各行各業開始針對大數據 (big data) 來尋求經營的新方向，印刷廠也用得上大數據嗎？
《本文開始》
如果有人問你『時間的針腳』這本書你看過了沒？
你剛好沒看過這本，或許會有些心虛，覺得自己學問太差或讀書太少。一般人沒想去反問對方，有沒有看過自己剛剛讀過的一本書，如果你真的做了，99.99%的機會得到『沒有』的答案。因為台灣一年就出版了3.5萬個不同的書出版品（Title），一個出版品可能是一本小說，一本52期的雜誌或是365天的報紙。一個人即使每天看一本書，一年365本下來不過看了一年國內出版品的1/100，何況還有許多年來不斷出版的書呢，更何況一個禮拜能看完一本書都不容易呀？
書市裏書太多，出版社想把自己出版的書賣得好，還真不容易，出版書只好像普通人不斷買獎卷一樣，期望有幾次能中獎（暢銷書）。所以大部分的出版社會請一些名人在書扉頁推薦這本書，為不認識作者的讀者增加一些好印象。當然，出版社最喜歡找曾經寫過暢銷書的作者再寫一本，畢竟作家是讀者找書的重要線索之一，但是作家難免江郎才盡，勉強湊出一本書，常常令讀者失望。所以對那些出過很多書的暢銷書作者的新作品，我們都會先挑這本書前後幾部分讀讀，看看有沒有似曾相識的感覺，避免被偷懶的編輯忽悠了。
書的選擇太多，書店為了增加營業額，自然把書架上的好位置賣給一些出版社願意付錢推廣的新書，否則就把好賣的書放在好位置上，似乎沒有更好的辦法去推銷書店裏的書。
網路書店像亞馬遜有數百萬種書要買，如何推銷那麼多書，讓喜歡看這種書的這種人看到這本書？亞馬遜在創業之初，就雇用了十幾位書評和編輯，由這些員工操刀，創作書評和提出建議你看完這本書應該看看那本書，這些人發出的『亞馬遜聲音』在當時大家都認為是亞馬遜最珍貴的資產，也是他們讓當時其他網路書店的競爭者越趕離亞馬遜越來越遠。
接著，亞馬遜的創辦人執行長貝佐斯（Jeff Bezos）開始了一個網路世界重要的嘗試 – 到數據中去挖寶，如果能幫個別客戶按照他們的喜好來建議書，那不是更好嗎？一開始亞馬遜就擁有了大量的客戶的個人資訊，還有買了什麼書的記錄，對那些書關注了最後卻沒有買單，考慮了多久？一起買了那些書。
一開始亞馬遜還是利用傳統計算器運算辦法，期望透過樣本分析，找出客戶之間的相似點，這種技術大不了對一個從事工程師工作的客戶建議其他工程師職業的客戶買類似的書籍；建議一個買了圍棋定石書的客戶，買圍棋殘局的書。就像一個不看書的人被讀者提出的合理建議，只是因為他有完整的書單罷了。
亞馬遜有一個軟體工程師格熱格(Greg Linden)，他在華盛頓大學博士班時主修人工智慧，他想出了一個辦法，不要去管客戶之間的異同，只要管產品之間的關聯就好了，格熱格這個團隊在1998 年以此申請專利，把亞馬遜的賣書推薦系統整個改頭換面，也為大數據開始了一個全新的應用。
有了這套系統，亞馬遜給上網找書的客戶兩個選擇，一個是計算器找出來的建議，一個是內部編輯的書評，這樣的並行作業就是要比較那一種建議更有效益，可以說是電腦和人的競賽。
到底編輯寫出的內容還是電腦的建議厲害？那一項能帶來更多的營業額？沒想到，僅是小小的測試一下，那就發現天差地別，電腦的建議遠遠勝過精彩的書評。
沒有人知道，喜歡看甲作家的書的人也會買乙作家的書，喜歡驚悚小說的人也會喜歡看歷史類的書，為什麼如此並不重要，電腦透過書與書之間的關聯，讓客戶一次多買一本書，亞馬遜就達到目的了。
最後，亞馬遜製造書評的部門因而解散了，理由是他們的書評會影響書店的銷售。今天亞馬遜33%的書是電腦推銷出去的。
電腦從大數據中找出事物的關聯性，知道『原來如此』就夠了，根本不用去理會『為何如此』，就能解決商業問題？
像谷歌這樣的搜索引擎一天就有幾十億的搜尋，幾年下來存下來的數據如海洋一樣遼闊壯大，穀歌還提供API讓你的電腦去大數據中尋找你要的關聯性。
如果你賣的是衣服，你可能從大數據中發現下一季少女可能流行的顏色或式樣。
你是搞印刷的，如果你預測什麼是最熱門的產品，當然願意給相關產品的印刷品打個折扣？
|
