標籤: feature engineering

一、文章核心觀點

想像你是一家台灣連鎖手搖飲品牌的行銷數據主管，為了在盛夏提升數位會員的客單價，你打算開發一個機器學習模型，預測「哪些會員下週最有可能購買新上市的楊枝甘露」，好讓你能精準發送優惠券。此時，IT 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，以及幾十萬列密密麻麻的「消費時間戳記」（例如：2026-10-12 15:45:00）。如果你直接把這串冷冰冰、雜亂的日期時間丟進隨機森林、XGBoost 甚至是最先進的深度學習模型，模型只會將其視為無意義的雜訊，預測出來的結果可能跟亂猜差不多。

這正是許多初學數據行銷的同學常犯的直覺錯誤：迷信演算法，以為只要把「原始數據」塞給最厲害的 AI，模型就會自動吐出黃金般的商業洞察。

綜合諸多資料科學專家的實務經驗，決定模型成敗的關鍵，從來都不是演算法的複雜度，而是「特徵工程（Feature Engineering）」的品質。在實際的機器學習專案中，時間分配往往是：70% 用於資料清理、20% 用於特徵工程，而大家最常討論的演算法選擇與調校，其實僅占 10%。特徵工程的本質，就是將混亂、未經整理的原始數據，透過「領域知識（Domain Knowledge）」與商業邏輯，轉譯、重組並提煉為模型能看懂且深具商業意義的「訊號（Features）」。如果餵進去的是垃圾，再厲害的演算法吐出來的也只會是垃圾（Garbage In, Garbage Out）。

二、重要概念解析

為了讓同學們能系統性掌握這門「將數據點石成金」的技術，我們必須先釐清幾個核心概念。

機器學習模型本質上是由一堆數學權重組成的，它們根本看不懂、也無法直接消化我們日常收集到的原始資料（如文字、日期）。我們必須把這些屬性打包成一個「實數構成的向量（Real Numbered Vector）」，這就是特徵向量。而特徵工程的常用方法與實務處理策略，可以整理成下表：

特徵工程核心方法與處理策略

學習筆記：

在資料科學界，行銷人員往往比工程師更懂商業邏輯。例如，將「消費時間戳記」轉換成「週五晚間購買（是/否）」或「距離上次消費天數（Recency）」，這種將時間轉化為行為動機的過程，就是行銷人無可取代的價值。

三、與數據分析和行銷領域的關聯

特徵工程並非純粹的資訊技術，它本質上是「決策設計」。這與行銷領域的消費者行為理論與顧客終身價值（CLV）緊密相連。

從消費者行為的角度來看，顧客的購買決策往往受到情境驅動。如果我們只餵給模型原始數據，模型無法理解「端午節前夕網購減肥產品」背後的心理動機。透過特徵工程，我們將數據轉化為情境變數（例如：節慶效應、季節轉換指數），模型才能真正學到消費者在特定情境下的知覺與態度變化。此外，在計算顧客終身價值時，傳統的 RFM 模型（近年變動性、頻率、消費金額）本身就是一種高階的特徵工程。我們將幾萬筆亂七八糟的交易紀錄，聚合為三個具備強大預測力的特徵，進而支持行銷人進行精準的顧客分群（STP 策略）。

如何結合 AI 應用？

在現代行銷實務中，特徵工程可以與 AI 工具或 AI 代理（AI Agent） 深度結合，大幅提升自動化分析流程的效率：

• 利用大語言模型（LLM）進行文本特徵提煉：傳統上，消費者在社群媒體上的留言或客服對話是很難直接丟進預測模型的。現在，行銷人可以利用 AI Agent 自動對數萬筆客訴文本進行「情感分析（Sentiment Analysis）」與「主題標籤化（Topic Tagging）」，將感性的文字轉化為結構化的數值特徵（例如：負面情緒得分 0.8、提及產品瑕疵 1），再餵進流失預測模型中。
• AI 輔助的特徵自動生成（Automated Feature Engineering）：利用特定機器學習框架，AI 可以自動將你手上的數值特徵進行無數種數學組合與交叉相乘，並透過演算法篩選出最具行銷預測力的黃金訊號，節省人工嘗試的時間。

四、行銷實務應用情境

為了讓同學們更清楚如何在實務中落地，我們來看三個具體的數位行銷場景：

1. 訂閱制電商降低流失率的 CRM 策略

一家美妝訂閱制電商發現會員在續訂前夕常有流失跡象。行銷人不能只把「累積觀看商品頁次數」丟給模型，而應該設計一個 「互動衰退率」 的特徵：將「過去 7 天的 APP 登入次數」除以「過去 30 天的平均登入次數」。如果這個比值遠小於 1，代表該會員的熱度正在急劇下滑。以此特徵訓練出的模型，能精準抓出即將沉睡的會員，自動觸發再行銷郵件並提供專屬續訂優惠。

2. 電商平台雙十一檔期的廣告投放（CTR 預測）

在雙十一大促期間，行銷預算必須砸在刀口上。為了預測顧客在未來 24 小時內點擊特定促銷廣告的機率，數據團隊不該只放「性別」或「年齡」，而應建立 「購物車未結帳時間差」 與 「同類商品瀏覽頻次」 的組合特徵。當模型辨識出某個會員「在過去 6 小時內瀏覽了 5 次大衣，且購物車內有一件未結帳」，AI 廣告系統就能即時投遞該款大衣的限時折價券，極大化轉換率。

3. 金融業信用卡促銷的精準行銷

銀行想要推廣新推出的海外刷卡現金回饋卡。如果只根據「年收入」來預測誰會辦卡，效果往往很差。行銷團隊可以利用特徵工程，將持卡人過去一年的消費明細，聚合出 「海外消費金額佔比」 與 「航空公司/訂房網站消費頻次」。這兩個特徵能直接反映該客戶是否為「熱愛出國旅遊族群」，讓行銷人員能精準鎖定名單進行簡訊與 APP 畫面推播。

五、行銷洞察與批判性分析

特徵工程為行銷人打開了數據變現的大門，讓平庸的演算法也能透過優異的特徵展現強大的預測力。然而，作為一個有獨立思考能力的行銷主管，我們必須清醒地認識到其潛在的限制與風險。

最大的風險之一就是資料洩漏（Data Leakage）。這指的是預測目標的資訊，在訓練過程中不小心混入了特徵中。例如，在預測「客戶下個月是否會流失」時，如果不小心把「下個月的客服投訴紀錄」或「下個月的退貨金額」當成特徵餵給模型，模型在辦公室測試時準確度會近乎 100%（因為它偷看了答案），但實際上線面對未來數據時會徹底崩潰。此外，特徵工程高度依賴歷史數據，當市場發生結構性改變（例如疫情爆發、法規變更），過去精心設計的行為特徵可能會在一夜之間失效。

批判性思考：嚴格審查與壓力測試

現在，讓我們切換到最嚴厲的審查委員視角，對特徵工程這套理論進行徹底的壓力測試：

1. 隱含假設（Hidden Assumptions）：本理論強烈預設了「消費者的過去行為模式在未來會持續重複」，且「行銷人員具備足夠正確的領域知識來引導特徵設計」。這其實是非常危險的假設。它忽視了消費者心理的隨機性與外部環境的動態干擾。如果行銷人自身的市場洞察本來就有偏見，設計出來的特徵只會引導 AI 模型走向集體偏見的死胡同。
2. 邏輯漏洞與證據不足：文章過度強調「特徵工程好，模型就一定好」，這有以偏概全的嫌疑。在處理高度非線性、複雜度極高的影像或非結構化文本時（例如社群視覺行銷分析），現代深度學習（如 Transformer 架構）很大程度上已經具備「端到端（End-to-End）」自動提取特徵的能力，人工設計特徵的邊際效益遞減。文章拿傳統結構化表格數據的成功個案，來涵蓋所有 AI 應用的通則，在論證上顯得證據不足。
3. 失效的極端情境或反例：在「全新產品上市（零歷史數據）」或「面對全新藍海市場」的極端情境下，這套理論會完全失效。當你手頭上沒有任何消費者的歷史軌跡可以讓你去「縮放、轉換、聚合」時，特徵工程就成了無源之水。此時，盲目追求數據特徵，反而不如傳統行銷的定性研究（如焦點小組、深度訪談）更能抓到消費者的痛點。

六、結論

特徵工程告訴我們：決定 AI 落地成敗的，是行銷人對商業邏輯的理解，而非工程師寫的複雜演算法。 數據就像剛從田裡採收的蔬菜，帶有泥土與雜質；演算法是專業的爐灶，而特徵工程就是清洗、去皮、切塊與調味的精細過程。行銷人必須扮演「數據雕刻師」，把冰冷的時間戳記與點擊紀錄，轉化為有商業溫度的行為訊號，才能真正讓 AI 為你的行銷決策賦能。

