The Issue of Taiwan's Industrial AI Series(8):What are the advantages and disadvantages of adopting AI into the retail and financial industries?

零售業與金融業一直以來特別注重資訊流的管理，也是台灣產業大數據分析的先行者，按理說導入人工智慧的門檻較低，成功率也可能較高。但事實真的是這樣嗎？

人工智慧服務並不只是跟風，而能夠真正提供高品質的服務，個中的差別，就在於每家企業對於業務的規劃，對於資料基礎建設的投入，以及人工智慧團隊的技術成熟度。

上一堂課我們從製造業的四種常見的共通挑戰開始，說明人工智慧可以用來解決什麼樣的問題，這堂課要繼續分享人工智慧在零售業與金融業的應用。

為什麼選擇零售業與金融業來做案例？因為這兩個產業的核心業務就是在處理資訊流，包括物流、人流及金流，也因此它們特別重視資訊管理，基本上都會把各式資訊管理系統導入齊全，例如倉儲管理、物流管理、企業資源規畫ERP、客戶關係管理CRM、資料倉儲、商業智慧等等，它們是大數據技術的先行導入者，也通常有蒐集資料以輔助決策的文化。由於人工智慧需要有資料才能驅動，也因此，這兩個產業要導入人工智慧相對上技術與管理門檻較低，速度會比較快。

但同時也要留心，有時候，先行者也會有劣勢，主因在於對大數據分析的誤解。前面我們談過，資料分析可分為四個層次，由淺入深依序為描述、解釋、預測及最佳化。描述性分析幫助評估現況及瞭解問題，解釋性分析提供問題的初步診斷，而預測及最佳化提供改善和解決問題的工具。

國內的零售業與金融業通常早早就導入商業智慧平台，以圖表來輔助決策的進行，但因視覺呈現的限制，再複雜的問題，也只能以二維、三維的形式片段地解讀資料。因此，若是停留在 BI，也就是商業智慧的層次，而沒有繼續往 AI 前進，那麼大數據分析的潛力可說還沒有發揮三成。

真正的戰場在於業務核心決策問題

在開始談應用之前，還是要再強調一次，人工智慧及機器學習不是魔術，也不是這兩年才發明的全新技術，它的確在某些特定問題上達到前所未有的成就，例如人臉辨識及人物、行為辨識等，這些是十年前我們很難想像可以落地的應用。另一方面，有許多我們利用傳統方法沒有獲得好解答的老問題，例如怎麼發送行銷文宣，也可以透過機器學習得到更高明的解法。

所以，不要以為導入人工智慧，就是在做無人商店、無人分行、刷臉支付這類新型應用，其實人工智慧的戰場更在於業務核心流程裡，各種與情境相依的決策，這些決策能否成功地智能化及最佳化，才是決定產業AI化是否成功、企業競爭力是否提升的關鍵。因此，這堂課先不談生物辨識技術所帶來的無人商店、刷臉支付等顯而易見的新型應用，而是專注在核心業務流程的決策問題。

例如，若要進行零售業的店鋪選址及金融業的ATM或分行選址，常見的做法是蒐集人流、車流、金流、天氣、房價、人均所得、再加上現有商店的營業績效等資料後，疊畫在地圖上，以肉眼比較，在何處設點效益最高，這是業內常見的作法。

但我們必須知道，只要是在超過三個維度的問題上要找出最佳解，機器學習基本上就會做得比人類還好，可以預測在某處設點的營業額，甚至精確到各個商品類別的營業額預測，絕對有機會比目前以大數據進行人工選址準確許多。

零售店動線及擺設靠 AI 做到最佳化

至於零售店點內的動線及商品擺設，通常依店內空間及業界慣例來設計，例如食物跟非食物各據一方，生鮮食品最靠牆邊等等，但這不一定是最佳選擇。例如，有些區域是顧客必經之地，包括門口及結帳櫃台前的區塊，多依店長的經驗來決定擺放策略，通常是熱門、長銷、最新、高折扣、高毛利或主打商品等。雖然有些店長會做些實驗來比較，但若沒有嚴謹的實驗設計及機器學習技術的輔助，只能驗證假設是否正確以及累積經驗直覺，無法做到真正的最佳化。

對於擁有大量店點的零售業者，可以利用店鋪間原本就存在的差異性，同時考量店點位置，顧客的消費能力、習慣和偏好，來建立描述動線設計及商品擺設策略與銷量關係的機器學習模型。這樣的模型必然是高維度模型，並不是簡單地跑跑統計分析就能找出答案。預測與最佳化層次的資料分析，最顯著的特徵是成效可以量化。

因此，機器學習模型可以幫助我們預測，若把結帳櫃台前由擺放 A 商品改為 B 商品，可以使營業額上升 5%；或是先讓顧客看到 C 商品再逛到 D 商品，此動線的調整可讓營業額上升 1.2% 等，統合這些預測結果，可以幫助我們找到整體最佳的店點設計。要能夠利用模型來進行精確的預測及最佳規劃，才表示我們正由BI商業智慧走向 AI 人工智慧。

