規劃倉庫最常見的起點，是先看土地有多大、能排幾列貨架、要不要導入自動倉儲系統。這個順序直覺，卻很容易把結果做反：先買了一副昂貴的骨架，才發現真正要跑的動作與它不合。

倉儲規劃的核心，不是把最多貨物塞進有限空間，而是把企業的服務承諾、需求波動與物料限制，轉換為一套能穩定運作的流程、空間、設備、人力及資訊控制系統。經典倉儲設計研究將倉庫拆成三個互相牽動的面向：流程、資源與組織；設計決策則橫跨策略、戰術與作業層級。倉庫的結構、容量、設備、作業規則與績效目標不能分開決定，因為多數營運成本與能力上限，早在設計階段就已被鎖定。[1]

因此，好的規劃順序應是：

先理解需求，再設計流程；先估算能力，再配置空間；最後才選設備與系統。

一、規劃的不是建築，而是一套營運能力

一座倉庫至少要回答四個問題：要服務誰、處理什麼、在多快的時間內完成，以及發生異常時如何繼續運作。

同樣是一萬個棧板位，對不同營運環境的意義完全不同。製造業原物料倉關心的是關鍵材料能否準時供應生產；零售配送中心關心門市補貨的頻率與整箱配送效率；電商倉面對大量少品項、小數量且有截止時間的訂單；第三方物流倉還必須同時管理多個客戶的規則、庫存所有權、計價與服務水準協議。倉庫的外形可能相似，真正不同的是它要吸收哪一種不確定性。

Rouwenhorst等人指出，倉儲設計必須同時滿足成本、吞吐量、儲存容量與回應時間等績效條件，而這些目標經常彼此衝突。[1] 例如，提高儲存密度通常會降低個別貨位的存取便利性；增加自動化可提升穩定產能，卻也可能降低面對新品項、特殊訂單或設備故障時的彈性。倉儲規劃不是尋找單一最優答案，而是在多項限制下選擇一個可長期運作的組合。

實務教材也把倉儲規劃分成佈置、設備、搬運路徑、儲存方式、儲位管理與管理作業，而不是只做平面配置。 這表示「一座倉庫」從來不只是建築物，而是一個由實體與規則共同構成的系統。

二、第一步不是畫格子，而是建立需求輪廓

倉庫設計需要的不是年度總量，而是需求輪廓（Demand Profile）。年度收貨一百萬箱，只能說明總工作量，無法回答倉庫應該有多少碼頭、多少揀貨站，或星期一上午會不會塞車。

至少要建立六組基礎資料。

第一是品項輪廓，包括品項數、尺寸、重量、包裝層級、周轉率、保存條件、危險性、批號或效期管理需求。第二是庫存輪廓，包括平均庫存、尖峰庫存、庫存天數、季節性及不同庫存狀態所占比例。第三是訂單輪廓，包括每日訂單數、每張訂單行數、每行數量，以及整棧板、整箱、拆零三種需求的組成。第四是時間輪廓，包括各時段進出貨量、截單時間、車輛到達分布及生產供料節奏。第五是服務輪廓，包括允許的作業時間、準時率、正確率與緊急需求。第六是成長與變動輪廓，包括新產品、促銷、產能擴充、客戶導入及需求高低情境。

這些資料不能只看平均值。若日均出貨為一萬箱，尖峰日達兩萬箱，平均值規劃出的倉庫，到了旺季便會像穿著合身西裝去搬家，形式端正，動作全卡住。通常應另外定義「設計日」「設計小時」與「極端情境」：設計日用於配置正常產能，設計小時用於找出局部瓶頸，極端情境則用來決定加班、外租空間、人工旁路或延後訂單等備援機制。

不同產業的資料重點也不相同。製造業原物料倉需要把物料需求與生產排程、批量及線邊供料單位連結；零售倉較重視門市、路線與整箱補貨；電商倉則必須分析大量時效性訂單與低單行數。電商倉儲研究指出，線上零售通常同時面對少量訂購、多品項、嚴格交期及高波動工作量，傳統逐單、人工走動式揀貨往往難以直接應付。[6]

第三方物流倉還需要依客戶分層，因為總量相同的兩個客戶，可能一個提供穩定整棧板流量，另一個每天丟進大量小單、退貨與貼標需求。只用「占用了多少坪」計算資源，經常會低估真正的作業負荷。