課後延伸思考題

1. 實戰練習：假設你是一家「共享機車品牌」的行銷經理，手上有會員的「租借出發時間、歸還時間、騎乘距離」。請幫模型設計出 2 個具備商業邏輯的「新特徵」，用來預測誰最有可能購買月租定期票。
2. 批判思考：在隱私權政策日益嚴格（如第三方 Cookie 逐漸失效）的今天，當我們能收集到的原始數據欄位大幅減少時，你認為特徵工程的設計思維應該做出什麼樣的調整？

文章出處

• 原文標題：
  • 特徵工程的藝術：如何將原始數據點石成金，煉出高價值的行銷訊號
  • 行銷人必學的「特徵工程」入門指南
  • 為什麼「特徵工程」才是決定 AI 與行銷預測成敗的靈魂？
  • 為何特徵工程才是決定 AI 行銷預測成敗的真正關鍵
  • 打造高轉換的機器學習系統：行銷人必懂的特徵工程與防漏指南
  • 數據驅動的決策設計：為什麼「特徵工程」才是機器學習落地的真正關鍵？
  • 走出超參數迷思：為何「特徵工程」才是數位行銷預測的真正天花板？
  • 行銷人必學的「特徵工程」防漏與自動化管線指南
• 作者：周老師教學網站編譯/導讀自 Md Johirul Islam, Allan Alfonso, Shreyas Naphad, Paco Sun 等業界專家著作

同學們好！想像一下這個場景：你是一家訂閱制電商的數位行銷負責人，為了降低會員流失率，你興高采烈地用機器學習演算法跑出了一個「流失預測模型」。在測試資料上，這個模型的準確度高達 95%，你滿懷信心地將它上線，準備自動對預測流失的客戶發送挽留優惠券。

結果上線第一週，預測準確度暴跌到 50% 甚至更低，預算白白燒光，老闆在會議上質疑你的專業。這到底是哪裡出了問題？

這不是你的演算法不夠先進（你可能已經用了最熱門的 XGBoost 或深度學習），而是因為你落入了新手最容易踩到的陷阱。本堂課，老師將帶大家深入探討這篇探討特徵工程（Feature Engineering）的實務指南，教大家如何透過系統化的特徵處理與自動化管線（Pipeline），打造出在真實商業環境中穩定且精準的行銷預測模型。

一、文章核心觀點

這篇文章的核心主張非常直接：機器學習系統在現實世界中的成敗，關鍵在於「資料與特徵工程」的品質，而非「演算法的複雜度」。

在實務上，許多人在「開發環境」中做資料清洗時，習慣採取「手動、一次性」的處理方式（例如直接在 Pandas 中把有缺失值的整行刪掉，或者手動把資料標準化）。這種作法看似方便，卻會帶來致命的副作用。

當模型上線到「生產環境（Production）」面對源源不絕、格式混亂的全新真實數據時，手動清洗的步驟無法完美重現，甚至會不小心把測試集的資訊提前「洩漏」給模型，導致模型在訓練時自我感覺良好（測試準確度極高），實際上線卻徹底崩潰。因此，優秀的資料科學家必須具備「軟體工程」思維，將特徵處理流程系統化、代碼化與自動化。

二、重要概念解析

為了系統化地解決這些痛點，文章提出了幾個最關鍵的特徵工程核心概念。老師用下方這張表格幫大家彙整其核心定義、重要性與實務對策：

Pipeline 的運作邏輯

在機器學習中，最常見的「資料洩漏（Data Leakage）」往往發生在資料預處理階段。

當我們計算整個資料集的平均值來填補缺失值，或是用整個資料集的標準差來縮放特徵時，測試集的資訊就已經悄悄流入了訓練過程中。模型在訓練時「提前得知」了測試集的統計分佈，這會導致交叉驗證時分數高得異常，但一上線面對完全未知的全新數據時，預測效果就會雪崩式下滑。

解決這個痛點的唯一正解，就是將所有前處理步驟與模型，全部打包進 Scikit-learn 的 Pipeline 與 ColumnTransformer 中。這樣能確保不論是做交叉驗證（Cross-Validation）還是未來上線預測，所有學到的統計參數（如平均值、中位數、標準差）都僅來自訓練集，徹底鎖死洩漏漏洞。

為了讓大家徹底搞懂為什麼 Pipeline 能防漏，我們必須先釐清「訓練階段（Fit）」與「轉換階段（Transform）」在 Pipeline 內部的運行機制：

[ 原始訓練資料 X_train ] 
       │
       ▼
 ┌───────────────┐
 │ 1. Imputer    │  ──► fit(): 學習並記住 X_train 的「中位數」
 └───────────────┘  ──► transform(): 用該中位數填補 X_train 的空值
       │
       ▼ [填補後的資料]
 ┌───────────────┐
 │ 2. Scaler     │  ──► fit(): 學習並記住 X_train 的「平均值與標準差」
 └───────────────┘  ──► transform(): 用該參數將 X_train 標準化
       │
       ▼ [縮放後的特徵]
 ┌───────────────┐
 │ 3. Classifier │  ──► fit(): 用處理完的特徵與標籤訓練模型
 └───────────────┘

當我們將這個打包好的 Pipeline 應用在測試資料（X_test）上時，它只會執行 transform()：

• 不重新計算中位數：直接套用剛才從 X_train 學到的中位數來填補測試集的缺失值。
• 不重新計算平均值：直接套用 X_train 的平均值與標準差來縮放測試集。

這就完美模擬了真實上線的情境——模型永遠無法得知未來新資料的統計分佈！

三、與數據分析和行銷領域的關聯

在數位行銷數據中，我們經常同時面對多種截然不同的資料類型：

• 數值型特徵：例如消費金額（Monetary）、購物車停留時間。這些特徵通常有缺失值，且需要進行特徵縮放。
• 類別型特徵：例如會員等級、居住縣市、來源管道。這些特徵需要進行獨熱編碼（One-Hot Encoding）或目標編碼。

如果手動分開處理，程式碼會變得極其混亂，而且極易出錯。

利用 ColumnTransformer，我們可以在 Pipeline 中針對不同的欄位類型進行「分流處理」，最後自動合併送入模型：

Python

from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.ensemble import RandomForestClassifier

# 1. 定義數值型前處理管線（中位數填補 + 標準化）
num_pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='median')),
    ('scaler', StandardScaler())
])

# 2. 定義類別型前處理管線（眾數填補 + 獨熱編碼）
cat_pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# 3. 使用 ColumnTransformer 進行分流分流
preprocessor = ColumnTransformer([
    ('num', num_pipeline, ['age', 'total_spend', 'visit_frequency']),
    ('cat', cat_pipeline, ['member_level', 'city'])
])

# 4. 將前處理與模型打包成最終的終極 Pipeline
model_pipeline = Pipeline([
    ('preprocessor', preprocessor),
    ('classifier', RandomForestClassifier(random_state=42))
])

如何結合 AI 應用？

在現代行銷決策中，我們不再需要完全手寫所有特徵工程代碼，可以將 AI 工具或 AI Agent 融入流程中：

1. AI 輔助特徵生成（Feature Copilot）：行銷人可以利用大語言模型（LLM）API，將現有的資料表結構（Schema）與業務痛點輸入。AI 可以根據行銷學理論，自動建議並寫出生成新特徵的程式碼。例如：將「購物車加入時間」與「實際結帳時間」相減，自動生成「猶豫時長」特徵。
2. 智慧型異常值判讀 Agent：結合機器學習的隔離森林與 AI 決策輔助。當系統偵測到某個會員的單筆消費金額出現極端值（離群值）時，AI Agent 可以自動調閱該會員的歷史客服對話與瀏覽軌跡，判斷這是一次「惡意刷單/系統異常」（需要去尾或忽略）還是「高價值大戶的報復性消費」（需要自動觸發 VIP 專屬客服與感謝信）。

四、行銷實務應用情境

為了讓大家更容易理解，我們來看 3 個具體的數位行銷實務場景：

情境 1：電商平台「會員流失預警系統」

• 應用情境：在會員流失前 14 天找出他們，並自動發送個人化優惠券進行挽留。
• 可使用的資料：會員基本資料、最後一次登入時間、購物車放棄率、過去 3 個月的平均客單價。
• 可以進行的分析：使用 Scikit-learn 的 Pipeline。首先用 SimpleImputer(strategy='median') 填補缺失的會員年齡，再使用 StandardScaler 標準化消費金額，最後串接隨機森林分類器。
• 對行銷決策的幫助：精準投放挽留預算。模型能明確指出哪些高價值會員即將流失，行銷團隊可以把資源集中在這些「有挽回機會」的客戶身上，避免將優惠券浪費在本來就不會流失的忠實客，或早已離去的沈睡客。

