挖掘消費者跨螢足跡背後的祕密

作者:Fabrizio Caruso / Appier營收長

 

 

 

 

 

 

 

 

在 70、80 年代,想要觸及消費者是比較容易的,因為那是屬於「大眾行銷」的時代。不過現在消費者的注意力相較於以往更為分散 — 他們使用各種螢幕,購買決策過程也變得更複雜。

精明的消費者每天會在兩個以上的螢幕花費大量時間。我們發現,全球與亞洲消費者的裝置持有率皆持續增長;目前,亞洲地區半數以上 (51%) 消費者擁有兩台裝置,而超過 1/4 (26%) 的消費者更是使用四台以上的裝置。

這表示行銷人員必須採取有別以往的策略,才能在最佳時機觸及消費者,進而順利驅動消費者的購買動機,而這就是所謂的消費者接觸點。

過去,這類接觸點可能發生在家用電視上的廣告,或是報刊媒體。雖然這類管道對於行銷人員來說較為簡易,但行銷操作的選項也較為有限。裝置的成長增加了複雜性,但也確實為行銷人員開啟了新機會,可透過不同的接觸點來影響消費者的購買決策。

跨螢幕追蹤的困難之處

現今,為了有效觸及消費者,所有螢幕上的行銷活動都必須獲得最佳化。但是,行銷人員必須克服兩項挑戰:

  1. 瞭解相同消費者對於多種裝置的持有率,以便從「裝置導向」轉為「消費者導向」的行銷策略。
  2. 掌握消費者偏好的通路和接觸點,掌握其購買決策模式。這可能發生於購買階段、在此之前猶豫是否購買的期間,或於消費進行調查和評估的過程中。

行銷人員也必需釐清以下問題:

  1. 裝置之間的使用的重疊程度如何?
  2. 如何以正確的投放頻率達成適量的互動,進而刺激消費者對品牌採取行動?
  3. 如何避免「過度行銷」,亦即浪費成本或減低消費者喜好度?
  4. 哪些裝置最有利於提高上層行銷漏斗的曝光率?哪些又最適合用來驅動消費者採取直接行動?

人工智慧 (AI) 技術可提供的洞察資訊包括使用者數量、使用者在哪些螢幕上觀看組織廣告,以及跨螢幕轉換路徑等。這些洞察資訊有助於掌握每個螢幕在客戶歷程中發揮的功用,而不僅是用於點擊廣告的最後一個螢幕。

如此有利於行銷人員針對每個螢幕來實現最佳化的品牌資產,達成更高的投資報酬率,無論是點擊率、互動率或轉換率。

提升消費者線上訂單

全球零售業者家樂福當初進軍線上通路的目的,在於透過網路商店吸引更多潛在消費者。該公司的行銷團隊希望提高品牌認知度,提升線上購買量,並達成最佳化的每次行動成本 (CPA)。

運用 Appier 的人工智慧技術,家樂福得以從數十億個資料點中識別出同一使用者持有的每台裝置。每當潛在買家透過裝置 (例如筆記型電腦) 進入家樂福網路商店,Appier 即可分析其個人資料並該名買家持有的其他裝置 (例如手機) 上投放量身定製的產品推薦,鼓勵繼續至家樂福網路商店購買更多商品。

Appier 的人工智慧技術,可分析使用者在網站內部及外部的行為,據以判斷單一使用者的活動,並區隔出不同的使用者類型。Appier 運用 CrossX 資料庫,針對不同構面進行交叉比較,藉此找出類似市場中的潛在客戶,進而擴大原本的使用者客群。

家樂福與 Appier 進行上述合作後,跨螢幕使用者點擊率 (CTR) 較單螢幕使用者高出 87%、轉換率 (CVR) 則高出 40%。

促進訂閱數成長

熱門約會應用程式 Paktor 採用人工智慧技術,有效增加應用程式內訂閱數,同時提高應用程式內教學完成率。

Appier 人工智慧技術能快速辨識使用者的跨螢幕行為,並在數十億個資料點中發現他們對於「社交與約會」的興趣。

潛在買家下載 Paktor 應用程式之後,Appier 會透過跨螢幕行銷方法,將社交/約會相關資訊再次投放同一使用者持有的每台裝置。如此可加深 Paktor 的品牌印象,並提高使用者加入 Paktor VIP 會員的動機。

品牌安全的困難課題

除了觸及與吸引客戶,品牌安全也成為數位行銷的關鍵問題,組織擔心線上廣告的投放情境會破壞品牌形象。

品牌安全涉及諸多不同層面,其中的重大疑慮之一就是廣告詐欺,亦即謊報線上廣告的曝光、點擊和轉換等數據,藉此牟利的行為。

人工智慧技術能有效防範廣告詐欺,並協助保護品牌安全。Appier 研究發現,採用人工智慧的詐欺偵測模型能辨識出的詐欺交易數量,是傳統規則式模型的兩倍,因為前者可找出後者難以辨識的廣告詐欺模式。

下一步?