三、把需求轉換成貨物流、資訊流與責任流

需求資料完成後，下一步不是立刻配置貨架，而是建立端到端流程。倉庫的基本作業通常包含收貨、儲存、揀貨與出貨，並依營運需要增加檢驗、補貨、分裝、組套、分類、集併、退貨與流通加工。[3][4]

但只畫貨物移動箭頭仍然不夠。完整流程應同時描述三條流。

貨物流（Physical Flow）描述貨物實際從碼頭、待驗區、儲存區、揀貨區、包裝區到出貨暫存區的移動。資訊流（Information Flow）描述預計到貨、物料識別、庫存狀態、儲位、任務及出貨確認如何產生與更新。責任流（Accountability Flow）則描述在每個交接點，誰對數量、品質、位置、保管及作業結果負責。

例如，貨物已經卸下，不代表已完成收貨；系統已完成收貨，也不代表品質已判定可用。若這三種狀態被混在一起，帳面庫存可能看起來充足，生產線卻領不到材料。對電商倉而言，貨物完成揀取也不代表訂單完成，還要經過集併、核對、包裝與承運交接。對3PL而言，同一個移動動作還可能觸發入庫費、揀貨費、加工費與空間費，因此每個作業狀態都必須留下可稽核證據。

傳統教材把進貨、儲位規劃、庫存維護、揀貨、流通加工與出貨視為連續作業模組，也顯示倉儲資訊系統必須與實體作業共同設計，而非完成建築後再補上一層軟體。

流程設計還應明確區分「正常路徑」與「例外路徑」。短收、超收、標籤不明、包裝破損、待驗、凍結、錯批、退貨或設備停機，不應全部丟進一個名為「異常區」的黑洞。每一種例外都要有進入條件、責任人、處理期限與退出方式。正常流程決定效率，例外流程決定倉庫是否可靠。

四、容量不是一個數字，而是一組相互制約的能力

完成流程後，才開始計算容量。倉儲容量至少包含四類：儲存容量、處理容量、暫存容量與系統容量。

儲存容量回答能放多少；處理容量回答每小時能收、搬、揀、包多少；暫存容量回答貨物在等待檢驗、上架、裝車或問題處理時，能停留多少；系統容量則回答資訊系統、無線網路、標籤列印、掃描與設備控制能否承受尖峰任務量。

研究文獻將倉儲設計概括為五項主要決策：整體結構、倉庫與各功能區尺寸、區域內部配置、設備選擇及營運策略。[3] 其中，隨機儲位或固定儲位、分區揀貨或單區揀貨、揀取時分類或事後分類，都會反過來改變空間與設備需求。

儲存位置數不能直接用「尖峰庫存除以單一貨位容量」得到。還要考慮批次隔離、不同庫存狀態、貨物與貨架尺寸不完全匹配、空貨位分散、禁混存及消防限制。當貨架理論使用率接近百分之百時，新到貨往往找不到合適位置，移位與尋位工作急劇增加。因此，規劃時應區分「理論貨位」「可用貨位」與「可操作貨位」，而不是把最後一格也算進承諾能力。

暫存區同樣不能被視為剩餘空間。依據小法則（Little’s Law），穩定系統中的平均在製量，等於平均流率乘以平均停留時間，即：

在製量＝流率×停留時間

若每小時到貨一百個棧板，平均等待驗收兩小時，僅待驗環節平均就會累積約兩百個棧板。縮短等待時間，往往比單純擴大暫存區更有效。[7]

碼頭數量也不能只根據每日車次。還要考慮車輛集中程度、平均占用時間、早到與晚到比例、裝卸方式、文件處理及進出貨是否共用碼頭。碼頭看起來只是幾扇門，實際上是倉庫與外部供應鏈相接的閘門，少一扇可能排隊，多十扇也可能只是昂貴的牆洞。

五、空間配置的目標不是整齊，而是減少衝突

配置設計應從流動關係出發，而不是先決定採用U形、I形或L形動線。這些形狀只是結果。

進貨與出貨共用同側碼頭的U形配置，可能提高設備與人力共享程度，適合進出貨時間錯開的場景；直線式配置可使進出貨相對獨立，較適合流量大且方向明確的作業；多側配置則可能降低不同貨流的干擾，但會增加建築周邊、管理與安全複雜度。配置選擇應由車流、貨流、人流與資訊流的交叉程度決定。

倉內空間通常至少包括收貨、待驗、異常、儲存、補貨、揀貨、集併、加工、包裝、出貨暫存與退貨區。另有一些常被壓縮、卻最容易在營運後反撲的空間：空棧板與包材、設備停放與充電、維修、廢棄物、消防通道、辦公及人員休息區。

