透過多模態和多階層的機器學習技術，結合強化學習所開發的營運策略輔助系統，能夠處理競爭市場中的大量數據，並應用時序預測技術來獲得重要的市場資訊。這個系統不僅包括資料蒐集模組、多模態預測模型、自動出價系統與營運策略建議，還使用了分群技術來找出同質性的競爭對手，確保數據分析和策略建議能夠基於正確的市場定位。

◎競爭市場中的實際挑戰
在實務中，許多旅店的決策者常憑藉個人經驗來選擇競爭對手，但實際上，透過系統化的數據分析後，我們往往發現這些選擇存在偏差。例如，一間位於一線城市商務區的旅店，平均房價約 2,500 元，設施偏向商務需求，但缺乏停車場、健身房、餐廳等附加設施，與其周邊提供不同價位（價位區間可能是在 1,500 - 15,000 之間）和設施的競爭對手相比，這樣的旅店需要根據特定的市場定位來進行精準競爭對手的選擇，而非單純依賴地理位置或價格範圍進行對比。為了解決這個問題，我們透過價格、設施、地理位置、旅店類型......等多維度因素，開發了一套競爭對手選擇模型，以更精確地鎖定實際的競爭者。

◎系統的技術瓶頸與解決方案
這套系統面臨的挑戰之一是模型訓練所需的高成本算力，尤其對於全新的旅店而言，由於缺乏足夠的歷史數據，系統很難進行有效的預測。此外，機器學習的特性決定了「垃圾進，垃圾出」的問題，數據品質會直接影響模型的表現。針對這些問題，我們採取了預訓練模型的方式，將高效運營的數據轉移至新旅店，幫助其建立初期的銷售策略。同時，我們在演算法選擇和模型數量的平衡上進行了優化，確保系統能在有限的算力下依然能保持穩定且有效的表現。

◎使用者信任與產品定位
讓使用者信任模型的預測和決策是一個關鍵挑戰。許多業主會誤以為只要將銷售交給這個系統，便能立即實現銷售額大幅成長。然而實際上，人工智慧無法處理所有複雜的銷售策略，旅店的服務設施品質、定位和經營策略也會影響最終的成果。因此，我們稱之為「營運策略輔助系統」，強調其核心功能在於「輔助」。

針對不同的使用者群體，我們設計了差異化的功能。對於沒有足夠資源進行數據分析的旅店，系統提供全自動的出價管理功能，舉例像非設計領域的用戶使用 Canva 等 AI 工具進行設計或簡報製作的工作。而對於有專家進行收益管理的旅店或集團，系統則能提供有參考價值的數據分析，減少人工整理數據的繁瑣流程，讓專家將精力集中在決策跟策略上，這也類似於視覺設計的專家使用新版 Photoshop 的 AI 功能來提升工作效率。人工智慧的躍進，在近兩年以大幅改變了不少專業工作者的作業生態。

而我們所使用的技術，也成功取得了「旅店需求評估方法及旅店需求評估系統」和「出價調整方法及出價調整系統」兩項 AI 發明專利。

◎系統導入的挑戰與解決方案
在導入這套系統時，數位資源落差大的旅店往往面臨成本、信任和操作的挑戰。為了解決這些問題，我們在產品的定價模式上進行了靈活設計，例如提供抽佣制方案，即旅店只有在成功銷售後才需要支付費用，這大大降低了導入的風險。此外，信任的建立主要依靠數據和科學驗證，系統提供了透明的數據驗證機制，讓使用者可以輕鬆了解模型的準確度和預測表現。

在操作方面，系統能夠串聯旅店的自營管道與各大銷售平台，並提供簡單易用的監控和修正介面。透過教育訓練和技術研討會，進一步幫助使用者掌握系統的應用，降低導入和使用的門檻。

◎系統對有專家管理的旅店的價值
對於已經擁有收益管理專家的旅店而言，系統能幫助經理人更好地理解人工智慧的運作原理，並透過強化學習技術的獎勵機制來比較 AI 的定價策略與專家決策的不同之處。透過固定的技術交流研討會形式，分享 AI 預測模型中使用的特徵，並利用 LLM 來解讀數據，這大大減輕了專業經理人處理大量數據的壓力。這讓專家能夠快速比對銷售策略、行銷推廣，甚至是旅店自身服務缺失的改善，從而保持競爭優勢。

