我們的前二篇講了數據的精準、 NES 模型和人機分工，與人和機器各自做擅長的事；把複雜的計算與資料處理交給機器，我們行銷人只需要做模型調整與決策，找到對的問題，才能解決對的解決方案。
今天這一篇我們來講，數據行銷實際應用與應用場景，透過現在現實中的實例和應用，來更進一步的了解大數據的概念。
一、大數據的應用
ー ー 大數據可以應用的場域非常多，我們在這邊舉三個層面來探討：「掌握客戶、輔助決策及風險評估」。
我懂了一些大數據的基本概念，但目前有哪些方面可以應用呢？
我們每天都可以看到大數據的一些新奇的應用，從而幫助人們從中獲取到真正有用的價值。然而大數據可以拿來的應用比比皆是，篇幅有限，所以我們就在這邊提出最常見的三個層面的應用：「掌握客戶、輔助決策及風險評估」來探討，大家也可以思考看看，自己的所在行業是否能夠透過大數據來進行更多的應用。
■ 掌握客戶：理解客戶、滿足客戶服務需求
通常我們想到大數據，第一想到就是理解客戶的部份，這是我們最常見的大數據應用，重點是如何應用大數據更好的了解客戶以及他們的愛好和行為。
商家最常在這一方面蒐集客戶的資訊，包含：「社交數據」、「網路瀏覽日誌 ( log )」、「所去地點的資訊 ( 打卡與 GPS定位 )」…等等，為了都是更加全面的了解客戶，在資訊可以「更多維度」時，就能透過數據模型進行預測。
例如： Amazon ( 亞馬遜 ) 不僅從每個用戶的購買行為中獲得訊息，還將每個用戶在其網站上的所有行為都記錄下來：頁面停留時間、用戶是否查看評論、每個搜索的關鍵詞、瀏覽的商品等等。這種對數據價值的高度敏感和重視，以及強大的挖掘能力，使得亞馬遜早已遠遠超出了它的傳統運營方式。
Amazon 透過這些資訊數據來進行客戶的行為引導與預測，我們下面用列點式的來看看 Amazon 的實際應用：
- 亞馬遜推薦：在亞馬遜上買過東西的朋友可能對它的推薦功能都很熟悉，「買過 X 商品的人，也同時買過 Y 商品」的推薦功能看上去很簡單，卻非常有效。
- 亞馬遜預測：對於書、手機、家電這些東西——亞馬遜內部叫硬需求的產品，預測是比較準的，甚至可以預測到相關產品屬性的需求。
對於亞馬遜來說，大數據意味著大銷售量。數據顯示出什麼是有效的、什麼是無效的，新的商業投資項目必須要有數據的支撐。對數據的長期專注讓亞馬遜能夠以更低的售價提供更好的服務。
■ 輔助決策：提高醫療和研發
目前大數據應用在於醫療是未來大家非常看好的一個部份，由於人工 AI 和大數據的快速發展，所以醫療行業也是最快速增長的行業之一。
大數據分析應用除了透過病患描述自身症狀的傳統方法，再加上生物醫學檢測，並將家族病史、種族等個人資料透過人體基因資料庫進行比對分析，從中選出最適合病患的治療方式，同時也能精簡醫事成本。同時可以更好的去理解和預測疾病。就好像人們戴上智能手錶等可以產生的數據一樣，大數據同樣可以幫助病人對於病情進行更好的治療。
舉例來說，Close the Loop 計畫是在病人手術之前，提供醫事人員完整的資訊，幫助他們決定應先處理哪部分的創傷，或是在開刀時該注意的事情；以車禍造成命危的傷患為例，當病人被送到醫院時，醫事人員會先幫他做放射掃描，了解身體內部是否也有受創，再依嚴重與緊急程度決定要先治療身體的哪一部分。此時，醫院的臨床資料與診斷報告便會匯入 UDA，UDA 能以每秒兩百萬份資料的速度，掃描比對不同來源的資料庫，找出病人可能潛在的病史，幫助醫生做出最後的決定。
不過雖然大數據在醫療有快速發展的趨勢，但隱私權、資訊外流等資安議題也是發展醫療大數據應用時的挑戰。以精準醫學為例，其中涉及的訊息包括臨床及保險理賠、人口統計、基因等數據；也可能會有姓名、生日、戶籍地址與聯絡方式等私人資料。因此，人們也會擔心這些醫療數據會被不當的利用。
■風險評估：銀行與保險
這個也是大家最常提起大數據，就是談到的銀行與保險，因為這個對他們來說，可以幫助他們降低資訊不對等，進行提高他們評估貸款信用、保險費用…等等，這些幫助實在太大了。
我們來看看保險業，風險的本質是〝未知〞，跟賭場一樣，保險公司無法挑選客戶，至少是無法充分挑選客戶。 因為我們沒有辦法知道每個人的健康狀況，這只有客戶他自己最清楚，所以保險公司只能透過每個年齡段人群的健康狀況、平均預期壽命、得各種常見大病的概率，來進行風險評估來制定收費標準。
所以壽險公司就是根據你在哪個年齡段，收你相應水平的保費。它不必知道每個人的健康狀況，生意的保障是大數定律，問題是：「有人的地方就有人鑽漏洞」。我們可以預期有些人投保之後，有些人煙會抽得會更兇，有些人車會開得更彪悍，反正有保臉的保險。這就叫道德風險 ( moral hazard ) ，其實它與道德關係不大，主要是激勵錯配，保險反而激勵了原來不想激勵的行為。
羊毛出在羊身上，買保險所獲得的保障來自保費。道德風險使不負責任的那些人佔用了較多的保障，結果要嘛是提高保費，要嘛是別人的保障減少。沒人想當冤大頭。規矩人就會退出保險，結果是逆向選擇 ( adverse selection) 。投保人中規矩的越來越少，不規矩的越來越多，只好保費越提越高，直到有一天高到沒人投保，除了就是想來騙保的，生意到此就算做砸了。
