一、文章核心觀點
想像你是一家跨國電商的行銷負責人，手上有五萬筆會員的原始瀏覽與消費紀錄。為了降低客戶流失率，你興高采烈地請數據團隊套用了最新、最熱門的深度學習演算法，滿心期待它能精準抓出哪些人即將離去。結果，模型的預測準確度卻慘不忍睹。這時，問題通常不是出在演算法不夠高深，而是出在你們餵給模型的「食材」根本沒有經過處理。
在機器學習與數據行銷的領域中，有一個不變的黃金法則：「垃圾進，垃圾出（Garbage in, Garbage out）」。Shreyas Naphad 在其撰寫的文章中精闢地指出，多數初學者或行銷人員常盲目追求更複雜的演算法或不斷調整參數，卻忽略了決定模型成敗的真正關鍵——特徵工程（Feature Engineering）。
所謂的特徵工程，白話來說就是「將混亂的原始資料，轉換成機器學習模型看得懂且能有效學習的數值訊號」。作者用了一個非常貼切的比喻：機器學習就像是下廚做菜。原始資料是剛從田裡採收的蔬菜（帶有泥土、雜質），演算法是你的專業爐灶，而特徵工程就是清洗、去皮、切塊與調味的過程。如果食材本身沒有經過好好處理，再頂級的爐灶也炒不出佳餚。如果行銷人無法將真實世界的消費者行為轉化為有意義的特徵，AI 模型就只能在暗中瞎猜。
二、重要概念解析
為了讓模型發揮威力，我們必須針對不同類型的資料進行適當的特徵工程。以下是文章中提及最核心的幾種資料類型與處理策略：
1. 數值型特徵（Numerical Features）的縮放與缺失值處理
當我們分析顧客的「年齡」、「消費金額」或「網站停留時間」時，這些數值往往存在極端差距或缺失。
- 缺失值填補：顧客填寫資料時常有遺漏。作者提醒，填補缺失值時切勿盲目。一般而言，使用「中位數（Median）」會比「平均數（Mean）」更安全，因為平均數極易受到極端大額消費者的影響而產生偏誤。
- 資料縮放（Scaling）：如果直接把「年齡（雙位數）」與「年消費額（六位數）」放進同一個模型，大數值會徹底吃掉小數值的影響力。因此，我們需要透過「標準化（Standardization）」或「正規化（Normalization）」將它們限縮在相似的區間，Reshape 整個損失函數的表面，好讓梯度下降演算法能更平穩、更快速地收斂。
提醒： 許多學生常搞錯，以為所有模型都需要縮放。請記住，線性迴歸、支持向量機（SVM）和類神經網路對數值規模非常敏感，必須要做縮放；但以樹狀結構為核心的模型（如隨機森林 Random Forest、XGBoost）則是依據數值的順序與門檻來切分資料，因此不需要縮放。
2. 類別型特徵（Categorical Features）的轉換框架
模型只能理解數字，無法理解「台北」、「台中」、「高雄」或「男性」、「女性」等文字類別。我們必須將其編碼，但錯誤的編碼會誤導模型。
| 編碼方法 | 白話解釋 | 適用情境 | 行銷人的潛在風險 |
| 標籤編碼 (Label Encoding) | 將類別直接變成 1, 2, 3 等數字。 | 只有在資料本身自帶順序時才用（例如：低/中/高貢獻度）。 | 若用在城市或性別，模型會誤以為「高雄(3) > 台北(1)」，創造出不存在的虛擬順序偏誤。 |
| 獨熱編碼 (One-Hot Encoding) | 為每個類別獨立創造一個欄位，用 0 與 1 表示「是否屬於該類別」。 | 最常用、最安全的做法（例如：是否為台北人、是否為女性）。 | 當類別太多時（如上千個產品品項），會導致資料欄位爆炸（高維度災難），拖慢運算速度。 |
| 目標編碼 (Target Encoding) | 用該類別過去對應目標變數的「平均值」來取代類別字串。 | 當類別數量極多，且與預測目標高度相關時。 | 極易導致資料洩漏（Data Leakage），必須嚴格搭配交叉驗證（Cross-Validation）使用。 |
3. 時間特徵（Date-Time Features）的訊號萃取