◎當系統普及後的挑戰
隨著這類 AI 輔助系統的普及，一個必然的問題是：當大多數旅店都在使用這套系統時，競爭優勢會消失嗎？答案是：當市場趨於飽和，產品必須進行創新。當其他競爭對手都在使用數據化的分析和策略系統時，不採用這類系統的旅店將會處於劣勢。而針對不同旅店所對應的市場，我們的系統將持續作為輔助工具，幫助企業主導營運策略，減少不必要的重複工作，將資源集中在決策和執行上。

◎總結
這套基於大數據與人工智慧的營運策略輔助系統，可以有效節省數據收集和分析的時間，並提供市場預測和預警功能。對於有專家團隊的旅店，它能放大專家的專業價值；而對於缺乏數據營運能力的旅店，自動化的銷售功能可以幫助其實現營收最大化。這套系統採用靈活的收費機制，降低了導入風險，並且幫助旅店提升競爭力，是一家所有想要穩健成長的旅店不可多得的產品服務。

在確立了營運策略輔助系統的產品架構後，我面臨的挑戰是導入和開發核心技術。這個系統主要分為四個功能區塊：資料蒐集模組、多模態預測模型、自動出價輸出和營運策略建議。

◎資料蒐集模組
資料蒐集模組包括內部和外部的資料來源，這邊需要處理的在於 ETL（Extract、Transform、Load ）的相關作業。內部資料來自於企業自身的營運數據，而外部資料則涵蓋了競爭對手的價格策略、社群媒體評論、大型活動對市場需求的影響等。對於旅宿業而言，這些資料包括房型銷售、餐飲、會議廳、周邊商品等收入來源，以及展覽、假期等會促進住宿需求的事件。蒐集並處理這些資料後，這些數據將轉化為可供模型訓練的特徵。在進行開發之前，需要先定義這個營運策略系統需要接收多少類型的資料，同時這些類型也應該能廣泛的對比到不同的管理系統。

在資料蒐集中，我們運用了自動化爬蟲技術來持續獲取這些數據。然而數據的收集只是第一步，主要的挑戰在於如何將這些數據轉換為模型能夠使用的特徵。例如，價格和顧客評分是直接的數字，但地理位置、設備品質和社群評論則需要進行量化處理。我們依賴文本分析、情感分析模型和專家知識來完成這一轉換，這是一個繁瑣的過程（Dirty Work），卻是系統能夠正常運行的基礎。

◎多模態預測模型
多模態預測模型是這個系統的核心。我們使用了多種演算法來訓練和驗證不同的模型，這些模型會預測訂單、業績以及預訂時間......等營運關鍵指標。由於旅宿業的多樣性，不可能依賴單一模型覆蓋所有旅店的需求，因此我們需要找到多模態模型的最佳組合，以適應不同規模與類型的旅店。

在模型訓練過程中，我們採用了科學驗證方法，如 MSE、MAE 和 MAPE，來評估模型的表現。然而，由於模型的數量龐大，我們使用了多階層的模型架構來提高效率。例如，初步模型的預測結果可以作為後續模型的訓練數據，最終形成一個多階多模態的預測系統。這樣的設計確保了系統在不同的數據來源和市場情境下，都能提供穩定且準確的預測結果。

值得一提的是，這個系統的開發過程中，除了我們自己有委外的驗證單位之外，還接受了外部學者、顧問和「前瞻計畫」審查委員的多次審查，並根據他們的建議進行模型調整。最終，我們將預測誤差率控制在 20% 以內（20% 是表現最差的數值），這樣的精確度已經能夠為大多數旅店提供有價值的策略參考。

◎自動出價的技術挑戰
自動出價模組基於強化學習技術，這是一個自動調整價格以實現營收最大化的系統。傳統上，專家在定價時需要依賴歷史數據和經驗，但這樣的方式難以即時應對市場的波動，特別是在房間庫存有限、銷售時間逐漸接近的情況下。強化學習技術可以模擬市場供需的變化，並通過不斷學習和調整來提供最優的出價策略。