隨著消費者的購買決策模式發生革命性的改變,採用正確方法有助於行銷人員達到適時、適所的理想效果。

該如何最佳化各種螢幕的行銷活動?若想進一步瞭解提高點擊率/轉換率或提升品牌安全的方法,請立即與我們聯絡。


關於作者

Fabrizio Caruso

Fabrizio擁有15年的數位行動與廣告經驗,並與眾多亞州頂尖品牌、媒體代理商、電信商建立深厚關係。Fabrizio熟悉行動支付、行動網路及廣告市場,具備廣泛的網路產業知識,並擁有管理、策劃、行銷與營運之能力。Fabrizio同時也是數位媒體產業的意見領袖,關注於亞太區的數位行銷發展。

在加入Appier之前,Fabrizio是知名網路公司Opera Software的亞洲區資深副總裁。此外,Fabrizio曾在Out There Media擔任過亞太區業務拓展董事總經理暨副總裁,亦曾任職於Buongiorno及Amdocs,負責市場包括英國、中國及菲律賓。

Fabrizio擁有卡塔尼亞大學(University of Catania)資工碩士學位。

提升消費者體驗的核心關鍵:人工智慧

作者:涂正廷Appier 全球產品管理副總

該在網路商城還是實體通路消費?哪家商店的好評更多?哪些廠商所提供的付款流程又更便利? — 在數位時代下,消費者每天面臨了各種令人目不暇給的消費選項。不過,網路的便利性,對於品牌來說,卻也可能是一大挑戰 — 別忘了,當你興高采烈地推出新產品時,消費者的目光卻很有可能正停在你的競爭對手上。

在如此「高流動性」的數位經濟中,品牌無疑面臨相當大的壓力,必須同時吸引到新的消費者並留住原有消費者。許多品牌認為,要解決這個問題,深入了解消費者並且有效地提升消費者體驗是一大關鍵。

你夠了解消費者嗎?

「消費者體驗」泛指企業與消費者之間的各種互動,而影響消費者體驗的因素不僅僅只有商品本身的功能或是定價;一個品牌能否持續滿足消費者最重視的需求,也會大大影響消費者體驗。舉例來說,一名飯店常客若因為飯店入住程序緩慢而埋怨不已,縱使這家飯店擁有頂級泳池和健身房服務,這名消費者仍極有可能對這樣的消費體驗留下負面的印象。相反地,假如今天有一名旅客與家人一起旅行,飯店入住程序雖然同樣緩慢不已,但他卻可能因為飯店免費替小孩加床作為補償,進而對這間飯店改觀。

不論是好的體驗或壞的體驗,當消費者在品牌上所累積的體驗到了一個臨界點,接下來就會有有兩種可能:一是消費者最終選擇離開並投向該品牌的競爭對手懷抱,二則是消費者選擇留下來並成為一名忠誠的品牌顧客。這說明了,消費者體驗是需要品牌長時間維繫的,想創造優質的消費者體驗,沒有第二條捷徑 — 品牌必須深入了解每一名消費者的各項需求,並加以一一滿足。

什麼是好的消費者體驗?用個簡單的例子,你發現不知從哪天開始,公司旁邊那間你常去的咖啡廳店員,記住了你的名字以及餐飲偏好,當你每次踏入咖啡廳時,他總是熟稔地與你打招呼並為你推薦餐點,相信你會認為這是一個好的消費體驗。不過,問題來了,這種提升消費體驗的作法對於大多數規模較大的企業與品牌卻不見得行得通,畢竟一個品牌想觸及的,不是單單數十個咖啡愛好者。對於較大規模的企業及品牌來說,深入了解消費者的唯一方法,是分析他們的消費習慣以及過往交易資料,進而從中獲得消費者的個人偏好及未來消費趨勢。企業可以利用這些洞察分析來調整現有的服務、開發新的產品,抑或是制訂迎合不同消費族群的專屬促銷方案。

