為什麼「特徵工程」才是決定 AI 與行銷預測成敗的靈魂？

一、文章核心觀點

想像一下，你是一家連鎖手搖飲品牌的行銷總監。炎炎夏日，你想預測哪些會員下週最可能購買新推出的「楊枝甘露」。此時，資料團隊把會員系統裡的「原始資料」直接倒給你：裡面只有會員 ID、生日、性別、註冊日期，以及密密麻麻、好幾萬列的交易時間戳記。如果我們直接把這些生硬的數字和日期丟給最先進的機器學習模型（像是隨機森林、XGBoost 甚至是深度學習），模型往往會像瞎子摸象，預測出來的結果可能跟亂猜差不多。

這正是許多行銷人在導入 AI 預測時常踩的雷：迷信演算法，卻忽略了資料的本質。

這篇文章的核心主張非常直白：在機器學習的世界裡，「特徵工程（Feature Engineering）」才是決定模型預測能力的關鍵橋樑。原始資料（Raw Data）通常雜亂無章且充滿雜訊，我們必須透過選擇、轉換、重組這些變數，將其轉譯成模型「看得懂、學得會」的特徵訊號。正如作者在 FEATURE ENGINEERING 一文中所強調：一個平庸的演算法搭配優異的特徵工程，其表現往往能徹底擊敗一個使用最先進演算法卻搭配差勁特徵的模型。

二、重要概念解析

為了讓大家在實務操作上不再迷失，我們需要將「特徵工程」的繁複步驟拆解。以下是行銷數據分析中，最常用且必須掌握的五大核心概念：

特徵工程核心步驟	這是什麼？（白話解釋）	行銷實務操作範例
處理缺失值 (Handling Missing Values)	補齊資料集中的「天窗」，用合理的估計值（如平均數、中位數）填補。	會員註冊時沒填寫「年齡」。我們可以用該會員所在郵遞區號的「平均年齡」來填補，或用「未知」獨立歸為一類。
類別變數編碼 (Categorical Encoding)	電腦看不懂文字（如性別、居住縣市），必須把文字轉換成數字。常見有 One-Hot 編碼。	將「最愛飲料類別：奶茶、綠茶、咖啡」轉為三欄虛擬變數：`最愛奶茶(0/1)`、`最愛綠茶(0/1)`、`最愛咖啡(0/1)`。
數值特徵縮放 (Feature Scaling)	消除不同數據單位之間的度量差距，避免數值極大的變數（如年收入）吃掉數值極小的變數（如點擊次數）。	將「累積消費金額（數萬元）」與「每月登入 APP 次數（個位數）」進行標準化（Standardization），使兩者均值為 0，標準差為 1。
建立新特徵 (Creating New Features)	利用領域知識，將兩個以上的原始指標做數學運算，提煉出真正有商業意義的新變數。	原始資料只有「消費總額」與「消費次數」，我們主動相除，創造出關鍵的行銷指標：「平均客單價」。
特徵組合與聚合 (Feature Combinations)	將個別欄位進行群組化計算或交互作用，觀察變數相乘或相加後的加乘效應。	將「是否為週末」與「購買時段」組合，創造出「週末深夜消費客群」的特徵，用來精準預測深夜促銷的成效。

【教學提醒】

在資料科學界有一句經典名言叫作「垃圾進，垃圾出」。如果我們不花時間做好特徵工程，直接把未經處理的原始數據塞給 AI，那麼無論你買了多貴的機器學習軟體、用了多厲害的 AI 代理，它吐出來的行銷預測結果也只會是一堆沒有價值的垃圾。

三、與數據分析和行銷領域的關聯

在過去的數位行銷中，我們常談「顧客終身價值（LTV）」或「STP 策略」，但這些理論在實務上要如何落地？答案就是透過特徵工程將消費者行為「量化」。

舉例來說，當我們要分析消費者的顧客旅程（Customer Journey）時，使用者在網站上的行為軌跡是非常破碎的（點擊 A 頁面、停留 5 秒、滑到頁尾、關閉視窗）。這時，行銷數據分析師的任務，就是把這些「碎片化行為」轉化為「高價值特徵」：