這項技術的關鍵在於如何設置獎勵機制，使得模型在優化營收的同時，能夠符合市場預期。自動出價系統能夠在 24 小時不間斷地運行，根據市場的實時數據滾動調整價格策略，這是人工專家無法實現的。在沒有專家的旅店中，這個系統可以完全自動化運行；而對於擁有專家團隊的旅店，這個系統可以提供有價值的參考數據，幫助減輕專家工作量，並且在偏離專家預期時，進行人工微調。

◎營運策略建議
營運策略輔助系統的最後一個功能是策略建議。我們將前面提到的不同特徵，通過商業智慧報表的形式來呈現，除此之外系統還能夠生成實際銷售數據與預測結果。起初，我們嘗試使用專家知識來構建內部知識庫，但由於旅店營運模式多樣且數據交互組合複雜，這樣的知識庫難以涵蓋所有可能性。

隨著 LLM 技術的突破，如前面「專業報表分析工具」那一篇所提到的，我們發現它能夠在適當的處理後，替代專家完成數據解讀的工作。我們透過技術整合已知的專業資訊導入 LLM，使得系統能夠自動解釋數據並提供具體的策略建議，這大大縮短了我們的開發時間並提升了系統的靈活性。

多數企業面臨的最大困難是缺乏數據分析和解讀的能力，而這正是我們的營運策略輔助系統所要解決的問題。透過這個系統，企業能夠輕鬆獲得實時的營運建議，並及時應對市場的變化。

但系統跟技術都有它本身的瓶頸與限制，下一篇將會談到這部份產品開發的思維點。

2019 年下半年，我們成立了資料工程團隊，開始專注於人工智慧技術在旅宿業中的應用。我自 2016 年加入旅宿產業後，籌組了公司的資訊研發團隊，並先後投入 PMS 系統（Property Management System）及無人化智慧旅店的開發。然而，隨著市場需求的變化和公司發展方向的調整，我們逐漸意識到，僅僅依靠傳統的旅宿管理系統已不足以維持競爭力。公司開始將重點轉向「以數據營運」與「自動出價功能」這兩個核心目標。

這兩項需求對於公司而言是關鍵。旅宿業經常面臨人力短缺和高流動率的問題，這使得依賴人工處理的定價策略和數據解讀變得困難。此外，市場波動加劇，如何在短時間內做出準確的營運決策成為我們急需解決的問題。因此，我在產品規劃的方向逐漸聚焦於如何透過人工智慧技術建立一個可以自動累積知識、提供營運數據和策略參考的系統，讓人力資源能夠集中在更具價值的項目上。

◎技術探索與前期研究
在正式進行系統設計前，我們進行了一系列的小型技術研究，來驗證技術的可行性。我們首先分析了過去三年內的營運數據，包括旅店的銷售數據及其產品的銷售表現。通過機器學習技術，我們建立了多個預測模型，像是「旅客預訂時間」（Lead Time）的預測模型，這類技術能幫助我們更準確地預測未來的需求，從而優化定價策略，這些預測能力在旅宿業和其他行業中都極具價值。

此外，我們開始研究資料探勘技術，並構建了自動化爬蟲系統，從政府開放數據中提取市場相關的營運資訊。我們進一步利用分群技術，對數據進行彙整並自動分類。這些初期研究不僅為後續系統的開發奠定了技術基礎，還推動了我們其他相關產品的開發，如「問題通報系統」和「AI 智慧客服系統」。

◎系統規劃與功能設計
在思考如何產品化這些技術時，我首先通過魚骨圖分析，系統性地梳理了旅宿業及中小型企業普遍面臨的問題。這些問題包括銷售數據不足、對銷售渠道的掌控力薄弱、價格無法隨市場波動即時調整、缺乏合適的管理工具、以及人力與專業資源不足等。

我們的系統功能設計以這些困境為出發點，反向構建了解決方案。例如，我們利用數據分析和機器學習技術來為公司提供完整的銷售管道監控、競爭對手的市場動態分析、以及即時定價的策略建議。這一系列功能構成了營運策略輔助系統的框架，使得企業經營者能夠根據精準的數據做出即時決策，從而提升市場應變能力。

