资诚企管顾问执行董事刘镜清，曾经担任IBM工商事业群总经理，是Big Data在国内推展的先头部队。他可以分享的Big Data成功应用案例，不可胜数;但他也提醒，「Idea」才是最重要的分母。

　　「网络上关于Big Data的讨论很多，似乎都认为资料量要达到「太位元」(Terabyte，TB)才算Big Data，我的看法不太一样!」

　　发会员卡是为了抽样调查

　　资料究竟多大才够?其实取决于「用途」，有时资料少少的就够了;「采矿」(Data Mining)前，对所要探勘的答案与后续市场策略，要计画得够清楚，才是Big Data能否奏效的重点。

　　举一个非Big Data的案例来类比，或许有助思考工具与目的的关系。日本便利商店Lawson借发行会员卡来了解消费者「到店距离」与「购买行为」的关系。他们想知道：住在多少距离以内的消费者会到Lawson购物?多远的距离或哪一种商品类别，会让消费者选择量贩店?

　　所以，外界看到的或许是Lawson发行会员卡，而Lawson则心知肚明自己的目的是抽样调查。

　　Big Data非新鲜事

　　目前全球最大的资料库就是互联网，由于世代经验的落差，想要了解消费者代代不同的想法，到网络上「捞」资料，是最精准快速的方法，「了解使用者想什么」 ，正是脸书(Facebook)维持身价的关键，只是它还没开始大张旗鼓地「开矿」。

　　不过，Big Data所归属的商用智慧(Business Intelligence，BI)，已行之有年，分析大量「既有」资料的作法，并非新鲜事;只是Big Data使用累积的庞大资料，再加社群，两项新元素让既有的BI产生空前变化。

　　Big Data计算分析出的模型(pattern)具有预测能力，而且数量之多，远超出人脑所能记忆。最典型的例子是气象预报，Big Data分析的台风路径，即使专业气象人员也很难全数记住。

　　应用，火星文是「罩门」

　　应用Big Data，没有产业限制，从半导体业的生产线品管、民生消费与金融业创新产品与服务、手机制造商收集使用习惯，到选战分析数以百计的电视谈话性节目、政府部门查漏税、漏水、疏运交通、国土安全……，全都派得上用场。

　　「语意分析」是Big Data的最大障碍之一，它判断有「弦外之音」的关键字会失准，也看不懂圈圈叉叉的「火星文」，否则，只要使用目标清楚，通常都能发挥大效益。

　　资讯与策略，一体两面的问题

　　这么多Big data应用个案，我要强调的是，重点都在「应用」，而一般企业在应用时，会出现几个问题。

　　首先要问，企业是不是确定要走「资料决策」这条路?如果「是」，接着就要回答，企业的「创新」策略为何?也就是找到企业的成长路径。如果企业需要资讯协助，以达到成长目标，就会延伸出「资讯策略」。

　　目前常见的资讯决策模式，是老板先有想法，再请资讯人员执行。但我曾经碰过两位向资讯人员请教「资讯能帮企业做什么」的老板，这时决策流程是倒过来的。

　　当老板请教资讯人员，就面临第二个问题：现在资讯经理太多，而资讯长太少;衍生而来的问题在于，不懂技术的老板遇到只懂技术的资讯经理;老板想听「故事」，但资讯经理不会说故事。

　　Big Data人才策略：资讯长领军的团队

　　所以，企业发展资讯策略，必须先找到正确人才。Big Data时代最抢手、也最欠缺的人才，是具资讯科技背景又懂营运(business sense)的资讯长，以实际薪酬行情来看，一个符合条件的资讯长，年薪超过千万，而国外企业的资讯长多为副总经理层级，层级够高，才能做事。

　　然后，Big Data所需要的人才，是一个团队，团队成员包括消费者心理行为、统计学、作业研究专家组成的团队，然后才会谈到后面的技术。

　　我认为，未来程式设计人员的重要性，将位居Big Data整体人才架构的最下层;不然，企业就得找到具备心理学、统计学或工业工程背景的程式设计人员，否则，企业若过度依赖程式工程师来落实Big Data的创新效果，将会遭遇困难。国内企业不妨参考大陆网站借重心理学家的作法。

　　心理学家在系统建置完成后，会进行约百人规模的使用者测试，系统自动记录受试者迅速跳过或停留较久的那些页面，然后，心理学家会针对使用者这些「不寻常」的反应，进行访谈，做为系统改善依据，而作业研究(Operation Research，简称「OR」)专家，是其中很夯的一种心理学家。

　　分析前重创意，分析后重决策

　　当企业具备所有Big Data要件，我认为，最难的仍是创新构想。有足以杀出重围的创新策略，Big Data的精准分析能力，才帮得上忙。然后，Big Data完成分析后，企业拟定的市场策略也极关键，如果不能吸引顾客上门，分析了半天，效益还是「零」。