然而,現實是,要全面了解消費者行為並不是一件容易的事,更不用說,隨著消費者的足跡愈來愈零碎並可能透過更多不同管道與品牌進行互動時,想要了解消費者無疑變得更加困難。

人工智慧的強大之處:用資料說話

因此,這便是人工智慧 (AI) 派上用場的地方。AI 擁有持續不間斷並準確地分析龐大資料的能力,能提供品牌以往所無法取得的洞察分析與行銷價值。當品牌開始運用 AI,便可拋棄過去「直覺式」的行銷策略,轉而邁向「以資料為導向」的行銷思維。

AI 透過交叉比對來自不同來源與格式的消費者資料,能藉此描繪出相當準確的消費者輪廓,並判斷能夠觸及這些消費者的最佳途徑。

目前,最吸引人的人工智慧行銷工具,無疑就是由 AI 所驅動的「預測型分眾工具 (predictive audience segmentation)」,它是我們一般所說的預測型分析工具之一,有助於品牌辨識哪些是最有潛力購買、點擊和安裝的目標客群,藉以滿足品牌各種關鍵績效指標 (KPI)。

這類型的預測型受眾區隔工具聚焦於消費者的行為模式,並結合人口資料,從中辨識消費趨勢,進而協助品牌鎖定最理想的潛在客群。此外,這項工具能夠分析資料並提出建議,有助於找出並擴大目標受眾範圍。

舉個例子,在台灣極具影響力的刊物天下雜誌,就是使用 Appier 「Aixon 人工智慧商業決策平台」的強大預測型分眾技術,發掘以往無法觸及的讀者,進而帶動其訂閱數和銷售量的成長 404%。

AI 協助企業轉型,第一步:活用資料

形塑數位經濟的其中一大關鍵就是「資料的活用」,而 AI 無疑是當中相當關鍵的一項技術。許多傳統行銷宣傳活動的規劃都是基於那些已經不與時俱進的「假設」,又或者是根據員工自己多年的經驗,導致企業投入資源與回收成果不成正比。企業假如能夠巧妙運用 AI 獲得極具關連性的洞察分析,便可利用這些消費者洞察來打造更貼近人心的宣傳活動。

當然,我們也必須了解 AI 並不是萬能的魔法,不能用來解決每一道企業難題。一個成功的 AI 應用,靠的是一套系統化的流程與步驟,其中第一道程序就是如何蒐集有用的資料。用對的方法蒐集、理解與分析資料,AI 將能成為企業推動創新以及獲得實質效益的關鍵基石。

關於本文章若有任何疑問,請傳送電子郵件到 [email protected]


關於作者:

涂正廷於 2016 年加入 Appier,負責 Appier 全球產品發想與策略規劃。在加入 Appier 之前,涂正廷任職於 HTC,擔任軟體部門產品總監,負責開發 HTC Sense 智慧型手機與相關配件。除了產品開發,涂正廷也負責開發合作夥伴,包括 Google、Yahoo、Microsoft 與 Nokia 等多個跨企業合作專案。在加入 HTC 之前,涂正廷曾任職於專精 IC 設計軟體的思源科技 SpringSoft (後被Synopsys 併購)。

涂正廷擁有台灣大學資訊工程學系碩士學位。

Technical Insights: Basic C++ 11/14 for Python Programmers

Our new blog post featuring some common python programming patterns and their C++ equivalents is now up! Leave us a comment below and let us know what you’d like to see covered in our future posts!

█ Read More

Technical Insights: Introduction to GraphQL|goo.gl/d7PyXH

█ Join Us

Our current openings|goo.gl/rx1jce

 

善用預測型分眾工具,直通目標客群的心

作者:Appier 商務長 余俊德

在這個時代,如果只是單純向大眾廣撒「無差別性」的廣告,就如同大海撈針,並不符合成本效益。做數位行銷,不論是想推銷銀行貸款或刺激服飾銷售,都必須瞭解該產品的特定目標客群。

不過,相信許多行銷人員都想問,究竟該如何定義特定的客群,進而達到最佳行銷投資報酬率 (ROI)?