情境 2：智慧型廣告投放的「時間特徵最佳化」

• 應用情境：預測廣告在不同時段曝光時的點擊率（CTR），以進行動態即時出價（RTB）。
• 可使用的資料：廣告曝光的時間戳記（Timestamp）、用戶使用的裝置、投放的媒體平台。
• 可以進行的分析：寫一個自訂的 Scikit-learn 轉換器（Custom Transformer），將時間戳記自動拆解為「星期幾」與「小時」，並利用正弦（Sine）與餘弦（Cosine）函數，將其轉換為連續的圓形週期特徵（Cyclical Features）。
• 對行銷決策的幫助：行銷決策系統可以根據預測結果，在用戶點擊機率最高的時段（例如週五深夜）自動調高廣告出價，在低點擊時段降低出價，最大化廣告投資報酬率（ROAS）。

情境 3：個人化商品推薦的「高基數」特徵處理

• 應用情境：根據消費者的「居住行政區」（全台灣有 300 多個鄉鎮市區）推薦最適合的地區限定商品。
• 可使用的資料：消費者歷史購買清單、註冊時填寫的郵遞區號。
• 可以進行的分析：由於行政區數量太多（高基數），若用獨熱編碼會產生 300 多個無意義的虛擬變數。在此我們使用 category_encoders 套件進行「目標編碼（Target Encoding）」，將行政區轉化為該區域歷史平均點擊轉換率。
• 對行銷決策的幫助：推薦系統能順暢運行而不當機，且能精準抓出「特定區域對特定商品有強烈偏好」的在地化行銷機會。

五、行銷洞察與批判性分析

這篇文章提供了一套非常精準的「特徵工程指南」，它強調的自動化管線與防洩漏觀念，是每個想跨入資料科學的行銷人都該奉為圭臬的。然而，作為一位嚴謹的學者，我們不能盲目接受所有的觀點。

這套方法能大幅提升預測的穩定性，但我們也必須認識到：自動化的管線（Pipeline）本質上是一個「靜態」的框架，但市場與消費者行為卻是「動態」且難以預測的。

批判性思考：嚴格審查與壓力測試

現在，老師要切換成「刁難的評審委員」口吻，對這篇文章倡導的理論進行一次無情的壓力測試：

1. 隱含假設（Hidden Assumptions）的漏洞

這篇文章的推論過程中，隱含了一個巨大的假設：「過去資料中特徵與目標變數的關係，在未來不會改變。」

在行銷實務上，這幾乎是天方夜譚。這就是著名的概念漂移（Concept Drift）。例如，在疫情爆发前，消費者的「線上購物頻率」和「流失傾向」有特定的關聯；疫情爆發後，所有人的行為模式大洗牌。如果你的 Pipeline 依然用疫情前的參數在做中位數填補或目標編碼，你的模型將會預測出極其荒謬的結果，而你的自動化管線甚至不會發出警告。

2. 論證薄弱與證據不足之處

文章大力提倡「目標編碼（Target Encoding）」是解決高基數類別特徵的良藥，卻極力淡化了它高昂的過擬合（Overfitting）代價。目標編碼在實務上極容易造成嚴重的「目標值洩漏（Target Leakage）」。雖然作者提到了「平滑化（Smoothing）」，但並未給出任何具體的量化證據或實驗數據來證明平滑化在面對極端不平衡數據（例如：轉換率僅有 0.1% 的行銷點擊數據）時依然有效。

3. 可能失效的極端情境

在「即時串流數據（Real-time Streaming Data）與冷啟動（Cold Start）」的情境下，這套基於批次處理（Batch Processing）的 Pipeline 理論會完全失效：

想像一個極端情境：雙 11 大促當天，每秒有數萬筆交易。此時，運行複雜的自訂轉換器、進行 KNN 缺失值填補，會帶來巨大的運算延遲，直接導致電商網頁加載變慢，降低使用者體驗。此外，當新會員（冷啟動）剛註冊、完全沒有歷史消費數據時，你那些精心設計的 RFM 特徵工程將無米可炊。

六、結論

總結來說，特徵工程不是一門單純的程式碼技術，而是一門結合「商務邏輯（Domain Knowledge）」與「軟體工程規範」的藝術。

行銷人在做數據分析時，不要一味追求最新、最複雜的黑盒子深度學習模型。先把資料清洗好、用 Scikit-learn Pipeline 把前處理管線鎖死以防止資料洩漏，並結合你對消費者行為的敏銳洞察創造出有意義的特徵，這往往比更換演算法更能帶來業績上的突破。

課後思考題

1. 實務應用：假設你經營一家連鎖健身房，會員的「年齡」欄位有 20% 的缺失值。你會選擇「直接刪除這些會員資料」、「用全體平均值填補」，還是「用 KNN 填補」？為什麼？這會如何影響你的行銷決策？
2. 防漏測試：在評估行銷預算轉化率的模型時，如果你不小心把「用戶最終是否購買」這個目標變數，轉化成了特徵（例如：結帳成功頁面的點擊次數）放進訓練集，這會造成什麼後果？

文章出處

• 原文標題：Week 1, episode 3 — Master Feature Engineering: The Python Bootcamp Capstone Guide
• 作者：The Zionist Writers
• 網站名稱：Medium (Data And Beyond)

一、文章核心觀點

想像你是一家連鎖手搖飲品牌的行銷數據主管，手頭上擁有數十萬名會員的「消費時間戳記」（例如：2026-10-12 15:45:00）。如果你直接把這串冷冰冰、雜亂的日期時間丟進機器學習模型，模型只會將其視為無意義的雜訊，根本無法幫你預測誰會是下一個流失的客戶。

這正是許多初學數據行銷的同學常犯的直覺錯誤：以為只要把「原始數據」塞給最先進的演算法，模型就會自動吐出黃金般的商業洞察。

在 Md Johirul Islam 撰寫的《特徵工程的藝術：將原始數據點石成金》（The Art of Feature Engineering: Turning Raw Data Into Gold）一文中，作者揭示了一個業界不願明說的真相：決定模型成敗的，從來都不是演算法的複雜度，而是「特徵工程（Feature Engineering）」的品質。 特徵工程是將混亂、未經整理的原始數據，轉譯、重組並提煉為模型能看懂且深具商業意義的「訊號（Features）」。

作者引用業界著名的數據價值金字塔指出，在實際開發機器學習模型的專案中，時間分配往往是：70% 用於資料清理、20% 用於特徵工程，而大家最常討論的演算法選擇與調校，其實僅占 10%。 換句話說，如果餵進去的數據是垃圾，再厲害的演算法吐出來的也只會是垃圾（Garbage In, Garbage Out）。

二、重要概念解析

為了讓同學能系統性掌握這門「將數據點石成金」的技術，我們將文章中提及的 7 大特徵工程核心方法整理如下表：

教學註解：什麼是獨熱編碼 (One-Hot Encoding)？

初學者常犯的錯誤是直接把「台北、台中、高雄」編成「1, 2, 3」。這會讓演算法誤以為「高雄 (3)」的權重大於「台北 (1)」，或誤判兩者之間有大小順序。獨熱編碼會將其拆成獨立的二元欄位（例如：是否為台北、是否為台中），只有符合的欄位會標示為 1，其餘為 0，這才能讓模型在平等的基準上進行運算。

三、與數據分析和行銷領域的關聯

在行銷領域中，我們每天都在與「人類行為」打交道。消費者行為往往非常複雜、多變且非線性。特徵工程之所以是數位行銷的基石，是因為它扮演了「商業邏輯」與「數學模型」之間的橋樑。

例如，消費者行為理論常探討顧客的「忠誠度」或「購買意圖」。這些心理指標無法直接被儀器測量，但我們可以透過行銷人員的商業直覺，將其轉化為數據指標。一個連續 30 天每天開啟 App 但都不下單的用戶，跟一個 30 天內只登入 1 次卻立刻下單的用戶，其「黏著度」與「購買意圖」截然不同。如果沒有經過特徵工程的提煉，只把原始的「登入次數」和「購買次數」丟給模型，預測結果一定會大打折扣。

