KenChen數據智慧交流道

現在數位服務越來越多元，要讓消費者能有更好的體驗，就必須要精準的掌握消費者的喜好。針對每個服務的機會，我們都希望能快速掌握消費者的偏好，提供最好的推薦。無論消費者是在尋找一部可能喜歡看的商品、去附近可能喜歡的餐廳、還是一本可能喜歡閱讀的書，或者是對於可以在Facebook或LinkedIn上聯繫的具有類似興趣的人，都希望能有一個好的自動推薦系統。 推薦系統無所不在，如何快速搭建屬於自己的推薦系統，並上線服務持續優化它的準確度，就是提高競爭力的關鍵。這次展示的就是利用微軟發佈的Azure Machine Learning快速開發上線推薦系統，提供更廣泛的個人和企業用戶來使用，以便為他們自己的客戶提供更優質的服務。 推薦系統是如何運作? 一般來說，推薦系統中涉及兩種類型，我們稱之為用戶(User)和品項(Item)。 用戶是你想要提出建議的人，而品項是你想推薦給他們的東西，比如電影，書籍，網頁，食譜，甚至其他人。 假設，我們想根據在你的資料庫中，此用戶和其他用戶為某些餐廳提供的評價，向給定用戶推薦一家餐廳。 我們可以將推薦任務分為兩步： 針對每個餐廳，預測用戶會如何評價它，例如， 給五星評級還是一顆星。  從符合條件餐館列表推行評分排序，推薦我們預測該用戶會給最高評分的餐廳。 但是，我們如何預測特定用戶如何評價他實際上沒有任何評價的餐廳呢？ 這是機器學習（Machine Learning, ML）發揮作用的地方。 如何預測評分? 為了構建一個可以預測的機器學習模型，對於給定的用戶/項目組合，用戶如何評價項目，我們需要收集的數據包含用戶ID(userID)、品項ID(itemID)、評分(rating)，可以將其視為一個大型矩陣，將用戶視為行，將品項視為列，將評分當作輸入的值。 用戶品項評分矩陣概念圖 (From Wiki) 這會是一個稀疏矩陣（sparse matrix, 有很多空格都會沒有資料），因為大多的用戶只會對一小部分品項進行評分。 在Azure ML中的Bayesian 推薦系統（如果你對Bayesian推薦系統的數學模型有興趣，可以下載 這篇 來研究），就是用已經存在的用戶/品項配對評估資訊數據來訓練模型，預測出特定的用戶或品項的評分。 這些評分不只可以用在於五星評級，也可以用在 其他如購買，點擊，註...

Google Doc中的表單功能，很常被用來設計問卷來收集資料，如消費體驗等等。雖然Google表單已經有視覺化的工具直接展示問卷統計結果，但常常只是了解每個問題答案的佔比數字，較無法進行更多角度的分析。 所以如果運用Power BI平台來分析問卷資料，能進一步與其他資料進行更多元的數據整體分析與監控，會是一個非常實用的方式。 這次我將進行一步一步的引導展示，如何利用Power BI與R中的"googlesheets" package來連結Google Sheet資料源，做視覺化的分析。 Step1. 取得授權token 在R環境中，輸入以下程式碼，取得授權token。 這會在你的瀏覽器中打開一個窗口，並要求選擇 你 的首選Google帳戶。 你必須選擇一個，並允許'tidyverse-googlesheets'訪問繼續。 現在應該可以在流覽器分頁看到以下訊息，指出“驗證完成。 請回到R.“     Step2. 在Power BI中使用R程式碼，帶入授權token 在Power BI中，點擊「首頁」+「取得資料」+「其他」+「R 指令碼」 。   在跳出的視窗中， 輸入以下連結程式碼： 完成後可看到Google Sheet裡面的資料內容，載入後即可開始進行視覺分析了。   實際應用的情境與功能 下面是透過Google表單做為顧客在餐廳用餐完之後填寫問卷收集到的資料，進行分析的案例 。   1. 利用互動式報表功能，減少報告產出的數量 管理人員都希望能快速精準的掌握店的營運狀況以及顧客體驗的感受，所以常會要求行銷人員從POS系統中輸出報表中得到洞見來協助決策，但結果是產生一大堆的報表，無法精準的呈現，以及每個月為了更新數據，行銷人員都要固定花一堆時間來整理報表。 視覺化的工具好處就是能透過互動的方式立即得到想要的答案，就能大大降低不同條件需求下產生一大堆的報表，也能自動更新資料，讓行銷人員做更多精確的活動、更好的服務，來提高消費者體驗。 2. 現場即時異常通知 我們常常看到在餐廳內當顧客用餐完畢之後，會送上體驗的問卷。當顧客在這次的消費過程中有任何的不滿，即使他沒有說，也有可能透過寫在問卷內來反應。對店家經營來說，這個意...