如何運用 Google Analytics for Firebase 提升 app 績效?

之前的文章我們介紹了蒐集 web 流量的工具 Google Analytics (GA) 以及付費版的 GA360,這次我們來看看 Google 蒐集 app 流量的工具 Google Analytics for Firebase 有那些功能。本文會著重 Google Analytics for Firebase 分析與行銷應用,對於 Firebase 後端開發有興趣的讀者可參閱此篇文章

開始之前:關於 GA、Firebase、Firebase Analytics、GA4F?

繼續閱讀 “如何運用 Google Analytics for Firebase 提升 app 績效?”

Google Analytics 免費版和 Google Analytics 360 的六大差異

大家熟知的網站流量分析工具 Google Analytics(以下簡稱 GA)有兩個版本:免費版 GA 與 GA360。隨著企業對於數位流量分析的需求日增,我們經常面對客戶詢問「免費版跟付費版的差別在哪裡?」另外,使用免費版 GA 有許多限制,但一年要價 450 萬台幣的 GA360 又能為企業帶來那些價值?本文針對上述問題進行整理,讀者可根據比較表或需求確定哪一套工具比較符合目前企業需求。 繼續閱讀 “Google Analytics 免費版和 Google Analytics 360 的六大差異”

高成本獲客時代,金融業如何透過 AI 與大數據找出路?

瞄準年輕族群商機,銀行業者今年紛紛打起消金補貼戰;除了有感的現金回饋以外,銀行也推出數位帳戶連結、網購外送優惠等方案搶食年輕小資族這塊大餅。消金一直都是金控的主戰場,今年起不僅數位銀行、純網銀加入競爭,連過去以企金為主的公股銀行也加入戰局搶發卡。

消金補貼戰,銀行搶獲客

補貼戰背後,如何「獲客」仍是消金業者最大的難處。這是一個供需問題;銀行不斷搶進之下,銀行的獲客成本自然持續上升,因此如何有效維持成本、提升營利空間變得非常重要。網路資訊和社群媒體興起成為影響決策的關鍵點;年輕人在辦卡前總是會上各大論壇爬文比較、參考各類財經部落客和網友的評價才下決定。這樣的行為改變,使商品的主導權由企業轉移到了消費者身上;意即,企業要賣什麼、推什麼樣的服務,是由「消費者喜歡什麼」決定。 繼續閱讀 “高成本獲客時代,金融業如何透過 AI 與大數據找出路?”

為什麼要用 Data lake?淺談企業自建資料湖泊的關鍵因素

企業因應數位化紛紛加速轉型動作。iThome 在 2019 臺灣企業雲端大調查中發現,台灣已有 6 成的企業在推動數位轉型,各產業皆然,另外也有 25% 企業認為有必要推動但尚未執行。這一波數位轉型浪潮來自網路的全面化;無時無刻連網的情境帶動了行動、O2O 等各種全新商業模式;而數據量暴增,也迫使傳統企業思考如何藉由數據與科技提高用戶忠誠度、改善消費體驗、提升內部效率。

大數據分析、AI 技術藉此快速竄起;例如近幾年行銷領域很紅的 Martech(行銷科技),就是透過科技與改善人為判斷的偏誤,改以數據導向、機器學習驅來優化廣告行銷成效。但是,暴增的數據要如何有效整合運用?企業又要有多深的口袋才能做到? 繼續閱讀 “為什麼要用 Data lake?淺談企業自建資料湖泊的關鍵因素”

[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)

前篇文章所述,監督式學習的演算法就是要學習得出一個方程式 y = f(x) 以表達資料集的分布狀況,讓我們之後匯入新的資料 (x) 就能做出相應的預測 (y)。這種方法通常也被稱作「預測模型」或「預測性分析」,而預測模型或預測分析的目標,就是盡可能地提高預測與實際結果的精準度(關於精準度的判斷,我們會在下期說明)。

本文針對機器學習新手簡述資料科學家經常使用的幾個演算法的基本概念,並比較其中幾項差異與優缺點。

迴歸的演算法

線性迴歸 Linear Regression、多項式迴歸 Polynomial Regression

迴歸在統計中相當常見。回顧先前文章與上述方程式 y=iwixi+b,迴歸的演算法,即藉由尋找每個 x 的權重 w 與 b 去寫出預測的方程式。若以直線去趨近資料,則稱為線性迴歸 (Linear Regression);若是以曲線趨近資料,則為多項式迴歸 (Polynomial Regression)。另外,也有以分類器為趨型的迴歸樹(以決策樹為雛形)、SVR(Support Vector Regression,以 SVM 為雛形),能夠處理非線性的資料。 繼續閱讀 “[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)”