用統計磨練商業Sense！7個超實用觀念，讓你的決策更精準|數位時代 BusinessNext

統計是一門蒐集、彙整、分析資料的科學，更是企業常用的分析工具。

電子商務網站亞馬遜（Amazon）能在你瀏覽時，推薦你「買了這本書的人也買了這些書」，用的是相關性分析；美國總統歐巴馬（Barack Obama）的競選團隊，知道哪個版面的網站能讓選民增加捐款金額，利用的是隨機對照實驗；市場調查能用少數人的意見推算出整個市場的看法，依據的是抽樣調查的原理。

達特茅斯學院教授查爾斯．惠倫（Charles Wheelan）在《聰明學統計的13又1/2堂課》一書中，列舉出學統計的目的，其中包括：1.分析數據，將資料做出摘要；2.做出更好的決定；3.辨識出能提升做每一件事效果的模式；4.評估政策、計畫與其他創新事項的效用。聽起來是不是很熟悉？彙整數字做出決定、找出做事更有效的方法、評估計畫的效用，這些不就是經理人的工作嗎？

別害怕數學，從統計學的入門版學起，至少，你得知道7個統計觀念，幫助你磨練商業決策的眼光：

1. 次數分配表和直方圖

記錄組別和次數的表格，稱為次數分配圖。利用組別和相對次數的數據製作成長條圖，又稱直方圖，長條之間不會有間隔。

將資料分門別類，然後依照類別分組填入次數（頻率），即為次數分配表（圖表1-1）。再以組別為橫軸，相對次數（或次數）為縱軸，即可將次數分配表「視覺化」，畫出的長條圖稱為直方圖（圖表1-2），可以直接看出樣本的分布。

次數分配表和直方圖可用來進行ABC分析法，據以研擬商品策略：❶將次數分配表依照營業額的高低重新排列商品順序；❷求取各類商品占整體營業額的比率；❸從營業額最高的商品開始，依序累計各商品的比率（累計比率；圖表1-1最右欄）；４在直方圖（圖表1-2）；上以累積比率為第二縱軸，製作折線圖（圖表1-3）。

根據ABC分析法，累積比率在70%以下的商品歸為A類，70%～90%的歸為B類，其他的歸為C類。從圖表可知，A類的3種麵包（吐司、熱狗麵包、菠蘿麵包）合計約占營業額的七成，應該優先主打A類商品，生產線也要優先生產A類商品。

2.平均數

客單價就是消費產業最重視的平均值之一，以「銷售總額÷來客數」。客單價的重要性在於，提高客單價就能在來客數（分母）相同的情況下，拉高營業額（分子）和利潤。百貨公司的周年慶滿千送百、便利商店推出的集點活動，都是為了拉高客單價所進行的促銷活動。

3. 中位數

中位數的優點是可以去除極端值的影響。舉例來說，百貨公司新引進了一個超高檔品牌，拉高了整層樓的平均營收，看起來好像整層樓的業績成長，但是如果將各專櫃的營收由小而大排列，從中位數就可知道，大部分品牌的營收其實沒有成長。

4. 眾數

平均數、中位數和眾數都是用來描述數據的方法，眾數也不受極端值的影響，最適合用來表達具有「集中」趨勢的數據。比方說，製鞋廠從客戶的銷售資料中發現，銷量最高的鞋子尺碼是23.5號（眾數為23.5，此時計算鞋碼的平均數和中位數都沒有意義），因此鞋廠應該集中資源生產23.5號的鞋。

5. 機率

機率是用0～1來表示事件的可能發生的程度：0代表不會發生，全部的可能性加起來為1。

以棒球為例，打者的打擊率為三成，表示他有三成機會打出安打，七成機會沒打出安打，而安打加沒有安打的機率應該等於1。擲一次骰子，可能出現1到6點，出現任一點的機會為1/6，全部的可能性加起來等於1。機率適合用來規畫工作進程、預測業務進度，避免做出過於樂觀的判斷。

假定廣告公司內部提案的通過率為七成，通過的案子馬上被客戶接受的機率是五成，這表示每一個提案要獲得公司內部與客戶認可的機率是0.7x0.5＝0.35。用機率的方式思考，由於提案成功率只有三成五，所以提案時應該要多準備幾個備案；而提3件案子只通過1件，也都屬於正常情況，用不著氣餒。

6. 期望值

期望值是機率的應用，將「事件的機率」×「可能得到的報酬」，求得做這件事的期望價值。

假設你擲出骰子幾點就可以得到幾元，那麼擲一次骰子的期望值，就是將所有可能性的期望值算出來相加，也就是1點1元（1/6x1=1/6）加上2點2元(1/6x2=2/6)加3點3元（1/6x3=3/6）加4點4元（1/6x4=4/6）加5點5元（1/6x5=5/6）加6點6元（1/6x6=6/6）的總和3.5元，這表示你擲一次骰子的期望值就是3.5元。

期望值可用來衡量決策，如果某件事的期望值低於做這件事的成本，就沒有做的價值。再以廣告提案為例，假定最終通過客戶審核可賺得100萬元的話，我們可算出提案成功的期望值就是100萬x0.5=50萬，提案在社內通過的期望值則為50萬x0.7=35萬。這表示你最初的提案有35萬元的價值，也表示若提案的成本超過35萬，你也許根本不應該接下案子。

7. 常態分布和標準差

常態分布可以用來當作品管的基準點，當工廠正常運作時，如果任意挑出部分產品，平均計算其重量和大小，結果應該會呈現常態分布。如果圖形開始偏離常態分布，就可以推測生產設備可能發生異常，應立即檢查改善。

標準差則是用來表示大多數的資料距離平均值有多遠。當資料呈現常態分布，那麼距離平均值一個標準差的範圍內，應該聚集了68%的資料（如圖），兩個標準差內聚集了95%的資料，三個標準差內包含了99.7%的資料。假如你身高181公分，台灣男性平均身高為172公分，標準差為4公分，表示你的身高大於兩個標準差，算非常高。

同理，當你在挑選運送商品的貨運公司時，如果有兩家公司的平均送達天數都是3天，但是A公司的標準差是0.5天，B公司的標準差是1.5天，這就表示：A公司有68%的機會，會在3±0.5＝2.5～3.5天內送達商品，B公司有68%的機會，會在3±1.5＝1.5～4.5天內送達。要是你想要商品都在4天內送達，就應該選A公司。

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。