第二章：從商業問題到資料問題的轉化

# 第二章：從商業問題到資料問題的轉化 > **「資料不是答案，問題是答案。」** > 這句話提醒我們，資料科學的核心不在於收集大量資料，而在於把商業挑戰精準轉化為可分析的問題。 ## 1. 商業洞察的三重視角 1. **策略層面** – 企業長遠目標是什麼？市場佔有率、客戶忠誠度、成本優化？ 2. **運營層面** – 日常流程、供應鏈、客戶接觸點。 3. **客戶層面** – 客戶行為、偏好、痛點。 這三層必須同步考量，否則即使有最尖端的模型，也可能因為缺乏商業意義而失效。 ## 2. 問題轉化流程 | 步驟 | 目標 | 典型輸出 | |------|------|----------| | **A. 定義問題** | 形成可量化、可執行的商業指標 | 例如：提升「首次購買轉化率 5%」 | | **B. 資料映射** | 確認可用資料來源 | 客戶資料庫、網頁日誌、第三方 API | | **C. 需求評估** | 估算所需資料量、質量與頻率 | 需 3M 訪客日誌，更新頻率 1 天 | | **D. 資料可行性** | 檢驗資料可取得性與合規性 | 確認 GDPR 合規、資料擁有權 | > **重點**：在 **A** 與 **B** 的交叉點，往往能發現真正可量化的痛點，這才是資料科學成功的關鍵。 ## 3. 案例：電商客戶留存 ### 3.1 背景 一家跨境電商平台在 2023 年面臨客戶留存率下降 8%。 ### 3.2 商業問題 > 「如何在 6 個月內提升 12% 的客戶留存率？」 ### 3.3 資料映射 | 資料類型 | 來源 | 預期處理 | 主要欄位 | |----------|------|----------|----------| | 訪客日誌 | 伺服器 log | 清洗、聚合 | IP、時間戳、瀏覽頁面 | | 交易歷史 | 交易系統 | 正規化 | 交易 ID、客戶 ID、金額 | | 客戶回饋 | 內部調查 | 文本分析 | 評價、回饋類別 | ### 3.4 需求評估 - **資料量**：500,000 訪客日誌、120,000 交易紀錄。 - **更新頻率**：每日更新交易紀錄、每 3 天聚合日誌。 - **合規**：需取得客戶同意使用個人資料，符合 GDPR。 ### 3.5 資料可行性 經過與 IT 及法務團隊討論，確認所有資料皆可於 48 小時內取得，並已設計合規授權流程。 ## 4. 從資料映射到建模 1. **資料整合** – 使用 ETL 工具將多源資料匯入資料湖。 2. **資料品質檢查** – 缺失值、異常值、重複資料。 3. **特徵工程** – 生成客戶細分、行為分數。 4. **模型選擇** – 以 XGBoost 進行留存預測。 5. **評估指標** – AUC、Recall@10。 > **提示**：在模型選擇階段，務必把商業目標作為評估標準，而非僅看技術指標。 ## 5. 互動式工作坊：讓資料科學走進商業 - **目的**：促進資料科學團隊與業務團隊的協同。 - **流程**： 1. **情境設定** – 以真實案例模擬。 2. **角色扮演** – 由業務同事擔任「客戶」，由資料科學同事解答。 3. **回饋迭代** – 立即討論可行方案、風險與機會。 > 這種「面對面」的交互能夠快速澄清誤解，提升資料驅動決策的可接受度。 ## 6. 小結 - 資料科學的價值來自於能將 **商業問題** 精準轉化為 **可分析問題**。 - 成功的關鍵在於： 1. **清晰的問題框架**。 2. **可行的資料映射**。 3. **跨部門協同**。 4. **持續迭代與回饋**。 > **未來**：在下一章，我們將深入探討資料品質治理與 MLOps 的實務，讓你在資料科學的道路上，既能快速迭代，也能保持長期穩定。