疫後新常態：線下線上數據的整合應用

講者：陳志祥 Sean Chen｜創辦人暨執行長 @ 聚典資訊(Ret[AI]ling Data)

活動主辦單位： Taiwan Data Science Meetup 台灣資料科學社群

Agenda：

一、講者介紹 (Introduction)

二、公司介紹以及技術優勢 (Company and Technical Advantages)

三、產品 (Data Solution)

四、實際案例 (Case Study)

五、活動與獎項 (Activities and Awards)

六、Q&A

一、講者介紹 (Introduction)

講者: 陳志祥 Sean Chen

Sean 現為 Ret[AI]ling Data 聚典資訊創辦人暨執行長，目前亦任教國立中央大學MBA，多次發表數據方法研究，登上 Quality & Quantity: International Journal of Methodology 期刊。之前曾為多家亞洲區連鎖品牌發展以及智能商業場域顧問，專長在數據科學應用在行銷零售OMO數據整合方案，曾榮獲美國《Retail CIO Outlook》報導亞太區前10最佳零售AI、英國《BestStartup.asia》AI 領域評為台灣最佳新創之一，以 電腦視覺 和 推薦演算法 真正落實在 行銷零售業 領域，致力演算適應性、數據賦能化、AI產業化，加速亞洲數位轉型。

此次講座將更鉅細靡遺地介紹，團隊如何在零售業上做數據上的整合，幫助公司、品牌、場域方在業務上的強化；另外也將揭露內部數據團隊工作以及數據驅動的文化。

二、公司介紹以及技術優勢 (Company and Technical Advantages)

Ret[AI]ling Data 專注於為 零售商 提供 人工智能 和 數據科學解決方案 ，幫助他們進行數位轉型。 團隊成立於 2019 年，專注於人工智能應用，利用圖像識別收集消費者數據，使與客戶的實時交互成為可能，從而獲得更好的使用者體驗。 此外，團隊使用 數據分析 和 機器學習 ，從海量數據中挖掘商業 insight，為企業製定決策和行銷策略。 作為人工智能與零售業之間的橋樑，致力於為零售商解決問題。

公司的技術優勢

• 數據科學
  團隊的數據科學團隊分工明確，有來自各國的數據科學家、機器學習工程師、數據分析師、商業分析師、數據工程師等，研究領域也遍布自然語言處理、電腦視覺、數據視覺化等。藉由數據科學去解決消費者、用戶商業上面臨的挑戰。
• 影像辨識
  利用深度學習準確判斷客戶特徵，提升客戶體驗，實現個人化推薦。 另外，透過 Smart Movement Flow，即使用識別系統來捕捉行人、交通流量以及熱點檢測，進而通過數據分析尋找更多適用於零售領域的可能性。
• **精準行銷
  ** 收集多方數據並使用 ML 來預測收入、客戶流量和其他整體績效，以使決策者能夠更好地執行行銷策劃和廣告推廣。 同時，透過推薦系統，行銷人員推薦合適的產品，提高轉化率，尋找消費模式，實現個人化精準行銷。

Ret[AI]ling Data 4 Advantages of Data Solution

Ret[AI]ling Data 4 Advantages of Data Solution

1. OpenCV + AIoT
   藉由 AIoT 以及電腦視覺可以收集線下數據，幫助決策改善。
2. First-party + Third-party Data
   線上、線下數據整合(OMO)保持消費體驗的一致性，達到提升消費者體驗的目的。
3. Tracking user footprint across channels
   透過實體足跡、數位足跡去從不同渠道辨識使用者，從而達到後續分析、模型的應用。
4. Capabilities of Customization
   客製化客戶方的需求，團隊採用 Agile 迅速迭代以及溝通，來滿足客戶的需求。

三、產品 (Data Solution)

產品: SSP & FirstCDP

產品

• SSP
• FirstCDP

SSP (Smart Sales Promotion)

SSP

產品簡介 (SSP)

結合人臉識別技術和廣告宣傳，通過上方的前置鏡頭，利用深度學習和影像識別，實時分析客戶的面部特徵（年齡、性別、情緒等）。 再使用 AI 和 ML 預測客戶購物偏好，並根據客戶需求精確展示廣告。 人性化的界面和有趣的交互設計增加了客戶的使用意願。

