以控制品質。CTI調(diào)度，電話客服少聘150人CTI（電腦電話整合系統(tǒng)）則讓東森購物850名客服人員，每天服務4萬通以上的電話。只要客戶打電話進來，客服人員能從電腦上立即看見客戶相關資料及每一筆服務資料，在最短時間內(nèi)提供個人化的服務。資訊長許世杰表示，透過CTI系統(tǒng)動態(tài)調(diào)整派線，讓原先預計需要1,000人的工作量，現(xiàn)在850人就足以負荷，大多數(shù)的來電都希望在15秒內(nèi)有人回應，不然客戶就會跑掉。資訊平臺整合，也讓資訊流統(tǒng)一。節(jié)目錄製的同時，購物專家和節(jié)目製作人能即時看見消費者的來電數(shù)、詢問數(shù)，和訂單問題等資訊，進而隨時調(diào)整購物專家解說產(chǎn)品的方式與節(jié)目的步調(diào)。10天的產(chǎn)品鑑賞期，更是貼近消費者的需求?！覆粷M意就可以隨時退貨，」在電子工廠工作的王欣怡表示，在實體商店退貨時，往往要想很多理由，但電視購物就沒有這個困擾。「透過客服中心，可以取消在不同平臺的訂單，」資訊長許世杰表示，除了無條件退貨，透過單一資訊平臺的整合，不論是在電視、網(wǎng)路，或是型錄上的購買，都可以打電話到客服中心取消，省去許多麻煩。月抽、滿額抽，免填資料抽大獎行銷活動也要靠IT來幫忙。以抽獎為例，以往的活動，消費者都會考慮要不要花時間去填抽獎單、會覺得很麻煩。但是在IT的支援下，東森得易購的所有訂單資料都在電腦中，要抽獎不但免填單，東森得易購還可針對活動的性質，做出不同的搭配。比方說，抽獎可以分是本月購買才可以參加，或滿多少錢才能抽，所有的資訊清清楚楚，有利活動的彈性與行銷的更多可能。臺灣每10個人當中，就有1個在東森購物買過東西。東森得易購資訊長許世杰表示，虛擬的無店舖通路雖然從未實際接觸客戶，但是從產(chǎn)品的定位、宣傳、銷售到售後服務等步驟，全都靠210多萬顧客銷售紀錄來整合，掌握顧客的購買週期?！负唵蝸碚f，就是透過大量的資料認識、了解客人，」許世杰直截了當?shù)卣f，運用IT支援整個電視購物營運，其實是個持續(xù)演進和不斷從中學習的過程，因為之前並沒有可供學習的對象。面對愈來愈多競爭者進入電視購物市場，東森得易購宋湘嵐認為，有著更多具規(guī)模的競者者，會讓產(chǎn)業(yè)變更好。不過她也提醒，電視購物打的是長期戰(zhàn)，「客戶是不會等你長大的，因為他認為花了錢，就要有同等的服務?！菇Y合科技與創(chuàng)新的服務，讓東森得易購站穩(wěn)了無店舖通路的基礎?？磥?，喊出「去SOGO逛街，在東森購物」口號的東森得易購，已經(jīng)成功創(chuàng)造出一個新的流通平臺?？萍迹珓?chuàng)新，服務厲害在哪裡1.CTI（電腦電話整合系統(tǒng)），15分鐘分派2,000通電話：讓擁有850名工作人員的客服中心，每天可處理超過4萬通電話和上千封電子郵件?？头藛T透過IT介面清楚看到客戶所有交易與抱怨紀錄，再進行整合訂購的服務。2.直效行銷資料庫，精準掌握客戶需要：東森得易購建立210多萬的會員資料庫、3,500多家廠商，及上萬件商品資訊，透過資料採礦可以更快找到消費者的需求與行銷。3.CRM（客戶關係管理）＋資料採礦：透過資料庫從事客戶關係管理，可清楚地分辨每一個客戶的平均貢獻度，與服務成本之間的關係，進而了解客戶的需求並調(diào)整。資料來源：陳世耀，e天下，第050期，2005/02/01出刊問題討論：東森購物是如何利用資料採礦來作顧客服務？東森購物利用資料採礦來作客服獲得了什麼好處？除了顧客關係管理，東森購物還能如何利用資料採礦？除了東森購物，還有哪些企業(yè)能夠導入資料採礦？第一節(jié)資料採礦簡介問答題一、何謂資料採礦？資料採礦也就有了一些特性：(1)資料採礦不只能協(xié)助我們看資料表面的現(xiàn)象，也能進一步地幫我們找出是什麼原因造成所看到的結果。和一般傳統(tǒng)社會科學研究過程不同的是，資料採礦不用假設檢定，來推論某個現(xiàn)象發(fā)生的機會是否存在，也因此不會局限在自身先入為主的想法中。資料採礦沒有資料量的限制，不會因為資料量太大而造成一定顯著的盲點。同時，只要分析的工具與功能足夠，資料量與變數(shù)的限制，在資料採礦的過程中，將會減小。資料採礦不單只是資料庫與分析工具及方法的概念，在描述現(xiàn)象與建構問題的過程中，必須透過某些專業(yè)的(professional)及專家的(expertise)的人員，來將問題領域(problemdomain)的現(xiàn)象表徵建構出來，使得決策變數(shù)的形成，能夠充分地描述現(xiàn)象與問題的核心，以及完成分析之後的資料判讀工作。二、資料採礦的定義為何？資料探勘是一種資料轉換的過程，先由沒有組織的數(shù)字與文字集合的資料，轉換為資訊，再轉換為知識，最後產(chǎn)生決策。資料探勘為知識發(fā)現(xiàn)的一個步驟，目的在於找出資料中有效的、嶄新的、潛在有用的、易於瞭解之樣式的一個不繁瑣的過程。由資料庫(database)，資料倉儲(datawarehouse)或其他資訊的儲存庫中利用己儲存之大量資料找到知識的過程，稱為資料探勘。資料探勘是指尋找隱藏在資料中的訊息，如趨勢(Trend)、特徵(Pattern)及相關性(Relationship)的過程，也就是從資料中發(fā)掘資訊或知識(KDD)。資料探勘，即為從資料庫中發(fā)現(xiàn)知識，因為近來大量商業(yè)化的資料湧入，使得需要此種技術以使得資料自儲存單元中分析、淬取，甚而能夠提供視覺化的決策支援。三、資料採礦的流程為何？設定探勘目標設定探勘目標資料的選擇資料前處理資料轉換資料倉儲化資料探勘評估探勘結果原始資料選擇資料處理目前的資料轉換資料資料倉儲結果&知識圖10-1資料探勘流程圖資料來源：From“Dataminingforcustomerservicesupport.”ByHui,S.C.&Jha,G.,2000,Information&Management,38,5.資料採礦的流程，歸納成為下列的步驟：(1)資料選擇（Selection）：先了解該領域的知識，接著建立目標資料集，並專注於所選擇之資料子集在資料探勘的過程中。(2)前置處理（Pre-processing）：再從目的資料中作前置處理，資料庫中的資料會包含些錯誤、遺失、不完整的資料，需去除錯誤或不一致的資料的處理。(3)轉換（Transformation）：然後作資料簡化與轉換工作，從一個巨大的資料庫中去發(fā)現(xiàn)有用的資訊，是一件非常困難的事，必須適時縮減資料量。如使用多次元（Dimensionality）縮減、轉換或編碼的方法去減少有效的變數(shù)或資料。(4)資料採礦（DataMining）：在整個過程中，最重要的步驟莫過於此。包括去探勘有用、有興趣的特徵或資料，以一個特別的形式呈現(xiàn)，包括了分類規(guī)則、決策樹、統(tǒng)計回歸、群聚方法、線性分析等演算法。(5)解釋或評估（Interpretation/Evaluation）：最後把這些探勘出來的特徵或模式，可用一些報告方法或圖形工具，轉換成可讓人輕易了解的圖示或報表，以提供決策支援之用。四、資料採礦的功能為何？（1）分類（Classification）分類是資料採礦作業(yè)中最普遍的一種，所謂分類就是檢視、分析新物件的所有特性，然後將其指派到一個現(xiàn)有預先定義好的類別集群中，後續(xù)動作包含更新資料、標上類別編號。因為這些分類的事物通常是一組資料庫的交易資料，而賦予每一筆資料用以區(qū)別群集的辨識碼也是必須的，方能達到方便作業(yè)的功能。而分類的工作就是將每一個群集的特徵清楚定義，並且透過訓練組資料，建立出模型，將未歸類的原始資料分門別類。分類的目的在建立一個模型，可以將尚未分類的資料，加以分類，納入各類別中。如將信用卡申請人分類為低、中、高風險群。（2）推估（Estimation）分類出來的結果會像「是或否」這樣不連續(xù)的答案，而推估所得的結果，則是易於處理的連續(xù)性數(shù)值。憑著一些輸入資料，我們可利用推估，來得知某未知連續(xù)性變數(shù)的值，例如高度、收入、信用卡結餘。如將每個顧客的紀錄，依照其有興趣的程度加以排序，可判定哪些顧客有可能不再是顧客的亦可依此順序給予分類。（3）預測（Prediction）其實預測與分類和推估是相當接近的，只不過預測是去推估「未來」的數(shù)值以及趨勢。其概念為將目前新的數(shù)值輸入到此模型中，運算結果就是未來狀態(tài)的預測?？稍俑鶕?jù)某些未來行為的預測來分類，或推估某變數(shù)未來可能的值。要預測的某變數(shù)，只要將此變數(shù)的某些已知值當成訓練集，再加上這些訓練集的歷史資料即可。歷史資料可用來建立模型，以檢視近來觀察值的狀態(tài)及變化。