安全也必須在設計階段內建。美國職業安全衛生署列出的倉儲主要風險，包括工業車輛、人體工學、物料搬運、危險化學品、滑倒跌倒及機器人等；其中不少風險直接受到動線寬度、人車交會、貨架、工作站高度及設備配置影響。[8] 安全不能在完工後靠地面多貼幾卷黃黑膠帶補回來，那通常只是建築開始對人類發脾氣的徵兆。

六、先選作業模式，再選貨架與自動化

設備選擇應由「單元負載」與「處理任務」驅動。單元負載（Unit Load）指倉庫實際搬運與儲存的基本單位，例如棧板、料架、周轉箱、紙箱、單件或桶槽。相同物料若以棧板接收、整箱儲存、單件揀取，就至少需要三種不同的處理能力。

貨架提高空間使用率，並不必然提高整體效率；窄巷道系統可增加儲位，卻可能提高設備專用性與交通限制；自動儲存與取出系統（Automated Storage and Retrieval System, AS/RS）適合規格穩定、流量可預測且需要高度或密度的作業，但對外形變異、超尺寸貨物、頻繁人工介入及設備故障復原有額外要求。

揀貨設備的選擇尤其不能只比較每小時最高件數。揀貨系統研究指出，內部配置、儲位指派、路徑、訂單批次與分區彼此高度相關；只優化其中一項，可能把瓶頸推到分類、補貨或包裝環節。[5] 例如，批次揀貨能減少走動，但會增加後端分類負荷；貨到人系統能降低人員移動，卻需要穩定的容器、補貨與工作站平衡；自動分揀機速度很快，但前端若無法穩定供料，便會變成一條昂貴而焦躁的金屬河流。

設備評估至少應同時比較：

• 正常與尖峰吞吐量
• 可處理的尺寸、重量與包裝範圍
• 對品項與訂單變化的彈性
• 人力與人體工學影響
• 維護、備品及故障復原
• 系統整合難度
• 全生命週期成本
• 擴充或搬遷可能性

自動化的價值不是「取代多少人」這一個數字，而是能否改善總流程的成本、能力、品質與韌性。

七、資訊系統必須成為控制架構，而不是電子帳本

倉儲系統規劃至少涉及三個層次。

企業資源規劃系統（Enterprise Resource Planning, ERP）管理採購、生產、銷售與財務交易；倉儲管理系統（Warehouse Management System, WMS）管理庫存位置、狀態、處理單位、作業任務與執行紀錄；倉儲控制系統或倉儲執行系統（Warehouse Control System／Warehouse Execution System, WCS／WES）則協調輸送機、堆垛機、移動機器人與工作站。

三者不能靠「之後再串」維持和平。規劃階段就要定義：

• 哪個系統是物料、批次、庫存與任務的主資料來源
• 何時建立、變更與關閉庫存
• 實體掃描與系統過帳的先後關係
• 設備失聯或系統中斷時如何降級運作
• 重複訊息、延遲訊息與失敗任務如何處理
• 異常由誰判斷、誰修復及如何留痕

WMS真正的功能不只是告訴人員貨在哪裡，而是把作業規則轉換為可執行限制。例如，待驗庫存不能被揀取，不相容物料不能放在同一區，指定批次必須按規則出庫，搬運任務完成前不能提前更新實體位置。

倉儲實務資料中的系統架構，也把儲位、揀貨、補貨、盤點、退貨、越庫、流通加工與物流計費置於同一個倉儲資訊框架內，並向外連結客戶、運輸與企業資源系統。 系統設計得愈晚，實體流程與資訊流程通常就愈容易各長出一套自己的世界觀。

八、四種營運環境，採用同一套方法，但權重不同

智慧倉儲並不是另一種倉庫，而是讓各類倉庫具備更高的感知、協調、預測及調度能力。2026年MHI與Deloitte的年度研究，根據2025年12月蒐集的五百多位供應鏈主管回覆，發現71%的受訪者認為人工智慧正在擾動供應鏈，39%認為機器人與自動化具有顯著以上的影響；同時，56%的組織預計增加供應鏈創新支出。[9]

但這些趨勢並沒有改變規劃的基本次序。人工智慧可以改善需求預測、儲位調整、任務排序及設備維護，卻不能替企業補出不存在的主資料，也無法替設計不良的動線增加一條隱形走道。智慧化越深入，流程定義、資料品質與責任邊界反而越重要。