產品功能 (SSP)

SSP 功能

1. 智能推薦 (AI Recommendation)
   提供輪播展示廣告、產品，搭配影像辨識提取消費者特徵 (年齡、性別等)，展示出個人化的推薦，有助於消費者體驗的提升，達到線下精準行銷的目的。
2. Information Provider
   觸控面板提供商家資訊給消費者，整合產品信息、品牌推薦、路線引導、折扣等，實現一站式服務。
3. 會員分析 (Membership Analysis)
   根據歷史交易，挖掘相似年齡、性別的成員進行 交叉行銷 的潛在興趣。

臉部辨識技術

臉部辨識技術

1. Facial Recognition
   使用深度學習，可以即時識別用戶的性別、年齡、情緒和其他特徵準確率達 95%。
2. Data Process
   輕量級模型只有 3MB，因此模型可以達到實時運行，與後端資料庫比對消費者特徵和身份。
3. Portion feature recognition
   識別各種面部特徵，包括眼睛、鼻子、嘴巴、髮型等，並將其轉換為數據，以確保準確性和去識別化。

競爭優勢 (SSP)

與傳統輪播廣告相比之競爭優勢

與傳統的輪播廣告相比，透過 AI 實現差異化的廣告推薦，將過往只有線上會出現的個人化廣告推薦帶到線下，營造更好地的消費者體驗，提升客戶品牌力。

資料追蹤與儲存

數據追蹤與儲存

• SSP 在獲得消費者同意後追蹤用戶訊息並取得消費者特徵，完整收集數位足跡用於後續的分析以及應用。
• 比如說，可以去分析消費者在不買跳出的情況下，在哪一個頁面跳出，是否在哪部份有猶豫不決，這樣的資訊對於品牌找出消費者痛點有顯著的幫助。

FirstCDP (Customer Data Platform)

FirstCDP

產品簡介 (FirstCDP)

在一站式服務中合併多個不同來源的數據。 透過數據可視化和互動平台，使用 AI 演算法和其他分析方法找出商業價值、關鍵指標和預測。

產品功能 (FirstCDP)

多渠道整合 & AI/ML 分析

AI Custering and labeling & Single Customer Profile

• 多渠道整合
  通過 API 和嵌入式科技，將消費者的線上行為數據與線下會員和 POS 消費數據進行整合，最終將數據整合在儀表板(dashboard)上，讓行銷人員掌握運營、產品、會員、店舖等重要關鍵指標，快速做出人員和資源再分配等運營決策。
• AI / ML 分析
  透過行銷漏斗以及 Customer Journey 分析，整合歷史數據、客戶行為、時間序列等數據； 使用機器學習和深度學習技術與行銷專業知識相結合，為品牌構建最合適的模型和應用程式，通過自動化工程，達到最佳的效果。
• AI Clustering and labeling
  從大量數據中分析消費者行為模式，利用 AI 算法將其轉化為不同的客戶價值標籤，幫助策劃差異化行銷。 捕捉品牌與客戶的線上線下接觸點，利用行為特徵進行 AI 自動標註，讓行銷人員輕鬆掌握消費者的足跡並有效利用。
• Single Customer Profile
  單一客戶的基本信息、消費記錄、行為指標都清晰的顯示在儀表板上，讓行銷人員快速掌握消費者的足跡和概況。 適用於注重會員管理的品牌，從而提升客戶體驗，實現 VIP 個人化行銷。

四、實際案例 (Case Study)

SSP & FirstCDP case study

Case Study 1: SSP
與 BEYOND 合作，於 Shopping mall 中透過 臉部辨識 獲取消費者特徵幫助得到更好地推薦，以及互動式面板提供豐富、契合資訊。機器也與後端串接，幫助行銷人員更有效地捕捉消費者輪廓去進行進一步的行銷策略、品牌活動。

Case Study 2: FirstCDP
透過收集的資訊，進行 會員分析 ，去獲取各渠道的活躍度、顧客價值、行銷刺激、消費者分群、價格敏感度等資訊幫助決策；另外透過深度學習建立的 個人化推薦系統 來推薦使用者最有可能購買的商品來提升獲利。

五、活動與獎項 (Activities and Awards)

聚典資訊於國際展覽、獎項上的斬獲

六、Q&A

Q1：請問如何辨別是會員，還是只是一個路過的路人？是品牌方有提供相片嗎？

• 有一個登入功能，用戶可以用手機登入，或者是一個臉部辨識(同意的情況)。

Q2：請問這些使用者的 tracking 的紀錄，後端的 server 是自己架構還是會輔助 google analysis 呢?