今天，大數據時代到來，這些情形就直接 180 度反轉。個人的健康數據、行為數據、信用教據能見度越來越高，道德風險、逆向選擇這兩大武器現在站到了保險公司一邊。
以前，保險公司了解你的訊息顆粒度只到你在哪個年齡組，現在則可以精確到個人：你的病史、家族病史、買藥記錄等等，無所循形。別以為你不想佔保險公司的便宜就可以，現在是保險公司想佔你的便宜。他們可以精挑細選，挑出那些健康客戶，那些不太健康的客戶只能付出更高的價格，至於那些特別不健康的客戶，直接拒之門外。
二、大數據的隱私與安全
雖然大數據帶給我們這麼多的好處，但我們的穩私權呢？
ー ー 這是一個新技術帶來的後遺症，因為政策對應不上新技術造成的缺陷，所以目前網路上的隱私權真實上是非常被猖狂濫用的。
上述講完了應用的部份，還有一個「議題」也是大家最關心的，那就是大數據的隱私與安全；雖然大數據能提升我們許多的便利性，但沒有人喜歡自己的穩私被到處濫用。
最近我自己就看過網上一個真實好笑的案例，有人在網上詢問說：「為什麼我總是看到情色和情趣用品廣告，是不是這些廠商太猖狂了？」，下面的網友就回應：「廣告曝露了你的嗜好」、「噓 … 不要到處跟別人說你的僻好 XD」、「你是真不知 Cookie 廣告嗎？」… 等等的，雖然回應很好笑，但也謹惕了我們一些事實，透過秀出來的廣告便直接揭露我們的日常瀏灠，尤其是你的另一半拿你的的手機使用時…一些個人隱私則直接曝露了。
隱私的侵犯，就是未經個人同意而使用個資。這裡也揭露了資訊隱私權所面對的一項基本挑戰：能否有效保護個人對個資的控制權，要看隱私權究竟是如何架構的。舉例來說，我可能同意讓郵局有我的新地址，但並不希望郵局將它交給第三方。我該怎樣阻止這種情況發生？如果個資只算是簡單的財產權，也就代表一旦移轉到他人手中，就已經放棄了對這些資訊的任何控制權；但這不是我們希望的。因此，資訊隱私權還需要搭配經過精心設計的法律機制；特別是因為在實際上，要確實找出洩漏的源頭、因而知道究竟該告誰，是非常困難的事情。
例如「某人正服用抗憂鬱症藥物」這件事，可能洩密的人包括醫師、藥劑師、保險公司（的任何員工），甚至是朋友、配偶或知情的同事。想要抓到罪魁禍首加以懲罰，幾乎是天方夜譚。
目前各國對於資料隱私權的範圍規定也大有不同。例如歐洲已經進行一份全球勤業GDPR（歐盟通用資料保護規則）來保護用戶隱私，這項法規的基礎，是「被遺忘權（right to be forgotten）」，是一種在歐盟已經付諸實踐的人權概念，可以要求控制資料的一方，刪除所有個人資料的任何連結（link）、副本（copies）或複製品（replication）；還有「資料可攜權（Right to data portability）」，意思是用戶可以將A服務的資料，轉移到B服務上，這也就是為什麼Instagram最近推出資料打包備份功能、蘋果推出管理個資工具。
當然，目前台灣的法律仍然是沒有這些安全隱私上的保障，尤其是你會發現，你在辦卡的時候，常常就是會把你的個人隱私直接給其他產險公司，進而不斷收到這些產險公司的電話行銷所帶來的困擾，所以我們必須要了解這些大數據時代所帶來的一些改變，來確保我們自己的保障。在未來，我們必須在便利性和安全性之間取得平衡，就像大門與安全鎖之間的關系，永遠都是一個面對平衡點和挑戰的事。
三、小結
大數據是未來各行各業的〝基礎〞，所以愈早理解大數據對我們來說，愈能因應這波的趨勢。
如果我們是商家，〝掌握客戶、預測需求〞是我們首當其衝要面對的問題，透過大數據可以讓我們更精準的掌握客戶，維繫好關係，在適當的時候就要想辦法喚醒客戶，若讓他變成沉睡用戶 ( S3 )，那麼要喚醒的成本和時間就相對付出的多；所以大數據讓我們〝即時〞掌握現狀，好讓我們更快的做出反應、更適時的決策，進而提升業績。
如果我們是用戶，了解商家是如何透過大數據掌握我們的消費習慣，而我們的隱私是否大量的被濫用，有了這些概念，才能讓自己不被商家隨波逐流；當然，這些如果對我們有利，我們就可以好好的應用，畢境商家對消費者是互利的，雙方都滿意的前提下，這種買賣關係才能夠持久，彼此滿意。
然而，大數據作用很大，能給我們帶來很多好處，但它不是萬能的，也存在很多局限性，一旦迷信大數據不做認真的分析和判斷，往往可能把這種偶然的現象當成規律來處理，這個時候你會投入大量的資源來配置，教訓也就隨之而來了！所以，大數據對我們來說是一個好用的參考輔助工作，但要如何發現規律、找到對的問題，這些仍然需要〝決策者〞去思考和解決的。
系列文章快速連結：
- 《大數據玩行銷》1：小而美的高效行銷
- 《大數據玩行銷》2：要如何提高數據預測的精準度
- 《大數據玩行銷》3：化繁為簡的NES模型和人機分工
- 《大數據玩行銷》4：數據行銷實際應用與應用場景
- [W2] 《大數據玩行銷》撰寫心得總結