# 智慧商務（成大）

[toc]

## 0. 課程基本概念

### 企業的智慧轉型

#### <font color='red'>觀念、方法與技術</font>

:::spoiler

:::

* 方法：解決、處理問題的步驟
* 論：討論性的闡述
* 系統化：是合理化的
* 方法論：<font color='red'>系統化做事的方法</font>，有系統地運用方法來處理問題。

### 轉型/再造之概念


### 智慧商務的概念


工程師：訓練有素的狗
As-Is 企業分析：
1. 快速知道企業在做什麼
2. 為企業發現需求
3. 知道如何解決

To-Be 企業工程：
1. 新的 idea -> 有新的做事方法
2. 系統化工程：改造或創建 -> 企業做事的方法與工具


### 系統與系統工程


* 企業是系統
* 企業中有很多應用系統

### 商業模式


## 1. 智慧商務簡介

### 原則：從系統的角度（系統思維）看問題
* 企業是系統
* 企業的各功能單位也是系統
* 企業有很多應用系統
* 市場也是系統，各元素也是系統
* -> 整個企業都由系統所構成
* 系統是能夠讓其組織運作的方式

### 1.1 背景與趨勢


網路化、專業化


### 1.2 Intelligent / Smart

* Intelligent：認知、學習、理解、解決問題和適應變化的能力
理解複雜情況、<font color='red'>"運用知識（能夠吸收並轉變）"</font>、學習經驗、推理與<font color='red'>"創新"</font>、解決問題
用以適應新的情境並完成目標的能力
* Smart：<font color='red'>快速</font>學習、理解與應對的表現特點。
具備<font color='red'>高效、敏銳的觀察和反應能力</font>。
強調<font color='red'>實際應用的表現</font>，而不僅是知識的累積。
* Wisdom（智慧）：價值觀、道德、情感和生活經驗的思考，體現在對人類存在和<font color='red'>人類行為的深刻洞察力</font>上而非技術上的知識。
包括<font color='red'>對情感、倫理、人類心理和社會互動</font>的深刻理解。
能夠<font color='red'>轉念並從生活經驗中獲得教訓</font>。

### 1.3 智慧系統 與 智慧企業

將智慧的概念套用到企業上

#### Intelligent system 智慧系統


#### 作業

:::spoiler
:::

你是 Intelligent system 嗎？
你是 Wise man 智者嗎？
可以參考前面所提的智慧概念來說明。

#### 智慧企業

:::spoiler
:::

把企業做的 Smart，包含創新、快速、因應變化的能力。

#### 智慧工程

:::spoiler
:::
智慧系統、系統再造 -> 把系統變得 smart
智慧工具 -> 能夠代替、輔助工作人員做得 smart
智慧監控 -> smart 的掌控系統

## 2. (企業)智慧轉型

### 2.1 企業數位轉型與智慧轉型概念

#### 數位轉型

* 數位 = 數位科技
* 轉型 = 經營方向、營運模式及組織架構、資源配置的改變
* 數位轉型 = 透過<font color='red'>數位技術</font>，產生新的<font color='red'>應用模式（經營、營運、商業等模式）</font>、<font color='red'>文化</font>、<font color='red'>提升效率</font>與<font color='red'>新價值</font>及<font color='red'>傳遞方式</font>。
* 改變企業運作方式
* 改變企業價值的創造與傳遞方式
* 變成 information
* 其結果包含商業模式創新、業務流程重塑、客戶體驗優化、企業文化變革、數據驅動決策等

#### 智慧轉型

智慧轉型 大致等於 數位轉型
但強調利用 <font color='red'>AI、ML、互聯網</font>等技術，以<font color='red'>智能化（利用大量經驗、規則等變得 smart）</font>達成轉型。

### 2.2 企業數位轉型架構

:::spoiler
:::