點擊 A 頁面 3 次 → 轉化為「商品興趣強度」
停留時間 / 頁面長度 → 轉化為「內容涉入度得分」
最後一次點擊至今的天數 → 轉化為「品牌流失風險指標」

一旦我們透過特徵工程提煉出這些特徵，後續無論是要做「K-means 客群分群（Clustering）」還是預測「下期購買機率（Classification）」，模型的精準度都會呈指數型成長。

如何結合 AI 應用？

在生成式 AI 與大型語言模型（LLM）爆發的時代，特徵工程不再只能靠資料科學家辛苦地寫程式碼，它能以更具智慧的方式與 AI 結合：

AI 自動化特徵生成（Feature Extraction via LLM）：在數位行銷中，我們常收集到非結構化的「顧客評論」或「客服對話紀錄」。傳統上很難直接把這些文字餵給預測模型。現在，我們可以利用 AI Agent 自動閱讀這些文本，進行「情緒分析」並提取出「情緒分數（0-100分）」、或是「客戶抱怨類別（物流、品質、價格）」。這些由 AI 提煉出來的數值，就是極具預測價值的「特徵」，能大幅提升流失率模型的預測力。
AI 輔助特徵點子發想（Generative Feature Ideation）：行銷人擁有最強的「產業知識（Domain Knowledge）」。你可以將現有的資料庫欄位名稱（Schema）輸入給 ChatGPT，並問它：「我是一家化妝品電商，想要預測消費者回購機率，基於這些原始欄位，請幫我推薦 10 個最符合消費者行為理論的 Python 特徵工程點子。」AI 能立刻提供結合時間差、購買頻率、品類交叉率的公式，供行銷人快速實作。

四、行銷實務應用情境

為了讓概念落地，我們來看三個具體的行銷實務場景：

場景 1：零售電商的「會員流失預警系統」

應用情境：一家訂閱制的美妝電商想在會員「正式取消訂閱」的前一個月，篩選出高流失風險名單，並進行主動挽回（發放優惠券或發送專屬 EDM）。
特徵工程設計：如果只看原始的「最近一次消費金額」，效果很差。我們必須建立新特徵：
- 消費頻率衰退率 =（最近 30 天的消費次數）/（過去 180 天的平均月消費次數）。
- 開信互動率 =（最近一個月收到電子報的開信次數）/（發信總數）。
對決策的幫助：當 消費頻率衰退率 低於 0.3 且 開信互動率 為 0 時，模型會自動將該會員標記為「極度危險」，行銷系統隨即自動觸發挽回信件，避免預算被浪費在不會流失或已經無望的客戶身上。

場景 2：數位廣告投放的「點擊率（CTR）優化」

應用情境：在 Meta（Facebook）或 Google 投放廣告時，如何預測哪些受眾對特定視覺風格的廣告點擊率最高？
特徵工程設計：我們不能只拿年齡和性別去預測。我們將使用者的歷史點擊時間與其行為結合：
- 深夜網購傾向 =（在晚上 11 點至凌晨 3 點之間的點擊比例）。
- 折扣敏感度 =（歷史點擊中，帶有「特價」、「限時」、「免運」等字眼的廣告比例）。
對決策的幫助：將這兩個特徵輸入廣告推薦模型。當模型偵測到某用戶的 深夜網購傾向 高且 折扣敏感度 強時，系統會在半夜自動對該用戶提高出價，並推播強調折扣的限時廣告，大幅提升廣告點擊率與轉換率。

場景 3：網紅行銷（KOL）的「預期投資報酬率（ROI）評估」

應用情境：品牌在評估該找哪一位網紅進行新產品開箱業配。
特徵工程設計：過去只看「粉絲數（容易灌水）」。我們應該為每位網紅創造以下特徵：
- 真實互動率 =（（按讚數 + 留言數 + 分享數）/ 粉絲數）。
- 品類契合度 =（該網紅過去發文中，提及「美食、生活」等關鍵字的比重）。
對決策的幫助：透過這些工程特徵，我們能建立一個簡單的迴歸預測模型。即使某網紅粉絲數只有 5 萬，但其 真實互動率 極高且 品類契合度 達 80%，模型預測其帶貨力可能超越 50 萬粉絲的泛娛樂型網紅，精準指引行銷預算配置。

