有一家大型電信公司的行銷主管設法要減少顧客流失，於是決定運用AI來判斷哪些顧客最可能離開。他們取得AI的預測後，一再提供大量優惠促銷方案給高風險顧客，希望吸引他們留下來。雖然實施這項留住顧客的活動，但很多顧客還是離開了。為什麼？這些主管犯了一個基本錯誤：向演算法問錯了問題。雖然AI預測的內容很好，但沒有解決這些主管真正想解決的問題。
這種情境太常出現在使用AI來做商業判斷的企業裡。《史隆管理評論》（Sloan Management Review）與波士頓顧問公司（Boston Consulting Group）在2019年針對2,500位高階主管所做的調查顯示，有90％的受訪者表示，他們公司有進行AI相關的投資，但其中不到40％的受訪者看到這些投資在一開始三年內帶來商業利益。
我們三名作者分別擔任學術、顧問與非常務董事的職位，曾研究和提供建議給超過五十家企業，檢視這些企業在行銷上運用AI時面臨的主要挑戰。我們從中找出行銷人員運用AI時最常犯的錯誤，加以分類，並發展出一項能避免這些錯誤的架構。讓我們先檢視一下這些錯誤。
重點未校準：沒能問對問題
我們研究的這家大型電信公司，主管真正該做的事情不是找出哪些顧客可能流失，而是應該弄清楚該如何運用行銷經費，來減少顧客流失。他們不應問AI哪些顧客最可能會離開，而應該問哪些顧客最可能被說服留下；換句話說，應該問哪些考慮離開的顧客，最可能會對促銷方案有回應？這就像政治人物會把力氣花在心意搖擺的選民上，主管也該把行動的目標，對準心意搖擺的顧客。前述這家電信公司的行銷人員，給予AI錯誤的目標，於是，把錢浪費在許多無論如何都會離開的顧客身上，但對於加倍花心力就能留住的顧客，卻投資不足。
另一個類似的例子，是一家電玩遊戲公司的行銷主管，希望鼓勵使用者在玩遊戲的同時多花點錢。於是，他也請數據科學團隊找出哪些新功能，最能讓玩家更投入。團隊運用演算法，找出可能的功能與顧客玩遊戲時間之間的關係，最後預測，如果提供獎品，並讓玩家排名的能見度更高，就能讓玩家花更多時間在遊戲上。公司根據這項結果做調整，但營收並未隨之提升。為什麼？因為這些主管同樣對AI問錯問題：不該問「如何讓玩家更投入」，而應該問「如何增加玩家在遊戲時花費的金額」。大多數玩家並未在遊戲裡花錢，因此這項策略未能奏效。
這兩家公司的行銷主管都沒有仔細思考要處理的商業問題是什麼，以及需要什麼預測，才能做出最佳決定。如果AI預測的是哪些顧客可能最容易被說服，或是哪些功能會讓玩家花更多錢，AI才會有價值。
利弊不對稱：沒能體認到「預測正確的價值」與「預測錯誤的代價」不同
AI的預測應該愈準確愈好，不是嗎？不一定。差勁的預測，有時候代價極為高昂，但有時候代價不那麼高；同樣地，超級精準的預測，在某些情況下的價值比較高。行銷人員，或更重要的是他們依賴的數據科學團隊，就常會忽略這一點。
以一家消費性商品公司為例。這家公司的數據科學家很自豪地宣布，他們提高新銷售量預測系統的準確度，錯誤率從25％降到17％。遺憾的是，他們改善這套系統的整體準確度，是因為提高低毛利產品的預測精準度，同時降低高毛利產品的預測準確度。低估對高毛利產品的需求，這情況造成的成本，遠高於正確預測低毛利產品的需求所創造的價值，因此在公司實施這套「更準確」的新系統之後，獲利下降了。
必須了解的一項重點是，AI預測可能有各種不同的錯誤。預測除了會高估或低估結果之外，還可能會出現偽陽性（例如，指出顧客可能會流失，但其實顧客會留下），或者偽陰性（指出顧客不可能流失，但其實顧客後來離開了）。行銷人員的工作是要分析這些類型錯誤的相對成本，而這幾項成本可能差異很大。然而，負責建立預測模型的數據科學團隊常會忽略這種相對成本差異很大的狀況，或甚至沒有人告知他們這種情況，於是，他們假定所有的錯誤都同樣重要，導致出現代價高昂的錯誤。
本文觀念精粹
問題
所有投資AI的公司中只有不到40%的公司獲得收益。這個高失敗率通常是由於領導者和管理者犯下的三個錯誤：
- 他們沒有提出正確的問題，結果指示AI去解決錯誤的問題。
- 他們沒有認識到正確的價值與犯錯的成本之間的區別，並假設所有預測錯誤是等同的。
- 他們沒有充分利用AI做出更頻繁和更細緻的決策的能力，而是繼續沿用他們的舊做法。
解決方案
一個三步驟的框架將有助於開放市場行銷和數據科學團隊之間的溝通管道。這個框架讓團隊結合各自的專業知識，並在AI預測和商業決策之間建立一個回饋循環，這涉及到三個問題：（1）我們試圖解決的市場行銷問題是什麼？（2）在我們目前的做法中有沒有任何浪費或錯過的機會？以及（3）是什麼東西／事情造成這些浪費和錯過的機會？
本文作者／伊娃．艾斯卡查Eva Ascarza、麥克．羅斯Michael Ross、布魯斯．哈帝Bruce G.S. Hardie
本文節錄自《哈佛商業評論推薦必讀AI趨勢》，由天下文化授權轉載。