• 目前是採用自己的 server 端，如果越偏向 OMO，也會用 GA、GA4 的方式。目前是用後端，未來可能會整合在一起(web、app、pos、CRM)。

Q3：請問現在已經整合完了嗎?還是哪裏有斷層，可能造成行銷漏斗的缺漏？

• 目前的話，是要個別客戶整合，因為客戶的數位程度不一，我們會輔助前客戶將線上、線下進行全部整合。

Q4：請問如何評估導入貴公司系統前、後的 impact？與客戶合作的模式，有哪些選項？像是引入有哪些階段、財務上怎麼收費？

• 目前品牌方是 PoC 的階段，先試點試行，由數據 PM 先去接洽以及分享一些案例。再來，我們是用小專案的方式，比如說一個月完成3個，去跟客戶衡量是否達成成效，才進一步大規模採用。
• 這個產業比較重視建置費、月租費的方式，CDP/SSP 都會產生dashboard，然後透過數據科學家、分析師解讀數據給予建議。

Q5：請問 labeling 是人為定義標籤嗎？如何恆量標籤的準度，會不會有時效性的問題？

• 數據工程師、數據科學家先用 domain knowledge 進行設定上的貼標，在AI 輔助下貼標。會用 AB testing 去測試，有做這件事情是否有幫助，那麼才來真正進行。進一步呢，時效性是需要跟客戶討論 campaign 的過程，因為消費者的消費是需要刺激的，所以不斷會有新的 campaign，會有新的貼標，大概一兩週，會跟客戶溝通，另外有時候會有外部因素，如Facebook、IG 換演算法，可能會針對去處理。

Q6：請問現在有許多不同專案 2C 客戶的數據，是不是會有整合來進行分析、發想？

• 應該是看客戶的需求，但因為 NDA 的情況，我們會提供建議，但不能私下使用，另外因為我們是訂閱制，所以是希望讓客戶的預期成效達到最大，目前沒有 2C 的業務。

Q7：請問 SSP 在實務導入上，如何吸引更多客戶使用，進而成為接觸點，看起來SSP並非是必要的接觸點，可能不是消費者會使用的消費過程？

• 首先，我們有 UI/UX 團隊，會設計有趣好玩的外觀，場域方、品牌方可能會有數位分身在旁邊，通常會用遊戲、IG 打卡的方式來吸引客戶，讓有趣性來讓消費者吸引第一次的使用。
• 另外也會有 Salses promotion 幫助，會有一些折扣、小禮物的出現，後面會帶到一些 AR、VR的結合，目前運行過的專案、委託，客戶覺得有趣性上是非常重要的，對比手機消費上，客戶希望增加有趣性來提升互動性。

Q8：請問貴公司數據團隊不同職位應徵時的著重點？

• 我們從工程來講，從機器學習工程師(MLE)來講，比較重 API 的串接。數據工程師 (DE) 比較著重在 ETL 把數據整理彙整。接下來，數據科學家 (DS) 將數據來看相關性、發展性，透過演算法來解析、建模，其中可能會去除包括數據清洗、建模。接下來，數據分析師 (DA)，著重在特徵上上，完成動態指標、貼標，透過報表視覺化。接著就是商業分析師 (BA)，BA 就需要深入淺出的溝通能力，需要將洞見有故事性、視覺化的呈現給客戶，使客戶能夠輕鬆理解。接著是數據產品經理(PM)，非常難找，不過我們公司內部有培訓的機制。在可展望的未來，數據科學非常重要，其他的職位也是非常重要。

筆手： Aaron Yang
校稿：陳志祥 Sean Chen

👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！

圖片全部取自聚典資訊(Ret[AI]ling Data)。