◎研發補助與疫情挑戰
在這一產品規劃的初期階段，新冠疫情正開始對全球旅遊業帶來衝擊。面對國內旅宿業的經營困難，我們主動申請了政府的研發補助計劃。2020 年，我們成功通過了經濟部「研發固本」的產業創新補助案，並在 2021 年獲得A+企業創新研發淬鍊計畫的「前瞻技術研發」資助。這些補助不僅幫助我們在疫情期間維持了公司的研發進度，還促使我們在 2024 年完成了該產品的正式開發，目前正推廣給其他旅店使用。

政府的資金支持讓我們能夠繼續推進人工智慧和數據分析的創新技術，並保持我們在市場中的競爭力。

在上一篇文章中，我分享了「AI 智慧客服系統」的產品開發經驗，並提到透過 LLM 技術來優化客戶問答系統的可能性。在這個過程中，我進一步發現，LLM 不僅能應用於客服對話，還可以在專業數據的解讀和分析上發揮重要作用，這啟發了我另外的想法，透過 LLM 來產生專業報表分析工具的思路。

◎商業智慧與 AI 的結合
商業智慧（Business Intelligence，BI）一直是企業決策的重要工具，透過數據探勘、分析及視覺化，企業得以掌握營運狀況。然而，隨著 AI 技術的快速發展，BI 系統迎來了新一輪的升級。特別是在大數據分析、時序數據處理和市場預測中，AI 能夠提高數據的準確性和預測的精度，讓企業能夠更迅速地應對市場變化，進而提升競爭力。

不過，除了數據分析與預測，BI 最大的挑戰在於如何從數據中提取有價值的「洞見」。這往往是數據分析師或資料科學家通過專業知識進行的工作，然而許多中小型企業並不具備這些專業資源與人力，甚至購買了 BI 工具或服務後，也面臨數據解讀的瓶頸。

以我之前服務的旅宿業為例，大多數經營者依賴「經驗」進行決策，對於收益管理的相關理論可能只是一知半解。雖然統計分析數據可以提供一些指引，但數據背後的策略可行性卻常常難以解讀。這正是多數產業都面臨的一大難題。

◎LLM 在數據解讀中的應用
LLM 技術為這個困境提供了一個突破口。在 LLM 技術中，提示詞（Prompt）是關鍵。提示詞的設計影響 LLM 如何解讀輸入數據並生成有意義的回應。然而，LLM 也會出現「幻覺」（Hallucinations），即當 LLM 缺少對應資料時，它會生成不準確的答案（畢竟它就是一個文字接龍）。這常常讓初次使用者感到失望。

透過精心設計與不斷修正的提示詞，我嘗試將 LLM 應用於數據解讀中，並取得了一定的成果。雖然 LLM 對於處理過於複雜的數據存在挑戰，但通過分層彙整數據、簡化數字資訊後，再引導 LLM，能夠生成具有參考價值的策略建議。

前置研究裡我進行了超過兩百次的數據分析實驗，並不斷調整提示詞來觀察 LLM 的反應。當確認 LLM 能夠提供具有參考價值的數據解讀後，我們的團隊開始開發一個專業報表分析系統，通過預先設置的提示詞餵給 LLM 並保留其輸出結果，再進行人工審查，確保數據解讀的準確性。

圖片中所顯示的是我以 GPT 模擬顯示的範例，不論是提供圖片，或是直接將要分析的數值透過 API 傳到 LLM，都可以藉由設計好的 Prompt 產出數據分析與策略建議。而我採用的這個範例，是某個收益管理書籍提到的旅店營運數值分析的長條圖，這四個圖形各自解讀有各自代表的意義，但綜合進行分析又能得出表面看不到的觀點。從 GPT 的輸出可以看出 LLM 能夠給予一些分析跟策略的參考。

◎專業報表分析工具的運作原理
如上所述這個專業報表分析工具基於 LLM 的運算能力，能夠透過 API 直接傳送數據進行分析，或是藉由視覺化圖表進行數據展示。例如，在收益管理的長條圖數據分析中，單獨看每個圖形代表的意義雖然清晰，但 LLM 可以在綜合分析後提供更深層的洞察，揭示數據背後的潛在趨勢與策略建議。