#### 數位能力程度

* Lv0 初始化：仍在進行數位化過程。
* Lv1 數位化：具備資訊系統、紀錄營運數據等。
* Lv2 整合化：運用數位工具整合工作流程，有效的介面、管道、數據共享。
* Lv3 自動化：收集整理數據，制定規則，達成<font color='red'>自動化反應與調整</font>
* Lv4 智慧化：建立模型，根據不同情境<font color='red'>自適應</font>，以創造<font color='red'>企業智慧化</font>

#### 數位轉型
:::spoiler
新觀念去改變應用技術外還有文化、組織運作、交付價值等。
:::

1. 組織營運卓越：基於數位化，達成流程運作、工作支援以及營運決策的提升。
2. 完善顧客體驗：了解顧客，包含市場分析與行銷。做到顧客的接觸、認識、訊息掌握與拓展。
3. 商業模式再造：產生的新產品/新服務模式

#### 商業模式

* 定義：做生意的手法跟方式
* 左邊內部 / 右邊外部
* 有核心價值與目標客群後，如何將服務、產品傳達給客群 → 左半部的內部資源與活動
* 品牌形象與經營顧客關係 → 右半部的外部關係

### 2.3 數位(智慧)轉型案例

#### 西門子（Siemens）
* 製造業：智慧工廠
* 數位孿生：模擬實際生產的過程會遭遇的狀況
* 使用上帝的水晶球：智慧監控

#### 亞馬遜（Amazon）
* 零售業：智能供應鏈與客戶體驗
* 預測式物流：預測顧客需求，預先配置物流和倉庫資源
* 更快的物流：增強客戶的體驗

#### 摩根大通（JPMorgan Chase）
* 金融服務：風險管理與客戶服務
* AI風險管理、虛擬助手：識別潛在的異常交易、協助顧客解決問題
* 服務品質：增強客戶的體驗

#### IBM Watson Health
* 醫療健康：精準醫療與個性化治療
* AI診斷建議：協助醫生診斷

#### UPS
* 交通與物流：智能運輸系統
* 路徑分析：分析送貨路線與時間

#### GE（通用電氣）
* 能源：智慧電網
* 監測和管理電力分配系統

#### John Deere
* 農業：智慧農業
* 精準農業：智慧調整肥料與水的使用、預測適合種植的作物等

#### Coursera和Khan Academy
* 教育：個性化學習
* 個性化學習：掌握學生的學習狀況，並客製化學習策略

### 2.4 數位(智慧)轉型Methodology

系統化做事的方法


## 3. 系統與系統工程

* 世上沒有萬靈丹
* 回歸製造基本面
* 從系統的角度看問題(系統化思維)
* 企業是一個系統
* 企業會用到很多系統

### 3.1 系統

#### 定義：
* A system is a unity formed of many often <font color=red>diverse parts</font> subject to <font color=red>a common plan</font> to serve <font color=red>a common purpose</font>.
* 系統是由多個相互關聯和相互作用的<font color=red>不同元素</font>組成的整體，這些元素共同工作以達到<font color=red>某一特定的目的或目標</font>。
* 系統是為了完成相同的 Mission 所組成的元素

:::spoiler
:::

#### 系統的結構：
* 系統由多個子系統構成，
* 並且受內部和外部的因素影響，
* 大到與宇宙、小到電子都是系統。
* 系統具有生命週期，不會獨立存在 → 相依相存 → 不斷互動運作變異(成長/衰退) → 互動中彼此影響


* 系統與外在因素(系統)不斷互動相互影響而變異(成長/衰退)
* 系統的成長/衰退也受內部元素(因素)影響

:::spoiler
:::

