微弱創意辨識

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

第四節 微弱創意辨識

最後，本研究從創新擴散模型中發現，所謂的流行性商品基本上是經由早期 消費大眾接受的利基商品，到逐漸被晚期消費大眾接受的流行性商品。仔細探討 後發現在形成被某些特殊族群（消費部落）接受的利基商品之前，可能是只被一 個族群（早期消費部落）所接受的微利基商品，理論上微利基商品尚有擴散到其 他特殊族群成為利基商品的成長商機。為此，本研究參考 1970 年波士頓顧問團 隊提出的 BCG 模型：即將銷售資料轉換成市場佔有率和市場成長率，分析企業 是定位在何種狀態（明星、問題兒童、金牛或狗）的概念，加以改良為本研究辨 識微弱創意使用價值的改良版 BCG 模型（下圖 12）。

圖 12.傳統 BCG 模型與改良版 BCG 模型

1. ICF 演算法

為了萃取網路早期採用者的微弱創新概念，首先要面對的仍然是微弱創新概 念被網路海量資料淹沒的型二誤差問題，因此，除了利用一般文字探勘的步驟整 理從網路上蒐集的消費者部落格文章之外，分析者還要定義他們想要解決的問題 有何重要的關鍵字詞，可單一字詞或是多個相關字詞組合；接著透過網際網路搜 尋部落格中包含相對應關鍵字詞的文章下載；再根據分析者所具有的相關領域知

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

識對下載文章進行初步的解讀和斷詞，並且刪除對於分析沒有幫助的雜訊字詞。

另外，在此階段本研究特別提出句子的字詞相似性檢定，利用 SPSS 統計軟體中 的皮爾森相關性的相似度（Pearson correlation-based similarity）計算句子間的相 似度以利篩選。計算完後再以陡降法決定句子相似度門檻（sim_value），並交由 系統對有效句子進行篩選，步驟如下：

接著，本研究基於資訊檢索（Information Retrieval）和文件探勘（Text Mining）

所提的 TF-IDF 加權計算得到字詞在文件中重要程度的概念，提出一個 ICF 演算 法（Inverse Cluster Frequency），即確認稀少字詞若只與少數的族群連結時，則其 重要性要比稀少字詞與多數的族群連結來的重要。ICF 演算法如下：

similarity sentence set = Ø N = all sentence

For x = 1 to N -1 { For y = x+1 to N {

sentence（x, y） = Pearson correlation-based similarity If sentence（x, y） between sim_value and 1.00 then

Put this sentence into similarity sentence set }

}

Remove repeatedly sentence in similarity sentence set

（5）

‧

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 13.微弱創意字詞連結示意圖

所有的稀少字詞都可在演算法計算後得到 CF 值和 ICF 值兩個目標值，利用 這 兩 個 目 標 值 可 以 讓 這 些 機 會 點 在 變 數 空 間 中 的 分 佈 （ Textual associative networks）對應到目標空間，然後以效率前緣的概念找到具有未來發展性的機會 點（下圖 14 各種顏色最小的楕圓型）。如果目標是期望兩個維度均高時，則能在 下圖 14 左上角（價值判斷的四個象限）區隔出較大的 CF 值和 ICF 值的稀少字 詞的效率前緣集合，決策者可以依其偏好決定符合的稀有字詞（下圖 14 最小的 紅色楕圓型），就能得到網路早期採用者的創意概念（下圖 14 紅色方框）。此時，

如果決策者能充分理解這有用的概念並設計出可行的商業方案，最後進行消費者 接受意願調查，若無法立即反應出方案，則決策者必須根據這個概念，再重新設 定關鍵字詞（下圖 14 最小的綠色楕圓型），再重複交由決策者判斷直到能設計商 業方案為止。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 14.決策變數空間與偏好示意圖

依照前述的步驟，決策者藉由變數空間對應到目標空間，經由目標期待篩選 出效率前緣後，再由決策者的偏好決定如何組成的商品方案，降低決策者主觀引 導機會的問題。

2. 驗證方法

在驗證微弱創意的方法是使用專家效度、精確率和召回率，主要是微弱創意 並未在市場上流行，是否擁有擴散的潛力也不得而知，因此先交由領域專家（主 觀認定）進行判定，再計算精確率和召回率（客觀數據）以確認有足夠的支持度。

a. 專家效度：原本是指由該領域的多種專家判斷問卷所包含的內容廣度與 適切性是否足夠的評估模，屬於內容效度的一部份，可確保施測結果可 用於解釋所預測量的目標。並且利用問卷調查所有專家對問卷內容完整 性、適當性的判斷（例：李克特尺度），再計算專家意見的一致性，計

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

算結果一致性越高表示內容效度越好（判斷結果一致性>0.8 為可接受）。 b. 精確率（Precision）和召回率（Recall）：這兩個衡量標準被廣泛的用在

資訊檢索和統計學分類的領域中，可說明檢索的資訊和分類結果是否達 到可接受的質量（Manning, Raghavan, & Schütze, 2008）。精確率是指被 檢索出來與主題相關的文件與所有被檢索出的文件之間的比率。召回率 則是指被檢索出來與主題相關的文件與資料庫中所有文件之間的比率。

精確率（Precision） = ⁡指被檢索出來與主題相關的文件數 所有被檢索出的文件數

召回率（Recall） = ⁡被檢索出來與主題相關的文件數 資料庫中所有文件數

‧

Watts（傅士哲、謝良瑜，民 91）指出全面串連時不穩定的滲透性群聚，會類似 創新擴散理論的早期採用者，是將所有的群聚連接在一起不可或缺的橋樑，進一

為了證明本研究方法的可行性，我們蒐集 ASUS EeePC（小筆電）在網路部 落格中發表的文章準備進行分析，初步查詢時發現網路上的文章可分為三大類型： 示不穩定的滲透行群聚越來越顯著的浮現（Yang & Lin, 2009），自然就越有可能