為了確保數據的準確性，我採用了一些技巧：
1. 數據簡化：對於大量數據，LLM 容易出現幻覺，因此我們將數據簡化，例如給出平均值或關鍵指標，避免過於複雜的計算。
2. 名詞處理：某些行業專有名詞容易讓 LLM 混淆，因此我們使用代碼取代具體名詞，減少誤解，並在輸出時再進行還原。
3. 分層處理：對於過於複雜的分析，我們將數據分層處理，再逐步餵給 LLM，讓其按層次進行分析後再彙整。
4. Prompt 設計：提示詞的設計需要經過多次測試，確保 LLM 對每個輸入能給出具體且有用的回應。為了避免 LLM 生成不必要的內容（如冗長的前言或結語），我們會在提示詞中設置限制條件。
5. 結果濃縮：有時分析生成的內容過於冗長，我們會進行二次處理，讓 LLM 濃縮輸出，提供更具體的策略建議。

◎LLM 應用的挑戰與建議
開發這樣的 LLM 專業報表分析工具也面臨一些挑戰：
1. 延遲問題：由於 LLM 需要時間處理大量數據，因此我認為盡量避免即時數據的分析，轉而使用固定圖表數據進行解析（例如日報表、週報表、月報表於離峰時段生成解析），這樣不僅能減少運算延遲，也能控制成本。
2. 專業領域的提示詞設計：在特定領域的應用中，我們會在提示詞中預設一些專業背景設定，讓 LLM 更貼合具體領域的需求。
3. 風險提示：使用 LLM 給出的策略建議時，必須讓用戶了解其風險，畢竟每次的輸出都是獨立生成的，存在一定的不確定性。

◎結語
透過這些技術與策略，我們團隊成功將 LLM 應用於專業報表的數據解讀，並將其開發為市場上較少見的應用功能。這項技術的潛力遠不止於此，隨著 LLM 的進一步發展，我很期待它能為更多企業帶來決策上的便利。

下一篇我將開始介紹我如何利用 AI 技術來開發營運策略的輔助系統，這是一個規模更大、技術應用更為複雜的產品，敬請期待。

在前篇文章中，我提到從內部問題通報系統的開發經驗，延伸至對外部客戶服務的 AI 智慧客服系統。

不論是線上客服還是語音客服系統，傳統的客服系統多依賴樹狀的問答結構來解決問題。我在 2007 年時，曾經基於 MSN 即時通訊開發過一款問答機器人，當時的技術核心就是通過樹狀結構分類問題，串接了 Wakema 這個 B2C 的平台，並回傳相應的答案。而語音客服系統如銀行業的應用，也是依靠類似的模式來提供預錄解答或導引客戶至合適的服務人員。

然而，隨著人工智慧技術的快速發展，特別是近年來大型語言模型（LLM）的突破，客服系統有了質的飛躍。這並不是完全顛覆原有結構，而是通過 LLM 的技術來優化前端的輸入與後端的輸出，使得系統能夠處理更複雜的對話，並提供更靈活的解決方案。

◎知識庫在客服系統中的應用
知識庫的建立是智慧客服系統的關鍵。回顧早期搜尋引擎的發展，例如 Google 的 Pagerank 演算法，它是通過知識庫的概念來提升搜尋結果的準確性。早期搜尋BMW關鍵字排名第一的是區域型的經銷商，而搜尋NIKE出現的是盜版商的電子購物網站。因此搜尋引擎透過這些知識庫，包含了對網站的人工審查與分類，讓搜尋結果更加精確。

我在 2007 年時也負責過 B2B Search Engine 的開發，當時的困境是如何定義製造商，而非混入零售商跟貿易商。當時我們也建立了知識庫，進行的方法是利用十年 B2B 平台的搜尋紀錄，取排名前十萬筆的關鍵字，進行適當清理後，帶入其他搜尋引擎的查詢結果，取這些結果前三十筆有效資訊，可以說知識庫的建立就是 Dirty Work。這也表示這種辛苦的髒活通常不太有人想負責。與搜尋引擎相同，智慧客服系統也需要一個可靠的知識庫，來解答使用者的各類問題。

題外話科普一下，當年除了 Yahoo 或是 Business.com 這類目錄網站外，還有 DMOZ 這個由人工維護的開放目錄網站，我也是編輯者之一，但這個服務在 2017 年停止了。