如何結合 AI 應用？

在現今的 AI 時代，特徵工程不再完全依賴工程師手動編寫程式，我們可以透過 AI Agent 與大型語言模型（LLM）來加速這個過程：

1. AI 輔助特徵發想（LLM Feature Generator）：我們可以在分析初期，將資料集的欄位名稱與商業目標（例如：降低訂閱流失率）輸入給 AI，請 AI 扮演「資深行銷科學家」，從消費者心理學與行銷理論的角度，推薦最可能影響轉換的特徵組合公式。
2. 自動化特徵工程與分析流程 (AutoML & Feature Store)：利用 AutoML 代理工具（如 AutoGluon），自動在背景執行多種數學轉換、獨熱編碼、特徵縮放與特徵篩選。AI 會自動進行無數次實驗，挑選出對預測「顧客流失」最具貢獻度的前 10 個核心特徵，並產出易於解讀的特徵重要性視覺化圖表，大幅縮短行銷決策的時間。

四、行銷實務應用情境

為了讓大家能更具體地體會特徵工程如何落地，我們設計了 3 個行銷實務場景：

場景 A：電商雙 11 檔期的「購物車未結帳挽回」

• 應用情境：某大型電商平台希望在雙 11 期間，即時預測哪些將商品加入購物車的用戶最後「不會」結帳，以便在活動結束前發送客製化折價券進行挽回。
• 數據來源：商品瀏覽紀錄、加入購物車時間、折價券點擊歷史、過去 30 天消費次數。
• 特徵工程設計：
  • 計算 「購物車商品數 / 總瀏覽商品數」（購買意向強度比率）。
  • 拆解加入購物車的時間，計算 「距離雙 11 活動結束還剩幾小時」（急迫性指標）。
  • 建立二元特徵 「是否點擊過今日限量折價券」。
• 對決策的幫助：模型能精準篩選出「購買意向極高（購物車占比高）、但因價格猶豫（有點擊折價券）且時間緊迫」的黃金名單，讓行銷人員把折扣預算精準花在刀口上，而不是大水漫灌。

場景 B：訂閱制 SaaS 服務的「客戶流失預警」

• 應用情境：一家影音串流平台（類似 Netflix）發現某些訂閱用戶開始減少使用，希望在他們正式取消訂閱前進行預警。
• 數據來源：每日觀看時數、登入次數、客服申訴次數、上一次消費日期。
• 特徵工程設計：
  • 計算 「近 7 天觀看時間與前 21 天平均觀看時間的比率」（活躍度衰退趨勢）。
  • 建立 「上一次觀看距今時間」（沉睡天數）。
  • 建立互動特徵 「高頻率登入 × 高次數客服申訴」（可能遇到技術問題的嚴重不滿用戶）。
• 對決策的幫助：當模型偵測到某用戶的「活躍度衰退趨勢」低於特定閾值時，系統自動觸發「VIP 專屬新片推薦信」或「客服主動關懷」，成功在用戶退訂前進行防禦性行銷。

場景 C：精品品牌的「潛在 VIP 顧客分群」

• 應用情境：精品品牌希望在眾多新客中，提早識別出誰具備發展為「終身價值極高（LTV）的 VIP」潛力，以便配置一對一的專屬銷售顧問（VIC 服務）。
• 數據來源：歷史交易明細、購買品類、退換貨紀錄。
• 特徵工程設計：
  • 運用領域知識計算 RFM 指標（最近一次消費、消費頻率、消費金額）。
  • 計算 「購買奢華核心品類（如經典包款）的金額占比」。
  • 創造 「單筆最高消費金額與平均客單價的差值」。
• 對決策的幫助：幫助行銷團隊區分出「雖然只買過一次，但客單價極高且購買指標性品類」的潛在 VIP，與「買了許多折扣配件但退貨率高」的低價值顧客，進而實施差異化的尊榮溝通策略。

五、行銷洞察與批判性分析

這篇文章提供了一個非常清晰的觀念：數據科學的重點在於「理解數據背後的商業本質」，而不是盲目追求最新的演算法。當你擁有產業洞察（Domain Knowledge）時，你設計出的特徵就會像導引飛彈一樣精準。

然而，特徵工程並非萬靈丹，在實務操作上，我們必須維持高度的批判性思考。

批判性思考：嚴格審查與壓力測試

作為一位嚴格的審查委員，我們必須對這篇文章所提倡的「特徵工程點石成金論」進行壓力測試：

1. 隱含假設（Hidden Assumptions）：作者的推論隱含了一個巨大假設：「歷史數據中的行為規律，在未來會持續有效。」 然而，消費者的行為與偏好是會發生結構性轉變的（例如突然爆發的全球疫情，或競爭對手破壞性的價格戰）。在這些突發變革的情境下，過去精心設計的「週末消費偏好」、「近 30 天活躍度」等特徵，其預測力可能會在一夜之間完全歸零。
2. 邏輯漏洞與論證薄弱處：文章過度強調「特徵越多越好」的創作過程，卻忽略了「運作成本與維護難度」的現實問題。在海量數據的電商環境中，進行複雜的特徵轉換與高維度編碼（例如數百萬用戶的互動特徵計算）會消耗極大的伺服器記憶體與運算時間。如果行銷模型為了追求 1% 的精準度提升，卻要多花十倍的運算成本與延遲時間，這在商業決策上是完全不符合成本效益的。
3. 失效的極端情境與反例：這套方法在「冷啟動（Cold Start）」的情境下會完全失效。當品牌推出全新產品，或是全新的 App 剛上線，根本沒有任何「歷史消費頻率」、「平均使用時間」等數據可以進行特徵工程。此時，過度依賴特徵工程的模型將無用武之地，行銷人員仍必須回歸傳統的市場調查、焦點團體訪談等定性研究來制定決策。

六、結論

特徵工程絕非單純的數學運算，它在本質上是「將人類的商業智慧轉譯為機器能理解的代數語言」的藝術。優秀的數位行銷人員，必須同時具備敏銳的消費者洞察力，以及將這些洞察落實為數據特徵的邏輯能力。不要一味追求最新、最複雜的深度學習模型；先把手上的原始數據整理好、提煉出有靈魂的特徵，你的簡單模型就能發揮驚人的商業價值。

延伸思考與課後練習

• 練習 1：如果你是 Uber Eats 的行銷主管，當你要預測「用戶今晚會不會點外送」時，除了「用戶歷史點單次數」之外，你會如何結合「天氣資料」與「時間資料」設計出一個具備高預測力的「互動特徵」？
• 練習 2：思考一下，如果你的品牌正在經歷大轉型（例如從實體零售全面轉向線上電商），你過去為實體通路設計的特徵（如「到店頻率」），要如何重新設計才能適用於線上的消費者行為模型？

文章出處

• 原文標題：The Art of Feature Engineering: Turning Raw Data Into Gold
• 作者：Md Johirul Islam
• 網站名稱：Medium

在機器學習與資料科學蔚為風潮的今天，許多行銷人或新進資料分析師常有一種迷思：只要套用最先進、最複雜的 AI 模型（如 XGBoost、Deep Learning），就能自動從資料中提煉出黃金洞察。然而，業界實務的殘酷現實是，決定一個商業預測系統成敗的關鍵，往往在於訓練前是否能根據「業務邏輯」設計出真正有意義的特徵工程（Feature Engineering）。

想像你是一家訂閱制電商的行銷負責人，手上有數百萬筆會員的點擊與消費紀錄。如果你只是把「消費金額」、「點擊次數」這些原始資料直接倒進複雜的模型裡，模型很可能只會學到過去行銷活動造成的表面現象，而無法真正預測出哪些客戶即將流失。本篇文章將從老師與實務專家的視角，帶你解構如何透過有主見的特徵工程，將冷冰冰的數據轉化為真正能支持行銷決策的指標。

一、文章核心觀點

本文的核心主張非常清晰：「特徵工程本質上是決策設計（Decision Design），而非單純的技術處理。」

多數的機器學習專案在生產環境（Production）中宣告失敗，主因並非演算法選得不好，而是因為開發團隊在設計特徵時，往往只貪圖「容易計算」，卻忽略了資料是否符合商業營運的真實脈絡。當特徵一旦被定型，系統能學到什麼資訊就已經被限制住了。在金融防詐騙、信用評等或數位行銷等高度受到法規與營運環境約束的場景中，建構在深厚產業知識之上的「簡單模型」（例如邏輯斯迴歸），其穩定度與可解釋性往往能完勝直接套用便利特徵的「複雜模型」。