　　我们曾以多元销售(multi channel)协助零售业者，例如以手机传送促销讯息，将潜在消费者「拉」进店里;知名汽车品牌则透过收集同级房车车主名单，来接触新客户;取得Big Data硬体设备不难，创意与策略才是真正无法取代。

　　徐重仁更需要Big Data

　　Big Data并非完美无缺，「即时性」(on-line real time)技术是一大难题，仍有待突破。目前只有少数厂商能做到将所侦测资讯即时分析，并立刻传送给客户。而国内市场规模较小，企业运用Big Data的成本相对偏高，何况，Big Data并非追求成长的唯一有效工具，只要有好创意，企业同样能够获利。

　　就像7-Eleven过往许多商品、服务、命名的成功，都得力于前任总经理徐重仁对消费者行为的敏锐直觉，他这类型专业经理人，未必需要Big Data辅助;而市场嗅觉较不灵敏的「管理型」经理人，现在似乎也不必太担心，Big Data可以作为他门的第二直觉。

　　刘镜清谈Big Data实际案例：

　　一、智慧查税：查漏税能力大增

　　这是台湾的案例。在2012年开始启用「所得税选案查核系统」之前，国内的选案查核系统已经20年未曾更新。逃漏税手法日新月益，以人工解读每家企业厚厚一叠的税务资料，老手需时一、两天、新手五天，非常不利遏止漏税的效率。

　　新系统的原理，也是藉由分析大量资料，找出可能逃漏税的「点」，提醒税务人员留意查核，无论资深、新手，一天就能出门「智慧」查税。

　　二、金融保险业：鼓励刷卡与续保

　　我曾以Big Data分析国内一家金融业客户的信用卡持卡人，发现超过4000位持卡人趁着新年假期出国旅游。根据这个发现，我们建议客户启动一次事件行销(Event based Marketing)计画，将持卡人以2000人一组，分为实验组与对照组，电话行销人员只联络实验组，告知出国时以这张信用卡消费，享有优惠。

　　结果，持卡人有两项显著的行为改变：听完行销说明的比例，以及出国刷卡的金额，都大为提高，实验组平均刷1万700元，比对照组的6058元，多了77 %。

　　保险业可以透过Big Data分析，鼓励即将缴费期满的保户，将资金再转入另一项产品，而不是任由保户到期，领走保险费，错失继续销售的商机。

　　三、民生消费产业：新产品「拉」来消费者

　　用Big Data分析部落格资料，成功开发为年轻世代接受的新一代新产品，最著名案例莫过卡夫食品(Kraft Foods)在澳洲上市「Vegemite」蔬菜酱的年轻版，「iSnack2.0」。

　　被他国消费者嫌弃味道怪、甚至难以下咽的Vegemite，1922年便在澳洲问世，九十多年来一直是澳洲家庭必备的餐桌圣品。卡夫力求金鸡母持续长红，因而密切注意消费者口味的世代交替现象，以及占总人口数两成的新移民，是不是也同样热爱Vegemite。

　　结果，意外发现网络上的Vegemite部落格，年轻粉丝都同意，一层Vegemite、一层乳酪抹酱(Cream Cheese)是夹土司最美味的吃法，共同的抱怨则是酱上抹酱有点难。

　　卡夫于是立刻推出蔬菜酱混合乳酪的「iSnack2.0」，上市不到一年，就创造与Vegemite不相上下的销售佳绩。新产品概念全靠Big Data分析网络资料。

　　四、交通管理：准确预测塞车机率

　　新加坡交通主管机关可以准确预报30分钟、1小时、两小时……后的高速公路交通流量，预报能力杰出，不会发生预报顺畅、上道却堵车的误差;因为他们应用Big Data分析大量过去资料、从而建立节日、周末、离尖峰等，各时段的交通流量模型，准确度很高。

　　类似的应用很多，微软曾透过在计程车安装GPS收集路况资料，协助北京改善交通;美国的研究也发现，以Big Data分析交通流量所产生的效益，远超过花钱盖新路。

　　五、水资源管理：抓漏水，不再大海捞针

　　香港应用Big Data分析土壤、自来水管材质及庞大的雨量资料，预测水管漏水机率最大的区段，进而排出水管更换的优先顺序，杜绝水管漏水造成水资源浪费。

　　更换漏水管路，防止水资源浪费，是缺水区台湾近年热烈讨论的重要议题。香港以企业经营「将钱用在刀口上」的精神，舍弃各区「平均」换一点的作法，全凭科学方法找出水管汰换的「热点」，值得台湾借镜。

　　刘镜清小档案

　　现职：资诚企管顧问公司执行董事

　　经历：IBM工商事业群总经理

　　学历：中原大学数学系应用数学组