推薦系統與個人化文宣的應用

零售業與金融業的共通日常決策問題之中，最常被關注的應該是廣告文宣的發送。針對某份文宣，篩選出哪些客戶可能較感興趣，畢竟發送文宣是有成本的，同時也避免讓收件者反感而退訂。篩選客戶的演算法稱為推薦系統，目前國內的主流做法仍然是基於直覺與經驗的推薦系統，但基於機器學習的推薦系統已在許多情境上證明有更精準的成效。

在推薦系統之外，如何做好個人化文宣也是門學問。個人化文宣指的是，內容並不是人工設計而是透過演算法，根據顧客的屬性及購買行為來進行全自動的客製化。例如，孕婦收到的零售業文宣，會是依她的消費能力及喜好而量身推薦的孕期商品；在她的小孩出生後，所收到的文宣就會由產婦及幼兒照護所需的商品組成。同樣的，富二代、白領階級及學生收到的金融業文宣，也能依他們的資產規模及投資理念的不同，而量身推薦合適的信用卡及理財商品。每份文宣全自動依機器學習演算法來製造，百萬份文宣內容可能沒有兩份是完全相同的。

當然，個人化文宣將造成流程上的巨大改變，傳統上，文宣是行銷及美術企劃的心血結晶，如果變成個人化內容，則是由企劃將文宣的骨幹做好，美術企劃提供素材，而完整內容由資料科學家以演算法來自動製成，這樣的改變會影響到部門編制與作業流程，當然有一定的挑戰存在。也因此，可以預期這類型的流程改善若沒有高瞻遠矚的主管支持，要導入它可能比導入無人商店或分行還困難。

金融業兩大技術創新：AI 與區塊鏈

接下來，我們來談談金融業。Fintech 金融科技正在浪頭上，有許多商業模式的創新，在數位支付，P2P 金融行為，群眾募資，監理科技等不同面向；但若靜下心來看，可以發現技術上的創新基本上只有兩種，一種是大家正在努力找出殺手級應用的區塊鏈技術，另一種就是人工智慧。

在金融業中，人工智慧的應用可以大略分為四個面向：風險、行銷、服務及作業流程。風險面向就是對未來風險盡可能的精準預測，這裡說的風險，主要是信用風險、市場風險及作業風險，放在保險業的情境裡就是保險精算、放在銀行業的情境裡就是預測帳戶的盜用甚至買賣，以及信用卡盜刷等。這些與金融業歷史一樣悠久的經典問題，在人工智慧的時代中，因為機器學習技術的進步，也發展出更加個人化且精準的解決方案。

在行銷及服務面向，剛剛提到的廣告文宣的發送及個人化文宣設計就是一例。同時，也可以將機器學習應用在商品及服務的改良。例如網頁及手機 App 介面的改良、信用卡的優惠設計、保單的參數組合、行銷活動的設計，甚至到分行的抽號機制及座椅安排，都有許多發揮的空間。

舉個具體的例子，電話客服中心通常會將來電者區分為 VIP 及一般用戶，VIP 有特殊專員處理，而一般用戶的客服專員就會隨機指派。一個更好的做法是，根據來電者的性別、年紀、性格、擁有商品以及最近的交易，預測這通電話的來意，以演算法自動指派最合適的客服專員給來電者。若只是修改帳單地址，讓新手客服來接聽即可，若是問題較複雜的客戶，就自動安排經驗老道的資深客服來處理。

你可能會問，客戶的性別、年紀不是問題，性格怎麼會知道呢？事實上運用機器學習技術，可以分析兩人之間的對話，包含用字遣詞、對話模式及語氣，可以某種程度推論出對話者的人格特質，包含情緒穩定度、容易妥協的傾向及負責任的程度等等。

再進一步，以文字或語音客服機器人來提供理財顧問或保單規劃的服務，也很快會發生，大幅延伸金融業的客戶服務範圍。隨著各式人機互動的人工智慧技術提供者的出現，這類服務很快將普及化。只是，無論是與人互動的文字及語音介面，或是產品推薦，或是理財規劃，要讓消費者覺得他所用的人工智慧服務並不只是跟風，而能夠真正提供高品質的服務，個中的差別，就在於每家企業對於業務的規劃，對於資料基礎建設的投入，以及人工智慧團隊的技術成熟度。

人工智慧導入的應用需要持續改善

我期待透過這兩堂課所談的製造業、零售業及金融業案例，能讓大家了解人工智慧的產業應用，並且能夠藉此想像人工智慧在其他產業的應用形式，畢竟人工智慧是個工具，我們無法在這裡窮舉所有的應用可能。

同時，我希望大家可以感受到，人工智慧的導入不是 0 與 1，而是 0 分到 100 分，所以千萬不要覺得某個產品或流程有人工智慧的成分，就認定公司的產業 AI 化工作已經達標。它跟二十年前談 e 化一樣，隨著業務的發展及流程的演進，e 化的程度永遠不會是百分之百，永遠有新的流程要改善，以及對應的 e 化工作要進行。同樣的，人工智慧的導入不論涵蓋廣度及技術深度，在各種業務的應用永遠不會有完成的一天，只是我們必須依可用資源及報酬率做個聰明的投資權衡。