像是「購物籃分析」就可以預測在雜貨店中，哪些商品總是會被同時購買，經(jīng)過修正後，也可透過最新的資料來預測未來的購買行為，或如預測哪些電話用戶會申請加值服務，像是三方通話或語音信箱，都是預測的實際運用案例。（4）同質分組或關聯(lián)規(guī)則（Affinitygroupingorassociationrule）這項技術會變是資料之間的關聯(lián)性，並以規(guī)則來表示之。目的是判定哪些事物會一起出現(xiàn)。如判定超市中哪些物品會一起被購買，可讓公司掌握交叉銷售（cross-selling）的機會，或規(guī)劃店內(nèi)的商品擺設。（5）群集化（Clustering）是將許多異質的群體區(qū)隔，分成一些同質性較高、更相似的子群組或群集，這與分類不同的是，群集化並沒有依靠事先定義明確的類別來進行分類，在分類的作業(yè)裡，資料是將訓練組資料，透過某個定義好的類別來進行的。而在群集化的作業(yè)中，不需要事先定義好該如何分類，同時也不需要訓練組資料。資料是依靠自身的相近性來群集在一起的，而群集的意義也是要靠事後的闡釋才能得知。群集化通常是其他資料採礦以及模型化的前導作業(yè)。如市場行銷調(diào)查前，會先根據(jù)客戶基本資料將顧客群集化，再分析每群類似的顧客各自最喜歡哪一類促銷，以擬定不同的行銷策略。（6）順序/因果(SequentialModeling)根據(jù)既有連續(xù)性數(shù)值之相關屬性資料，以獲致某一屬性未知之值，這項技術會辨識過去的樣式，如分析客戶過去數(shù)次的購物行為。舉例來說，若某次客戶購買引擎用油和過濾器，下次他將會購買汽油添加物，這種分析結果對型錄公司尤其重要，可排定每期的產(chǎn)品內(nèi)容順序。大企業(yè)的商業(yè)交易資料都是相當大量且瑣碎的，若能恰當?shù)氖褂觅Y料採礦對以上六種類別進行分析，必會獲得相當具有可信度的結論，為公司創(chuàng)造商機及競爭優(yōu)勢。而資料採礦的運作流程是從CRM的整合性資料庫中，進行資料取樣的工作，再從其中進行學習或進化的程序，進而得到它們的模式和特徵(曾國雄等，2005)。第二節(jié)商業(yè)智慧問答題五、商業(yè)智慧的發(fā)展為何？隨著資訊科技硬體軟體的進步，商業(yè)智慧發(fā)展至今經(jīng)歷過數(shù)個階段。從以主機為基礎的查詢及報表系統(tǒng)到資料倉儲，進而發(fā)展成現(xiàn)今的商業(yè)智慧系統(tǒng)。第一代以主機為基礎的查詢及報表系統(tǒng)使用，許多批次應用程式來提供使用者他們所需的資訊。通常這樣的系統(tǒng)會產(chǎn)生大量的報表，使用者必須從這些報表中找到他們所需要的商業(yè)問題解答。這樣的系統(tǒng)雖然提供資訊給使用者的速度較快，但是系統(tǒng)仍然使用不易，且需接觸複雜的營運資料庫。第二代的系統(tǒng)有資料倉儲，比上一代的系統(tǒng)有更大的儲存容量。比起上一代的系統(tǒng)，資料倉儲有許多優(yōu)點。資料倉儲是設計來滿足商業(yè)人士，不需要操作複雜的營運資料庫。資料倉儲中的資訊是以商業(yè)人士可以理解的形式儲存，並且資料協(xié)調(diào)一致，不會互相矛盾，也沒有無效的資料。資料倉儲提供概括性及回顧性的資訊，以更進步的方式呈現(xiàn)，且有更強的決策支援工具。第三代的商業(yè)資訊系統(tǒng)為商業(yè)智慧系統(tǒng)。商業(yè)智慧系統(tǒng)著重於在增進資訊提供者及資訊使用者間的取得及傳播商業(yè)資訊。商業(yè)智慧系統(tǒng)不僅使用最新的資訊技術，且提供套件式的解決方案。透過商業(yè)智慧系統(tǒng)可以取得各種形式的資訊，而不僅僅是儲存在資料倉儲中的資訊。六、商業(yè)智慧的架構為何？我們以IBM的商業(yè)智慧架構為例(如圖10-1)，共區(qū)分為八個組成元件分別如下：圖10-1商業(yè)智慧系統(tǒng)架構圖資料來源：IBM“GettingStartedwithDataWarehouseandBusinessIntelligence”(1)作業(yè)性資料及外部資料(Operationalandexternaldata)：商業(yè)智慧系統(tǒng)必須基於實際的資料才可產(chǎn)生結果。這些資料有許多是從POS系統(tǒng)中取得的作業(yè)性資料。(2)資料倉儲模型與建構工具(Datawarehousemodelingandconstructiontools)：將作業(yè)性資料及外部資料整理，並轉換成資料倉儲的格式，以便將資料轉入資料倉儲中。(3)資料管理(Datamanagement)：包含了全球資料倉儲，各部門資料倉儲(資料市集)以及其他資料庫。必須讓這些資料可以互相流通。(4)使用控制(Accessenabler)：作為各種不同資料應用的介面，可提供不同樣式的資料格式做不同的應用。(5)決策支援工具(Decisionsupporttools)：包含查詢及報表、線上即時分析(OnlineAnalyticalProcess,OLAP)及資訊探勘等邏輯，為商業(yè)智慧系統(tǒng)之核心。此區(qū)可採外掛模組的方式加入新的邏輯，使商業(yè)智慧系統(tǒng)更具威力。(6)商業(yè)智慧應用層(Businessintelligenceapplications)：此為使用者接觸商業(yè)智慧系統(tǒng)的介面。透過這些應用程式，使用者可以使用商業(yè)智慧系統(tǒng)中的決策支援工具分析資料倉儲中的資料，並產(chǎn)生有意義的決策。(7)元資料管理(Metadatamanagement)：元資料(metadata)是用來詮釋資料的資料(dataaboutdata)。商業(yè)智慧系統(tǒng)中資料來源相當?shù)膹V，必須使用metadata來使資料產(chǎn)生意義。由於資料來源龐大，使得Metadata本身亦會相當龐大，需要管理以避免混亂。(8)系統(tǒng)管理(Administration)：系統(tǒng)管理包含維護資料倉儲、決策支援工具管理等。系統(tǒng)管理、商業(yè)智慧應用層與Metadata管理為商業(yè)智慧系統(tǒng)外層使系統(tǒng)完整不可或缺的工具。七、商業(yè)智慧應用涵蓋的範圍為何？商業(yè)智慧應用涵蓋的範圍相當廣泛，包括了績效管理計分卡工具(CMMScorecard)、企業(yè)規(guī)劃(EnterprisePlanning)、數(shù)位儀表板(Visualizer)、動態(tài)報表查詢(ReportNet)、線上分析處理(OLAP)等，如圖10-2所示。圖10-2商業(yè)智慧應用流程圖企業(yè)計分卡工具(MetricManager)企業(yè)計分卡是應運新的管理技術而產(chǎn)生新世代的科技工具，例如企業(yè)進行“平衡計分卡、六個標準差、全面品質管理”等管理方法的導入後；應用企業(yè)計分卡來創(chuàng)造、管理、呈現(xiàn)、和提供企業(yè)的重要衡量標準。能連接企業(yè)各階層組織（執(zhí)行層／作業(yè)層、管理層、決策層）的責任和目標，與策略做緊密的銜接，進而達到高效能績效管理目的，讓它們監(jiān)控、分析、管理、和報告企業(yè)各層級的重要績效衡量標準。2.企業(yè)規(guī)劃及預算(EnterprisePlanning)企業(yè)規(guī)劃，是績效管理的起點，最佳企業(yè)規(guī)劃及預測解決方案應同時並重管理績效上的預測規(guī)劃與分析功能，但不如人願地，大多數(shù)的軟體廠商僅只針對企業(yè)歷史績效作計算分析，對於預測與規(guī)劃部分，無法真正有效推測，比較預測、規(guī)劃與未來績效管理的能力；編列預算、判估情勢、事件監(jiān)控面面俱到，更可從不同的角度作結果分析。一個可以讓企業(yè)依需要改變目標的溝通平臺，使營運上的判斷與決策更為正確。企業(yè)儀表版(Visualizer)數(shù)位儀表板將大量的資訊以圖表的方式集中在同一畫面中，直覺式的展開企業(yè)的經(jīng)營績效指標、管理績效指標，讓高階主管快速理解企業(yè)運作狀況。因此您可以立刻掌握複雜資料中最重要的層面，更有效地對企業(yè)營運進行績效衡量和管理。線上分析處理(OLAP)將資料倉儲內(nèi)的資料，加以篩選、分類、彙總，產(chǎn)生極小的實體資料，建構成多維立體資料模型(Multi-DimensionalDataCube,MDC)，讓使用者可以依不同的主題和角度，根據(jù)其專業(yè)的直覺，即可操作並分析經(jīng)營資訊，找出改善的重點，釐清事件的真相。各種管理角度的交叉分析、資料排名、預算、及實際值的比較、例外管理等等，均可在瞬間完成。