[社群] Data science meetup – 電信大數據 & 量子機器學習

Hits: 271

今天來參與data science meetup舉辦的講座，邀請到中華電信研究院的官俊安與書亞集成的曾義豐，分享電信業的大數據工作與量子電腦的機器學習，以下是今天的大綱

Agenda:
6:40-7:00 Check in
7:00-7:40 官俊安 @ 中華電信
7:40-8:20 曾義峰 @ 書亞集成
8:20-8:30 Break
8:30-9:00 Panel

官俊安: 電信大數據之分析實務

• 主修統計
• 資料：手機、wifi、通信、MOD
• 足跡 = 商品購買的先行信號(AISAS)
  • Attention
  • Invest
  • Search
  • Action
  • Share
• 客戶的數位化象包含下列資料：人口屬性、內容偏好、消費模式、廣告取向、行為模式、商品偏好

應用情境

• 商圈規劃&活動經營()
• 展店選址
• 交通&旅遊分析
• 客戶經營
• 客戶開發

案例: 2019年屏東燈會人數估算

應用類型

• 精準行銷(最大宗，也是今天的主題)
• 精準建設
• 品質分析
• 人資/採購

電信業的生命週期: 新客戶 -> 經營 -> 鞏固 -> 贏回流失客戶

重點是鞏固與贏回流失客戶

• 描述型分析

  發生了什麼

• 診斷型分析

  為什麼發生

• 預測型分析(客戶流失預測模型)

  未來會不會發生

• 指示型分析(客戶挽留預測模型)

  如何讓它發生

事前模型 -> 事中分析 -> 事後模型優化

• 事前模型

• 事中分析

  輿情分析

• 事後模型優化

流失預測模型的思考與設計

• 需要分群建模嗎？
  • 分層抽樣 vs 簡單隨機抽樣(以路克106年消費額預測為例，分藍綠執政縣市vs簡單隨機抽樣的抽樣方法，效果就會不一樣)
• 資料品質？

預測變數的發展作法

• 經驗法則
• 因果關係推論
• 統計方法，探討x與y的關係

演算法的實務作法

• 黑貓白貓，解釋力高的就是好貓
  • 預測力
  • 解釋力
  • 效率

流失預測模型的效果衡量作法

• Y具有稀少事件的特性
• 不看accurancy
• 混淆矩陣
• 重視precision rate, recall rate, lift value

如何擴大訊源(增加資料來源)

• 藉由’少量受話、大量發話’的特性，比對whos call的電話，找出同業的行銷電話，再反推出被同業行銷電話打過的客戶，來增加資料量，增進流失模型的預測
• SNA(Social Network)的影響(類似出軌後的假後道相報)
• 納入寬頻上網，得到更多的數位足跡，擴充資料量

重要事件的組合

• 打電話去中華電信問NP流程 -> 詢問NP的費用說明 -> 收到同業的推銷訊息 ==> 非常容易客戶流失

老闆總愛問能不能更準

• IEEE: lift達3.5倍已很不錯，中華電信已約10倍
• Verizon主管：lift約5倍
• 邊際效益

曾義峰 @ 書亞集成

量子電腦的基本原理
雙縫實驗(double slit experiment): 擊發單獨電子通過雙縫時，在途中會發現通過雙縫後在某個距離中，可以觀察到電子變成多個，但是最後又是只有一個，這個就像是幽靈般的存在(波爾)，但是愛因斯坦說胡扯。

硬幣翻轉
人與電腦比賽猜硬幣的正反面，雙方的勝率大約都是50%，但如果是與量子電腦比賽，電腦的勝率會是95%以上