五、行銷洞察與批判性分析

特徵工程無疑是數據行銷的開路先鋒。它的優勢在於能將複雜、主# 數據即訊號：為何「特徵工程」才是決定行銷模型成敗的靈魂？

一、文章核心觀點

想像你是一家連鎖手搖飲店的行銷負責人，手頭上擁有 50,000 筆去識別化的會員消費紀錄。老闆要你預測「哪些顧客下個月會流失」，並針對他們發送挽回優惠券。如果你直接把欄位如「會員編號」、「消費日期」、「消費金額」直接丟進最先進的機器學習演算法中，模型預測的準確度很可能低得像在猜銅板。

為什麼？因為機器並不懂什麼叫「流失的前兆」，它只能看懂結構化的數值規律。

這篇由 Şevval Özlem Sarıtaş 發表的文章指出一個核心觀點：機器學習模型的成敗，關鍵不在於你用了多複雜、多先進的演算法，而在於你如何進行「特徵工程（Feature Engineering）」。

特徵工程扮演了原始資料與模型預測能力之間的橋樑。作者提出了一個在業界廣為流傳的黃金法則：「一個平庸的演算法搭配優異的特徵，其表現往往好過一個最先進的演算法搭配差勁的特徵。」如果我們無法將原始資料轉換成模型看得懂的「訊號」，再強大的演算法也只是在雜訊中摸索。

二、重要概念解析

為了讓大家能徹底理解，我們必須先弄懂什麼是「特徵（Feature）」。在資料科學中，特徵就是輸入給模型的變數。而特徵工程，就是透過選擇、轉換或創造這些變數，讓模型能更輕鬆地抓到資料背後的本質規律。

以下是文章中提到最關鍵的五個操作步驟，我將它們整理成白話對照表：

特徵工程步驟	這是什麼？（白話解釋）	行銷實務上的例子
處理缺失值 (Handling missing values)	補齊資料中的空白欄位，避免模型運算出錯。	顧客沒填寫生日，我們用全體會員的「年齡中位數」來暫時替代。
類別變數編碼 (Encoding categorical variables)	將文字（如性別、地區）轉換成模型看得懂的數字。	將地區「台北、台中、高雄」轉為 `[1, 0, 0]`、`[0, 1, 0]`、`[0, 0, 1]` 的一合一編碼（One-hot encoding）。
數值特徵縮放 (Scaling numerical features)	將不同單位的數值（如年齡 vs. 年收入）縮放到相同範圍，避免模型產生偏頗。	將「年齡 20 到 80」與「年收入 30 萬到 300 萬」全部等比例縮放到 0 到 1 之間。
創造新特徵 (Creating new features)	利用領域知識（Domain Knowledge），將原始數據相除、相乘或轉換，創造出更有指標性的欄位。	原始資料只有「消費總額」與「消費次數」，我們將兩者相除，創造出「客單價」。
結合現有特徵 (Combining existing features)	透過聚合（Aggregation）或交互作用，把多個欄位綁在一起看。	結合「最後一次購買時間」與「平均購買頻率」，計算出「未購買天數是否已超過平均頻率」。

提醒：

特徵工程的本質，就是確保我們餵給模型的不是未經處理的垃圾（雜訊），而是高純度的養分（訊號）。

三、與數據分析和行銷領域的關聯

在數位行銷的領域中，特徵工程通常就是「顧客畫像（User Persona）數位化」的過程。

當我們在探討消費者行為時，我們常會用到行銷學的經典理論，例如 RFM 模型（Recency 近期消費、Frequency 消費頻率、Monetary 消費金額）。你手上的原始發票明細（明細編號、品項、單價、時間）是無法直接拿來跑 RFM 分群的。你必須透過資料整理，把同一個人的發票加總，算出他最後一次來店是幾天前（R）、一年來幾次（F）、總共花多少錢（M）。這個「計算並轉換」的過程，就是最經典的行銷特徵工程。