二、重要概念解析

為了讓同學們能徹底內化，我們將原文中最重要的四個特徵工程核心技術與實務思維，整理成下表：

課堂提醒：

同學們一定要記住，基準模型（Baseline Model，如簡單的決策樹或邏輯斯迴歸）是一面誠實的鏡子。如果我們用簡單模型搭配設計不良的特徵，算出來的表現很差，這代表資料本身的特徵根本沒有抓到業務精髓。這時候千萬不要幻想換成複雜的深度學習演算法就能起死回生——爛資料倒進去，出來的只會是更精緻的垃圾。

三、與數據分析和行銷領域的關聯

這篇文章探討的雖然是金融防詐騙（Fraud Detection）的架構，但其底層的數據分析思維，與數位行銷中的「預測顧客流失（Churn Prediction）」、「顧客終身價值（LTV）預測」以及「廣告套利防範」完全相通。

在行銷數據分析中，我們同樣面臨大量的類別(categorical)資料（如：廣告活動 ID、UTM 來源、商品品類），如果直接做 Target Encoding，模型只會學到「因為過去我們對這個管道砸了大錢，所以它轉換率高」的系統偏誤，而非消費者的真實意圖。行銷人必須在乎這件事，因為精良的特徵工程能賦予數據「可解釋性」，當你的行銷主管或 CFO 問你：「為什麼模型預估這群人的流失風險極高？」你能用「因為他們過去 3 天的互動頻率比過去 30 天的均值下滑了 80%」這種符合人類邏輯的指標來回答，而不是給出一個黑盒子的機器學習 Embedding。

如何結合 AI 應用？

在現代的行銷科技（MarTech）流程中，我們可以將本文的特徵工程思維與 AI 工具進行具體結合：

1. AI Agent 自動化特徵發想（Domain-Driven Feature Brainstorming）： 資料分析師可以將電商數據庫的 Schema（欄位欄標與定義）輸入給大語言模型（LLM），並設定角色：「你是一位擁有 10 年經驗的電商行銷專家，請針對使用者瀏覽行為，發想 5 個能捕捉顧客『購買衝動』與 5 個『準備流失』的時間滾動聚合特徵計算法。」利用 AI 的知識庫跳脫工程師的思維盲點。
2. 自動化程式碼生成與重構： 確定特徵邏輯後，可利用 AI 自動生成高效能的 Pandas 或 PySpark 滾動時間窗（rolling()）程式碼。由於時間聚合的語法相對繁瑣，AI 能大幅減少語法出錯的機會，加速資料整理（Data Preparation）的流程。
3. 概念飄移（Concept Drift）的 AI 監控輔助： 當行銷環境因節慶（如雙11）或突發事件發生劇烈改變時，AI 可以自動比對基準模型中各項行銷特徵的權重飄移情形，並自動生成白話的分析報告，提示行銷決策者：「系統發現『促銷折扣比率』特徵的影響力異常暴增，可能存在消費者預期心理，建議手動調整行銷策略。」

四、行銷實務應用情境

情境一：訂閱制 SaaS 服務的顧客流失預警系統

• 應用情境： 一家影音串流平台想要在使用者真正退訂前兩週，精準找出潛在流失者並發送個人化電子郵件（EDM）挽留。
• 可以使用的資料： 會員每日登入紀錄、影片觀看時數、客服申訴次數、過去歷史退訂紀錄。
• 可以進行的分析： 捨棄總觀看時數，改為計算「過去 3 天觀看時數 / 過去 30 天平均觀看時數」的相對比值特徵，以及「過去 7 天內登入天數的斜率（是否持續遞減）」。
• 對行銷決策的幫助： 避免把預算浪費在「總時數少但行為穩定」的低度使用者，而是精準打中「原本是高度黏著、近期行為突然『失速』」的高風險流失VIP，大幅提升再行銷（Retargeting）的投資報酬率（ROI）。

情境二：電商大促期間的「行銷套利者（羊毛黨）」識別

• 應用情境： 電商在舉辦發放高額折價券的活動時，需要即時封鎖利用多帳號或自動化腳本瘋狂領券的非真實消費者。
• 可以使用的資料： 領券時間戳記、IP 位置、行動裝置類型、過去購買客單價、商品品類編碼。
• 可以進行的分析： 將高基數（High-cardinality）的商品品類依據行銷邏輯進行 coarse-grained（粗粒度）歸類。計算該帳號在「過去 10 分鐘內領券次數的滾動計數」，以及「領券商品品類跨度多元性」。
• 對行銷決策的幫助： 識別出行為軌跡異常（在極短時間內跨越完全不相關品類大量領券）的黑產帳號，即時攔截，確保行銷預算真正投放到有潛力的真實顧客身上。

情境三：行銷活動（Campaign）實質增量轉換率評估

• 應用情境： 零售品牌發送了簡訊促銷，想知道哪些業績是「因為簡訊才買的（增量）」，哪些是「不發簡訊本來就會買的」。
• 可以使用的資料： 促銷發送紀錄、顧客過往半年的消費頻率、平均客單價、最後一次購買距今時間（Recency）。
• 可以進行的分析： 建立基準模型，將顧客的「歷史常態消費力」作為控制特徵納入。在時間分割的驗證下，分析簡訊特徵對轉換率的邊際貢獻。
• 對行銷決策的幫助： 辨識出對行銷刺激有真正反應的「可說服型」顧客，停止對「鐵粉型」顧客進行無謂的折扣轟炸，優化整體的行銷毛利率。

五、行銷洞察與批判性分析

這篇文章為行銷界帶來了深刻的啟發：在數據行銷的時代，盲目追求大數據與黑盒子演算法，反而會讓人失去對消費者真實行為的洞察。 精細設計的行為特徵（如行為的加速、相對 baseline 的偏離），其本質就是消費者心理學的量化呈現。

然而，我們必須清醒地認識到這種方法論的限制與風險。人工設計特徵極度依賴團隊的「領域知識（Domain Knowledge）」。如果行銷團隊對消費者決策歷程的認知一開始就是錯的（例如誤以為消費者買車只看價格，因而設計了大量價格相關的滾動指標，卻忽略了品牌偏好的特徵），那麼人工設計出來的特徵反而會把偏誤死死地鎖在模型裡，讓模型在錯誤的道路上越跑越快。

批判性思考：嚴格審查與壓力測試

現在，讓我們切換成刁鑽的審查委員，對本文的論點進行嚴厲的拷問：

1. 隱含假設（Hidden Assumptions）： 作者在文中大力推崇「簡單模型 + 精緻特徵」的黃金組合，這背後隱含了一個未經證實的前提：「業務專家能夠完美且無遺漏地解構所有影響決策的特徵邏輯」。它假設人類的直覺與經驗可以窮盡資料中的所有關係。但在大數據環境下，許多隱藏在跨欄位、微觀層面間的「非線性高階交互作用」，往往是人類大腦無法直觀想像的。
2. 邏輯漏洞與證據不足： 這篇文章是一篇優秀的觀念宣導文，但在學術與實務論證上存在明顯的漏洞——缺乏量化數據的 Benchmark 支持。作者給出了漂亮的 Pandas 程式碼，卻沒有在同一個公開資料集上展示：當使用「邏輯斯迴歸 + 人工特徵」對比「未經特徵工程的 XGBoost/深度學習」時，兩者的 AUC、偽陽性率（False Positive Rate）到底差距多少？沒有數據對比，這套理論就很容易流於老生常談的經驗主義。
3. 失效的極端情境或反例： 作者這套以「人類領域知識引導特徵工程」的理論，在資料維度極度高維且關係極其複雜的非結構化數據（如：多模態的使用者頁面點擊熱點圖、連續的滑鼠軌跡流、或是包含情感的語音客服紀錄）前會完全失效。在這些場景中，人類根本無法用簡單的 groupby 或 rolling 刻畫出有意義的特徵，此時反而必須依賴 Transformer 或圖神經網路（GNN）這類具備「自動特徵學習能力」的複雜黑盒子模型。

六、結論

不要把機器學習當成魔法，它只是一面反映資料品質的鏡子。當你在做數據分析或行銷決策時，請把八成的時間放在理解商業情境、清洗資料，並用 Pandas 刻劃出符合消費者心理學的時間滾動與相對脈絡特徵。一個建立在正確時間分割驗證下、擁有良好特徵的簡單模型，才是能在真實商戰中存活下來的營運系統。

課後思考題

1. 想像你正要為一家「訂閱制健身房」設計流失預警模型。如果只能設計兩個特徵來捕捉會員的「行為加速或減速」，你會怎麼利用他過去 30 天的進出場紀錄來設計？
2. 在你的個人消費經驗中，有沒有哪個品牌在你「完全不想買」或「正打算買其他家」時，精準發了折價券給你？請試著從資料特徵的角度，反推該品牌的行銷模型可能抓到了你的什麼「特徵」？

