2015年創立於矽谷的Mobagel，是家利用Auto ML產品和技術來幫助客戶商業決策的新創公司，過去幾年快速成長，目前在台北、北京、上海、東京都有辦公室。創辦人團隊來自Stanford跟Brooklyn，更於Microsoft、softbank、coca-cola等公司舉辦的數據競賽中獲得良好成績，並於2020年跟2021年獲得Gartner提名全球ML/DL平台代表廠商。Mobagel AI策略夥伴負責人陳胤同（Alan）將與大家分享幾個機器學習能應用的商業情景，說明如何運用數據及模型為公司帶來顯著的成效。
零售業：利用資料進行商業預測
零售業是目前最能利用數據建模幫助公司進行最佳決策及建議，並有顯著成效的產業，例如行政財務人資、營業額預測、績效預測、離職率預測、工作績效預測、輪調等；也可應用於供應鏈管理，如最前端的庫存管理、生產需求量到日常業務中的銷量預測及顧客終身價值跟促銷策略....等。
製造業：五大要素皆可測
製造業中常提到人、機、料、法、環五大要素，也能藉由模型進行不同的預測。人力方面，包括離職率、工作績效，輪調及部門調動推薦等；備料則可針對生產量、需求量等進行預測。機台方面則包含了設備機台維護預測，例如許多企業需要藉由老師傅的經驗定期進行機台維護或保養的作業，AI可將師傅的經驗值轉成有根據性的數據。環境方面則能針對不良產品，透過模型快速找到形成瑕疵品的不良因子，並快速地排除。另外，在品質及能源方面也能進行用電量或用水量的預測，能源使用量和工廠成本考量大有關係。
電信產業：顧客需求或銷售預測
可針對門市通路進行每個季度的手機銷售預測，包括主打商品及出貨、補貨量的預測；在網路應用方面則可協助財管跟採購或客戶週期預測，例如顧客流失度預測或是顧客生命週期等。
金融產業：反詐欺風險或信用評分
可應用的場景包括反詐欺風險、信用評分、客戶關係、理財管理。其他像是詐騙、洗錢、偵測，客戶評分以及貸款違約預測、客戶的終身價值等；或是針對不同屬性客戶推薦適合的理財性商品或是金融性的商品。
介紹完機器學習可應用的產業後，接著要分享兩個導入AI後有顯著成效的企業案例。
第一個案例：中國前十大標竿食品企業-冷藏品出貨計畫
全國市占率第二的公司如何藉由AI技術正面迎戰「產銷失衡」的通點，帶領公司突破多年高原期，利用大數據及ML模型成功替公司減少274萬人民幣約1200萬台幣的冷藏品報廢所衍生成本。
挖掘問題：
- 公司內部技術部門人力偏少，員工缺乏 AI 的基礎認識與理解。
- 不同工廠、不同排產人員的預估方式不同，缺乏數據或客觀標準。
如何解決問題：
- 舉辦工作坊讓員工了解「如何利用現有數據發想不同的數據命題？」進而利用 AI 模型幫助提升工作效率或產能。
- 將客戶原本就擁有數據集中，並製成可參考的數據，再依照不同地區、不同經營模式建立流程，尋找不同地區的銷售趨勢。包括週一至週日、特殊節日，不同地區各種品項的出貨進貨預估。
成效：
- 一般週次預估準確度65%，導入AI後準確度提高至85%。
- 特殊假日預估準確度由50%，導入AI後準確度提高至70%。
第二個案例：FB廣告預測
百貨商店之父 John Wanamaker 說過：「我花在廣告的錢有一半是浪費的，但問題是我不知道是哪一半。」就以往經驗，有75%的廣告是需要被關閉的，這時候就需要ML模型來協助店家判斷，「如何將廣告效益最大化？」
廣告可分成三個層面：
- 第一層：曝光度（CPM）。
- 第二層：點擊率（CPC）。
- 第三層：投資報酬率（ROAS）。
ML 建模處理方向大致為收集數據， 將後台資訊、 index、CPM、CPC、ROAS等放入訓練模型中，產出的AI模型就能協助使店家判斷廣告是否符合預期的目標，以 ROAS 做一個簡單的判斷，ROAS 在少於一定的值以內，可視為無效廣告，並作為下一個廣告的參考值。這裡分享兩個例子，其一是廣告週期較短的護膚品電商，導入AI模型後發現96%的廣告是無效廣告店家，關閉後省下將近35.5%的預算，每個月省下約71萬。另一個則是廣告週期較長的電商品牌，導入AI後發現將近75%的廣告是比較低效能的，應該盡早關閉，總共省了將近20%的行銷方面的預算，大約每個月省下約20萬的行銷預算。