單純的「2026-07-16 21:38:49」對模型毫無意義。時間特徵的威力在於「時間衍生特徵」。行銷人必須主動將時間拆解為：星期幾（Weekday）、月份（Month）、小時（Hour）或是「距離上次購買的天數（Recency）」。這些衍生出來的欄位，才是真正隱藏消費者行為規律的訊號。
三、與數據分析和行銷領域的關聯
在數位行銷的知識體系中，特徵工程是連接「消費者行為理論」與「AI 預測模型」的橋樑。當我們想計算「顧客終身價值（CLV）」或進行「STP 市場分眾」時，如果只把消費者的原始行為日誌丟進模型，模型根本無法理解消費心理。
好的行銷特徵工程，必須建立在對領域知識（Domain Knowledge）的深刻理解上。行銷人要懂得將消費者在網站上的點擊軌跡，轉化為能夠反映其意圖的指標（例如：將「總瀏覽頁數」除以「停留時間」，轉化為「瀏覽深度」；或是計算「加入購物車但未結帳的次數」）。這些特徵才是真正能解釋消費者是否會流失、是否會被優惠券打動的核心關鍵。
如何結合 AI 應用？
隨著生成式 AI 與大型語言模型（LLM）的普及，特徵工程與數位行銷的結合變得更加直觀且強大：
- 自動化行銷特徵生成（AI Agent）：行銷人可以直接將企業的原始資料欄位描述與範例餵給 LLM 代理人，輸入指令：「請扮演數位行銷與資料科學專家，針對這份電商會員資料，建議可以組合出哪些有助於預測顧客回購率的衍生特徵。」AI 能依據 RFM 模型等理論，自動產出特徵規劃藍圖。
- 語意特徵萃取（Text Embeddings）：過往處理消費者的售後評論文字，只能用詞頻（Bag of Words）或 TF-IDF 等相對機械式的方法。現在，行銷人可以利用 OpenAI 或 BERT 的 Embedding API，將消費者的文字評論直接轉化為高維度的「語意向量特徵」，並將這個特徵直接輸入流失預測模型中。這等於讓模型在預測流失時，不僅參考了消費金額，還看懂了消費者在文字評論中流露出的不滿情緒。
四、行銷實務應用情境
情境 1：訂閱制電商的顧客流失預警系統
- 應用情境：一家定期配送保健食品的訂閱制電商，希望在客戶取消訂閱前的 15 天找出高風險名單，提早發送關懷小禮或專屬優惠。
- 可以使用的資料：會員每次登入 App 的時間點、歷史配送失敗紀錄、客服點擊紀錄。
- 可以進行的分析：利用時間特徵工程，計算出「過去 30 天內登入次數的斜率（下滑代表興趣缺缺）」以及「距離上次打開 App 的天數」。同時，針對客服客訴的文字，使用 TF-IDF 轉化為負面情緒特徵。
- 對行銷決策的幫助：行銷人員可依據模型產出的高風險名單進行精準分眾，只針對「因為物流體驗不佳（配送失敗率高）」的客戶提供物流補償券，針對「因為產品吃不完（登入頻率下滑）」的客戶提供彈性暫停配送的選項，避免無差別發送優惠券導致利潤稀釋。
情境 2：雙 11 購物節的購物車再行銷（Retargeting）
- 應用情境：在大型檔期中，許多消費者會將商品加入購物車卻遲遲不結帳。行銷團隊需要在活動結束前 6 小時，精準推播臨門一腳的優惠。
- 可以使用的資料：商品價格、類別、消費者在活動期間的點擊流資料（Clickstream）。
- 可以進行的分析：手動創造數學組合特徵，例如計算「購物車內商品的總金額與該會員歷史平均客單價的比值」。若比值過高，代表消費者有高度興趣但卡在價格關卡；另外利用獨熱編碼處理商品大類。
- 對行銷決策的幫助：精準篩選出「只差一點點就破歷史消費紀錄」的潛在黃金客戶，自動觸發限時降價通知，將廣告預算花在轉換率最高的臨門一腳客戶身上。
情境 3：新產品上市的社群輿情與銷量預測
- 應用情境：品牌剛推出一款創新燕麥奶，想在上市第一週透過論壇輿情預測未來的銷售潛力，以決定是否要追加工廠產線。
- 可以使用的資料：PTT、Dcard 與 Meta 上的相關討論貼文、留言數、按讚數。
