【113級智財組陳廷瑜撰稿】
114年04月15日的「市場與創新科技預測」課程中，我們有幸邀請到三位學長，分別是台北大學商學院數位行銷學位學程蔡家昌老師、淡江大學管理科學學系吳健鑫老師以及品昕數位股份有限公司林大為執行長，為同學介紹不同種類的分析與預測法。
首先是蔡老師以「大數據分析與預測」為主題的分享。蔡老師先以台灣大車隊為例，說明在計程車行業中有收入50萬的司機也有收入200萬的司機，兩者的差距在於後者主動利用派遣系統搜集客戶上車時間、地點，並先到地點休息等待，所以跑車時間較短。這點正好符合台灣大車隊所擁有的資料：時間載客率低但每車每天空車時間高。發現這個問題後，車隊選擇建構一套以大數據預測乘客位置並引導司機前往熱點的系統，在處理空車問題的同時也解決客人等待許久的困擾，三方皆能因此受惠。另一個問題是司機由於缺乏信用紀錄，在無法尋求正規金融服務的困境下僅能選擇高利貸。對此，台灣大車隊從需求出發創造出「香蕉分」機制，縱使司機和車隊之間並非僱傭關係，雙方仍舊能以跳表數據作為上下班的推定，並以此種數據作為周轉服務的審核基準。最後，蔡老師表示在數據取得相對容易的當今，我們對於數據應用的關注應從「因果關係」轉變為「相關性分析」，在進行數據檢索前應先設定目標再進行搜尋，才能真正利用大數據解決問題。
吳老師則是實機演示AI工具的應用。吳老師表示傳統的資料取得多需要使用者自行瀏覽官網並在茫茫子標籤中找到契合的文件，並以IRENA的Renewable Capacity Statistics資料輸出展示繁瑣的操作流程。此種問題在自動化軟體的協助下便能很好的解決，即便我們缺乏撰寫程式碼的技巧，在生成式AI成為趨勢的時代，我們可以透過此類工具的運用補足不足之處。吳老師並以ChatGPT和GROK演示股價查詢和分析，向同學呈現引入此種工具後所帶來的便捷。但是，即便AI工具看似如此方便，吳老師還是提醒我們「不要過度相信所生成的內容」，AI產出的結果只是可供參考的方向，我們雖然能透過AI提升學習速度，但正確性還是仰賴於專業知識的判斷。
最後，甫畢業的林執行長以「從數據開始：網路爬蟲如何幫助預測創新市場分析」為題總結前二位講者的觀點。林執行長以先前在醫美產業的創業和板材公司的工作經驗為例，說明了解產業本質的重要性。例如診所的本質就是做方圓10公里內的線下生意，而如果是醫美，那在選擇廣告投放平台時應優先考量年齡層為35~45歲的臉書，而非需求導向的Google Search或話題導向的Dcard。林執行長表示「創業就是一個不斷探索價值的過程」，而價值也正是市場預測的核心。模型只是一種工具，預測也不過是從「假設」到「驗證」的動態過程。故應先從「財務模型」為基準獲悉價值所在後，復以爬蟲作為協助驗證的工具。在介紹爬蟲之前，林執行長先向我們介紹API的中介概念，並以餐廳服務生類比，說明爬蟲所取得的資訊類似於沒有經過服務生整理的原始資料。林執行長接續說明爬蟲工具在To C端和To B端的應用，並呼應Bass Diffusion Model和實質選擇權法，告訴我們爬蟲真正的價值在於把「不確定性」變成可量化的數據。最後，林執行長以AI席捲世界的現況作結，向學弟妹們說明其選擇進入何種產業背後的理由，以及他作為創業家的際遇與觀察。
這堂課讓我們對分析與預測法有了更廣泛的認識，感謝三位學長結合案例和學理的分享，為我們帶來所屬領域不同但核心得以共鳴的精彩演說。也感謝吳豐祥老師用心的課程安排，相信本次講座能為同學將來的研究提供不少幫助。
首先是蔡老師以「大數據分析與預測」為主題的分享。蔡老師先以台灣大車隊為例，說明在計程車行業中有收入50萬的司機也有收入200萬的司機，兩者的差距在於後者主動利用派遣系統搜集客戶上車時間、地點，並先到地點休息等待，所以跑車時間較短。這點正好符合台灣大車隊所擁有的資料：時間載客率低但每車每天空車時間高。發現這個問題後，車隊選擇建構一套以大數據預測乘客位置並引導司機前往熱點的系統，在處理空車問題的同時也解決客人等待許久的困擾，三方皆能因此受惠。另一個問題是司機由於缺乏信用紀錄，在無法尋求正規金融服務的困境下僅能選擇高利貸。對此，台灣大車隊從需求出發創造出「香蕉分」機制，縱使司機和車隊之間並非僱傭關係，雙方仍舊能以跳表數據作為上下班的推定，並以此種數據作為周轉服務的審核基準。最後，蔡老師表示在數據取得相對容易的當今，我們對於數據應用的關注應從「因果關係」轉變為「相關性分析」，在進行數據檢索前應先設定目標再進行搜尋，才能真正利用大數據解決問題。
吳老師則是實機演示AI工具的應用。吳老師表示傳統的資料取得多需要使用者自行瀏覽官網並在茫茫子標籤中找到契合的文件，並以IRENA的Renewable Capacity Statistics資料輸出展示繁瑣的操作流程。此種問題在自動化軟體的協助下便能很好的解決，即便我們缺乏撰寫程式碼的技巧，在生成式AI成為趨勢的時代，我們可以透過此類工具的運用補足不足之處。吳老師並以ChatGPT和GROK演示股價查詢和分析，向同學呈現引入此種工具後所帶來的便捷。但是，即便AI工具看似如此方便，吳老師還是提醒我們「不要過度相信所生成的內容」，AI產出的結果只是可供參考的方向，我們雖然能透過AI提升學習速度，但正確性還是仰賴於專業知識的判斷。
最後，甫畢業的林執行長以「從數據開始：網路爬蟲如何幫助預測創新市場分析」為題總結前二位講者的觀點。林執行長以先前在醫美產業的創業和板材公司的工作經驗為例，說明了解產業本質的重要性。例如診所的本質就是做方圓10公里內的線下生意，而如果是醫美，那在選擇廣告投放平台時應優先考量年齡層為35~45歲的臉書，而非需求導向的Google Search或話題導向的Dcard。林執行長表示「創業就是一個不斷探索價值的過程」，而價值也正是市場預測的核心。模型只是一種工具，預測也不過是從「假設」到「驗證」的動態過程。故應先從「財務模型」為基準獲悉價值所在後，復以爬蟲作為協助驗證的工具。在介紹爬蟲之前，林執行長先向我們介紹API的中介概念，並以餐廳服務生類比，說明爬蟲所取得的資訊類似於沒有經過服務生整理的原始資料。林執行長接續說明爬蟲工具在To C端和To B端的應用，並呼應Bass Diffusion Model和實質選擇權法，告訴我們爬蟲真正的價值在於把「不確定性」變成可量化的數據。最後，林執行長以AI席捲世界的現況作結，向學弟妹們說明其選擇進入何種產業背後的理由，以及他作為創業家的際遇與觀察。
這堂課讓我們對分析與預測法有了更廣泛的認識，感謝三位學長結合案例和學理的分享，為我們帶來所屬領域不同但核心得以共鳴的精彩演說。也感謝吳豐祥老師用心的課程安排，相信本次講座能為同學將來的研究提供不少幫助。
