演算法
Algorithm
什麼是演算法?
- 解題的分步驟流程・規則
- 同樣的問題,依演算法不同,效率也隨之改變
- 一切軟體與 AI 的根基
演算法真正改變的,是把原本取決於人的工作,轉化為「要以什麼順序做什麼」的問題。當資深採購人員憑經驗下的訂單,被寫成「近 4 週平均銷量 × 前置時間 + 安全庫存」這樣的流程時,這個判斷就能被驗證、修改與交接。被寫下來的流程,才是改善的對象 — 只存在腦中的標準,連它為什麼錯都無從檢討。所以 DX 的第一步不是導入系統,而是把目前在用的工作規則,用文字說出來。
實務上要先分清三件事,對話才會有交集。規則型演算法是由人親自寫下條件(「庫存 5 個以下就下單」)。學習型演算法則是從過去資料中自行找出條件的權重。另外,演算法與程式碼不同 — 演算法是流程本身,程式碼則是把該流程以特定語言實作出來的版本。開發人員說「改一下邏輯」和說「重構一下」是完全不同的事,原因也在於你動的是流程,還是只動實作。
效率差異遠超過直覺。排序 100 萬筆資料時,簡單比較法約需 1 兆次運算,合併排序法約需 2,000 萬次。5 萬倍的差距會直接反映在伺服器成本與畫面回應速度上。因此,好演算法的標準有三個:能否給出正確答案、無論什麼輸入都一定會結束,以及同樣的答案能以多低的成本給出。
現場最常出錯的地方,是「演算法選出來的,所以很客觀」這種想法。演算法只是忠實地依循設計者設定的目標指標,以及用於學習的過去資料。若把推薦邏輯只對準點擊率,雖然吸睛,但不適合的商品會被排到前面,退貨率隨之飆升;若把流失預測分數直接交給業務,折扣券就會發給本來就會留下的客戶。演算法的性格,就是它所設定的目標指標。結果怪怪的時候,該問的問題不是「模型錯了嗎」,而是「我們要它最大化的是什麼」。
源自九世紀數學家花拉子米(Al-Khwarizmi)的名字,並確立為電腦科學的基本概念。
以假設案例來說明。A 公司在網路上販售生活用品,全體員工 210 人,自有購物網站每月訂單約 4 萬筆。商品推薦區的點擊率為 7% 上下,並不差,但透過推薦購買的商品退貨率達 12%,是一般訂單(5%)的兩倍以上。執行長指示「三個月內要降低退貨物流成本」,資料團隊於是從頭重新檢視推薦邏輯。
- 資料團隊的金責任研究員拆解邏輯後發現,學習目標只有「點擊機率」一項。不看是否購買、也不看是否退貨,結構上只是把吸引目光的商品排到最上面。
- CS 團隊的朴主管在會議上秀出截圖,說「退貨原因第一名連續三個月都是顏色・尺寸不符,而這些商品全都在推薦第一格裡」。
- 營運、CS、資料三個團隊齊聚一堂,把成功標準從點擊改為「30 天內無退貨的購買」,並加上規則:近 60 天退貨率達 15% 以上的商品,不列入推薦候選。
- 不做全面套用,而是只將 20% 流量導入新邏輯 4 週,與既有邏輯並排比較。雖然點擊率由 7.1% 降到 6.2%,退貨率卻從 12% 降到 7% 多。
- 全面切換後三個月,經推薦管道的退貨率從 12% 降到 6.4%,每月退貨物流成本從 KRW 29,000,000 (≈ US$21,700) 降到 KRW 16,000,000 (≈ US$12,000)。每月節省 KRW 13,000,000 (≈ US$9,730),推薦營收反而增加了 8%。
Seung-tae Park
金鍾赫