如果沒有特徵工程，我們就無法將抽象的消費者心理學（例如：顧客忠誠度、品牌黏著度）轉化為定量分析的問題。

如何結合 AI 應用？

在當今生成式 AI 與 AI Agent 快速發展的時代，特徵工程不再完全依賴資料科學家手寫程式碼。我們可以透過以下具體方式與 AI 結合：

AI 輔助特徵生成 (AI-Driven Feature Generation)：我們可以將去識別化的資料字典（Data Dictionary）輸入給大型語言模型（LLM），並加上行銷脈絡。例如輸入：「這是一份電商會員桌機與手機瀏覽行為的資料表，我的目標是預測購物車棄單率。」AI Agent 能自動在幾秒內寫出 Python 程式碼，建議我們創造諸如「跨裝置瀏覽比率」或「深夜瀏覽次數佔比」等極具行銷洞察的特徵。
非結構化文字的特徵提取 (Text Feature Extraction)：在行銷上，最難處理的是非結構化資料，如「客服對話紀錄」或「社群媒體評論」。我們可以部署一個 AI Agent，自動讀取這些文字，進行情緒分析（Sentiment Analysis），並為每筆資料標記「憤怒值（0-100）」或「產品瑕疵提及（是/否）」。如此一來，原本無法入模的文字，就變成了極具預測價值的數值特徵，能大幅提升流失率預測模型的準確度。

四、行銷實務應用情境

為了讓大家更好理解，我們來看三個具體的商業實務場景：

場景一：電商平台防範「購物車棄單」

情境：一家美妝電商想在顧客「即將放棄購物車」的前一刻，自動跳出限時 9 折優惠券。
原始資料：頁面瀏覽紀錄、商品加入購物車的時間、滑鼠點擊位置。
特徵工程實作：
1. 創造「購物車停留時間與平均停留時間之比例」。
2. 創造「過去 7 天內在該品類的瀏覽次數」。
3. 創造「是否曾將同商品移出購物車」的類別特徵。
對決策的幫助：模型能精準識別出哪些人是真的在猶豫（高機率棄單），此時給予折價券能有效提高轉換率，同時避免將折價券浪費在本來就會結帳的顧客身上。

場景二：SaaS（軟體即服務）訂閱用戶流失預警

情境：一家提供行銷自動化工具的系統商，想提早 30 天找出即將退訂的企業客戶。
原始資料：功能點擊紀錄、登入時間、帳號建立日期、客服工單。
特徵工程實作：
1. 創造「近兩週活躍度衰退率」（近 14 天登入次數 / 過去半年平均 14 天登入次數）。
2. 創造「核心功能使用佔比」（使用核心報表功能次數 / 總點擊次數）。
3. 創造「未解決客服工單數量」。
對決策的幫助：當系統偵測到某客戶的「活躍度衰退率」指標異常偏高時，會自動派單給客戶關係經理（CSM）進行主動關懷與技術協助，將流失消弭於無形。

場景三：KOL 業配成效預估與篩選

情境：某潮流品牌準備投入 100 萬預算找 10 位 Instagram 網紅（KOL）合作，希望能最大化業配的導購金額。
原始資料：KOL 的粉絲數、近 30 篇貼文的按讚數與留言數。
特徵工程實作：
1. 創造「真實互動率」：（（按讚數 + 留言數）/ 粉絲總數）。這可以幫助我們篩選掉買假粉的網紅。
2. 創造「商業合作貼文佔比」：計算網紅過去貼文中，業配文所佔的比例。
3. 創造「目標受眾契合度分數」：分析留言區文字，提取與品牌品類（如「穿搭」、「球鞋」）相關的關鍵字比例。
對決策的幫助：品牌不再盲目追求「粉絲數」這種虛榮指標，而是透過「真實互動率」與「契合度分數」來精準預估 ROI（投資報酬率），將預算花在刀口上。