文章出處

• 原文標題： Why Feature Engineering Still Beats Fancy Models (Part 2)
• 作者： Raj kumar
• 網站名稱： Towards AI

一、文章核心觀點

想像你是一家大型電商平台的數位行銷協理，雙十一檔期即將到來，你希望透過機器學習模型，精準預測哪些顧客在未來 24 小時內點擊特定廣告的機率最高（Click-Through Rate, CTR），好讓你把有限的行銷預算砸在刀口上。此時，資料科學團隊向你推薦了兩個方案：

• 方案 A 是一個極度複雜、使用了最新深度學習架構的模型，但餵進去的資料只是粗糙的原始點擊紀錄；
• 方案 B 則是一個相對傳統、簡單的模型，但裡面加入了行銷團隊精心設計的顧客行為特徵（例如：該顧客過去一週內瀏覽同類商品的頻率、最後一次點擊廣告的時間差等）。

你會選哪一個？

這篇文章的核心主張給出了一個非常確定的答案：一個擁有絕佳特徵的平庸模型，表現會持續優於特徵很差的高級模型。

在機器學習與數據分析的實務生產環境中，「特徵工程（Feature Engineering）」才是決定模型表現上限的關鍵勝負手。特徵是連接原始數據與行銷決策之間的橋樑。許多行銷人或剛入門的數據分析師常陷入「模型越新、越複雜就越厲害」的迷思，卻忽略了資料如果沒有經過妥善的清洗、轉換與設計，再強大的演算法也只是「垃圾進，垃圾出（Garbage in, Garbage out）」。

然而，在建立特徵的過程中，有一個隱形殺手正悄悄吞噬著行銷系統的可靠性，那就是資料洩漏（Data Leakage）。這指的是預測目標的資訊，在訓練過程中不小心混入了特徵中，導致模型在辦公室測試時表現近乎完美，但實際上線投遞廣告時卻徹底崩潰，造成嚴重的商業損失。本文將帶領大家拆解這些核心技術，讓行銷數據真正發揮變現威力。

二、重要概念解析

為了讓行銷領域的學生能快速掌握特徵工程的精髓，我們將原文中最重要的核心概念與實務技術，整理成以下表格與詳細解析：

特徵工程核心技術一覽表

1. 資料洩漏的幾種隱形面貌

防範資料洩漏是特徵工程的第一要務。文章提到了幾種常見的洩漏類型：

• 目標洩漏（Target Leakage）： 包含了未來的資訊。例如你想預測某個會員會不會買單，卻把「發票開立時間」放進特徵，這在實際上線前是不可能知道的。
• 時間洩漏（Temporal Leakage）： 在處理時間序列數據（如每日銷售額預測）時，如果沒有按照時間先後順序切分訓練集與測試集，而是隨機亂數切分，模型就會用「明天的價格」去預測「今天的表現」，在實務中完全無法運作。
• 預處理洩漏（Preprocessing Leakage）： 這是初學者最常犯的錯。在把資料切分成訓練集和測試集之前，就對「全體資料」計算平均值並進行標準化縮放。這等於讓訓練集偷感染了測試集的統計特性。

2. 缺失值背後的三大機制

當數據欄位有空白時，不能盲目地直接刪除或全部填補平均值，必須區分以下三種狀況：

• 完全隨機缺失（MCAR）： 數據缺失純屬意外，跟任何因素都無關。例如問卷系統斷線，導致某一陣子的顧客年齡沒存到。此時直接刪除該筆資料通常不會帶來偏誤。
• 隨機缺失（MAR）： 缺失跟其他「已經看得到」的特徵有關。例如：年輕顧客在點擊網站時，比較少留下電話號碼。這跟年齡有關，但跟電話號碼本身無關。
• 非隨機缺失（MNAR）： 缺失本身就代表了某種消費意圖或背景。例如在申請貸款行銷時，收入極低的人通常會刻意不填寫收入。這個「空白」就是一個非常強烈的信用風險訊號，在做數據分析時，絕對不能用平均值把它抹煞，反而應該把它獨立標記為一個特徵。

3. 特徵交叉（Feature Crossing）的加乘效應

特徵交叉是指將兩個獨立的特徵組合起來，形成一個新的特徵。例如，單看「年齡層」或單看「商品類別」可能無法精準預測購買率，但如果將兩者交叉組合成「年齡層 X 商品類別」（如：20歲年輕人 X 復古相機），就能幫線性模型捕捉到強烈的非線性互動關係。但要注意，使用特徵交叉時，原始的基底特徵依然要保留在模型中，否則會丟失獨立的預測能力。

三、與數據分析和行銷領域的關聯

這篇文章所探討的特徵工程，與行銷學中的消費者行為歷程以及顧客終身價值（Customer Lifetime Value, CLV）模型有著密不可分的關係。

在傳統行銷中，我們講求 STP（市場區隔、目標市場、市場定位），我們試圖用簡單的年齡、性別來定義目標客群。但在數位行銷時代，數據分析講求的是「行為特徵」。一個消費者在網站上的滑動速度、在特定產品頁面停留的秒數、過去三天的購物車加入次數，這些原始的 Log 紀錄（網站日誌），都必須透過特徵工程，轉化為結構化的指標（如：折扣敏感度、購買急迫性）。只有當我們能精準定義出這些行為特徵，後續的促銷郵件自動投放、EDM 個人化推薦才能達到高轉換率。

如何結合 AI 應用?

在現代數位行銷的架構下，這篇文章所提及的特徵工程可以與生成式 AI 及 AI Agent 深度結合，發展出以下具體應用方式：

• AI 輔助行銷特徵生成（Feature Generation Agent）： 傳統上，特徵組合非常依賴行銷人的領域知識。現在我們可以建立一個 AI Agent，將零售業的數據規格書輸入，讓 AI 自動構思並生成「可能有效的手動交叉特徵」。例如，AI 可以自動建議將「最近一次購買促銷品的時間差」與「平均客單價」進行交叉，為模型開拓新的預測維度。
• 自動化文本與社群輿情特徵化： 行銷數據中包含大量的非結構化文字（如 Google 評論、社群留言）。我們可以利用大型語言模型（LLM）將這些文字進行自動分類與情感分析，並將產出的「情感分數（正評/負評）」與「關鍵詞標籤」轉化為密集的嵌入向量（Embeddings），直接餵進顧客流失預測模型中。
• AI 驅動的決策輔助報告： 模型訓練完成後，AI 可以自動解讀特徵重要性（Feature Importance）。它不會只丟出一個枯燥的圖表，而是自動生成白話的行銷建議：「報告主管，分析顯示『近兩週內開啟 App 次數減少 50% 以上』是預測會員流失最強烈的特徵，建議立刻針對此族群發送回娘家優惠券。」

四、行銷實務應用情境

為了讓大家理解如何將這些技術落地，以下設計三個具體的行銷應用場景：

場景 1：電商平台防範「新客冷啟動」的即時推薦

• 應用情境： 雙十一期間有大量首度造訪的新顧客，系統沒有他們過去的購買紀錄（冷啟動問題），且面對成千上萬的新增商品 ID，系統需要即時推薦商品。
• 可以使用的資料： 當前訪客的 IP 位置（地理特徵）、即時瀏覽的商品類別、進站來源管道（如 FB 廣告或 Google 搜尋）。
• 可以進行的分析： 由於新商品與新客的 ID 數量龐大，使用文章推薦的雜湊技巧（Hashing Trick）或商品嵌入向量（Product Embeddings），在記憶體有限的情況下，將高維度的商品特徵轉為低維度，並即時計算相似度。
• 對行銷決策的幫助： 提高新客首購轉換率。即使不知道他是誰，也能依據他當下的微小行為軌跡，精準推薦他可能感興趣的組合，避免推薦不相關產品導致新客流失。

場景 2：訂閱制 SaaS 服務的客戶流失預警系統

• 應用情境： 某家影音串流平台想要預測哪些會員在下個月合約到期後不會續約，好讓 CRM 團隊提前發送續約優惠。
• 可以使用的資料： 過去半年的觀看時數、登入頻率、客服投訴次數、帳單扣款失敗紀錄。
• 可以進行的分析： 在這裡必須極度小心目標洩漏。分析團隊在設計特徵時，必須嚴格設定「時間截止點（Cut-off Date）」，絕對不能把截止點之後的行為（例如已經提出取消訂閱後的投訴）放進特徵。同時，針對觀看時數這種嚴重右偏的數據（少數宅男看極多，多數人看很少），使用對數轉換來平滑數據。
• 對行銷決策的幫助： 避免行銷預算的浪費。如果因為資料洩漏做出虛假的高準確度模型，CRM 團隊就會把續約折扣送給「本來就不會流失」或「已經救不回來」的人。正確的特徵工程能精準圈出「處於猶豫期、可被挽回」的核心名單。