傳統上,以人工方式分析流量與消費者行為,是一項非常耗力費時的任務 — 通常行銷人員會依據多年所累積的專業知識來做推測,或使用簡易工具來輔助分析。雖然這些方法足以勝任低維度的資料分析,但真正的挑戰在於,如果今天面對的是超過 80 維度的複雜資料,企業該怎麼做?

利用強大 AI 工具鎖定目標受眾

當前,最振奮人心的行銷工具,無疑就是由人工智慧 (AI) 所驅動的「預測型分眾工具 (predictive audience segmentation)」,它是我們一般所說的預測型分析工具之一,有助於企業辨識哪些是最有潛力購買、點擊和安裝的目標客群,藉以滿足品牌各種關鍵績效指標 (KPI)。

舉一個例子,在台灣極具影響力的刊物天下雜誌,就是使用 Appier 「Aixon 人工智慧商業決策平台」的強大預測型分眾技術,締造出亮眼的行銷成果。天下雜誌不但成功發掘以往無法觸及的讀者,其行銷活動更創下超過 300% 的廣告投資報酬率 (ROAS),而訂閱數和銷售量成長也高出 KPI 達 404%。

這類預測型分眾工具的特色在於能夠聚焦消費者的行為模式,並結合人口資料,從中辨識出消費行為趨勢,並且鎖定最理想的潛在客群,甚至擴大目標受眾範圍。

由 AI 所驅動的預測型分眾平台 — 如 Aixon 人工智慧商業決策平台 — 將有助於企業:

  1. 精確掌握受眾輪廓

要用有系統且一致的方式去瞭解消費者行為並不容易,首先,消費者通常會透過多個渠道來獲取資訊,因此,企業必須從官網、行動應用程式等不同來源來彙整分散的資料,而這些資料可能零散、瑣碎且缺乏關聯性。

而「Aixon 人工智慧商業決策平台」的特點就在於能夠整合來自不同來源和平台的資料。Appier 擁有龐大的資料庫,涵蓋了全亞洲數十億匿名裝置的使用者資料,能夠詳實呈現不同客群的消費情境與脈絡;如此一來,也有利於企業準確進行預測和客群區隔, 進而辨別消費者的各種意圖與動向,包括:哪些人可能即將離開你的網站、哪些人又有機會推薦其他客戶、或是決定下單等;此外,Aixon 也能夠為企業展示商品的主要營收客源。

  1. 刺激即時銷售量或轉換率

透過預測型分眾平台,企業能夠密切掌握消費週期的各個階段,適時觸及那些高潛力、已經準備好消費或是帶來轉換率的客群。

  1. 發掘新市場

預測型分眾技術還能透過分析目標客群資料,為企業發掘全新的市場。藉由統整分析「行為模式」和「人口資料」,企業可以從中得出新的洞察,有助於發現新的目標客群。一旦鎖定新的潛在客源,AI 演算法將結合企業資料庫中的使用者資料,進一步細分客群。

舉個例子,日本最大不動產與住家資訊服務商之一 LIFULL 過去累積了豐富的客戶關係管理 (CRM) 資料,但卻未能充分運用。直到與 Appier 合作,才開始整合與分析公司內部龐大的線上及線下不動產資料庫 。LIFULL 使用 Aixon 後,不但提升了線上行銷成效,也成功開發更多新的業務。

  1. 辨識可能流失的消費者,並在線上展開新的互動,喚回他們的興趣

在積極拓展新業務的同時,有一項常被忽視的事情,就是針對那些即將終止或退出互動的客群來說,企業該怎麼做?Aixon 的另一個特點就在於能夠預測現有客戶退出或終止互動的機率。這項洞察對於行銷和銷售團隊非常珍貴,將有利於他們持續追蹤特定目標客群,進而防患未然,及早重新展開與消費者的互動。

  1. 為企業找到高價值受眾,大幅提升營收

預測型分眾平台還能夠根據消費者行為模式來區隔客群,有助於幫助企業找到最合適互動的受眾,進而能針對不同受眾投放專屬的行銷活動、推薦廣告和促銷內容。

與我們聯繫 — 透過人工智慧讓數位行銷無往不利

預測型分眾平台可幫助企業提升行銷成效,並與現有技術相輔相成。不論您想做的是預測型行銷、個人化行銷,或者單純希望提升整體行銷成效,Aixon 的預測型分眾技術都能精準辨識目標受眾,讓您在這個容易使用的平台上,順利施展行銷策略。