#### 人也是系統
人的元素擁有同個目標，也受外在跟內在因素的影響。
系統價值在於 funtions，人可能是賺錢、工作、學歷、名份等等。
:::spoiler
人受到內外因素的影響
:::

#### 上帝的水晶球


* 智慧監控：掌控跟策略

#### 企業系統



### 3.2 系統工程與管理

* 定義：
The process, methods and technology to plan, design and construct a system.
(系統工程: 有計畫的將互異的個體結合成整體，以達成一共同目的的工程和任務。)
包括設計、實現和管理系統
* <font color=red>系統工程的四要素</font>：
1. 系統目標：是為了要得到什麼東西
2. 系統工程步驟(程序)：為了完成這個東西的步驟
3. 系統工程方法與技術：為了完成這個東西的工具或方法
4. 系統工程管理：如何規劃、管理系統工程活動的過程，確保目標能夠按時完成的方法。

* <font color=red>系統工程的七步驟</font>：
1. 需求分析
2. 規劃
3. 可行性分析/評估
4. 設計
5. 開發/建構
6. 導入/實施
7. 評量與持續改善

* <font color=red>what? why? how?</font> 三個重點
* what 做什麼？ 產出 目標 效益
* why 為什麼做? →有什麼Value 動機 需求 問題
* how 如何做? 程序與方法 → why為何這麼做

### 3.3 系統化思維

系統思考，看事物的架構與核心。
以下的結構：

宏觀會考量到周遭的一切(相關與時間的因素)

#### 系統化思維：邏輯思考→Problem solving
邏輯思考是一種系統性的思維方式，用於分析問題、解決問題和做出合理的決策。

#### 系統化思維：邏輯思考→因果分析 & 相關性(關聯)分析

因果分析，理解事件間的因果聯繫，可用來<font color=red>預測和解釋</font>現象。
因果關係圖：
找原因→知道為什麼
找對策→達到一個目的

### 3.4 系統分析與建模
針對外部的 functions 有內部的工作流程
功課：以一個部門/組織的角度去完成這張結構化的分析（包括Mission, Function, KPI）

## 4 企業與商務活動

### 4.1 Enterprise與Business的定義

* 企業(Enterprise)：從事商業活動（生產、流通與服務）的營利組織
* 目標：營利、賺錢
* 商業（Business）：有組織的提供顧客
所需的商品與服務的一種行為。


### 4.2 企業功能架構與運作模式


系統化運作模式：持續系統性地運作跟循環

A：

### 4.3 商務活動(功能)

市場分析：知道市場缺少哪一塊
產品開發：開發新產品補足那塊
生產：生產新產品
採購：生產產品的物料供應鏈
銷售：賣出產品
行銷：跟顧客的關係管理

:::spoiler
:::

市場：供應者與需求者的互動。
市場分析的目的：掌控市場資訊，做出決策。

#### 行銷
行銷STP：市場區隔(Segmentation)、目標市場選擇(Targeting)、市場定位(Positioning)
4P：產品（Product）、價格（Price）、地點（Place）和促銷（Promotion）
4C理論是以消費者需求為導向：消費者（Consumer）、成本（Cost）、便利（Convenience）和溝通（Communication）

#### 產品設計
量產計畫 (產品開發 → 生產)

#### 供應
* 供應商管理：確保零組件(原物料)能適時、適質、適價、適量、適點的購入
* 供應鏈：上游供應商、製造商到下游品
牌商、通路商形成的網絡

#### 銷售
行銷：把客戶找來

## 5 企業工程

### 5.1 企業工程概念

以<font color=red>系統工程</font>之方法進行企業<font color=red>分析、 建模、轉型規劃、轉型設計與實施</font>，以提升企業營運績效。

系統工程四要素：
1. 系統目標
2. 系統工程步驟(程序)
3. 系統工程方法與技術
4. 系統工程管理


### 5.2 企業分析


* 整體分析 → 策略規劃 → 智慧轉型
* 部門(功能)分析 → 策略規劃 → 智慧轉型

分別去看現況與問題→對策
策略：找到實現目標的方法

#### 企業影響

## 6

### 6.1 Data Science

水晶球的視角來看資料

* <font color="red">原始資料(RawData)</font>經過整理後稱為<font color="red">「資訊」(Information)</font>最後從這些資訊中分析出來的訊息，就稱為<font color="red">知識</font>。
* 科學是一個基於觀察、實驗、數據分析和理論建構的系統化方法。
* Big Dat 指的是在合理時間內達到擷取、管理、處理、並整理成為人類所能解讀的資訊。
* 資料探勘(Data Mining)是指從資料裡找出有的(有值的)規則性和關聯性。如統計學或機器學習。
* 資料科學可以做到：