使用者有需求時，只需利用工具就能找到資料，排隊等待資訊人員寫程式的盛況將不會再出現(xiàn)。在整個資料倉儲/商業(yè)智慧的架構中，一個最重要的一環(huán)是如何讓使用者能夠靈活運用資料倉儲系統(tǒng)中的資料，而這就是線上分析系統(tǒng)(OLAP)的目的。線上分析系統(tǒng)的英文全名為On-LineAnalyticalProcessing(OLAP)，簡言之為直接存取資料庫(Database)資料做資料分析的應用程式。一般而言，一個線上分析必須符合以下的基本條件：(1).可以用來作分析使用，而不只是一個單純的報表工具此系統(tǒng)可以讓使用者輕易地做出分析，而這裡所指的分析，不光單是資料鑽取(Drill)，還包括了一些如統(tǒng)計上或財務上所需要的計算；另外線上分析系統(tǒng)必須讓使用者自己去設定他需要的報表及公式。這不僅代表系統(tǒng)的架構需要能支持這些功能，也意味著系統(tǒng)的前端介面是易懂的，因為在做分析時，使用者勢必需要常運用到這個系統(tǒng)。(2).速度需要夠快On-Line這個詞直接翻譯就是〝線上〞，意思是指使用者一按下指令，很快就可以得到所要的結果。目前市場上有許多的線上分析系統(tǒng)在速度方面皆有水準之上。(3).能以多維度的方式展現(xiàn)資料對使用者來說，這個系統(tǒng)必須可以展現(xiàn)出維度模式的特點，包括以多維度的角度去看資料及階層觀念。動態(tài)報表查詢(ReportNet)以強大的查詢引擎，加上人性化的圖形介面，使用者不需要對資料庫有詳盡的了解，即可自行取得所需的明細資料，或是透過容易理解的介面，系統(tǒng)自動引導使用者產(chǎn)生報表資料所需的程式。並可透過資料庫原生驅動程式(NativeAPI)或開放式資料庫連接介面(ODBC)，連接企業(yè)資料倉儲資料庫或ERP資料庫，做大量資料的查詢，使用者利用這種工具，就可在被授權的範圍內(nèi)，查詢相關的資料。情報雷達站(NoticeCast)NoticeCast是屬於「事件偵測」的軟體工具，主要是透過自動監(jiān)控機依管理機制（內(nèi)稽內(nèi)控等）設定管理內(nèi)容將資料庫上不符管理規(guī)定的項目，將有時效性的資訊利用電腦、PDA或行動電話等方式，即時送交決策管理人員，來增進企業(yè)掌握稍縱即逝的經(jīng)營契機能力。八、商業(yè)智慧的系統(tǒng)發(fā)展程序為何？商業(yè)智慧的系統(tǒng)發(fā)展程序，涵蓋商業(yè)智慧系統(tǒng)分析、商業(yè)智慧系統(tǒng)設計、商業(yè)智慧系統(tǒng)建置與管理三大程序。商業(yè)智慧系統(tǒng)分析：又可分為企業(yè)需求分析、資訊來源分析、邏輯資料庫設計、商業(yè)智慧系統(tǒng)架構設計等程序。商業(yè)智慧系統(tǒng)設計：又有實體資料庫設計、ETL（萃取、轉換與載入）設計、資料採礦方法設計、使用端程式設計（OLAP或EIS等）等程序。商業(yè)智慧系統(tǒng)建置與管理：也有商業(yè)智慧整合性系統(tǒng)建置、資料庫管理、安全管理與效能管理等程序（劉德泰，2002）。圖10-3說明商業(yè)智慧的系統(tǒng)發(fā)展程序。圖10-3商業(yè)智慧系統(tǒng)發(fā)展程序1.商業(yè)智慧系統(tǒng)分析(1)企業(yè)需求分析：首先從企業(yè)決策需求層面開始，綜合企業(yè)中顧客、商店、商品、促銷推廣、財務與電子商務等業(yè)務問題，擬定企業(yè)的分析、統(tǒng)計與預測的需求。其規(guī)劃企業(yè)商業(yè)智慧的系統(tǒng)範圍可包含顧客關係管理分析、商店經(jīng)營分析、商品組合分析、商品促銷推廣分析、財務風險分析與電子商務分析等等。(2)資訊來源分析：依據(jù)企業(yè)資訊系統(tǒng)規(guī)劃，資料來源可從顧客服務、商品銷售、存貨採購、會計財務、人力資源、推廣促銷、市場調(diào)查與電子商務等相關系統(tǒng)蒐集。企業(yè)要發(fā)展商業(yè)智慧，必須先擁有完整POS、EOS系統(tǒng)或ERP系統(tǒng)，蒐集這些資訊系統(tǒng)的資料庫當成商業(yè)智慧分析的資料來源。(3)邏輯資料模型設計：主要的工作是從已經(jīng)上線的資訊系統(tǒng)中，找尋可從事資分析的相關資料檔案，並且與企業(yè)各項業(yè)務分析中的系統(tǒng)需求功能一起比對，設計與彙整可符合企業(yè)需要的邏輯資料模型。(4)商業(yè)智慧架構設計：這個架構包括硬體與軟體元件、以及資料從來源系統(tǒng)到商業(yè)智慧系統(tǒng)資料庫的處理流程設計，採用OLAP與資料挖礦工具從事分析預測，使末端使用者存取資料更有效率，而且使整個環(huán)境的有良好的管理方式。2.商業(yè)智慧系統(tǒng)設計(1)實體資料模型設計：就是所謂的資料萃取(Extraction)、轉換(Transformation)與載入（Loading）的功能設計。商業(yè)智慧系統(tǒng)必須具備「萃取」各種類型資料的能力，並且依照資料的特性與決策者的需求，能夠自動且定時的到來源資料庫中萃取資料。而在「資料轉換」中將不一致的資料，根據(jù)規(guī)則轉換為具有一致性的資料，例如：資料代碼(商店代號、顧客代號)、資料名稱(國名、城市)、資料型態(tài)(數(shù)字、文字)、資料長度、資料的特殊限制(英文大小寫、中文繁簡體)等等項目?！篙d入」這項工作會在商業(yè)智慧的轉換程序伺服器上進行，這項載入程序將會自動化。載入程序需考慮自上一次資料擷取之後，重新組織來源系統(tǒng)內(nèi)發(fā)生改變的項目的能力，與載入時產(chǎn)生錯誤的規(guī)範。(2)末端使用者應用系統(tǒng)設計：主要目標是經(jīng)過線上分析處理，資料挖礦分析的結果以何種型態(tài)呈現(xiàn)給使用者。一般末端使用者應用系統(tǒng)能提供Web之HTML格式、EXCEL檔案格式、系統(tǒng)軟體系統(tǒng)業(yè)者所提供之線上分析處理與資料採礦應用程式等三種型態(tài)的報告。3.商業(yè)智慧系統(tǒng)建置與管理這有兩個層面，第一是維持與管理商業(yè)智慧系統(tǒng)與其支援架構(資料庫管理、安全管理、與效能管理)所需的基本功能。第二是以技術及商業(yè)的角度來檢討商業(yè)智慧系統(tǒng)建置是否達到最佳性。以技術的角度而言，包括檢討邏輯與實體資料庫設計，以及所須工作效能調(diào)整是否合適。從商業(yè)的角度而言，這包括資料庫稽核，亦即訪問商業(yè)使用者，來決定他們的需求是否獲得滿足，以及獲得的投資報酬。資料庫系統(tǒng)管理群組是商業(yè)智慧能獲得成功的關鍵，管理群組負責實體資料模型、資料倉儲的DBMS、備份與復原程序、安全管理、效能管理。(1)備份與復原：於特定時刻完成資料的復原，將損失資料的可能性降至最低，使歸檔處理儘可能有效率，備份與復原程序應加以自動化，並與商業(yè)智慧系統(tǒng)更新程序相整合。(2)安全管理：對於資料的存取應以「需要知道」為基礎，但是仍然有平衡之道，如果程序的限制太嚴格與繁瑣，就會使資訊難以利用。在另一方面，如果資訊的使用沒有限制，則可能因為機密資料落入不當使用而發(fā)生法律問題。萬一競爭者掌握策略資訊，可能影響競爭態(tài)勢。設立管制措施來確保資料存取作業(yè)獲得管制，而且隨時能知道誰在何時存取哪些資料。在此同時，程序應儘可能有效率，不要對DBA造成管理負荷。(3)效能管理：效能管理的主要目的是確保所有使用者能以有效率及有效果的方式來存取資料倉儲?？捎玫南到y(tǒng)資源與每一位使用者的要求必須加以平衡，以確保每一位使用者取得機器的適當佔有率。為使效能管理作業(yè)有效運作，設立服務層級是必要的。我們必須設立程序來量測這些服務等級，然後應確認任何缺點，並採取行動來解決問題。課間實例1通路為王回顧2005年的排行榜，「通路」似乎是最耀眼的明星。2005年7月，美國《財星》雜誌依據(jù)年營收排行全球500大企業(yè)。排名第一的不是英特爾，不是微軟，是美國最大的零售通路業(yè)者威名百貨（Wal-Mart）。自2000年擠下艾克森美孚石油（ExxonMobil）後，這已是連續(xù)第二年威名百貨蟬聯(lián)冠軍寶座。今年3月《富比士》雜誌出爐的全美400大富豪排行榜，前10名得主中，威名百貨創(chuàng)辦人山姆?華頓（SamWalton）後裔共五人，均以188億美元並列第四。而上月25日出刊的美國《商業(yè)週刊》，以收入、銷售成長率、利潤、股東報酬等為指標，公布全球今年上半年的IT百強排名，結果可能更令你大吃一驚。臺灣排名最前者，不是臺積電，不是鴻海，而是資訊通路廠商——聯(lián)強國際。