場景 3：零售通路促銷活動的「折扣敏感度」分群投放

• 應用情境： 連鎖超市準備舉辦週年慶，想針對不同會員設計個人化的簡訊促銷，有些送高額滿額折價券，有些送新品體驗券。
• 可以使用的資料： 會員基本資料、過往參與促銷活動的核銷率、歷史客單價。
• 可以進行的分析： 利用特徵交叉（Feature Crosses），將「歷史消費頻率」與「促銷品購買比例」進行交叉編碼。另外，若會員資料中的「年齡」有部分缺失，需診斷其是否為非隨機缺失（如高齡者較不願提供），並將其獨立設為一個特徵類別進行分析。
• 對行銷決策的幫助： 實現精準行銷，降低發送成本。對折扣不敏感的高資產客戶推播新品資訊（賺取高毛利），對折扣極度敏感的客戶發送滿額折價券（衝高營業額），避免全面大撒幣導致利潤受損。

五、行銷洞察與批判性分析

從這篇文章中，我們可以提煉出一個深刻的行銷洞察：數據分析的本質不是追求技術的炫麗，而是追求對商業現實的精準刻畫。 特徵工程之所以重要，是因為它強迫行銷人與資料科學家坐下來，共同思考消費者在現實世界中的決策邏輯。一個好的特徵，往往來自於深刻的消費者洞察，而不是來自於更複雜的演算法。

然而，這篇文章在論述上也有其限制。作者強烈倡導手動設計特徵的價值，但在數據即時性要求極高、資料量呈現海量爆發的極端環境下（例如每秒有百萬級點擊的即時影音串流廣告標案），過於繁重複雜的手動特徵工程 Pipeline，會造成系統嚴重的延遲（Latency）。在這種情況下，實務上往往不得不妥協，改採最原始的數據，交由端到端的深度學習模型去硬啃。

批判性思考：嚴格審查與壓力測試

現在，讓我們換上最刁鑽的審查委員眼鏡，對這篇文章的論點進行嚴格的壓力測試：

1. 隱含假設（Hidden Assumptions）：作者的推論過程中，隱含了一個巨大的假設——「過去的資料特徵與未來的消費者行為邏輯是相對穩定的」。然而在數位行銷的世界中，市場環境瞬息萬變（例如隱私政策改變導致第三方 Cookie 失效，或是突然爆發疫情改變消費模式）。當發生嚴重的「概念漂移（Concept Drift）」時，你過去精心設計的手動特徵（如：某個特定的瀏覽路徑組合）可能會在一夜之間失效。作者預設了手動特徵具有長期的穩定性，這在變動劇烈的行銷實務中是高度危險的。
2. 邏輯漏洞與證據不足：文章雖然信誓旦旦地宣稱「平庸模型加上絕佳特徵，表現完勝高級模型加上爛特徵」，但整篇文章缺乏實證的量化數據對比。作者僅憑藉在社交網路與電商推薦系統的「經驗法則」作為論據，這屬於以偏概全的個案論證。在某些高度非線性的複雜場景（例如影像辨識行銷、語音情感分析），深度學習自動學習特徵的能力早已超越人類手動設計的極限。文章過度貶低了自動化特徵學習在特定領域的絕對優勢。
3. 失效的極端情境或反例：在「超高維度且即時動態變更」的行銷情境下，這套理論會完全失效。舉例來說，當你在經營一家跨國的超級電商（如 Amazon），每天有數百萬種新商品上架、數百萬種新的使用者標籤在變動，如果還高度依賴領域專家去「手動」設計特徵交叉，不僅人力成本無法負荷，更會因為特徵空間的「組合爆炸」，導致模型維度過高而當機。在這種極端規模下，完全自動化的特徵學習（Embedding Pipelines）才是唯一解，手動特徵工程在這裡毫無用武之地。

六、結論

機器學習系統的成敗，關鍵不在於演算法的疊加，而在於進入模型前的數據品質與特徵結構。行銷人學數據分析，不需去背誦複雜的微積分公式，但必須搞懂特徵工程的邏輯——如何防範資料洩漏這個隱形殺手、如何解讀缺失值背後的消費者心理，以及如何透過特徵縮放與編碼讓模型聽懂商業語言。記住，好的特徵來自於你對業務的理解，這才是行銷人無可取代的價值。

課後延伸思考題

1. 小專題練習： 請選擇一個你熟悉的訂閱制品牌（如 Spotify 或 Netflix），如果今天要你設計一個模型來預測「用戶會不會在下個月退訂」，請列出 5 個你認為最關鍵的行為特徵，並說明你要如何避免在這些特徵中犯下「目標洩漏（Target Leakage）」的錯誤。
2. 商業思維題： 當顧客在你的品牌官網註冊會員時，故意不填寫「性別」與「生日」。身為行銷負責人，你會選擇（A）直接刪除這些不完整資料、（B）填補多數人所屬的類別、還是（C）有其他的特徵處理方式？請結合本文學到的缺失值機制（MCAR/MAR/MNAR）來說明你的理由。

文章出處

• 原文標題：Machine Learning System Design — Part 7: Feature Engineering in ML Systems
• 作者：Bahadır AKDEMİR
• 網站名稱：Medium

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。

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：

1. 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。
2. 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。
3. 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

1. 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？
2. 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)

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：

【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：

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

1. 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？
2. 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

一、文章核心觀點

想像你是一家連鎖手搖飲品牌的行銷總監，今天公司為了提升數位會員的客單價，決定開發一個機器學習模型，用來預測「哪些會員下週最有可能購買新品」，好讓你能精準發送優惠券。你手上有幾百萬筆雜亂的原始消費明細、APP 點擊紀錄和會員註冊資料。如果你直接把這些原始數據倒進模型裡，模型大概只會給你一堆毫無用處的預測結果。

這篇由 Allan Alfonso 撰寫並發表於 Google Cloud – Community 專欄的文章 What is Feature Engineering?，正是要點破這個數位行銷人常犯的盲點：「應用機器學習的成敗，不取決於演算法有多神，而是取決於特徵工程（Feature Engineering）。」

作者引用了機器學習大師吳恩達（Andrew Ng）的經典名言，指出機器學習模型（如類神經網路）本質上是由一堆數學權重組成的，它們根本看不懂、也無法直接消化我們日常收集到的原始資料。行銷人必須扮演「數據雕刻師」，透過「特徵工程」將原始數據轉換成模型看得懂、能高效學習的「特徵向量」，才能真正降低預測誤差、提升行銷決策的精準度。

二、重要概念解析

為了讓大家快速掌握特徵工程的精髓，我們把原文中最核心的三個概念拆解如下：

1. 什麼是「特徵」與「特徵向量」？

在機器學習裡，「特徵（Feature）」就是你用來描述研究對象（例如：消費者）的個別可觀測屬性。如果我們要模型去預測消費者的購買行為，我們就必須把這些屬性打包成一個「實數構成的向量（Real Numbered Vector）」。

為什麼一定要是數值？因為模型的運作本質上是將「特徵值」與「模型權重」進行數學乘法運算。文章中提到，行銷數據常見的特徵類型有以下四種：

2. 為什麼「降維（Dimensionality Reduction）」能防止過擬合？

初學者常有一個誤區：「是不是把所有收集到的資料欄位，通通塞給模型，預測就會最準？」答案是：絕對不會，這樣反而會死得很快。

當我們塞了太多不相關或重複的特徵時，特徵空間的「維度」會變得極度龐大。模型會開始「死背」訓練資料中那些純屬巧合的雜訊，這在專有名詞上叫做「過擬合（Overfitting）」。一旦模型過擬合，它在預測全新的行銷資料時就會漏洞百出。因此，透過特徵工程篩選掉不重要的特徵、降低維度，模型才能抓到真正具通用性的商業規則。

3. 好特徵的五大黃金準則

作者非常有條理地幫我們梳理了評估特徵品質的五個標準：

1. 與目標高度相關 (Be Related to the Objective)：不要餵無關的髒資料，例如想預測「下單機率」，卻餵「會員註冊當天的天氣」。
2. 預測當下必須拿得到 (Be Known at Prediction Time)：這是行銷實務最容易踩的雷！你設計的特徵，在模型要執行預測的那一秒鐘，系統後台必須已經計算完畢並能即時提供。
3. 具有實質意義的數值 (Be Numeric with Meaningful Magnitude)：數值特徵的「大小」要有物理或商業意義，否則模型無法正確做加權運算。
4. 有足夠的樣本數 (Have Enough Examples)：如果某個特徵（例如：買過售價十萬元的限量商品）只有兩個會員符合，模型根本學不到任何有統計意義的規律。
5. 融入人類的行業洞察 (Bring Human Insight to Problem)：機器是死的，人是活的。行銷人必須用自己的商業直覺（如 RFM 模型的邏輯），去引導模型該看哪些維度的特徵。