* 資料
資料是對事實審慎、客觀的紀錄，代表從相關情境(context)中獲得的事實和觀察
* 資訊(Information)
- Information = Data + Data + … +Relation
- 關聯性與趨勢
- 資料結合意義後，才會形成資訊
* 知識
- Knowledge= Info. + Info. +…+ Explanation Model + Solution Model
- 模型
- 知識來自於資訊，根據資訊而相信或重視的事物就是知識。
* 智慧(Wisdom)
- {(知識+應用)→經驗}→智慧
- 歸納知識應用所累積之成功經驗，形成原則、策略、形式、模式等，能迅速、靈活、正確理解、處理、決策的能力。
- {(知識+經驗+創造力+決策力)}
* 創造力(Creativity)
- {觀察(Observation) + 想像(Imagination)}
- {觀察(Observation) +整合(Integration)}


#### Data Science Analytics Framework


#### 產生資訊的方法

* 文字化(Contextualized)
* 讓我們明白資料收集的目的
* 分類(Categorized)
* 使我們瞭解資料分類的重要項目與分析單位
* 計算(Calculated)
* 透過數學或統計方法來分析資料
* 更正(Corrected)
* 把資料中的錯誤移除
* 濃縮(Condensed)
* 把資料濃縮成更簡潔的形式

#### 資訊轉變為知識的過程

* 比較(Comparison)
* 這情形和我們以往曾經碰過的有什麼不同
* 結果(Consequences)
* 這資訊對決策與行動有什麼啟示
* 關連性(Connections)
* 這些知識和其他部分的知識有什麼關連
* 交談(Conversation)
* 其他人覺得這資訊怎麼樣

#### 知識化為行動

* 知識可貴的原因之一，在於他比資料或資訊都要更接近行動
* 知識的評估應該以它對決策或是行動造成的影響為準

從行動累積經驗，精煉經驗成智慧

### 6.2 AI


#### Definition of Intelligence?

“Intelligence: the ability to learn and solve problems”
學習並能解決問題

In particular, the ability to:
* solve novel problems 解決新問題
* act rationally 理性
* act like humans 像人類

#### What is involved in Intelligence?

* 與現實世界互動的能力:
perceive, understand (Recognition), and act 感知, 理解(辨識), 行動
Reasoning and planning

Knowledge: 死的知識
Intelligence :能夠對環境調適與應用知識

#### Two approaches of Artificial Intelligence

“cognitive modeling” versus “engineering”
認知建模與工程: 認知科學
「認知科學」是一門從多方位探究**人腦**或**心智活動**的學科。
探究範圍: 注意力、語言理解、學習與發展心理、
記憶、知覺(視聽觸嗅)與行為。

#### 心智活動


#### 問問題


就像是一個函數: 有input跟output

#### 學習機


#### Machine Learning

1. 從**資料**中自動分析獲得**規律**，並利用規律對未知資料進行預測的演算法
2. 從歷史資料中學會一套**技能**、並能
逐步完善**精進該項技能**。

* 關注：如何隨著經驗累積自動提升性能、自我改進
* 關鍵點：在於**特徵的選擇**，以及輸入與輸出之間的**關聯性建模**，也就是【**函數學習**】或【**映射**】: 給定一組特徵，映射到正確的領域(domain)。 (將問題化為函數)
* 機器學習：讓機器根據一些訓練資料，自動找出適用的函數 （function）