Aixon 額外提供人口和行為資料、受眾興趣和關鍵字洞察,呈現更豐富、詳盡的資訊,將有助企業鎖定理想潛在客群,實現最佳轉換率並提高銷售量。

想瞭解如何透過 Axion 精準鎖定受眾,歡迎與我們的團隊聯繫:[email protected]


關於作者

Junde Yu余俊德 (Junde Yu) 擔任 Appier 商務長,帶領團隊推廣 Appier 企業解決方案,其中包括「Aixon 人工智慧商業決策平台」。余俊德過去任職於數據分析領導機構 App Annie,擔任亞太區董事總經理;他同時也是 App Annie 在亞太區的第一位銷售人員,帶領著行銷與業務團隊為企業客戶從資料中發掘有價值的行銷洞察,並為公司創造優異的營收表現。

余俊德過去在新創團隊有多年的工作經驗,曾經於 Scoreloop 與 Tapjoy 團隊服務,負責業務拓展。他同時也曾任職於大型企業,如新加坡電信 Singtel。

Appier資訊圖表:如何運用人工智慧於數位廣告詐騙行為?

惡意廣告詐騙行為如何影響全球數位廣告產業?

傳統的廣告詐騙偵測機制有哪些侷限性?

企業該如何偵測新興詐騙手法與過濾可疑流量?

讓我們用一張圖帶你看懂《Appier亞洲數位廣告詐騙行為研究報告》!

關於Appier 2017亞洲數位廣告詐騙行為研究報告

本研究報告的資料來源為Appier於2017年5至8月間所進行的跨國的行動裝置廣告活動,共計約41.5億筆使用行為資料量,包含廣告點擊數、應用程式下載數、留存率、廣告投資報酬率等等,並以匿名的方式進行分析。報告中所有資料皆為實際使用者行為資料分析,無使用任何問卷。完整報告可至http://www.appier.com/zh/reports.html下載。

關於Appier

Appier是一家專注於人工智慧的科技公司,藉由開發各種人工智慧應用平台,協助企業解決最棘手的商業挑戰。欲了解更多資訊,請造訪www.appier.com/zh/index.html

 

用人工智慧解密新型態廣告詐騙行為

用人工智慧解密新型態廣告詐騙行為

作者:Appier技術長暨共同創辦人蘇家永

廣告詐騙已經成為全球數位廣告產業最巨大的威脅之一。根據美國全國廣告商協會的統計,估計2017年數位廣告詐騙將造成全球各廣告業65億美元的損失;Juniper Research最近的一份報告也顯示,2018年預計廣告主會因廣告詐騙而損失高達190億美元,這個情況會愈演愈烈,預計到2022年所造成的損失估計將達到440億美元。

事實上,行銷與廣告產業已經花費了大量資源去尋找有效的方法以「減輕」廣告詐騙對企業所帶來的影響,注意這裡我用了「減輕」這個詞,這是因為廣告詐騙就和網路詐騙或者金融詐騙一樣防不勝防,並沒有一套解決方案可以徹底根除這個問題,隨著廣告詐騙手法不斷進化,我們的解決方案也必須與時俱進。

大多數針對廣告詐騙的防治對策都是以人為所定義的簡易規則來過續可疑流量。但是,隨著廣告詐騙型態與手法近年變得越來越複雜,傳統的對策已不再足以全面性地防堵廣告詐騙。

以人工智慧為基礎所開發的廣告詐騙偵測機制

隨著廣告詐騙變得更加複雜與難以偵測,我們的偵測機制也必須同步進化,而Appier相信,唯一可以實現它的方式就是透過人工智慧(AI)。

人工智慧詐騙偵測機制的第一步是以現有規則過濾顯基本的詐騙型態,接著,人工智慧透過「自我學習」可以即時分析與歸納各種可疑的詐騙型態,並且快速建立與應用新規則,找出先前尚未出現過的可疑詐騙模式。另一個人工智慧模型的優勢在於,與傳統詐騙偵測機制相比,人工智慧能從更多元的維度全面分析詐騙行為模式。

傳統廣告詐騙偵測機制侷限在一至三個維度的分析,並仰賴人為所定義的簡易規則來過濾可疑流量。然而,人工智慧可以分析超過八十個維度的資料,偵測極其複雜的廣告詐騙模式。即便廣告詐騙模式不斷進步以避開傳統偵測機制,人工智慧模型還是能透過自我學習,跟上詐騙的進化腳步,有效防堵各種新型態的詐騙行為。