從去年的排名113，今年2005年中的排名60，到現(xiàn)在的全球第四名，聯(lián)強的黑馬姿態(tài)，讓「通路」成了臺灣第一。最貼近消費者的末稍神經(jīng)十年河東十年河西，風水真是輪流轉。當科技股身上的亮麗袍子，因景氣下滑而蒙塵時，就開在你家附近轉角的通路商，鈔票卻穩(wěn)穩(wěn)地進了他們口袋。特別是在供給大於需求的年代，由於通路商是與消費者第一線面對面接觸的末稍神經(jīng)，製造商為了去化過剩產(chǎn)能，倚賴通路程度更甚以往。不止聯(lián)強、威名百貨，看看今年臺灣上市櫃中幾檔廣義的「通路概念股」，在不景氣時節(jié)，成績同樣亮眼無比。還記得數(shù)月前引爆的油價大戰(zhàn)嗎？其中有兩家油品通路商前3季營收成長率都相當驚人，全國加油站為31.3％，北基加油站則是29.1％，成長率都約3成左右。而展店數(shù)逼近1300家的全家便利商店，規(guī)模雖居於老二，成長卻明顯高過龍頭，前3季營收成長為21.2％，上半年由於營收與獲利都超越原訂目標，今年已正式調(diào)高財測。此外，居房地產(chǎn)通路商角色的信義房屋，前3季營收成長率則有42.2％，每股稅前盈餘為3.92；而另一家以經(jīng)營醫(yī)療器材等專業(yè)市場為導向的通路商博登，每股稅前盈餘為3.42元，前3季營收成長率更高達62.1％。角色多元，以複合刺激成長羅格斯（Rutgers）管理學院教授班奈德特?緹南（BernadetteTiernan），曾以「任何擁有多種來源，由多種元素組成」的Hybrid這個字，說明實體通路朝虛擬進軍成為多通路企業(yè)（HybridComapny）時，將產(chǎn)生極大力量。緹南認為，由實體出發(fā)的企業(yè)，由於擁有高知名度以及與顧客實質接觸的經(jīng)驗，朝多通路進軍時，遠比由虛擬轉進實體店面勝算更高。同時，佛斯特（Forrest）研究中心在一份「結合實體虛擬（MixingBrickswithClicks）」的報告中也指出，有8成的零售商，計畫在店內(nèi)加裝如Kiosk類型的公共數(shù)位資訊設備。開始發(fā)光發(fā)熱的通路商，為什麼能在不景氣年代獨占鰲頭？他們的經(jīng)營方式又帶給其他產(chǎn)業(yè)什麼啟示？這裡，我們就不能不提到總店數(shù)已超過3千家，把超商角色經(jīng)營得爐火純青的通路王7-ELEVEN，以及念茲在茲於擴展實體通路，但卻同時也透過投資，進入電信與線上遊戲產(chǎn)業(yè)試水溫的富邦金控。對已是通路的7-ELEVEN來說，「複合」概念早已成為刺激成長的重要元素。別以為它只是賺買進賣出的轉手錢，「我們要做社區(qū)服務中心，」總經(jīng)理徐重仁說，在銷售中融入家庭與歡樂因子，是他們長遠的目標。既要做好「好鄰居」的服務角色，瓦斯費、電話費？他們代收；想替孩子買參考書？7-ELEVEN將貴子弟學校用什麼版本課本調(diào)查得清清楚楚，你只要到店取書即可；想吃新鮮的帝王蟹？他們代訂並送貨到府；更別提他們還在店裡放臺自動櫃員機，搖身一變當起無人小銀行，以及與中華電信合作，直接傳手機簡訊賣減肥餐的多通路行銷策略。從實體分行到直接上門資策會資深產(chǎn)業(yè)分析師童啟晟，以國外發(fā)展情況指出，其實許多金融業(yè)者已隱隱察覺，未來他們的競爭對手，不再只限於傳統(tǒng)金融同業(yè)，更大的潛在競爭者，可能會出現(xiàn)在超商、電信領域。如國內(nèi)的超商代收服務是其一，而在韓國，電信公司與網(wǎng)咖業(yè)者合作，電信業(yè)者提供加值服務，以扣點方式介入金流是其二。由此觀察，即使國內(nèi)已有不少銀行與電信產(chǎn)業(yè)合作，共同發(fā)行電信聯(lián)名卡，但「既競爭又合作，可說是未來金融業(yè)與電信業(yè)的態(tài)勢，」童啟晟說。當便利超商可成為小銀行，電信業(yè)也可能搶奪金流大餅時，銀行業(yè)者的思維又如何？這裡，富邦金控對「通路」的思考，似乎也同樣朝「最後一哩（thelastmile）」精髓推進。

目前各家金控業(yè)者均戮力爭取分行通路，但富邦即使將臺北銀行納入旗下，實體通路點也不過179家，再加上自動化設備250臺，影響力畢竟還是不如數(shù)以千計的連鎖便利超商。但很早就在集團內(nèi)力行交叉行銷的富邦，除了透過直效行銷公司做資源整合，同時以實體、電話等各種通路提高金融商品銷售力外，透過轉投資臺灣大哥大與遊戲橘子，一腳踩入另外兩個同樣以「百萬人次」計算的電信與線上遊戲產(chǎn)業(yè)。這三種均以個人消費者為對象的產(chǎn)業(yè)中，一旦靠著資料採礦（DataMining）累積對消費者習性的瞭解，可激發(fā)的能量恐怕更為深遠。套句富邦直效行銷總經(jīng)理林啟峰所說：「現(xiàn)在的銷售通路愈來愈Blending（混合），」再對照7-ELEVEN總經(jīng)理徐重仁對店內(nèi)銷售產(chǎn)品的「複合」概念——混合與多元，或許是讓通路業(yè)者大放異彩的重要元素吧！資料來源：李佩芬，數(shù)位時代，2002年12月出刊，.tw/mag//2002_12_01/2002_12_01_485.html第三節(jié)資料採礦分析方法九、資料採礦的模式為何？在資料採礦的領域中，包含了許多的模式(Model)（如分類、推估、預測、群聚/分析、同質分組或關聯(lián)規(guī)則、描述及視覺化、順序等七種）及應用的方法(Method)（如關聯(lián)式法則、時間序列分析、序列型樣、群組式法則、分類式法則、機率經(jīng)驗分析等六種）(Mehta&Bhattacharyya,2004)，如圖10-4所示。圖10-4資料探勘的模式1.分類(Classification)：根據(jù)不同團體的物件特性建立屬性變數(shù)，當新物件進來時，可以前述的屬性加以判定並分類。常使用的技巧有決策樹(DecisionTree)或類神經(jīng)網(wǎng)路(NeuralNetwork)等。2.推估(Estimation)：分類出來的結果是不連續(xù)的，而推估所得的結果則是連續(xù)性的數(shù)值。例如以一個家庭擁有之汽車款式來推估該家庭的年收入。3.預測(Prediction)：利用一或多種獨立變數(shù)來找出某個標準(Criterion)或因變數(shù)的值就叫預測。使用的相關技術包括迴歸分析、時間序列分析(TimeSeriesAnalysis)、類神經(jīng)網(wǎng)路及案例庫推理(Case-BasedReasoning)等。4.關聯(lián)分組(Affinitygroupingorassociationrule)：用以辨識資料間的關聯(lián)，而這些關聯(lián)通常以規(guī)則來表示。例如含有項目A和B的紀錄中，有60%也含有C和D。事件發(fā)生的百分比是關聯(lián)的支持度及可靠度。較常使用Apriori演算法並用於購物籃分析(MarketBasketAnalysis)，使用銷售點的交易資料來辨識產(chǎn)品的關聯(lián)。5.群聚/分析(clustering/segmentation)：將異質母體中區(qū)隔為較具同質性之群組(clusters)。同質分組相當於行銷術語中的區(qū)隔化(Segmentation)，但是，假定事先未對於區(qū)隔加以定義，而資料中自然產(chǎn)生區(qū)隔。使用的技巧包括k-means法以及agglomeration法。6.描述及視覺化(descriptionandvisualization)：利用視覺化的方式，將分析以及淬取的結果呈現(xiàn)出來，以解釋複雜或繁瑣的內(nèi)容。使用圖像的表達方式，對於使用者來說能夠更容易解釋及接受。7.順序(sequentialmodeling)：例如，以自行車產(chǎn)業(yè)為例，若在研究的結果中發(fā)現(xiàn)購買公路跑車款式的自行車消費者，有25%的人會在五年後會購買登山越野車，同時有53%的人也會增購周邊附加的相關商品，這樣的分析就是「順序」的研究結果。這些資料探勘應用程式和技術的共同目標，包括偵測、解釋和預測資料的質化或量化樣式。要達成這些目標，資料探勘解決方案使用了多種機械學習(machinelearning)、人工智慧(AI)、統(tǒng)計(Statistics)、和資料庫查詢(SQL)處理的技術。十、資料採礦的方法為何？資料採礦的分析方法，隨著不同的理論與應用，可以區(qū)分成不同的類別。常見的方法有：決策樹分析，關聯(lián)性分析，類神經(jīng)網(wǎng)路，基因演算法，多元尺度分析法，集群分析法，羅吉斯迴歸，聯(lián)合分析，時間數(shù)列分析法，貝氏網(wǎng)圖分析法，蟻群分析法，以及多變量分析等。本書挑選其中常用的一些方法，介紹其概念與理論。1.