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。

Vpon 助零售業打造 AI-Ready 數據基礎，以 Audience Center 驅動業務商機

如何建立 AI Ready 數據基礎建設？

Vpon 威朋數據科學經理廖宜楷指出，在 AI 驅動的時代，數據的品質決定模型價值。其中四個關鍵分別是：建構標準化的數據採集與處理管線，透過統一的工程規範，確保所有進入系統的數據在格式、維度與質量上具備高度一致性；其次是定義語義清晰的元數據（Metadata）體系，確保數據能夠被 AI 理解與使用，從而產出具備可靠性的產出結果；再來是打破企業內部的「數據孤島」，透過完整整合線上（Web/App）行為與線下（POS/CRM）會員資訊，建構全方位的會員數據輪廓，精準捕捉消費者的跨通路行為軌跡。最後，數據的價值隨時間遞減，AI 的決策品質取決於數據的「新鮮度」，因此，數據的持續更新與自動化維護，不僅能讓企業在動態市場中保持敏銳，還可進一步深化會員輪廓分析的即時性。

舉例來說，在 Vpon 團隊的協助下，台灣百貨零售龍頭透過整合 Web 與 App 行為資料，並將線上與線下數據集中於數據中台進行分析，將傳統耗時數小時的複雜資料庫分析工作縮短至秒級回應，並基於此高效率基礎，進一步開發不同業務主題的預測與分群模型，提升行銷精準度與營運決策的敏捷性。

扎實數據基礎的價值落實：Audience Center 如何賦能企業實現「數據即戰力」？

有了堅實的數據底座後，下一步是透過 Audience Center 將數據資產轉化為商業動能。

廖宜楷指出，在變化快速的零售與數位行銷市場中，速度就是競爭力。然而，仍有許多企業在數據應用上面臨嚴重的溝通與技術斷層。過去，當行銷或業務人員需要數據支持時，通常得花費繁複的內部流程申請需求、討論需求，才會進到後續的資料清理、建模與分析，最後才能得到想要的分析結果或行銷名單。這種以「週」為單位的進程，不僅拖慢了決策效率，更讓企業在競爭激烈的市場中錯失先機。

Audience Center 的核心價值在於徹底翻轉上述流程，將數據處理轉化為數據服務，透過直覺的介面與背後扎實的數據基礎支撐，讓非技術人員不用編寫程式碼，即可自行組合維度，大幅縮短從需求到執行的距離，將原先需要耗時數週的作業流程優化成秒級產出。

「Audience Center 的導入，不僅有助於提升效率，更賦予企業快速試錯與精準捕獲趨勢的能力，讓數據真正成為驅動業務增長的引擎。」廖宜楷如此總結。

以 AI Agent 重塑數據使用方式，讓數據更貼近決策流程

「Vpon 除提供 Audience Center 協助品牌發揮第一方數據資產價值、提供豐沛的第三方數據助品牌深化對客戶輪廓的掌握度，更推出 AI Agent 服務讓品牌與行銷人員能更直覺地使用數據。」Vpon 威朋數據科學資深總監陳文謙表示，在數位轉型的過程中，許多企業面臨的挑戰不僅是數據整合，更包括如何讓不同部門的人員都能更即時協作與應用數據，有鑑於此，Vpon 推出四種 AI Agent 協助企業分析與應用數據，極大化第三方數據成效：

第一，以 Reporting Agent 讓高階主管或行銷人員可以自然語言查詢數據與生成報表，即時掌握市場動態，加速決策下達與決策品質。

第二，透過 Insight Agent 確保數據分析不受分析人員的主觀意識或產業知識侷限，可以輕鬆完成跨領域數據分析、快速挖掘潛在市場機會與消費者洞察。

第三，藉由 Audience Agent 將客戶分群方式從規則導向（Rule-based）轉變為關聯導向，以關聯分析擴大受眾範圍，協助品牌找出更多潛在客群。

第四，推出 Creative Agent 協助行銷人員分析廣告素材表現的根本原因，釐清受眾喜歡的素材跟不喜歡的素材，藉此優化廣告投放內容，持續提升轉換率。

陳文謙表示：「透過 AI Agent 的輔助，品牌不僅能更快完成數據分析，也能將分析結果直接轉化為行銷策略與創意建議，降低跨部門溝通成本，讓數據真正參與決策流程。」

鏈結數據生態夥伴，以跨境數據放大行銷效益

除了協助品牌主建立 AI Ready 的數據基礎環境並提升數據使用效率，Vpon 也持續拓展數據生態圈，協助零售品牌更精準布局海外市場。

Vpon 威朋產品行銷資深經理邱心儒表示，跨境行銷過去多仰賴經驗與市場直覺，但透過數據整合與 AI 分析，品牌能更精準理解海外消費者的旅遊與消費行為。

以 Vpon 與日本 Loyalty Marketing Inc. 合作為例說明，透過雙方的獨家合作，企業可以結合 Ponta 超過一億的會員數據、問卷調查結果以及 Vpon 的七大數據來源，深入分析日本消費者的消費偏好與購買力——包括哪些日本族群對台灣品牌最感興趣、最受歡迎的台灣商品類型，以及不同客群的價格敏感度與回購行為等，將行銷決策從過往的經驗判斷轉變為精準的數據洞察，成為品牌出海的重要工具。

簡言之，對零售品牌而言，跨境數據是理解海外旅客真實樣貌的一大利器，也能進一步優化廣告投放、內容策略與商品布局，讓品牌在拓展國際市場時，可以更有效率地接觸潛在客群，放大行銷效益。

展望未來，Vpon 將持續擴展數據生態圈並優化產品服務，幫助零售品牌從數據整合、AI 分析到市場決策建立完整的數據應用循環，希望以數據夥伴的角色與品牌共同成長，打造互利共贏的數據生態。