五、行銷洞察與批判性分析

特徵工程無疑是數據行銷的開路先鋒，它讓我們能把天馬行空的行銷直覺，落實為可被量化的數學變數。當你比競爭對手更懂消費者，你就能創造出更獨特、更具解釋力的特徵，這就是企業在數據時代的「護城河」。

然而，水能載舟，亦能覆舟。作者在文中特別提醒我們「過度工程（Over-engineering）」的風險。創造了過多複雜的特徵，很容易導致模型產生過度擬合（Overfitting）——也就是模型在歷史資料上表現近乎完美，但一碰到新市場、新顧客就完全失靈。此外，錯誤的特徵也可能引入系統性偏見。

批判性思考：嚴格審查與壓力測試

現在，讓我們換個立場，扮演一位嚴格、刁鑽的論文審查委員，對這篇文章所倡導的「特徵工程至上論」進行壓力測試：

1. 隱含假設（Hidden Assumptions）

假設一：領域知識必然存在且正確。作者預設行銷人或數據科學家擁有足夠且正確的「領域知識」來引導特徵工程。然而在快速變動的數位環境中（例如新興社群平台 Threads 崛起），過往的經驗（領域知識）很可能是過時的。用過時的直覺去定義新特徵，只會引導模型走向錯誤的方向。
假設二：特徵工程的邊際效應恆等。作者隱含地假設「投入更多時間做特徵工程，回報率總是高於調整模型演算法」。但在實務上，特徵工程極其耗費時間與人力。有時候，多花兩週時間創造出的新特徵，對模型準確率的提升可能只有 0.5%，在商業決策上這點提升根本不划算。

2. 邏輯漏洞與證據不足

缺乏演算法架構的脈絡：文章宣稱「平庸演算法 + 優秀特徵 > 複雜演算法 + 爛特徵」。這個論點在線性模型（如 Logistic Regression）上確實成立。但如果放在今天高度非線性的深度學習模型（如神經網路、Transformer），模型本身就具備自動提取特徵（Representation Learning）的能力。在這類模型中，人工耗時做的特徵工程，邊際效益會嚴重遞減，文章並未提及這種技術邊界。

3. 失效的極端情境或反例

極端情境：高維度即時串流數據（Real-time Streaming Data）。在極其講求時效的場景，例如「毫秒級的廣告聯播網即時競價（RTB）」或「金融防詐欺刷卡阻斷」，我們必須在 0.05 秒內做出決定。在這種極端情境下，複雜的特徵工程（例如需要跨多個資料庫進行聚合計算的特徵）會產生巨大的運算延遲。此時，反而必須捨棄複雜的特徵，改用運算最快、最直覺的原始特徵，作者的理論在此情境下將完全失效。

六、結論

讀完這篇文章，我們不應該只學會一堆資料清理的步驟，而是要建立一個核心心法：數據分析的本質，是對商業邏輯的深刻理解。

特徵工程的技術細節（如用 scikit-learn 做編碼或縮放）可以交由 Python 程式碼或 AI 工具來代勞，但「該創造什麼特徵」的商業洞察，依然掌握在我們行銷人的腦袋裡。唯有將消費者行為理論與數據科學完美結合，我們才能發揮數據的最大價值。

延伸思考 / 課後練習

想像你是一家「線上串流音樂平台（如 KKBOX 或 Spotify）」的行銷經理。如果要預測「用戶下個月退訂的機率」，除了「登入次數」之外，你會利用用戶的聽歌行為（如：聽歌時間、切歌頻率、歌單收藏），創造出哪三個更有解釋力的新特徵？
承上題，如果其中一個特徵是「切歌率（跳過歌曲次數 / 總播放次數）」，請利用 Python 的 pandas 邏輯，說明你會怎麼用程式碼將這個特徵做出來？

文章出處

原文標題：FEATURE ENGINEERING
作者：Şevval Özlem Sarıtaş
網站名稱：Medium