AutoML應用案例：4知名企業用DataRobot做預測性分析
根據 MIC產業資訊研究所 的 <2020科技軟體產業10大趨勢> 報導指出，數位轉型浪潮依舊會繼續下去，且一波波科技浪潮也讓企業開始陷入焦慮、陷入數位轉型路徑選擇難題、且很可能因行動僵滯而錯過變革最佳時機。
在上一篇 <究竟台灣企業數位轉型進度在哪？釐清數位優化與數位轉型> 中有提到，我們相信，「RPA流程自動化」、「ML機器學習」這兩項技術，分別能在「作業流程效率」與「企業數據分析能力」做強化，且是最不需要大動干戈、可立即開始，有顯著成效的變革起點。
我們與 RPA流程自動化全球第一品牌【UiPath】以及全球唯一能解決演算法黑盒子議題的自動化機器學習平台【DataRobot】攜手合作，致力帶動台灣企業的數位轉型速度，讓改變的開始變得容易，Get the Ball Rolling 比什麼都還重要。
一、AI人工智慧在零售業的應用，從哪切入效益更高？
過去，我們一談到AI在零售業的應用，最先想到的，大多是面向客戶的應用情境：
- 要怎麼把認知技術用在升級消費者個人化體驗？
- 如何提高購物轉換？
- 如何強化品牌價值與客戶忠誠？
- 如何降低客戶流失等
從Enhance Customer Experience的應用角度切入時，討論焦點便圍繞在像是Chatbot線上聊天機器人、線上相似商品推薦、店面實體機器人、圖像辨識搜索、語音虛擬助理 (e.g. Google Home、Amazon Alexa) 等方面。
也因此，對照AI人工智慧的4種主要能力 (感知、推測、創造、應對)，你會發現在「消費者體驗優化」這段的應用，會以「感知能力」、「應對能力」為主。
打造「極致的客戶體驗」幾乎是現代企業的營運重點，這確實很重要。
但也別忘了，在當代技術採用門檻越來越低的情況下，你做得到，你的對手很快也辦得到。
因此，所謂的「智慧零售」，這條路徑到底該怎麼繼續走？才能在追求跟上腳步的同時，又能在策略上創造必要護城河、打造競爭對手不容易跟進、較穩定持續的競爭優勢？
加上營運面的應用角度、用「預測」能力，完善2020智慧零售策略
AI人工智慧的應用，除了前端消費者體驗優化，也在企業後端的營運效率發揮巨大作用
根據 MIC產業資訊研究所 的 <2020科技軟體產業10大趨勢> 報導，當中提到零售業怎麼利用數據與科技建構出內外部串連、一條龍的智慧零售服務。
除了發展多年的熱點分析、消費數據分析外，現在展店選址、店員安排、新產品市場前測分析、物流配送、庫存管理等營運面，以規劃類型為主的企業決策，也開始利用AI人工智慧的能力，且是以「推測能力Reasoning」為主，也就是大家常講的「預測性分析」。
而在營運面的預測性分析，主要關注兩大面向，以確保能達到企業營運獲利的終極目標。
- 增加效率，以擴展自身提供價值的能力、提高營收
- 風險控制，以降低不必要成本
當AI人工智慧的應用越來越多面向，興起「 平台式」的企業級分析軟體
因為企業內的Use Case不會只有單點：以消費者體驗優化為核心、底層的營運效率也不能忽略。
當有多個應用面向，且需交互考量，當各面向的數據量爆炸性增長時，怎麼完全利用大量數據的隱藏價值、怎麼做到多個專案同時進行、產出又快又高品質的預測分析？
頂尖企業除了持續培養人才外，更善於利用外部資源、尋找合作夥伴，而非選擇閉門造車、因為打造一輛戰車沒必要從輪子開始打造，去嘗試證明什麼。車子能不能上戰場才是關鍵。
Be Resourceful and Open-minded 的心態在當代說變就變的商業環境更顯重要。
二、DataRobot 可以做哪些預測？解析日本、歐洲、南美共4個經典案例
不只在零售業，在各產業都會有「預測」的需求，而 DataRobot 自動化機器學習預測平台，也確實在零售、高科技、醫療、金融、保險、運輸製造業，皆取得全球指標性客戶的認可。
以下分享3家零售商：Kroger、FamilyMart、Carrefour 及 高科技業的 Lenovo 在營運面的預測應用實例：
案例 ❶：全球第二大生鮮零售商Kroger，用DataRobot做到面對6千萬家庭用戶數的客製化優惠券設計
在零售業，極度重視客戶關係，而行銷團隊努力的至高目標一直都是「在對的時間點、給對的人、對的資訊」，而支撐這三個「對」需要下的苦工是：精準的客戶區隔、客戶吸收資訊與採取行動的行為模式、隨著時間推移而變動的消費偏好。
該客戶利用DataRobot分析6千萬家庭客戶的資料，包含30億筆購物籃關聯資料，產出每年10億次的客製化促銷。
他們目前共有200位員工經過 DataRobot 的培訓認證。
內部一個叫做Enable the Science的團隊負責人Scott Crawford 表示
Automated machine learning lets Kroger cut through process and expands the scope of ROI projects we can take on, and model development has been revolutionized. Today, we make DataRobot available to all of our data scientists.