- 可以進行的分析：將文字評論透過 Word Embeddings 轉化為數值特徵，並提取互動指標（如留言數 / 分享數的比值），利用 L1 正則化（Lasso）自動剔除社群上的無效雜訊字詞，留下真正與銷量具高度相關的輿情特徵。
- 對行銷決策的幫助：協助供應鏈與行銷長做決策。若預測特徵顯示正面語意權重極高，行銷端可立刻加碼網紅合作，生產端則同步啟動追料，避免供不應求。
五、行銷洞察與批判性分析
特徵工程賦予了行銷人將「商業直覺」轉化為「數據訊號」的能力，其核心機會在於：它讓機器學習模型擺脫了冷冰冰的演算法限制，注入了行銷人的洞察眼光。
然而，特徵工程在實務上也伴隨著巨大的風險。最嚴重的地雷莫過於「資料洩漏（Data Leakage）」。在做行銷預測時，我們常不小心把「未來的資訊」放進了特徵中。例如，你想預測客戶「未來是否會流失」，但在特徵中加入了「年度總消費次數」，而這個次數其實包含了流失發生後的統計資料。這會導致模型在訓練時擁有高達 99% 的虛假準確度，可是一旦部署到線上產線環境，面對真正的未知未來時，模型的預測能力就會立刻徹底崩潰。
因為「年度總消費次數」可能包含了下個月之後的消費紀錄。
例如：今天是 6 月 30 日，我們想預測 7 月是否流失。
但資料卻統計了 1 月到 12 月的總消費次數。
也就是說，模型已經知道：
7 月有沒有來
8 月有沒有來
9 月有沒有來……批判性思考：嚴格審查與壓力測試
現在，讓我們切換到刁鑽的審查委員視角，對這篇文章所倡導的特徵工程方法進行壓力測試：
- 隱含假設（Hidden Assumptions）：作者的論述中隱含了一個未經證實的前提：「資料的底層邏輯在過去與未來是一致的」。當作者建議使用歷史資料的 Median 來填補缺失值，或使用過往的平均值進行 Target Encoding 時，預設了消費者的行為模式不會突變。此外，文章假設特徵工程所仰賴的「領域知識」是正確且不會出錯的，但行銷人的直覺有時本身就是一種偏誤。
- 邏輯漏洞與證據不足：文章在探討文字特徵工程（如 Embeddings）與實務產線上的「特徵商店（Feature Store，如 Feast）」時，論證流於表面，缺乏具體在大規模、複雜資料結構下的成本與效益對比。作者強調特徵工程比演算法重要，卻沒有給出在相同資料集下，不同特徵工程手法對抗爛演算法的質化與量化基準測試數據（Benchmark），有過度推論「特徵工程是唯一救星」的嫌疑。
- 失效的極端情境或反例：在「即時串流數據（Streaming Data）」與消費者行為高度動態的行銷情境下，這套理論會完全失效。例如在電商雙 11 狂歡夜的當下，消費者的購買行為是以秒為單位在產生概念漂移（Concept Drift）。此時，文章中提及的離線特徵工程（如計算全域中位數、複雜的相關性分析、需要交叉驗證的目標編碼）會因為計算延遲過高而根本無法上線；此時強行使用過去的靜態特徵，只會產出與當下市場脫節的荒謬預測。
六、結論
總結來說，特徵工程是數位行銷與資料科學交會的十字路口。行銷人不需要成為寫出複雜演算法的工程師，但必須成為定義特徵的「食材設計師」。在未來的商業實務中，隨著 AI 產線的規模化，特徵更應該被視為公司的資產，透過標準化的版本控制與管理，確保線上預測與線下訓練使用的是同一套乾淨的訊號。
課後延伸思考
- 假設你經營一家線上串流影音平台（如 Netflix），當一個使用者有 7 天沒有登入，且他的「性別」資料是缺失的。你會選擇用什麼方法填補這個缺失值？為什麼？這會如何影響你的推薦行銷策略？
- 請挑選一個你熟悉的實體零售品牌（例如全聯或星巴克），如果我們要為其設計一個「預測顧客下週是否會購買冷飲」的模型，請列出 3 個你認為最重要的「時間衍生特徵」與 2 個「數學組合特徵」。
文章出處
- 原文標題：Feature Engineering — From Zero To Advanced
- 作者：Shreyas Naphad
- 網站名稱：Activated Thinker (Medium)