行銷人必學的「特徵工程」入門指南

周進華 MachineLearning

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：

特徵類型說明行銷白話範例
數值型 (Numerical)直接用數字呈現大小或數量的資料。會員歷史消費金額、過去 30 天點擊 APP 的次數。
類別型 (Categorical)非數值的標籤或分類，必須轉化為數值（如：獨熱編碼）。會員的性別（男、女）、最常光顧的門市地區（台北、台中、高雄）。
分箱化 (Bucketized)將連續的數值切分成不同的區間段，簡化數據複雜度。把「年齡」切成「18-25歲」、「26-35歲」等區間標籤。
交叉特徵 (Crossed)將兩個或多個特徵組合在一起，創造出代表協同效應的新特徵。將「最愛商品類別：拿鐵」與「購買時間點：早上」交叉，形成「晨間拿鐵愛好者」特徵。

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