決策樹分析(Decisiontreeanalysis)決策樹是從一個或多個預測變數(shù)中，針對類別應變數(shù)的階級，預測案例或物件的關係；決策樹是資料挖掘(DataMining)其中一項主要的技巧。決策樹的目標是針對類別應變數(shù)加以預測或解釋反應結果，此模組分析技術與判別分析、區(qū)集分析、無母數(shù)統(tǒng)計，與非線性估計所提供的功能是一樣的，決策樹的彈性，使得資料本身更加具吸引人的分析選項，但並不意謂許多傳統(tǒng)方法就會被排除在外。實際應用上，當資料本身符合傳統(tǒng)方法的理論條件與分配假說，這些方法或許是較佳的，但是站在探索資料技術的角度，或者當傳統(tǒng)方法的設定條件不足，決策樹對於研究者來說，是較佳的建議技巧。例如，假設我們想要設計硬幣收集時的排序系統(tǒng)，測量是依據(jù)硬幣的直徑長度，建立硬幣排序時的階級組織系統(tǒng)，首先我們可以將硬幣(一堆硬幣)，以直立的方式，將硬幣邊緣向下滾動至一狹窄的孔中，依據(jù)設置不同幣值的投幣孔(1分、10分、25分、5分)那麼不同硬幣在滾動的同時，會依據(jù)不同的硬幣孔，落入不同的儲存盒中，如此一來，我們正是在建構一個決策樹，而依此結構，也正是在執(zhí)行有效的決策過程，建立硬幣排序的分類標準，依此類推，我們可以延伸至其他更多元化的分類問題上。決策樹的結果能夠或者說有時候會相當複雜，然而，圖形程序可以協(xié)助使用者容易地對複雜的樹狀結果做出解釋，如果使用者的主要目的在於成就某資料反應值的持定階層時所給的條件，例如：呈現(xiàn)較高的反應結果，可以利用三維等高線圖的技巧，將最終節(jié)點中的較高反應呈現(xiàn)出來，我們以STATISTICA中決策樹的圖形為例，如圖10-5。圖10-5決策樹分析2.關聯(lián)性法則（AssociationRule）Agrawaletal.,(1993)指出，在資料探勘的領域之中，關聯(lián)性法則(AssociationRule)是最常被使用的方法。關聯(lián)性法則在於找出資料庫中的資料間彼此的相關聯(lián)性，而這種方法現(xiàn)已經(jīng)普遍運用於各領域之中；例如，80％消費者購買碳粉匣，也會購買報表紙。假設在資料庫中，L={l1,l2,…,ln}是所有顧客的知識與需求之集合，其中X及Y均為決策變數(shù)且是L的子集合(Subset)並互相獨立，因此關聯(lián)式法則的表示形式為：X→Y，XL，YL且X∩Y=ψ。關聯(lián)式法則的產(chǎn)生由兩個參數(shù)來決定：支持度(Support)及可靠度(Confidence)(Wang,etal.,2004)。關聯(lián)性法則的建立，按照Agrawal&Srikant(1994)兩位學者所設計的流程，有以下二個步驟:(1)從資料庫中找出高頻的項目集合(LargeItemsets)，亦即此集合之各個決策變數(shù)的組合，同時要大於所設定之最低支持度(MinimumSupport)。(2)接著，用前述步驟所產(chǎn)生的高頻項目集合產(chǎn)生關聯(lián)性法則，並計算其可靠度，若高於所設定的最低可靠度(MinimumConfidence)，則此法則確定成立。此外，為減少僅憑藉此兩項指標可能造成之偏誤，因此，應該要再考量相關性(Correction)，進行相關分析(Correctionanalysis)，此處所提到相關分析，即為增益值(Lift)(Wang,etal.,2004)。Lift(Correction)Lift(Correction)=Support(Y)Confidence(X→Y)若：增益值＞1，表示X與Y呈現(xiàn)正相關，規(guī)則才具有實用性。增益值＝1，表示X與Y呈現(xiàn)正相關，結果與亂數(shù)取得方式相似。增益值＜1，表示X與Y呈現(xiàn)負相關，比亂數(shù)取得之結果更差。Apriori演算法在關聯(lián)式法則之使用中，Apriori是最為著名且廣泛運用的演算法。最早是由Agrawal&Srikant等兩位學者於1994年首先提出，而在這之後許多應用的相關演算法，僅是修正Apriori中的部分概念而來，例如DHP演算法、DLG演算法、DIC演算法與FP-Tree演算法等，其處理程序說明如下：(1)定義最低支持度(MinimumSupport)及最低可靠度(MinimumConfidence)。(2)Apriori演算法使用了候選項目集合(CandidateItemsets)的觀念，若候選項目集合的支持度大於或等於最低支持度(MinimumSupport)，則該候選項目集合為高頻項目集合(LargeItemsets)。(3)首先由資料庫讀入所有的交易，得到第一候選項目集合(Candidate1-Itemset)的支持度，再找出第一高頻項目的集合(Large1-Itemset)，並利用這些高頻單項目集合的結合，產(chǎn)生第二候選項目集合(Candidate2-itemset)。(4)再掃描資料庫，得出第二候選項目集合的支持度以後，再找出第二高頻項目集合，並利用這些第二高頻項目集合的結合，產(chǎn)生第三候選項目集合。(5)反覆掃描整個資料庫，再與最低支持度相比較，產(chǎn)生高頻的項目集合，再結合產(chǎn)生下一層候選項目集合，直到不再結合產(chǎn)生出新的候選項目集合為止。以下則利用簡單的例子，來看Apriori演算法的處理過程。若資料庫中有四筆交易，每筆交易都具有不同的ID作代表，而交易中都包含了有數(shù)種物品，如下所示：表10-1：資料庫中交易記錄IDItems001ACD002BCE003ABCE004BE則Apriori產(chǎn)生候選項目集合和高頻項目集合的計算流程如下：首先在掃瞄完整個資料庫後，將所有出現(xiàn)商品的次數(shù)予以計數(shù)，如此即得C1表（第一候選項目集合），將不符合最小支持度之項目剔除後，即得L1表（第一高頻項目集合）。藉此反覆遞迴的過程，依次產(chǎn)生第二高頻項目集合與第三高頻項目集合(如表10-2)。表10-2:Apriori演算法產(chǎn)生的候選項目集合和高頻項目集合C1L1ItemsetSupportItemsetSupportScan{A}2{A}2Database{B}3{B}3→{C}3→{C}3{D}1{E}3{E}3C2C2L2ItemsetItemsetSupportItemsetSupport{AB}Scan{AB}1{AC}2{AC}Database{AC}2{BC}2{AE}→{AE}1→{BE}3{BC}{BC}2{CE}2{BE}{BE}3{CE}{CE}2C3ScanC3L3ItemsetDatabaseItemsetSupportItemsetSupport{BCE}→{BCE}2→{BCE}2資料來源：Kouris,I.N.,Makris,C.H.,Tsakalidis,A.K.(2005)圖10-6：五維度的子集合示意圖資料來源：Coenen,F.,Goulbourne,G.,&Leng,P.(2004)當我們想要產(chǎn)生第三候選項目集合時，所產(chǎn)生的集合項目中，必須皆已產(chǎn)生於第二高頻項目集合中，由圖10-6可以很清楚的看到整個演算的路徑。因此第三候選項目僅剩{BCE}，無法再產(chǎn)生C4，所以演算法就此終止。3.類神經(jīng)網(wǎng)路(Neuralnetworks)(1)類神經(jīng)網(wǎng)路的基本概念類神經(jīng)網(wǎng)路(NeuralNetwork)，又名為平行分散處理器(ParallelDistributedProcessors)、自我組織系統(tǒng)(Self-organizingSystems)、適應系統(tǒng)(AdaptiveSystems)、類神經(jīng)網(wǎng)路(ArtificialNeuralNetworks)等，它使用大量簡單的相連人工神經(jīng)元來模仿生物神經(jīng)網(wǎng)路的能力。人工神經(jīng)元是生物神經(jīng)元的簡單模擬，它從外界環(huán)境或者其它人工神經(jīng)元取得資訊，並以非常簡單的運算，將輸出其結果到外界環(huán)境或者其它人工神經(jīng)元，以便用於推估、預測、決策、診斷。早在1957年，第一種類神經(jīng)網(wǎng)路模式－感知機（Perceptron）就被提出，然由於許多因素的影響，類神經(jīng)網(wǎng)路的研究在1960年代中期即告沒落。直到1982年J.Hopfield提出霍普菲爾網(wǎng)路(HNN)，證明誤差可收斂至一局部最小值，1986年Rumelhart等人提出倒傳遞網(wǎng)路(BPN)更是掀起類神經(jīng)網(wǎng)路的研究風潮；其後經(jīng)多位專家學者的不斷研究開發(fā)，至今類神經(jīng)網(wǎng)路已發(fā)展出多種的型態(tài)。