13. 某行銷公司欲針對新客戶進行「行銷活動推播」，目前擁有資料包含：客 戶基本資料(尚未有購買紀錄)、客戶過往點擊行為(未標記是否完成購 買)、類似客戶是否曾購買過(已標記「有/無購買」標籤)。若該公司希 望預測新的單一客戶是否可能完成購買行為，下列哪一種學習方式與資 料搭配最合適？
(A) 使用非監督式學習，分析所有客戶點擊路徑進行異常偵測
(B) 使用非監督式學習，將客戶分群後預測其轉換率
(C) 使用監督式學習，針對未標記資料直接預測轉換可能性
(D) 使用監督式學習，以已知購買結果作為標籤進行訓練

這題的正確答案是 (D) 使用監督式學習，以已知購買結果作為標籤進行訓練。

這是一個典型的二元分類問題（Binary Classification）：目標是預測「會購買」或「不會購買」。

為什麼 (D) 是最合適的？

要達成「預測單一客戶是否完成購買」的目標，模型需要知道「什麼樣的特徵（行為、背景）」會導致「購買」這個結果。

• 監督式學習的必要性：題目提到公司擁有「類似客戶是否曾購買過（已標記『有/無購買』標籤）」的資料。這些「標籤」就是監督式學習中的標準答案。

1. 核心考點：監督式學習 (Supervised Learning) 的標籤應用

這題的核心在於判斷現有資源中是否有「答案」可以讓 AI 學習。

• 標籤 (Label)：指我們想要預測的目標答案（在此題中為「是否完成購買」）。

• 關鍵線索：題目提到擁有「類似客戶是否曾購買過」的已標記標籤。

2. 逐項解析

• ✅ (D) 使用監督式學習，以已知購買結果作為標籤進行訓練：

  • 原因：這是最有效且標準的做法。既然手頭上有「以前的人買不買」的答案（標籤），我們就應該利用這些標籤來訓練模型，讓模型學會哪些特徵（如點擊行為、基本資料）會導致「購買」的結果。訓練好後，再拿來預測新客戶。

• ❌ (A) 使用非監督式學習...進行異常偵測：

  • 原因：異常偵測（Anomaly Detection）是為了抓出「不尋常」的資料（如信用卡盜刷、機器故障）。行銷目的是預測「常態的購買行為」，並非找怪胎，因此不適用。

• ❌ (B) 使用非監督式學習，將客戶分群後預測其轉換率：

  • 原因：分群（Clustering）屬於非監督式學習，通常用於「探索性分析」。雖然分群後可以算出該群的平均轉換率，但其預測單一客戶「會不會買」的精準度遠低於直接針對標籤訓練的分類模型。

• ❌ (C) 使用監督式學習，針對未標記資料直接預測轉換可能性：

  • 原因：敘述邏輯有誤。監督式學習不能在「未標記」的資料上進行「訓練」。必須先在「有標記」的資料上練好功，才能去預測沒標記的資料。

? 重點整理：考試判斷金律

• 有標籤 (Labeled) / 有已知結果 $\rightarrow$ 必選 監督式學習（分類或迴歸）。

• 無標籤 (Unlabeled) / 純粹找規律或分群 $\rightarrow$ 必選 非監督式學習（分群或降維）。