為了展示人工智慧詐騙偵測機制的優勢,Appier針對今年五月至八月間共計四個月的跨國的行動裝置廣告活動,其中包含超過40億筆使用行為資料量,並以匿名的方式進行分析,結果發現藉由人工智慧所偵測到的偽裝行動應用程式下載率較傳統防治機制還要高出兩倍,另外,從廣告效益來看,人工智慧詐騙偵測機制也被證明對廣告主來說更具成本效益,其廣告投資報酬率(ROAS)比傳統機制還要高出3.6%。

人工智慧的最大優勢在於它能夠偵測過去未曾出現的複雜廣告詐騙型態。以Appier稱之為「變色龍」的偽裝型詐騙手法為例,不肖業者會先偽裝成合法的廣告發行商,於初期先提供正常流量,一段時間後才回傳大量的偽造下載數以掩人耳目。

Appier的人工智慧詐騙偵測模型也能偵測如「廣告庫存量暴增」的可疑活動,在這種行為模式下,惡意發行商於單日突然回報大量廣告庫存量,但卻缺少該日相應的應用程式內註冊率。

寫在最後

廣告詐騙的問題已令廣告主投入數十億美元的無效成本,而由於這些詐騙型態非常難以察覺,傳統的偵測機制能力十分有限,相反地,人工智慧法可以分析多重維度的資料及具備自我學習的能力,將會是防治數位廣告詐騙的最佳選擇。

完整《Appier 2017亞洲數位廣告詐騙行為調查報告》可至http://www.appier.com/zh/reports.html下載。

 


關於作者

蘇家永擔任Appier技術長暨共同創辦人,負責規劃技術研發方向與策略,並帶領團隊開發各種人工智慧應用平台,協助企業解決最棘手的商業挑戰。蘇家永自高中開始即熱衷於專研電腦程式設計,在多個領域如社交遊戲、VoIP、分散式演算與線上GIS都有相關系統設計與建置經驗。在創立Appier之前,蘇家永曾創辦Plaxie,開發行動應用程式與社交遊戲。蘇家永擁有交通大學資工學士學位以及哈佛大學電腦科學碩士學位,曾獲得交通大學學生傑出貢獻獎,並受頒中華民國斐陶斐榮譽學會年榮譽會員。就讀於哈佛大學期間,蘇家永曾發表過多篇網絡與系統設計相關的論文。

 

 

讓人工智慧點亮2018年 — AI四大趨勢預測

作者:林軒田

不論是協助企業提升銷售量、改善作業流程、或是提升員工生產力,以深度學習和機器學習技術為基礎的人工智慧(AI)系統正在席捲各行各業。除此之外,AI的進展也刺激了軟硬體更廣泛的整合與運用 — 日常生活中,手錶、手機、甚至車輛中都能見到AI的蹤影。可以發現,過去人們對AI或許有天馬行空的想像,但這些想像現在都已經一一落實在你我日常生活、工作環境或是商業領域中。市場研究機構IDC就預測,2017年全球在認知和人工智慧系統支出將達到125億美元,和2016年相比成長達59.3%。

應該沒有人會否認,2017年是人工智慧發展的一個關鍵里程碑。舉例來說,10月的時候,Deepmind宣布AlphaGo Zero AI已學會如何在不參考大量棋譜的情況下在對弈中擊敗舊版本的AlphaGo。同時,我們也看到比利時微電子研究中心IMEC展示了擁有自我學習能力的晶片,不僅可以編寫原創音樂,還可以在接觸新的音樂類型後,創作不同曲風的音樂。這些重要的成果,或許又再一次顛覆了你對人工智慧的想像!

在2018年,AI會持續為我們帶來更多的驚喜。

  1. AI發展將更快速、更準確、更靈活 — 顛覆商業思維、改寫商業模式Artificial Intelligence in 2018 will delight

首先,依照目前的創新速度與產學所匯聚的能量,我預測,在2020年,AI將成為市場上真正的「主流」技術思維。Gartner前些日子就曾預測,未來AI會存在於各種應用程式和服務中;到2025年前,AI更將主導與驅動各種形式的數位創新,並帶來實際的效益。IDC也認為,亞洲將在2020年成為全球第二大認知/人工智慧支出區域。