自1980年代中期，類神經(jīng)網(wǎng)路研究突然復興起來，且在短時間內(nèi)成為風潮，其原因包括：(A).類神經(jīng)網(wǎng)路本身在理論的建立與模式的開發(fā)上有了突破。最明顯的包括霍普非爾網(wǎng)路（Hopfieldneuralnetwork,HNN），與倒傳遞網(wǎng)路（Back－propagationnetwork）。(B).解決電腦科學與人工智慧一些難題的需要，例如樣本學習、機器學習。(C).電子、光學等技術的進展提供了實現(xiàn)「神經(jīng)電腦」可能性，例如基於VLSI的神經(jīng)電腦與光神經(jīng)電腦的誕生。(D).從現(xiàn)代生理學、認知學、心理學對生物神經(jīng)網(wǎng)路的瞭解，提供了發(fā)展新的類神經(jīng)網(wǎng)路模式的啟示。類神經(jīng)網(wǎng)路是基於腦神經(jīng)系統(tǒng)研究所啟發(fā)的一種資訊處理技術，它由巨量的神經(jīng)細胞（或稱神經(jīng)元）組成，包括：(A).神經(jīng)核（soma）：神經(jīng)細胞呈核狀的處理機構。(B).軸索（神經(jīng)軸）（axon）：神經(jīng)細胞呈軸索狀的輸送機構。(C).數(shù)突（神經(jīng)樹）（dendrites）：神經(jīng)細胞呈樹狀的輸出入機構。(D).突觸（神經(jīng)節(jié)）（synapse）：神經(jīng)樹上呈點狀的連結機構。圖10-7：神經(jīng)元模型當一個神經(jīng)元被輸入的訊號所激發(fā)時，經(jīng)過神經(jīng)核處理神經(jīng)元會產(chǎn)生一個新的脈波訊號，如果脈波訊號是經(jīng)過興奮神經(jīng)節(jié)，則增加脈波訊號的速率；如果脈波訊號是經(jīng)過抑制神經(jīng)節(jié)，則會減少脈波訊號的速率，因此脈波訊號的強弱視同時取決於輸入訊號的強弱與突觸的強度。類神經(jīng)網(wǎng)路通常利用一組範例資料建立系統(tǒng)模型，在依據(jù)此模型進行推估、預測、診斷及決策。而類神經(jīng)網(wǎng)路由許多人工細胞（又可稱為類神經(jīng)元、人工神經(jīng)元及處理單元）組成，每一處理單元的輸出則成為其他許多處理單元的輸入。圖10-7：人工神經(jīng)元模型處理單元其輸出、入值計算式，可用下列函數(shù)表示：其運算符號說明如下：Yj：類神經(jīng)元模型的輸出訊號。f：類神經(jīng)元模型轉換函數(shù)，其目的係將從其他處理單元輸入的輸入值之加權乘積轉換為處理單元輸出值。Wij：類神經(jīng)元模型的神經(jīng)節(jié)強度。θj：類神經(jīng)元模型的門檻值（Threshold），亦稱Bais。因類神經(jīng)網(wǎng)路的組成是由多個神經(jīng)元組成，而每一鏈結有一個加權值Wij，用以表示第i個輸入單元對第j個輸出單元影響強度。(2)類神經(jīng)網(wǎng)路的類型一般神經(jīng)網(wǎng)路依其學習特性的差異區(qū)可以分成為監(jiān)督式學習(Supervised)、非監(jiān)督式學習(Unsupervised)、聯(lián)想式學習(AssociateLearningNetwork)及最適化應用網(wǎng)路(OptimizationApplicationNetwork)，以下將介紹其網(wǎng)路特性：(A)監(jiān)督式學習網(wǎng)路（SupervisedLearningNetwork）從問題領域中取得訓練範例(包括輸入變數(shù)值及輸出變數(shù)值)，網(wǎng)路從中學習輸入變數(shù)與輸出變數(shù)的內(nèi)在對應規(guī)則，以應用於新的範例(只有輸入變數(shù)值而需推論輸出變數(shù)值的應用)；此種學習方式有如老師指導學生對問題做正確的回答，常見應用於圖形辨認和預測領域，如：倒傳遞網(wǎng)路、學習向量量化網(wǎng)路、機率神經(jīng)網(wǎng)路、反傳遞網(wǎng)路(CP)等。(B)非監(jiān)督式學習網(wǎng)路（UnsupervisedLearningNetwork）相對於監(jiān)督式學習網(wǎng)路而言，必須有明確的輸入與輸出範例資料訓練網(wǎng)路，然而非監(jiān)督式學習只需要從問題域中取得輸入變數(shù)值範例資料，並從中學習範例內(nèi)在聚類規(guī)則，以應用於新範例(有輸入變數(shù)值，而需推論它與那些訓練範例屬同一聚類的應用)，如：競爭式學習、自適應共振理論網(wǎng)路(ART)、Kohonen學習法則(SOM)等。(C)聯(lián)想式學習(AssociateLearningNetwork)從問題領域中取得訓練範例(狀態(tài)變數(shù)值)，並從中學習範例的內(nèi)在記憶規(guī)則，以應用新的案例，意即在現(xiàn)有資料不完整狀態(tài)之下，而需推論其完整的狀態(tài)變數(shù)值之應用，如霍普菲爾網(wǎng)路(HNN)、雙向聯(lián)想記憶網(wǎng)路(BAM)等。(D)最適化應用網(wǎng)路(OptimizationApplicationNetwork)類神經(jīng)網(wǎng)路除了「學習」應用外，還有一個特殊應用，那就是最適化應用，意即對一問題決定其設計變數(shù)值，使其在滿足設計限制條件下，使設計目標達到最佳狀態(tài)的應用，如霍普菲爾—坦克網(wǎng)路(HTN)、退火神經(jīng)網(wǎng)路(ANN)等。4.集群分析(Clusteranalysis)群集分析是一種傳統(tǒng)的多變量統(tǒng)計分類方法，其主要是探討如何將資料或物件予以分群(cluster)或是分類(classify)，主要目的就是依照收集的樣本將它分成數(shù)個群數(shù)，使得群內(nèi)個體間高度的同質性，以及不同群體高度的異質性，而此資料或物件的表現(xiàn)方法最常用的是一組特徵向量。然而目前群集分析主要分成多變量分析、類神經(jīng)網(wǎng)路及遺傳演算法等。而多變量分析已經(jīng)被許多學者所應用，目前可區(qū)分成階層式(hierarchical)、非階層式(non-hierarchical)與兩階段方法等方法。而類神經(jīng)方法主要分成監(jiān)督式學習與非監(jiān)督式學習，透過權重的過程，來加速學習率的提昇。至於遺傳演算法則利用其交配、突變來找尋最佳化的分群效果。最早的資料分群多依據(jù)經(jīng)驗作定性分析處理，使得許多分類研究屬主觀結果而無常法遵循，而多變量統(tǒng)計之集群分析（ClusterAnalysis），是實施分組工作最常用的程序，它是將個體（受測者或變數(shù)）分成有意義群組的一種統(tǒng)計分析技巧，可提供客觀合理之數(shù)值分類程序結果。集群分析已經(jīng)廣泛被應用於各式各樣領域上的分析及探討，主要的目的就是利用群體中具有相同統(tǒng)計特性聚成同一群，使得同群組內(nèi)的個體相似性高，不同群組的個體相似性低。另外，當使用集群分析來作為其它資料探勘的預處理步驟時，不但可以加速資料探勘的速度，而且對於資料探勘結果的正確性，也有正面的幫助。集群技術目前已經(jīng)非常明確被分隔成分層式與非層式分析，在分層式集群方法中，集群一旦形成，便不再打散，所以群數(shù)就固定。然而在非分層式集群方法中，是要求在各階段分群過程之中，將原有群數(shù)欲以打散，並重新形成新的集群。而兩階段方法就是結合了分層式與非分層式的優(yōu)點，以求的最佳群數(shù)。(1)階層式分群法（HierarchicalClusterAnalysis）:階層式的集群分析，是將個體分類成為階層式或階段式，如：生物學中或是語言學中的系統(tǒng)樹，其分類目的是希望在系統(tǒng)分類的同時，可以很清楚的表達出每一個集群之間相互的階層構造以及其包含的關係，而其分析的結果則是系統(tǒng)圖或是樹狀圖。非階層式的集群分析則是把具有類似特性的個體歸類成一個集群，不同特性的歸類到不同集群，其主要目的就是將個體分類或是並列成幾個集群的找出，不過，這一種的分群方式並無集群間的階層構造或是包含關係，而是主要以展現(xiàn)集群特性為目的。階層式的集群分析主要是利用凝聚(agglomerative)與分離(divisive)的方式，將樣本的個體視為一群，然後將相近的個體合成同一群，依次的結合使得群組愈來愈少，最後所有個體結成一群，或是經(jīng)由相反的程序，將所有個體從同一群，一一分離出為個別的群數(shù)。