依據行政院主計處的統計，2016 年至 2020 年我國的服務業 GDP 比重介於61%至 63%之間，其產值高於工業及農業。此外，根據經濟部公布 2021 年度施政計畫，將打造六大核心戰略產業，其中將持續強化資訊及數位相關產業發展，推動如智慧商業(Smart Service or Intelligent Service)及服務創新(Service Innovation)1。誠如大家所熟知，工業工程相關技術，除可協助製造業提升效率及良率外，在服務領域，亦可扮演重要的角色。因此，本文將聚焦智慧服務， 探討智慧服務的特性及價值。

談到智慧，自然而然就會想到目前如日中天的人工智慧(Artificial Intelligence; AI)。AI 由於受惠於資通訊技術(Information and Communication Technology; ICT)的快速進步，除不同演算法或模式陸續被提出外，且已被廣泛應用在各行各業，尤其是工業工程領域所熟知的製造業，不管是工業 4.0 或是智慧製造，對工業工程領域專家學者來說，皆是目前非常熱門的研究主題。其對於本文所探討的智慧服務，亦是主要的驅動力。

不過，何謂服務？根據 Bordoloi et al. (2019)的定義，服務是為顧客所執行，且會隨時間消逝及無形的經驗，而顧客同時扮演共同生產者的角色，其主要特性為顧客參與、同時性、易逝性、無形性及異質性。因此，服務和製造有很大的不同，主要差異在於顧客的涉入程度，因此也造成服務創新的困難。不過，近幾年來，服務的發展快速，從過去人對人的實體服務，到所謂的無人商店，或是從實體服務到網路服務，都讓現代人經歷了一場現代科技的洗禮。而商業的發展，亦類似製造業一樣，具有商業 1.0 到 4.0 的演變。在商業 4.0 中， 其主要是在全通路(Omni-Chanel)的環境下，利用 ICT 來建立顧客行為模式，並利用智慧科技以提升生產力與服務價值。因此，目前的重點在如何善用如 AI 或ICT 來提升顧客的價值。

依據 Beverungen et al. (2019) 所提之智慧服務系統的觀念性架構，本文加以調整為如圖一所示。左側主要是消費者所接觸的服務場域，其可由不同通路 (或全通路)取得服務，包括實體與虛擬，藉由虛實整合(即 Online Merge Offline; OMO)，除便利消費者使用外，更可取得完整消費者資料，進而上傳至後台加以利用。而右側主要是 AI 的應用，其好像人的大腦一般，可進行相關管控。換句話說，就好像在製造業中的數位孿生(Digital Twin)一樣，持續接受全通路服務場域所提供的相關資料或資訊，利用 AI 或 ICT 技術加以分析及最佳化後，再回饋至服務場域，以提供更符合消費者需求的服務。

目前在市場上許多相關智慧服務的應用案例，主要是利用如物聯網(Internet of Things)、VR (Virtual Reality/AR (Augmented Reality)/MR (Mixed Reality)、顯示科技等，以提供店家與消費者間的互動體驗，如虛擬試衣、膚質檢測及虛擬試妝等服務。當然，這些服務皆須搭配 AI 等科技，茲整理如下：

1. 行為互聯網(Internet of Behavior)—IoB 主要是收集有關顧客行為、興趣和偏好的資料，並試圖從行為心理學的角度來分析及了解顧客，進而為業者帶來新商品或服務。

2. 資料探勘(Data Mining)—資料探勘主要是從大型資料庫中，探勘出隱含的、以前未知的和潛在有用的資訊，其包括如分類(Classification)、聚類(Cluster Analysis)及關聯法則(Association rules)等技術(Tan et al., 2019)。

   • (1)分類：分類已被大量應用在如 Direct Marketing 上，以找出潛在的顧客， 或者是金融業者應用在核發信用卡的依據，目前許多公司則是聚焦在精準行銷上，希望藉由潛在客戶的發掘，能改變過去亂槍打鳥的做法。

   • (2)聚類：聚類主要應用在如市場區隔上，過去在行銷管理上，已被廣泛的應用，而近年來，許多電商業者將其應用在顧客區隔，以進行分眾行 銷。

   • (3)關聯法則：關聯法則最著名的案例即為尿布與啤酒，不過除超級市場資料庫行銷的應用外，亦可應用在維修服務業等。

3. 文字探勘(Text Mining)—文字探勘主要是使用自然語言處理(Nature Language Processing)將文章和資料庫中非結構化的文本轉換為適用於分析或驅動機器的結構化資料，例如目前極為流行的聊天機器人 ChatBot，即屬此類的應用。

4. 推薦系統(Recommender System)—推薦系統主要是可幫助顧客找到他們真正需要的資訊的系統，如服務或商品等，其提供過濾資訊，透過分析可用評 論、其他顧客提供的建議及用戶的項目屬性或人口統計資料來進行推薦。目前推薦系統可分為三大類，分別為：內容為基礎的過濾(Content-based Filtering Approach)、協同過濾法(Collaborative Filtering Approach)及混合法(Hybrid-based Approach)，方法的挑選則依據所使用的資料來決定。

5. 影像辨識(Image Recognition)—過去在影像辨識的應用上，製造業主要是應用在瑕疵檢測等，而在商業上的應用，則偏向如人臉辨識，不過在服務上的應用，除確認人員的身分外，亦可較簡單的來知道如來客數或是來客數的幾個簡單分類，例如青年女性的人數等。此外，亦可應用在商品的辨識，以利提供如商品資訊或推薦等。目前，深度學習(Deep Learning)中的卷積神經網路(Convolutional Neural Network; CNN)，應該是最具代表性的工具。

現今在市場上已有許多膾炙人口的智慧服務案例，例如 Caper2提出了無接觸的智慧零售解決方案，其與 Amazon Go 藉由智慧感應的無人商店不同，主要是藉由智慧購物車，搭配如影像辨識、感測技術和 AI，將消費者希望購買的商品置入購物車後，在離店前利用電子支付來付款，即可完成所有交易。此外， 購物車會依據過去的購物清單，提供促銷優惠給消費者，甚至推薦消費者可能喜歡的商品。以上消費旅程除可簡化消費者結帳程序外，對店家而言，亦可提供消費者購買的誘因及人力的精簡，可謂雙贏。尤其面對目前疫情的問題，更可降低人與人接觸的機會。

相信未來在 ICT 的推播下，配合軟硬體整合，加上 AI inside，將會有更多更符合消費者習性或解決消費痛點的智慧服務問世。因此，身為工業工程的一員，我們應該更深入了解智慧服務為企業所帶來的價值，除可協助企業提升服務品質及效率外，更可成為企業與競爭者差異化的來源，進而形成企業的競爭優勢。

參考文獻

Beverungen, D., Müller, O., Matzner, M., Mendling, J., and vom Brocke, J., “Conceptualizing smart service systems,” Electron Markets, 29:7–18, 2019.

Bordoloi S., Fitzsimmons, J.A. and Fitzsimmons, M. J., Service Management－ Operations, Strategy, Information Technology, McGraw Hill International, Ninth Edition, 2019.

Tan, P.-N., Steinbach, M., Karpatne A., and Kumar, V., Introduction to Data Mining, Second Edition, Pearson Education, Inc., 2019.