學術界的研究能量也將加速AI在業界的應用發展。在2018年,我們期待看到更多重要的AI研究,這些研究將會驅動許多大型、頂尖的產業硬軟體應用,而反映在商業上,當有了更多的回饋與改善,AI將為企業提供更精準的預測和建議。另外,由於AI有助於產品開發和交付的自動化,未來各種創新產品和服務的上市時間會因此縮短。而傳統大規模量產的作法也會漸漸減少,這是因為品牌在「生產」這個步驟多了一些選項 — 未來品牌可以少量開發客製化產品以瞄準利基市場,並可隨著客戶的品味變化改善產品設計與品質。

  1. AI將成為企業的決策軍師 — 質與量並重,放大商業效益

在商業領域中,我們看到企業已經開始運用人工智慧來理解商業數據並獲得有價值的洞察和預測,進而輔助團隊的行銷與業務能力。Appier以AI為基礎所開發的Aixon人工智慧商業決策平台就是一個例子,這個由「資料」所驅動的平台,已經協助許多企業預測消費者的行為。這是一個好的現象,因為人工智慧為企業帶來了「質」與「量」兼具的效益,連帶地企業也會愈來愈有信心嘗試與導入AI系統,並且參考由AI所提供的建議 — 這是AI產業發展的正向循環。

  1. AI將成為核心技術 — 不只是核心技術,更是所有技術的核心

我預測,未來AI將成為各種技術的「核心」。AI在2011到2015年間展現了非常具潛力的前景,而在2016到2020年間,AI將日益商業化。而2020年之後,AI將成為我們生活中不可或缺的一部份,可以有效被運用來解決各種棘手的問題。

我們即將邁入2018年,可以預見的是,許多以人工智慧為基礎所開發的系統將在2018年開始進行各種商業測試,也會有許多供應商接著推出由AI所打造的資料分析商業軟體,幫助品牌預測影響客戶留存率的關鍵點,或是提升品牌與客戶間的互動。

  1. AI將成為可信賴的使用者介面 — 理解消費者的「話」外之音

如同Apple的Siri和亞馬遜的Alexa,聊天機器人和語音助理在2018年會變得更加「聰明」和「靈活」,幫助人類更有效率地完成任務,企業也可以將它們運用於第一線的客戶服務。這些應用透過AI來理解口語或文字,可以預見,未來他們將更擬人化與更貼心,在使用者介面上能夠更聰明地與人類互動。

根據Beige Market Intelligence的預測,全球聊天機器人市場在2016到2022年期間的年均複合增長率(CARG)將會超過28%。Forrester也預測,未來將有更多的供應商進入這個市場,而就技術上來看,聊天機器人未來不只能「對話」,甚至可以在對話框外進一步辨識與追蹤潛在用戶,並且能夠更長時間、更深入地與用戶互動,而非只是侷限於短時間的交流。

快速適應變化,迎戰AI時代

AI將促使我們改變原有的生活和工作方式,而這個改變是正面的。人工智慧在許多面向上的確可以做的比人類更好,它接手了那些重複、耗時或會危及人身安全的任務,但終究不會取代人類。換個角度想,AI的各種創新應用將提高我們的生活品質,並使我們能騰出更多時間去做真正想做的事情或是開發新的領域與興趣。

CapGemini的一項研究也發現,AI可以為多達80%的企業創造新類型的工作機會。而企業對於資料科學家與專案經理的人才需求也會隨之增加。許多人問我,必須培養什麼樣的技能才能面對未來各種新科技與工具?我會說,AI正在重新架構社會和商業情境,我們或許無法想像未來新興人才需要什麼樣的技能,但至少現在就能做的是,讓自己擁有快速適應變化的能力。

我深信,那些已經擁有用戶資料,並且將資料運用於訓練AI系統的企業,將會成為未來產業的領導者。根據Gartner調查,已經有59%的企業正在擬定AI策略,其餘的則是已經在嘗試AI相關解決方案。不論是培養一個具有「AI思維」的團隊、或是檢視想導入的服務是否採用AI技術,當企業準備好擁抱AI,才能在這一波產業革新中站穩腳步。


關於作者

Appier首席資料科學家  林軒田  

林軒田帶領Appier人工智慧團隊,同時他也是亞洲人工智慧社群的活躍成員,專精於機器學習與資料探勘。在加入Appier之前,林軒田擔任臺灣大學資訊工程學系副教授。