以下是Brandon Greenwell，他是知名 R package, Partial Dependence Plots (pdp) 的作者，同時也是 Kroger 的資料科學家，談DataRobot如何加速他們團隊建模過程、怎麼提高上線效率外，也提到最重要的 Model Interpretability
「如果你無法解釋為什麼」這個模型是最適合用來做預測的話，決策者如何確信這個 model 可以支持他做出比較正確的決策？決策者如何知道他的判斷依據(Features)有哪些？What’s the point of being able to fit these models if you can’t interpret them and explain their output to your stakeholders？
案例 ❷：日本 FamilyMart 用 DataRobot 評估跟預測最適合展店的地點
你知道嗎？萬一選錯開店地點，一家績效不佳的門市關店再重整需花費70萬美金！這是日本的全家FamilyMart 過去只用簡單的 Linear regression 來評估展店得到的寶貴數字。
影響展店績效的可能變數有很多，外部變數例如：市場環境的商圈人口數、主年齡層、區域所得水準、消費熱點、競爭狀態等 ; 內部變數例如：商店的賣場面積、店長經歷等，透過機器學習的方式，才能發展出「展店關鍵成功因素的預測模型」，進一步推估來客數或客單價、推算出潛在的營業額。
案例 ❸：法商家樂福用DataRobot加速驗證創新想法
根據Juniper Research公司的一項研究，全球零售業花在AI的支出，將由2018年的20億美元增至2022年的73億美元。
連家樂福集團(Carrefour Group) 也求助AI來預測需求，這個佈局全球30多個國家，超過12,200家門市的法國連鎖超市集團，在2018年宣布在未來4年(2022年止)，將投資28億歐元在數位通路，作為轉型計畫的一部分，並預計2022年將囊括50億歐元銷售額，相當於法國食物網購市佔率20%。
家樂福法國總部希望成為「科技賣場」、成為「傳統連鎖超市的轉型領導者」，有了這個遠大目標後，他們知道，實現目標的手段必須不一樣。家樂福必須更新商業模式，包括簡化組織、積極展開外部合作、提高營運效率、研發新鮮有機的食物等。
家樂福法國總部除了在2018年宣布與Google合作、共同打造創新的消費體驗外，也透過 DataRobot 加速其跨10國家團隊的Data Analysis Cycle。
Testing lots of different hypotheses quickly
在過去，⼀天只能去驗證一個假設；現在，每天可測試5-10個新點⼦。
例如：在面對如何擴展與消費者接觸管道的決定時，就會有以下最基本的3個問題、延伸會產生很多假設需要被驗證
- 我們應該如何增加銷售據點？
- 我們應該在哪裡建立新的銷售點？
- 如果我們在某個地方開店，能達到多少營收？
在家樂福，主要使用DataRobot平台的人員，是隸屬在 Data and Innovation這個團隊，團隊負責人Julien Boulenger 本身對整個資料處理的過程是了解的，但還稱不上是Machine Learning 專家。
所以他們跟 DataRobot的CFD (Customer-Facing Data Scientist)緊密合作，延伸團隊戰力，同時也積極完成 DataRobot University 上的課程。
團隊負責人認為，DataRobot 帶來最大的影響是，提高橫跨3大洲、10國家的團隊工作效率，讓他們可以更快做出更有把握的決定。
We’ve achieved great result with prediction accuracy so far. We already have results that are accurate enough to use in a daily decision-making.