此種方法最大的好處可以使決策者依據(jù)實際需要，選擇最適當?shù)娜簲?shù)，作為區(qū)隔市場之依據(jù)。因此，階層式集群分析又可分為凝集群法（AgglomerativeHierarchicalMethod）及分裂式集群法（DivisiveHierarchicalMethod）兩種。（A）凝集群法：是指剛開始時將N個觀察體劃分為N集群，然後根據(jù)彼此間的相似程度（Similarity），將最相似的集群加以合併，最後將所有集群合併成為一個大集群，最常使用的凝集群法有：簡單連結法、完全連結法、平均連結法，及華德最小變數(shù)法。（B）分裂式集群法：此方法跟凝集群法相反，先是將所有觀察體歸為同一集群，然後再根據(jù)各個觀察體與集群間的相似程度，慢慢地一步步將大集群分為各個小集群，最後直到把所有的觀察體劃分成N個集群為止。(2)非階層式方法（NonhierarchicalClusterAnalysis）:首先是先決定K個集群中心，用來當作起始的分群中心，而後，依各個體到各中心點距離遠近，重新移動個體到最近的群體，並計算出各群體新的中心點，然後繼續(xù)再移動各個體到最接近的群體，直到群聚結果不再改變或滿足某種限制為止，如群聚中心直的改變量小於預設值、重複的次數(shù)超過預設值等等。非階層式集群分析中最常使用的方法為K-MeansCluster分群法，與其他的分群法最大的差異在於：若樣本的分群數(shù)為已知的情形之下，則K-MeansCluster分群法可以將所有的樣本分為指定的群數(shù)，而且K-MeansCluster分群法比較不容易受到不適當之屬性（構面）、異常點與不同的相似度（距離）的影響。(3)兩階段方法：如果要求的更精確的分類結果，可以同時使用分層法與非分層法。第一階段以華德法做分群，以決定群組個數(shù)，第二階段再以K-Means進行群集，以二階段方法目的是由於第一階段華德法是屬於分層式群集分析，當二個個體一旦被分在一群，則其後永遠就在同一群，而此時在第二階段所使用K-Means就是彌補此種缺點，以達到最佳組內(nèi)同質、組間異質的群數(shù)。此種分析的手法就是透過兩階段分群方法，修正了分層式集群法中對於集群分析一旦形成，就無法對併入不適當集群觀察值進行重新分群的缺點。同時也克服了非曾即是集群法需事先決定集群數(shù)目與集群中心點的問題。集群分析的相關方法架構，我們可以整理如10-8圖。圖10-8集群分析方法架構圖5.基因演算法(Geneticalgorithm)基因演算法是Holland(Goldberg,1989)發(fā)展出的演算法，它是一種極有效的搜尋最佳解的方法，其基本觀念是以達爾文的進化論為基礎，模擬自然界”適者生存，不適者淘汰”的進化程序。每一種物種的特性均來自於該物種上一代的基因排列，而進化則是代代之間的基因發(fā)生變化。所謂”適者生存，不適者淘汰”即是自然界為繁衍出更優(yōu)良的下一代，會隨著環(huán)境的變化而自我調(diào)適，使子代(Offspring)的基因排列優(yōu)於母代(Parents)的基因排列，而產(chǎn)生比母代更適應環(huán)境的子代。因此，就逐漸演化出越來越優(yōu)良的物種?；蜓菟惴ㄋ軌蜻x擇物種中具有較好特性的母代，透過交配隨機的交換彼此的位元資訊，以期產(chǎn)生更優(yōu)良的子代，再藉著突變的運算，預防優(yōu)良因子的流失和不良因子的常駐，如此重複的演化下去，逐漸逼近適應度最強的物種。其基本的精神在篩選(Selection)與演化(Evolution)。另外，基因演算法係由一組稱之族群的參數(shù)來執(zhí)行搜尋任務，在每一世代，從舊有族群中依據(jù)預先定義好的適應函數(shù)來產(chǎn)生新的物種，而適應函數(shù)代表系統(tǒng)的性能指標。有較高的適應函數(shù)值，即系統(tǒng)有較好的性能?；蜓菟惴ń逯Ａ粲休^高適應函數(shù)值的物種與物種間互換基因的方式，一個世代接著一個世代的進化，使系統(tǒng)性能提昇。基因演算法的搜尋技術是以隨機搜尋為架構，透過多點搜尋法演化過程來表現(xiàn)出比一般隨機搜尋方式更佳的求解能力?；蜓菟惴ǖ幕居^念遺傳演算法的演算過程中包含幾個重要部分(Goldberg,1989)，分別是編碼與解碼(Encoding&Decoding)、初始群數(shù)(Initialpopulation)、適應函數(shù)(Fitnessfunction)、複製(Reproduction)、交配(Crossover)與突變(Mutation)等，以下針對各項加以說明：(A)編碼與解碼(Encoding&Decoding)遺傳演算法運作的對象通常能表示可行解的字串而非決策變數(shù)本身，因此執(zhí)行遺傳演算法之前必須透過編碼的程序將問題的決策變數(shù)轉換成固定長度的字串，但在求解適合度之值時，必須再將字串解碼為實際的決策變數(shù)才行。a.二元(binary)編碼方式:為最普遍的編碼方式，就是將變數(shù)對應到某個固定範圍內(nèi)的變數(shù)，此編碼的方式是以｛0，1｝來表示染色體編碼方式，例如：以001表示數(shù)值為1，用101表示數(shù)值為5，以此類推。b.順序(order)編碼方式:以序號來表達編碼的方式，通常被應用於排序問題(排程問題、旅行推銷員問題)。(B)初始群數(shù)(Initialpopulation)因為多點搜尋法是遺傳基因演算法最大的特色，所以在執(zhí)行遺傳基因演算法，必須先利用隨機亂數(shù)產(chǎn)生一組多字串初始群數(shù)，透過字串的演化，產(chǎn)生較佳的下一代。但若個體數(shù)目過少則演化極為緩慢，很難找到較好的個體作為演進的基礎；但若個體數(shù)目過多則計算就顯的十分龐大，所以族群的大小要視問題的複雜程度來決定。(C)適合度函數(shù)(Fitnessfunction)為了在針對問題求最佳化的解時，透過一定判斷的準則，以決定其優(yōu)劣程度，此時在遺傳演算法稱之為「適應函數(shù)」。而適應函數(shù)是遺傳演算法的性能指標(Performanceindex)，目的就是要判斷染色體對問題所處的環(huán)境的好壞，以保留優(yōu)良基因，淘汰不良基因，作為演化的依據(jù)。但適應函數(shù)在針對問題的不同時，會有極大化與極小化目標值，這些完全必須依問題而定，在遺傳演算法方面，透過適應函數(shù)的修正，採取適應值越高作為產(chǎn)生下一代族群個體，其適合度(適應能力)定義如下式所示，(其中if為第i個染色體的適應函數(shù)值，iPS為第i個染色體被選中而複製的機率)。(D)複製(Reproduction)複製運算元是根據(jù)每一個染色體適應度函數(shù)值的高低，來加以決定染色體被複製的機率，所以性能較好的染色體，就會有較高的機率被選擇，進而被複製出下一代的新染色體，目的就是希望能將優(yōu)良的染色體得以留存，且繼續(xù)重組優(yōu)良的後代。遺傳演算法中常用模擬物競天擇的選擇機制有許多種，常用的方法就是輪盤法(RouletteWheelSelection)[26]，其設計概念就是利用輪盤上每一個代表一個個體，而其面積與該個體的適應值成正比，意即適應函數(shù)值越高所佔的盤面比率就越大。(E)交配(Crossover)交配是提供個體間彼此交換訊息，透過基因重組以產(chǎn)生新個體，使得族群中不同個體可經(jīng)由隨機交配過程，互相交換基因，組合出適存度更高子代(offspring)，以達到不斷演化的目標。在經(jīng)過複製選取出來的新群體也就是所稱之母代(Parent)，以隨機方式選取兩兩互相配對，然後在每組成對染色體，隨機選取一個或多個交配點(CrossoverPoint)，基因交換產(chǎn)生一對新的個體，如圖10-9所示。圖10-9基因交配圖(F)突變(Mutation)突變的過程是將交配後產(chǎn)生的子代，根據(jù)預設的突變機率進行突變，其目的就是希望透過引進新的基因樣式，避免過早收斂(PrematureConvergence)，因為在求解過程可能會掉入?yún)^(qū)域最佳解，為了解決這個問題，我們採取突變率(MutationProbability,Pm)來控制，開發(fā)新的搜尋領域。其方式就是以隨機亂數(shù)選取基因，將染色體中的某些基因偶然改變，染色體的每一個基因都有相等的機會突變，完全由突變機率來決定其選擇，通常突變機率都非常小，是為避免將優(yōu)良的染色體大量遺失，若是機率值過高則導致於演算過程中演化往返不停地。(2)基因演算法的基本流程基因演算法的主要步驟可以表示為(Ladd,1996)：步驟1：第一個世代的初始族群係由隨機產(chǎn)生的物種所組成。步驟2：每個物種分別計算適應函數(shù)值。步驟3：依據(jù)適應函數(shù)值大小，決定物種是否被複製到下一世代成為新的族群。步驟4：決定是否交配？