第 1 章：問題定義與目標設定

## 1.1 導言 數據科學的力量往往被誤解為能直接解決所有技術問題，但真正的價值來源於能否將商業需求轉化為可執行、可衡量的數據任務。第一章將帶領讀者從業務角度出發，透過結構化流程將抽象的商業問題拆解為數據科學可操作的問題。 ## 1.2 為什麼問題定義如此重要？ | 角度 | 重要性 | |------|--------| | **策略導向** | 決策者關注的是最終商業價值，而非技術細節。 | | **資源配置** | 清晰的目標可確保人力、算力、資料成本得到最佳分配。 | | **溝通橋樑** | 具體問題敘述能讓跨部門團隊快速對齊期望。 | | **風險管理** | 早期發現範圍過大、目標模糊的問題，可及時調整或放棄。 | ## 1.3 典型流程：從業務需求到數據科學任務 | 步驟 | 內容 | 工具 / 方法 | |------|------|--------------| | 1 | 了解業務背景 | 面談、工作坊、流程圖 | | 2 | 確定利益相關者 | RACI 表 | | 3 | 撰寫問題敘述 | Problem Statement 模板 | | 4 | 轉化為可量化目標 | KPI / OKR | | 5 | 定義成功指標 | 指標矩陣 | | 6 | 建立假設 | Hypothesis Tree | | 7 | 確定資料需求 | Data Requirement Checklist | | 8 | 風險與倫理評估 | RAG 分析 | ### 1.3.1 Problem Statement 範例 > **商業需求**：線上購物平台希望降低「購物車放棄率」。 > > **問題敘述**：在過去三個月內，網站每月平均購物車放棄率為 65％。我們需要瞭解放棄原因並提出相應優化方案，以使放棄率在六個月內降低至少 10％。 > > **可量化目標**： > > | 指標 | 現況 | 目標 | > |------|------|------| > | 購物車放棄率 | 65％ | 55％ | > | 轉化率 | 2.5％ | 3.0％ | > > **成功衡量**： > > - 放棄率下降 10％ > - 轉化率提升 0.5％ > - 客戶滿意度提升 5 分（1-10） ### 1.3.2 目標設定技巧 1. **SMART 原則**： - **Specific**：明確描述 - **Measurable**：可量化 - **Achievable**：可實現 - **Relevant**：與業務關聯 - **Time‑bound**：設定時間框架 2. **OKR（Objectives & Key Results）**： - *Objective*：高層次願景 - *Key Results*：可度量的關鍵指標 3. **KPI vs KPI‑Driven**： - KPI 為「結果」指標 - KPI‑Driven 強調「行動」指標（例如：送信頻率、頁面載入時間） ## 1.4 工具與模板 ### 1.4.1 Problem Statement 模板 ``` 【背景】 - 簡述業務環境與主要痛點。 【核心問題】 - 具體說明待解決的商業挑戰。 【影響範圍】 - 描述問題對組織、客戶及財務的潛在影響。 【目標】 - 定義可量化、可衡量的終極目標。 【衡量指標】 - 列出用於評估成效的 KPI 或 OKR。 ``` ### 1.4.2 RACI 表範例 | 角色 | 負責（R） | 協助（A） | 協調（C） | 監督（I） | |------|-----------|-----------|-----------|-----------| | 商業經理 | X | | X | | | 資料科學團隊 | | X | | | | IT | | | X | | | 法務 | | | | X | ## 1.5 案例研究：客戶流失預測 | 步驟 | 具體操作 | 期望成果 | |------|----------|----------| | 1 | 召開需求工作坊 | 明確流失定義（例如：連續 90 天未交易） | | 2 | 撰寫問題敘述 | 「預測 90 天內流失客戶，降低 5％ 流失率」 | | 3 | 設定 KPI | 流失率、預測準確度（F1-score） | | 4 | 建立資料需求 | 客戶交易歷史、活躍度、客服記錄 | | 5 | 風險評估 | 數據隱私、模型偏見 | ### 成功衡量 - **流失率**：由 12％ 降至 7％ - **模型準確度**：F1‑score 0.78 - **投資回報率**：客戶維繫成本降低 20％ ## 1.6 常見陷阱與對策 | 陷阱 | 原因 | 對策 | |------|------|------| | 目標不具體 | 沒有明確 KPI | 使用 SMART 原則 | | 資源分配失衡 | 未評估資料可用性 | 先做資料盤點與可行性評估 | | 沒有持續跟進 | 成果未定期檢視 | 建立定期 KPI 回顧機制 | | 忽略倫理風險 | 只關注技術 | 先完成風險與倫理評估 | ## 1.7 小結 問題定義與目標設定是數據科學專案成功的關鍵基石。透過系統化的流程、清晰的模板與跨部門協作，我們能將商業需求轉化為可量化、可執行的數據任務，為後續資料蒐集、建模與部署奠定堅實基礎。接下來的章節將深入探討如何從資料蒐集到實際模型部署，並持續監控以確保決策效能與可持續性。