深度學習(Deep Learning)是機器學習(Machine Learning)的一個子領域，由於這是受到人類大腦結構所啟發的一種演算法，因此又稱為人工神經網絡。用一句話簡單解釋「深度學習」，那就是為了找到解決某個問題的函式(Function)。由於這組函式非常複雜，人類沒辦法靠自己找到，所以我們希望訓練機器來幫助人類解決問題。

深度學習被廣泛地被應用在商業活動中，它解決了人腦無法短時間針對海量資料進行全面分析的問題，甚至能延伸出更多應用，像是自動撰寫文案內容、強化使用者經驗、提供視覺化的資料分析、做未來的消費預測。

在廣告應用層面，深度學習最主要的貢獻就是進行消費行為的預測，我們期待深度學習模型能夠找出購買者輪廓，進而預測未來可能發生消費行為的「潛在客戶」。這篇文章除了帶大家瞭解如何科學衡量深度學習模型的好壞，也將解析塔圖如何訓練深度學習模型，究竟如何才能提前預測消費者的購買意圖？

數據有多重要？

如果可以知道使用者對哪些商品感興趣？使用者對你的商品願付價格是多少？使用者願意在你的網站花費多少時間？使用者下次進入你的網站會不會購買商品？廣告主是否就能更快速瞭解客戶、以更有效的方法與他們互動呢？究竟要如何達成以上目標，拉近品牌與消費者的距離呢？那就要靠數據幫你尋找答案！

更靈活運用網站數據資料、掌握消費者輪廓

我們根據網站使用者資料進行未來消費行為預測，以網站過去 7 天的「行為數據」來預測未來 14 天他們是否會消費。深度學習模型的預測結果將使用者分爲「會消費」及「不會消費」，想知道深度學習模型的預測究竟準不準確，那就要與真實結果進行驗證。IT 界最常見的兩種衡量指標就是 — 精確率 (Precision) 及召回率 (Recall)。

如何評估深度學習模型：精確率、召回率、F1-score

什麼是精確率 (Precision) ？

精確率是為了驗證 AI 模型預測的結果中，實際上有消費的人數比例。假設塔圖 AI 預測了 100 人會消費，而這 100 人當中就有 20 人實際上有消費，那 AI 的精確率就是 20%。

什麼是召回率 (Recall)？

召回率是為了驗證所有實際上有消費的人數中，塔圖 AI 成功預測的比例。假設實際總消費人數只有 40 人，塔圖 AI 就預測到其中的 20 人，那召回率就是 50%。

F1-score

精確率 (Precision) 和召回率 (Recall) 能算出一個值 — F1-score，是為了方便我們更直觀地判斷深度學習模型的學習成果，當模型的精確率和召回率越高，表示預測的結果越準，F1-score 也會隨之上升。

📓想更了解Precision, Recall, F1-score的定義？請參考這篇來自辛西亞的技能樹的文章。

在過去廣告投放的案例中，我們發現受眾的精確率和召回率很難同時提升，當精確率很高，召回率就會變低 (表示預測結果雖然準確，但是受眾人數不夠多)；而當召回率提升，精確率又會明顯降低 (表示預測的受眾人數變多了，但預測錯誤的比例提升)。

塔圖 AI 預測結果 VS 再行銷受衆結果

「再行銷」是電商最常用的行銷策略，其中「瀏覽官網商品」以及「加入購物車」是兩種最容易接觸潛在消費者的方式。

從上方的統計圖中我們發現，「加入購物車」的精確率相較於「瀏覽官網商品」的精確率要高，但召回率下降很多，這表示「加入購物車」能匡列的受眾人數太少，實際上會消費的人數也相對少。反之，「瀏覽官網商品」的召回率相較於「加入購物車」的召回率要高很多，但精確率卻非常低，這表示即便匡列的受眾人數很多，但大部分都不會消費。