若是，隨機選擇兩個母世代的物種，互換基因進而組成新的物種。步驟5：決定是否突變？若是，隨機決定突變的位置。步驟6：族群取代。步驟7：適應函數(shù)值收斂或達到預設的最大世代次數(shù)，則結束基因演算，否則回到步驟2。(3)基因演算法的特色大部份的最佳化方法，只考慮一個搜尋點，基於某種搜尋條件來決定下一點的方向位置，這些方法對於多峰值模式(Multi-PeakModel)的搜尋空間而言，有收斂到局部最佳值的可能。而基因演算法是多個點同時並行搜尋，而非單一個點，因此有較好的機會獲得整體最佳值。另外，基因演算法僅計算適應函數(shù)值，不需要複雜的運算，如：函數(shù)的導數(shù)。而且隨機性比一般最佳化方法來的多，在複製、交配與突變運算過程中，基因演算法使用隨機方式來決定運算或不運算。第四節(jié)資料採礦在企業(yè)的應用問答題十一、目前企業(yè)最主要的資料採礦的應用為何？資料採礦的應用對於每個企業(yè)來說是一項策略性的計畫，目前最主要的應用有三大方向，都是應用在市場推廣與顧客關係管理方面，分別為：（1）顧客特性分析（CustomerProfilingAnalysis）：希望找出顧客的一些共同的特徵，藉此預測哪些人可能成為我們的顧客，以幫助行銷人員找出正確的行銷對象。（2）目標市場分析（TargetedMarketingAnalysis）：從現(xiàn)有顧客資料中找出他們的特徵，利用這些特徵到潛在顧客資料庫裡去篩選出可能成為我們顧客的名單，作為行銷人員推銷的對象。行銷人員就可以只針對這些名單寄發(fā)廣告資料，以降低成本，也提高行銷的成功率。（3）市場購物籃分析（Market-BasketAnalysis）：主要是用來幫助零售業(yè)者了解顧客的消費行為，例如哪些產(chǎn)品顧客會一起購買；或是顧客在買了某一樣產(chǎn)品之後，在多久之內(nèi)會買另一樣產(chǎn)品…等。零售業(yè)者使用資料採礦技術可以更有效的決定進貨量、庫存量、或是決定店裡貨品要如合擺設，同時也可以用來評估店裡的促銷活動成效。除此之外，資料採礦於各行各業(yè)還有其他方面的應用(如表10-3)：十二、資料採礦系統(tǒng)建構時應該需要特別考慮的因素為何？資料採礦最主要是為了達成商業(yè)目標所建置，但是否採用此系統(tǒng)的考慮因素，應該還包括其他的優(yōu)點，以下是從商業(yè)觀點，在資料採礦系統(tǒng)建構時應該需要特別考慮的幾項要點：(1)商業(yè)利益（BusinessBenefit）：我們都知道企業(yè)以賺錢為最終考量，採用一個資料採礦的系統(tǒng)，到底能為公司帶來什麼利益？所以如何衡量資料採礦系統(tǒng)帶來利益的多寡，是商業(yè)利益上很重要的問題。(2)技術知識（TechnicalKnow-how）：資料採礦的系統(tǒng)會包含很多複雜的專業(yè)知識，如何設計一個讓一般資訊管理人員不必知道許多專業(yè)知識下就可以操作的系統(tǒng)，也是一個資料採礦系統(tǒng)設計上的一個環(huán)節(jié)。(3)易懂與說明（UnderstandabilityandExplanations）：結果是否很直覺或很難了解？對每項規(guī)則是否有清楚的說明？(4)進一步詢問（Follow-up）：可以進一步詢問系統(tǒng)的程度？有些初步結論需要經(jīng)過中間人的解釋，那需要的程度為何？盡可能減少詢問所花費的時間，改善系統(tǒng)進一步詢問的能力。(5)商業(yè)上顧客（BusinessUsers）：系統(tǒng)能容納商業(yè)顧客的人數(shù)為何？系統(tǒng)是否可供顧客做日常決策的知識管理？顧客可提供問題給系統(tǒng)等。(6)正確、完整、同步（Accuracy,CompletenessandConsistency）：系統(tǒng)產(chǎn)生的結果正確率為何？是否有遺漏任何規(guī)則？在多人存取下，能否保持結果的一致性？(7)自動分析（IncrementalAnalysis）：可以自動化分析每日或每週資料嗎？可以自動比較月與月之間規(guī)則的變化嗎？(8)資料的掌控（DataHandling）：系統(tǒng)可以處理多大的資料？可以直接從資料庫中存取資料或需要萃取資料？(9)整合性（Integration）：如何將資料採礦系統(tǒng)整合於日常資訊操作系統(tǒng)或公司內(nèi)部網(wǎng)路（Intranet）或資料庫？(10)維護人員（SupportStaff）：系統(tǒng)安裝執(zhí)行後需要投入多少人員維護此系統(tǒng)？如何訓練此人員來維護系統(tǒng)？企業(yè)在建構資料採礦系統(tǒng)時，應依照以上所提作為系統(tǒng)設計的必須考量要點，能使資料採礦系統(tǒng)具有成長性、永久性。故系統(tǒng)的效用越大，企業(yè)對於資料採礦的運作效益也會成正比提升。課間實例2udn聯(lián)合線上－－老牌媒體拓展虛擬版圖千禧年對ICP（網(wǎng)路內(nèi)容提供者）來說，可以說是刻骨銘心的一年了。首先是網(wǎng)路股的修正，繼之以全球經(jīng)濟面臨反轉，臺股大跌，最後補上網(wǎng)路歇業(yè)裁員打擊，就連網(wǎng)路席捲舊經(jīng)濟時，首先吹響平面媒體e化號角的「中時網(wǎng)科集團」也無法倖免，於歲末之際宣佈裁員。相較於另一老牌媒體集團「聯(lián)合報系」，卻一改過去網(wǎng)路狂潮時的沉默，接連推出各網(wǎng)站，立志塑造聯(lián)合線上成為「華文世界最大的中文資訊平臺」，集結實體後勤和虛擬先鋒兩路大軍，揮兵攻向21世紀。細數(shù)聯(lián)合線上的動作，2000年9月聯(lián)8達企業(yè)入口網(wǎng)站（http://27681234.com）、10月《聯(lián)合電子報》（），11月udnStars聯(lián)合追星網(wǎng)（），幾乎每個月推出一個新網(wǎng)站，2001年更將推出包括聯(lián)合理財網(wǎng)、聯(lián)合知識庫、聯(lián)合體育網(wǎng)、聯(lián)合旅遊網(wǎng)四大網(wǎng)站形成聯(lián)合線上網(wǎng)群。穩(wěn)重腳步下的e化決心在網(wǎng)路泡沫化，大多數(shù)ICP無以為繼的寒冬，《聯(lián)合報》連續(xù)出招，自然成為眾所注目焦點，「《聯(lián)合報》大舉進軍虛擬世界」成為許多人對《聯(lián)合報》的看法。對這些說法，聯(lián)合線上營運長劉永平倒是處之泰然，之前擔任《世界日報》多倫多社社長，9月走馬上任的他，觀察國內(nèi)網(wǎng)路界有「網(wǎng)路表象極大化」的現(xiàn)象，開站記者會必須聲勢浩大、金碧輝煌才算數(shù)，他淡淡的說：「網(wǎng)路熱的時候，大家看的都是開站光環(huán)，可是經(jīng)營者只看開站是危險的，不是開站了就結束，如何營運才是問題。」因此如何立足現(xiàn)在，走到未來才是《聯(lián)合報》所考慮的。對行事一向穩(wěn)重的《聯(lián)合報》，光環(huán)背後，其實隱藏聯(lián)合報系轉型e化的決心。劉永平表示，對聯(lián)合報系而言，媒體經(jīng)營必須跟隨時代腳步走，他表示，早在1998年聯(lián)合報系集團就觀察到，網(wǎng)路確實已經(jīng)走進人們的生活，和生活劃上等號，因此網(wǎng)路長程發(fā)展是看好的。如果企業(yè)為了短期不景氣而放棄網(wǎng)路的投資，卻很可能會失去未來市場的位置。劉永平舉數(shù)位音樂為例，MP3的出現(xiàn)對唱片界造成莫大衝擊，音樂工業(yè)給所有經(jīng)營者啟示是，企業(yè)如果不能跟上網(wǎng)友需求，只固守原有地盤，到時候世界上某個角落也會有人提供服務而搶走市場，因此，數(shù)位化已經(jīng)是大勢所趨。但是未來雖然美好，企業(yè)卻需要面對生存的難題，劉永平認為，目前網(wǎng)路問題是消費者需求走在時代的前面，企業(yè)服務卻跟不上，而商業(yè)模式更遠遠落在業(yè)者提供的服務之後，需要時間慢慢讓這三者重疊。因此等待的過程中，網(wǎng)路產(chǎn)業(yè)必須要有所調(diào)整。相對於過去網(wǎng)路講求速度決定一切，只要有好點子就衝，現(xiàn)在整個產(chǎn)業(yè)速度反而必須沉澱下來。劉永平傳神比喻：「像啤酒一樣，倒的太快，泡沫一多就不好喝，但是慢慢倒，在夏天喝起來反而特別清涼?！谷瞬拧?chuàng)意、跟上潮流但是廠商面對生存危機和未來願景高度落差，要如何生存度過黎明前的黑暗呢？劉永平認為網(wǎng)路公司有三個步驟可以思考，首先是訓練人才跟上時代思考，才能以創(chuàng)意引導公司，順著潮流所需發(fā)展。其次是所