And we are optimistic that we can keep getting more accurate with predictions by integrating new data sources.
案例 ❹：聯想集團Lenovo在巴西的營運部，用DataRobot 每週精準預測前10大零售通路的賣出量，改善供需平衡，當年度銷量直接躍升巴西消費性筆電市場的第一名
位在巴西的Lenovo營運部，主要負責南美洲這個新興市場，管理巴西及整個南美市場的銷售與生產狀況。
團隊每週最重要的事，就是預估巴西所有經銷商會賣出的量，把上千台筆電或電腦產品，做更有效率的配貨，期待做到生產與銷售平衡，以避免庫存過多而有不必要的促銷壓低利潤、或是庫存過少而錯過原本可以入袋的營收。
他們最想知道，影響經銷商銷貨量的最關鍵因素有哪些？哪些變因是最值得關注的？他們約有59個變因，像是平均產品售價、賣出返現時長(sellout rebate period)、媒體活動、與競爭對手的價差等因素，所有變因的組合都會影響一家經銷商的銷貨量。
巴西營運團隊的負責人明白，
Sell-out Volume 預估如果做得比較精確，影響的層面不是只有目標營收的確保，而是整個供應鏈網絡的營運效率、以及行銷資源的有效分配。
最大困境：需要每週針對前10大零售通路，進行賣出量預估，但只有2個資料科學家
由於Sell-out Volume 預估是每週都要做的事情，Lenovo巴西團隊，需要的不只是「精準」預測，還要「快速」預測。
但問題是，在巴西的營運團隊只有2個資料科學家，而他們每週任務目標卻遠遠高過他們實際能做到的：每週針對前10大零售通路，進行賣出量預估。
因為這兩位資料科學家光是針對一家經銷通路的賣量預測，就要寫 1,500 行 的 R code ，更別說要「每週」做「10家」經銷通路商的賣量預測了。
團隊負責人Rodrigo 知道如果要解決這個困境，他有兩種選擇，一是找更多資料科學家、二是要開始尋找外部資源、借力使力。
而Rodrigo選擇後者，因為他知道找到一個資料科學家並不是一件容易的事，且上崗位後，還有各種「人」的變因存在，不能馬上解決每天急需被解決的問題。
建模從4週縮短到2天、模型上線從2天到5分鐘、預測正確率從低於80%提高到90%
選擇與DataRobot合作後，確實大幅度提升資料科學團隊的生產力、賣量預測的精準度，也提升整體營運團隊，依靠數據決策、行動的信心。
在短短幾個月內，有能力直接使用 DataRobot 平台的團隊成員，從原本的2位資料科學家增加到10位Business User，並透過API串接前端應用平台、淺顯易懂的操作介面也讓超過20位內部團隊成員間接受益，這包含了業務、行銷、庫存管理同仁。
這些業務、行銷、庫存管理的同仁，他們可以直接在一個網頁上（web simulator linked directly to DataRobot），調整不同的變因，即時模擬不同的情況下，會有多少銷量預測，這完全加速後續的一連串決策行動、跨團隊的協調溝通！
By using the DataRobot automated machine learning platform, most of the Lenovo Brazil team’s process for predicting sell-out volume remained unchanged; it just happened a lot faster, with more accurate outputs!
預測模型「可被解釋」的特性，讓BD負責人能更容易去影響相關利益者，願意配合採取行動
對於整個營運團隊的負責人Rodrigo來說，透過 DataRobot 內的 Feature Impact 和 Feature Effect，他能夠很快了解將近60個參數的關聯性和影響力，並可以很透明、很容易的跟其他部門團隊、高層主管、以及最重要的通路合作夥伴(經銷商) 解釋為什麼要多做什麼事、或少做什麼事，才能夠達到銷售目標。
The biggest impact DataRobot has had on Lenovo is that decisions are now made in a more proactive and precise way. We have discussions about what actions to take based on variables, and we can compare predictions with what really happened to keep refining our machine learning process and overall business knowledge. – Rodrigo Bertin, Senior Business Development Manager
展望未來：內部舉辦Workshop讓更多Non-Data Scientists的商務專家加入討論，用「單一平台」發展更多預測專案
其他預測專案像是：
- 幫助 Internal Sales Call Center 更快辨別哪一個Call最有機會成交，以便讓Inside Sales 可更好安排每通電話的時間分配與溝通深度。
- 廠商付款條件的優化(Credit Policy)，把合作經銷商過去的付款紀錄去建模，去預測延遲付款或倒帳風險，讓財務部門可以去制定不同的付款條件跟政策，降低財務風險、提高現金流的運作效率。
►看完整的案例報導 Lenovo Computes Supply Chain and Retail Success with DataRobot
► 90秒看完 DataRobot 是怎麼運作的！
還想知道其他產業的應用案例嗎？
三、關於DataRobot
被 Forrester 評為Auto ML解決方案的「Leader」，也被 Gartner 評為「Visionary 」
The company leverages its experience in the market to quickly evolve the product to set the standard of what it means to be an enterprise AutoML solution. – The Forrester New Wave™: Automation-Focused Machine Learning Solutions, Q2 2019.