以旅館業為例，每家旅館都會面臨類似的基本問題，如入住時間、退房時間和停車位等，但每家旅館的周邊景點與交通資訊卻有所不同。因此，建立一個涵蓋所有這些資訊的知識庫，並能夠自動更新和擴展，是關鍵的項目。可以說要有人工智慧之前，必定先有工人智慧在前。

在這方面，LLM 技術提供了很大的幫助。我們可以利用 LLM 生成更多的問題與答案，進而形成豐富的知識庫。而這些知識庫的內容不僅限於文字回應，也可以包含語音回覆，解決多種形式的使用者查詢。2024 年 10 月，Open AI 推出的 Realtime API 更進一步解決了語音延遲的問題，使得語音交互更加即時自然。

◎知識庫的整合與應用
除了常見的問題與答案知識庫，有時智慧客服系統還需要與企業原有的平台服務進行深度整合。例如，Open AI 的 Plugin 讓 OTA 平台可以提供房間預訂服務，但其查詢僅限於單一時間段（意思是無法進行複雜項目的查詢），當查詢時間無法滿足需求時，使用者需要手動尋找替代選項。真正能稱為人工智慧的系統應該能自動給出替代方案，如推薦相近時間的可用房間，或是推薦相似的旅館。

這樣的整合性知識庫並不僅僅是靜態的問答集合，而是與企業平台透過 API 互串的的智慧查詢系統。它不僅能回答簡單的問題，還能將問題轉化為具體的查詢指令，並能夠進行連貫的多層次查詢。以旅宿業為例，整合了線上訂房系統的智慧客服可以自動處理訂房、修改、取消等操作，並為使用者提供延伸的選擇，如推薦其他日期或相似的房型。

◎專家知識庫與 LLM 的限制
除了基本的問答型知識庫，企業還可以建立專家知識庫，涵蓋內部技術文件與專業領域知識。這類知識庫相對固定，能有效避免 LLM 產生不正確的回應（幻覺現象）。雖然自建 LLM 可以提供更專屬的解決方案，但對中小型企業來說，訓練與維護的成本過高。因此，限制通用 LLM 的回應範圍，讓其根據企業內部知識庫進行回答，是更為實際的做法。

這種模式可以想像為將 PDF 文件餵給 LLM（例如 GPT），然後在固定範圍內進行查詢，避免無關內容的生成。例如，當使用者查詢某技術文件時，系統可以直接從已知的知識庫中提取正確資訊，而不會生成臆想的回應。而查詢不到近似的內容時，則直接輸出沒有對應的解答。像 Google Gemini 就用了許多限制，避免系統回答觸犯道德問題或產生其他風險。

◎開發過程中的挑戰
開發這類 AI 智慧客服系統並非有技術就能一帆風順，以下是幾個常見的挑戰：

多方協作問題：這類系統的開發需要多方人才，包括該領域的專家來建立知識庫、資料科學家、機器學習專家，以及前後端開發人員（甚至是APP開發者）。協作的難度不容小覷，特別是跨領域的溝通和協作。當然領導這些協作者的 PM，是一個非常困難的作業。

對知識庫建立的忽視：許多企業或開發者在建立智慧客服系統時，過於依賴 LLM 的即時生成能力，忽視了知識庫的建立與維護，這往往導致系統回答不夠精確或無法處理複雜查詢，多元的知識庫是實現跨系統串接很重要的一環。

系統延遲問題：多層過濾器與模型會導致回應時間的延遲，尤其是當系統需要與多個知識庫還有外部平台交互時，延遲問題會更加明顯。當我們希望系統可以更智慧的提供客戶服務，這也代表它的堆疊架構越多。

開發時間與成本：應用系統的開發與整合可能看似簡單，但知識庫的建立、模型的調教、以及情境測試會大幅增加開發時間與成本，這往往被低估。情境測試的規劃，應該在知識庫建立的同時，就先處理。

敏感資料的困境：企業內部的敏感資料如何處理是一大挑戰，尤其在面向內部使用時，通用的 LLM 雖然成本低，但可能無法保障企業的數據安全與營業秘密。

◎總結
AI 智慧客服系統的開發是多層次的挑戰，從知識庫的建立到多模態的模型運行，都需要謹慎的規劃與管理。我們在內部已經成功開發了為開發人員服務的 AI 智慧客服系統，而這些相關的技術也同樣為我們帶來了新的產品創意，我將在後續分享。