 提醒：

很多剛進業界的行銷系畢業生，遇到模型預測不準，第一反應都是「我是不是該換一個更酷炫、更複雜的深度學習演算法？」超乎你意料之外的是，90% 的時候問題都出在你的數據特徵太垃圾。演算法只是計算機，如果輸入的特徵本身就沒有預測力，再高級的神經網路算出來的也只會是一堆包裝精美的垃圾。

三、與數據分析和行銷領域的關聯

在數據分析的生命週期中，特徵工程通常佔據了資料科學家 70% 到 80% 的工作時間。對行銷人而言，這更是將「消費者行為理論」具體落地成「數學語言」的唯一橋樑。

例如，消費者行為學常討論「消費者涉入度（Involvement）」和「品牌忠誠度」。在實務上，你不能直接把「涉入度高」這四個字輸入電腦，你必須透過特徵工程，將其轉化為電腦看得懂的指標：

• 涉入度 → 工程化為「過去 7 天內閱讀產品評測文章的總時間、購物車暫存商品數量」。
• 忠誠度 → 工程化為「近三個月回購頻率（Recency & Frequency）、會員年資」。

如何結合 AI 應用？

在當前的生成式 AI 與大語言模型（LLM）浪潮下，行銷特徵工程有了更具突破性的玩法：

• 非結構化文本的「語意特徵提取」：以前我們很難處理客服對話紀錄或社群媒體上的點評。現在，我們可以利用 AI 工具（如 Embedding API），將成千上萬條非結構化的消費者評論轉化為高維度的「語意向量」，再轉化為情感分數（如：正評比例、抱怨強度特徵），做為預測客戶流失模型的輸入特徵。
• AI 輔助的特徵腦力激盪（LLM as a Feature Generator）：行銷人員可以將現有的資料欄位大綱（Data Schema）輸入給 AI 助理（例如 Gemini），並下達指令：「我是一家彩妝電商，想預測 VIP 會員的復購率。請根據這份資料表，幫我腦力激盪 10 個可能有效的新交叉特徵（Crossed Features）。」利用 AI 的跨領域知識，快速突破行銷人的思考盲點。

四、行銷實務應用情境

以下我們設計三個具體的行銷實務場景，看看如何將特徵工程套用在日常決策中：

場景 1：零售電商的「購物車挽回」自動化行銷

• 應用情境：消費者把東西放進購物車卻沒結帳，行銷系統要在 2 小時內決定「要不要發送 9 折券促銷」，避免利潤白白損失給本來就會買的人。
• 可以使用的資料：商品單價、購物車總額、用戶歷史購買次數、當次瀏覽點擊行為。
• 進行特徵工程與分析：
  1. 創造交叉特徵：「本次購物車總額 / 會員歷史單筆最高消費額」。若比例大於 2，代表該商品對他來說算高單價，結帳猶豫期可能較長。
  2. 創造分箱特徵：「加入購物車的時間段（上午/下午/深夜）」。
• 對行銷決策的幫助：模型能精準預測誰是真的需要「臨門一腳（折價券）」才會買的猶豫客，誰是本來就會結帳的鐵粉，讓行銷預算花在刀口上。

場景 2：訂閱制 SaaS 平台的「流失預警」關懷

• 應用情境：影音串流平台或軟體訂閱服務，想在用戶合約到期前 30 天，提前揪出「高流失風險者」並進行續約誘引。
• 可以使用的資料：每日登入日誌、使用時數、觀看/使用功能分布、客服投訴次數。
• 進行特徵工程與分析：
  1. 創造衰退率特徵：「過去 15 天的使用時數 / 過去 90 天的平均使用時數」。這比單純看「總使用時數」更能精準捕捉用戶熱情消退的軌跡。
  2. 創造不滿度特徵：「客服提單次數 × 未解決天數」。
• 對行銷決策的幫助：當系統偵測到用戶的「衰退率特徵」低於 0.4（代表使用量腰斬），且「不滿度特徵」偏高時，自動派發專屬的客服關懷與續約折扣，防堵客戶流失。

場景 3：餐飲集團的「實體店點跨店推薦」

• 應用情境：連鎖餐飲集團希望透過 APP，向會員精準推薦最適合他們的實體分店優惠。
• 可以使用的資料：會員居住地郵遞區號、過去消費門市的經緯度定位、消費時間段。
• 進行特徵工程與分析：
  1. 創造地理特徵交叉：計算「會員常去門市與其居住地的距離（通勤距離特徵）」。
  2. 創造時空特徵組合：「平日午餐常去店」vs「假日晚餐常去店」。
• 對行銷決策的幫助：不要在平日中午推薦一個離他家很近、但離他上班地點 20 公里遠的店點優惠。利用特徵工程計算出他的「通勤行為規律」，精準推送上班順路的店點促銷，提高到店轉換率。

五、行銷洞察與批判性分析

從這篇文章中，我們可以提煉出一個深刻的行銷洞察：「數據的商業價值，取決於你解讀它的維度。」 收集再多的大數據（Big Data），如果沒有經過特徵工程的提煉，就只是無用的數位廢棄物。好的行銷人，必須要能從消費者蛛絲馬跡的行為中，提煉出代表其意圖的「關鍵特徵」。

然而，我們在實務應用時，也必須保持清醒的批判態度。

批判性思考：嚴格審查與壓力測試

現在，讓我們換上嚴厲的審查委員視角，對本文倡導的特徵工程與模型建置邏輯進行一次壓力測試：

1. 隱含假設（Hidden Assumptions）

• 假設「消費者的歷史特徵規律可以完美預測未來」：這是預測模型最大的硬傷。特徵工程高度依賴過去累積的歷史數據（例如：過去 30 天的點擊習慣）。這隱含了「消費者偏好不會突變、大環境不會劇烈動盪」的假設。
• 假設「關鍵的決策變數都是可以被收集且量化的」：特徵工程預設所有的影響因素都可以轉換成實數。但消費者許多感性、隨機、同儕壓力或當下的情緒波動（例如：失戀後的報復性消費），在實務上根本無法被數位化成特徵向量，這導致模型始終存在無法解釋的盲區。

2. 邏輯漏洞與證據不足

• 「預測當下已知（Known at Prediction Time）」在系統架構上往往是個理想化的空談：文章強調好特徵在預測時必須可得。但在企業的真實 IT 架構中，資料庫的「批次更新（Batch Update）」通常有數小時到數天的時間差。行銷人自以為設計了完美的「即時瀏覽特徵」，但實際上系統根本無法做到即時串流運算（Real-time Streaming），導致模型在實作時直接癱瘓或使用到過期特徵。

3. 失效的極端情境與反例

• 「冷啟動（Cold Start）」情境完全失效：當品牌推出一個完全創新的產品，或者進軍全新市場時，因為沒有任何「歷史消費數據」或「足夠的樣本數（違反好特徵準則 4）」，這套精雕細琢的特徵工程方法論將完全無用武之地。此時，傳統的定性市場調查（如深度訪談、焦點小組）反而比數據特徵預測更有力量。

六、結論

機器學習與數據分析不是行銷的魔法棒，而是需要精心調校的科學儀器。特徵工程就是這台儀器的校準器。 成功的行銷數據分析，絕對不是把原始數據一古腦地塞給 AI 演算法，而是需要行銷人結合對消費者的深刻洞察，將雜亂的足跡轉化為有商業邏輯、精簡且有代表性的數據特徵。唯有如此，機器學習才能在商業戰場上幫你做出對的行銷決策。

課後思考題（請試著動手或動腦練習看看）：

1. 假設你現在要為一家「線上影音串流平台（如 Netflix）」設計一個「預測用戶下週會不會退訂」的模型。除了用戶的年齡和性別，請你想出 3 個你認為最關鍵、且需要經過特徵工程轉換的「行為特徵」。
2. 承上題，為什麼「用戶註冊的日期」不適合直接當作特徵輸入模型？你應該如何利用「分箱化（Bucketized）」或數值轉換，把它變成一個合格的特徵？

文章出處

• 原文標題：What is Feature Engineering?. Converting Raw Data into Features
• 作者：Allan Alfonso
• 網站名稱：Medium (Google Cloud – Community)