#### 學習是一個有特定目的的知識獲取過程
* 內在行為：是獲取知識、累積經驗、發展規律
* 外部表現：是改進性能、適應環境、實現系統的自我改善

#### 監督與非監督式學習


#### 對抗式學習

由兩個相互對抗的神經網路所組成，
一個為**生成器（Generator）**，負責生成假的數據；
另一個為**鑑別器（Discriminator）**，它負責判斷生成器生成的數據是否為真實的數據。
兩個網路不斷相互對抗、反覆訓練，直到生成器的數據足以欺騙鑑別器。

#### 增強學習

增強學習機器為了達成目標，隨著環境的變動，而逐步調整其行為，並評估每一個行動之後所到的回饋是正向
的或負向的。

強化式學習不標註任何資料，但告訴它所採取的哪一步是正確、那一步是錯誤的，根據反饋的好壞，機器自行逐步修正、最終得到正確的結果。

給予獎勵機制

#### 遷移學習

遷移式學習旨在將一個任務中學到的知識（如特徵表示或模型權重）應用到另一個相關任務中。這種方法能夠在**數據不足**或**計算資源有限**的情況下，顯著提高模型的性能和訓練效率。

遷移式學習的目的就是從一個（或多個）來源任務（Source Tasks）中抽取出 "知識" 與 "經驗"，然後把它應用在一個新的目標領域（Target Domain）當中。

## 7. 資料與特徵工程

特徵是對「機器學習」過程有意義的資料屬性，即為**從原始數據中所擷取、選擇出的輸入變數**

被預測的「屬性」稱作反應（response），
其餘屬性則叫作特徵(feature)。

### 特徵工程

特徵工程是指的是將原始數據轉換成更適合機器學習算法使用的**特徵**或**屬性**的過程。
特徵工程的目標是**提取、轉換和選擇特徵**，以提高機器學習模型的性能，**並使模型能夠更好地理解數據**。

1. 特徵提取：將原始數據轉換為可供機器學習模型使用的數值表示的過程。
2. 特徵轉換：通過**數學轉換**將原始特徵轉換為新的特徵的過程，以改善模型的性能。
3. 特徵選擇：選擇最具**信息量**的特徵，並且丟棄冗餘或無關的特徵的過程。這有助於**降低模型的複雜性**，提高模型的訓練速度，並減少過擬合的風險。

### Why特徵工程

特徵工程通常需要根據具體情況進行調整和優化。

### 型態


#### 結構

#### 定量/定性 & 連續/類別
定量：數值(numerical)形式表現出來的資料。
定性：分類，描述某樣東西的性質。


#### 截面資料/時間序列資料/面板資料

1. 截面資料(cross-sectional data)
在某一時點收集的不同物件
2. 時間序列資料(time-series data)
同一物件在不同時間
3. 縱橫資料(longitudinal data)或面板資料(panel data)
面板資料是**截面資料與時間序列綜合起來**的一種資料資源

#### 資料的四個類型

統計學家一般把資料分成 四種型態：
• 區間/等距資料（interval data）：如溫差、滿意等級，可以加減，但因為不具絕對原點，所以不能乘除。
• 比例/等比資料 （ratio data）：如價格，具有次序、距離與唯一原點、無負值，而且各數值間具有等差與比率的關係，有區間資料的加減運算，而且有了一個絕對零點(true zero)的概念。
• 名目/定類資料（nominal data/ categorical data）：如性別，分成互斥且能完全分辨的類別
• 順序/等級資料（ordinal data/ rank data）：如名次，可以比較和排序，但無法進行加減，無法說明大多少

### 特徵工程的步驟


### 不同資料類型之特徵工程


### 資料需求分析

1. 實體(Entity)與屬性(Attributes)分析：哪些實體和屬性可能對問題有影響
2. 要因分析法：確定與目標變數之間的因果關係最密切的特徵
3. 情境分析法：哪些特徵在特定情境下可能具有更大的預測價值。
4. 專家訪談法
5. 關聯分析法：不同特徵的關聯性

## 課程總結