林軒田曾在全球開放式課程平台Coursera開設免費機器學習課程,其中的「機器學習基石」與「機器學習技法」兩門課程在全球已累積數百萬點閱人氣。由林軒田等人合著出版的《Learning From Data》一書至今仍盤踞亞馬遜線上書店暢銷排行榜,被奉為機器學習入門教科書。

Appier 五周年 — 從 AI 出發,往世界頂尖邁進

作者:Appier執行長暨共同創辦人  游直翰

還記得十幾年前當我開始做人工智慧(AI)研究時,AI還不是一個很熱門的領域。Appier創業的起點是在哈佛大學,當時手邊沒有什麼資源,幾個夥伴在宿舍裡就開始了AI創業旅程。就是因為從零開始,所以每一個客戶的回饋對我們來說都彌足珍貴 — 我到現在都不會忘記,當我們第一次獲得客戶的肯定以及拿到第一筆訂單時的喜悅!

可想而知,在創業的前幾年,我們面臨了許多挑戰,也從挫折中學到很多。在成為所謂的「創業家」後,我們所受到的第一個震撼教育就是,永遠要堅持自己的夢想,並且不要害怕挫折。隨著Appier團隊不斷成長,一路上我們仍然秉持這樣的創業精神,同時也鼓勵所有員工都要堅定信念,在挫折中進步 — 我們深信,沒有冒險與挑戰,就不會有創新與突破!

在過去五年,我們總是不斷在思考,什麼樣的商業應用才能讓AI在人類生活中真正發揮影響力。一路上我們經歷了八次產品轉型 — 從開發社群遊戲到現在大家所熟知的企業人工智慧應用平台。在產品開發上,我們不斷嘗試各種可能,唯一沒有嘗試的就是「放棄」。

現在,我們已經從一個擠在小小公寓裡的四人團隊,成長到成為全球指標性的人工智慧公司 — 我們很榮幸在今年被【財富雜誌】評選為引領全球AI革命的50間企業之一。這些年,我們非常專注於耕耘亞洲市場,服務了全球超過1,000家的品牌與代理商。同時,我們也非常積極尋找頂尖人才,我必須說,能夠跟這麼多來自全球的優秀夥伴共事,真的是我人生中最美好的一件事。

未來,我們將持續開發AI企業應用平台,以人工智慧為基礎,為各行各業打造符合需求的產品。我們也將在亞洲匯聚更多人才,強化團隊的技術實力。

最後,我要誠摯地謝謝所有曾經鼓勵Appier、支持Appier並且相信Appier的夥伴與客戶,五年只是一個起點,我們即將開始下一段AI旅程,希望能與你一起攜手邁向下一個五年以及更多個五年!

我們特別拍攝了一系列的Appier五周年慶祝影片,邀請你與我們一起回顧Appier的過去、現在並展望未來!


關於作者

Appier執行長暨共同創辦人 游直翰

游直翰帶領Appier的產品研發和業務團隊,運用人工智慧為客戶解決複雜的跨螢商業難題。游直翰在學術領域曾從事多個極具代表性的人工智慧專案,如:代表史丹佛大學參加美國國防部 DARPA無人駕駛自動車競賽以及參加機器狗(Little Dog)研發專案。

Technical Insights: Introduction to GraphQL

 

 

 

 

 

 

 

By Johnson Liang, Front-end Engineer, Appier

At Appier, we have been using GraphQL for around a year. GraphQL drives client-server communications for one of our main AI platforms, Aixon. We have benefitted a lot from GraphQL’s characteristics, such as the concept of “object fields” and its resolvers. Its declarative approach to whitelist all inputs and outputs makes it a great tool to build programming interfaces.

This presentation is designed to be an introduction to GraphQL and was originally delivered to other internal product teams in Appier. The talk is specifically designed for Node.JS or Python developers that have never tried GraphQL before. It provides succinct code examples in both programming languages to guide the audience through all the essential topics they should know in order to start building their own GraphQL schema and to run a GraphQL API server.

There are already quite a lot presentations on the internet explaining the high-level concepts of GraphQL. In this talk, I have put more emphasis on the actual source code required to get GraphQL running, providing a more pragmatic perspective to understanding GraphQL.

The talk covers the following topics:

  • Fundamental parts of a GraphQL server
  • Defining API shape – GraphQL schema
  • Resolving object fields
  • Mutative APIs
  • Making requests to a GraphQL server
  • Solving N+1 query problem: dataloader

Editor’s note: Speaker notes are available with Google Slides.