Q: 大家可以想想看，為什麼「加入購物車」和「瀏覽官網商品」的精確率與召回率之間的落差那麼大？這兩者之間到底存在怎樣的關係？

首先我們必須理解上述2種受眾的定義是什麼？它們是根據使用者在你網站上的執行的動作而判斷的。每天可能有幾十萬，甚至幾百萬人瀏覽你網站的商品，但是會將商品加入購物車的人也許就沒那麼多了，因此根據「瀏覽商品」這個行為可以匡列的受眾會遠比「加入購物車」要多。但是哪種受眾的購買意圖會更加強烈呢？答案當然是後者。

「瀏覽官網商品」和「加入購物車」就像是漏斗，一層一層篩選出更有機會消費的使用者，漏斗下層的人數也會越來越少。「塔圖深度學習模型」的預測結果顯示精確率與召回率都比「再行銷受眾」更高，F1-score 可提升至 29%，表示 AI 預測的受眾有機會取得「再行銷受眾」 2倍以上的轉換率！

塔圖攜手OB嚴選創造嶄新的廣告投放受眾

我們希望幫助客戶在廣告投放時可以有更多選擇，不再只仰賴再行銷、新客、興趣愛好受眾，因此我們應用 OB 嚴選站內的數據，搭配深度學習模型，預測使用者未來的消費行為，預測受眾在經過10週的 Facebook 廣告投放後，我們效果比起直接打包會員名單來得更加有效，成功為品牌提升了27%的轉換率。AI 模型預測受眾的應用非常廣泛，除了能在各個媒體上投放，還能用在會員行銷、電子郵件行銷等。

塔圖深度學習模型的訓練方法

Step1: 網站資料處理

一間電商每天平均有 500 萬筆資料，為了提升 AI 的運算效率，我們必須先將資料壓縮整理，並且決定要使用哪些特徵 (Features)來訓練模型。

Step2: 深度學習模型的運算及優化

電商資料是有時間順序的，因為每位消費者在最終購買前都會有一系列的購買訊號，這些訊號必須按照時間順序串連在一起，因此在訓練深度學習模型時必須運用遞歸神經網路 (Recurrent Neural Networks，RNN) 及長短期記憶模型 (Long Short-term Memory，LSTM) ，我們可以理解為「有記憶的神經網路」，它能讓模型分辨每個購買行為發生的先後順序。

Step3: 與真實資料進行驗證

深度學習模型的預測結果需要與真實資料進行比對，前面提到深度學習模型會以網站過去 7 天的數據來預測未來 14 天的購買行為，因此當預測結果出爐，我們會與實際上在未來14天有消費的受眾進行比對，以找出AI模型預測的誤差。誤差越小表示模型訓練越成功，反之就需要再進一步優化模型。

因應不同產業可客製化的塔圖 AI

塔圖 AI 不侷限於將一種模型套用在所有情境身上，而是根據不同的產業、撈取不同的資料、訓練不同的模型，並且每天根據最新數據重新預測未來 14 天的使用者消費行為。當模型學習更多數據時，我們就能更了解特定產業消費者的面貌，意味著AI的預測會變得越來越好。

使用 AI 深度學習模型預測受眾對電商而言有什麼好處？

1.廣泛且細微的數據洞察

AI 能比人工更精確且快速地針對海量數據進行極度廣泛的觀察。

2.掌握更多消費者線索

行銷人員可掌握更多有利線索，例如：顧客輪廓、產品喜好，以調整行銷策略。

3.篩選更精準的受眾

比起大海撈針或盲目選擇受眾，AI 預測能匡列出轉換機率較高的受眾。

4.可提供客製化的受眾包

根據產業特徵與客戶需求彈性調整，比起一般數據庫更具獨特性。

總結

大數據分析能夠帶給企業無限的可能，然而唯有精確且恰當的分析才能從數據中推測出對自己有利的訊息，AI就是一種可以讓數據發揮更大效益的方法，市面上出現越來越多以AI主導的數據分析平台證明了這一點。我們相信懂得充分運用數據的企業一定能夠在未來的市場中佔有一席之地。

如果你有興趣了解更多我們的深度學習技術，歡迎聯繫我們預約免費顧問諮詢。