張承管理學

提升資料「量」與「質」，打造Data Driven Company

本週與資訊部主管分享一篇報導
《何時大限將至？Google AI連死亡風險都能預測》
https://www.bnext.com.tw/article/49557/google-ai-predict-when-patients-die

內容描述
由Google團隊發表在Nature的一份研究論文中顯示
https://www.nature.com/articles/s41746-018-0029-1
Google透過人工智慧(AI)系統(深度學習模型(deep learning model) )
分析病患的醫療紀錄
能精準地預測出病患的死亡風險

該論文中提到一個案例
一名患有轉移性乳癌(metastatic breast cancer)末期的病患
經過醫院的檢查
醫院電腦預估該病患於住院期間內死亡的機率為9.3%
而Google經深度學習模型(deep learning model)分析後發現
該病患的死亡風險高達19.9%
後來該病患在入院10天後過世

Google的這套系統
不只能預測病患的死亡風險
也能預測病患會在醫院住多久
以及未來再次入院的機率

報導中強調
雖然透過AI的協助
能提升醫療的效率
減少人為疏失
但「預測死亡」背後有其道德與隱私的爭議

先撇開道德爭議不談
我與資訊部主管分享
過去的「行銷研究」
著重在「調查」
而現在「數據分析」的應用
著重在「預測」

我們可以好好利用公司的銷售資料、生產資料、人資資料…等
預測哪些顧客會再次進行購買
預測哪些顧客有可能不會再來
或是預測哪些產品有機會大賣
甚至是預測哪位同事可能會在近期提出辭呈…

至於如何將資料科學的工具應用在商業界
重點通常不在「技術」
而在「資料」

深度學習的工具不難找
而且對於許多企業而言
也未必需要用到很高深的技術
(反倒是利用boosting的tree model就夠了)

但如果所蒐集的資料範圍不足
資料品質不好
或是資料蒐集不全
用深度學習來做演算
效果將會很差

討論完以上的議題後
我與資訊部門主管都有共識
雖然過去幾年公司已經開始著手進行
資料蒐集方面「量」與「質」的改善
也試著做了一些商業上的「預測」
但還是有很大的努力空間
尤其是在做決策上
距離「資料導向決策」(Data Driven Decision Making，簡稱DDDM) )
還有一大段路要走

接下來
資訊部會主動思考
如何協助將公司打造成Data Driven Company
而這一切
將從提升資料蒐集的「量」與「質」做起

加油!

Peter