來自美國波士頓的DataRobot ，從2012年成立以來就高速增長，目前在5大洲、橫跨23個國家共有39個辦公據點，亞太地區包含：日本、南韓、香港、印度、印尼、新加坡、以色列、澳洲。
截至目前，DataRobot 已被全球財富500強企業大量採用，包含全球最大零售商、全球最大汽車製造商、美國前3大銀行、保險公司、能源公司、醫療機構。
其他知名組織像是Mitsubishi Heavy Industries日本三菱重工業、Nippon Steel日本製鐵、Panasonic、Airbnb、United Airlines美國聯合航空、甚至連NBA費城籃球隊Philadelphia 76ers也都是DataRobot的客戶。截至目前，所有DataRobot的客戶，在平台上所建立的模型數量加總已超過15億個。
而最讓DataRobot與市面上其他AutoML解決方案更不一樣的地方在於：
不只是個企業級軟體平台，還是一個有能力協助合作企業，在智識、格局上都升等的AI策略夥伴（Trusted AI-Native Stratigic Partner)
DataRobot「AI-Native 策略夥伴」不是講好聽的，而是需要實際作為、資源投入來做支持的，像是：
- 核心團隊成員有堅實的Data Science背景且已被市場驗證過：Top Kagglers like Sergey Yurgenson (former 1st) and Xavier Conort (former 1st)
- 已與25家真正實踐Data-Driven的企業建立策略合作關係：像是Hadoop、HortonWorks、AWS、Google Cloud、Intel、Tableau、UiPath等
- 幫助組織成員建立基礎ML知識、建立團隊共同認知的培訓課程 DataRobot University：分別針對Data Analysts、Data Scientists、Executives 甚至提供給大學教授教學使用 (另見Academic Support Program），讓組織團隊在溝通時，能提出有實質意義、有挑戰性的問題或建議。
- 就是要確保客戶能獲得巨大成果的AI 成功計畫 AI Success Plan：在這個計畫中，除了軟體平台外，最重要的就是來自DataRobot的客戶成功團隊了，角色包含：
- Customer-Facing Data Scientist
- AI Success Manager
- Use Case Engineers
- Platform Delivery Engineers
- Account Executives
- Front Line support
總的來說，DataRobot 的 AI Success 客戶成功團隊在公司內的角色，就像是辦公室外延伸的即戰力員工、全球應用案例的資訊情報員。
最終在密切合作過程中，也讓既有團隊的能力同步升級，這就是我們所謂的「在智識、格局上都能協助企業升等的AI策略夥伴（Trusted AI-Native Stratigic Partner）」
想深入了解DataRobot的實際運作？
歡迎直接預約一場Demo會議！
關於DataRobot
「Auto ML」軟體品類的原創者，也是當今自動化機器學習解決方案的全球領導廠商
DataRobot 秉持的信念：要讓所有大小規模的企業體認到，企業內既有的Business Analyst或資料處理團隊，也能利用機器學習的技術去解決更複雜的商業問題，只要提供對的工具與訓練即可，而不一定要找到所謂的data engineers、 data scientists、application developers 才能開始建立 In-house AI model 去解決商業問題。
DataRobot 創辦人的解決方式：把全球最頂尖資料科學家的經驗、建模流程濃縮在一個軟體平台上，把建模跟上線流程中最煩雜的10個步驟自動化處理。
.png)