九、用情境驗證，而不是用單一預測下注

倉庫通常要使用多年，但需求預測不會因為簡報上畫了一條筆直的成長線，就突然變得有禮貌。因此，設計不應只驗證單一基準量，而要測試多種情境：

• 正常日、尖峰日與極端日
• 品項增加但總量不變
• 總量增加但訂單結構改變
• 人力短缺或設備停機
• 供應商集中到貨
• 重要客戶或產線臨時插單
• 新增檢驗、加工或退貨需求

倉儲設計研究指出，完整設計通常是反覆迭代，而不是從步驟一筆直走到步驟十；流程、設備、容量與配置需要持續回頭校正。[2] 對複雜或高投資方案，可利用離散事件模擬（Discrete-Event Simulation）、試點線及數位模型，比較排隊、壅塞、設備利用率及訂單完成時間。

最後的評估也不能只看單位作業成本。至少要同時涵蓋服務、容量、生產力、品質、安全與韌性，例如準時完成率、吞吐量、貨位使用率、每工時作業量、庫存與訂單正確率、異常處理時間、工安事件及停機復原時間。只有同時衡量這些面向，才不會出現「每箱成本下降，客戶卻開始等待」的漂亮災難。

結語：倉庫是被設計出來的行為，不只是空間

一座倉庫的結果，表面上是貨架、碼頭、輸送機、機器人與工作站；底層則是企業如何理解需求、分配責任與處理不確定性。

需求輪廓決定流程，流程決定能力，能力決定空間與資源，最後才由設備和系統把這套邏輯固定下來。若順序相反，倉庫可能非常先進，卻只能高速執行一個不適合自己的流程。

因此，倉儲規劃真正要追求的，不是最高密度、最高自動化或最低人力，而是建立一個在正常情境下有效率、在尖峰情境下不失控、在異常情境下仍能恢復的營運系統。倉庫不是貨物暫時停留的房間，而是供應鏈把不確定性整理成可執行承諾的地方。

參考文獻

[1] Rouwenhorst, B., et al. (2000). “Warehouse Design and Control: Framework and Literature Review.” European Journal of Operational Research, 122(3), 515–533.

[2] Baker, P., & Canessa, M. (2009). “Warehouse Design: A Structured Approach.” European Journal of Operational Research, 193(2), 425–436.

[3] Gu, J., Goetschalckx, M., & McGinnis, L. F. (2010). “Research on Warehouse Design and Performance Evaluation: A Comprehensive Review.” European Journal of Operational Research, 203(3), 539–549.

[4] Gu, J., Goetschalckx, M., & McGinnis, L. F. (2007). “Research on Warehouse Operation: A Comprehensive Review.” European Journal of Operational Research, 177(1), 1–21.

[5] De Koster, R., Le-Duc, T., & Roodbergen, K. J. (2007). “Design and Control of Warehouse Order Picking: A Literature Review.” European Journal of Operational Research, 182(2), 481–501.

[6] Boysen, N., De Koster, R., & Weidinger, F. (2019). “Warehousing in the E-commerce Era: A Survey.” European Journal of Operational Research, 277(2), 396–411.

[7] Little, J. D. C. (1961). “A Proof for the Queuing Formula: L = λW.” Operations Research, 9(3), 383–387.

[8] Occupational Safety and Health Administration. “Warehousing: Hazards and Solutions.”

[9] MHI & Deloitte. (2026). Rewiring the Future: A Supply Chain Playbook for Innovation.

[10] 周富得，《倉儲系統之設施規劃》；王翊和，《倉儲管理規劃實務》；郭幸民，《Introduction to Warehouse Management》。

倉庫最直觀的樣子，是一棟放著貨物的建築；但從管理角度看，「存放」只是表面現象。真正的倉儲管理，是在有限的空間、人力、設備與時間內，控制貨物如何被接收、識別、保存、移動、轉換、交付，以及這些變化如何正確反映在資訊系統中。

美國供應鏈管理協會（Association for Supply Chain Management, ASCM）將倉儲概括為物料在生產或配送地點之間的收貨、儲存與出貨活動。美國供應鏈管理專業協會（Council of Supply Chain Management Professionals, CSCMP）則把倉儲放在更大的物流體系內：物流管理負責規劃、執行與控制商品、服務及相關資訊的正向與逆向流動，倉儲、物料搬運、訂單履行與庫存管理都是其中一部分。供應鏈管理的範圍又更廣，還包括採購、生產轉換、通路協作，以及跨企業的供需整合。

因此，可以先用一句較精確的話定義倉儲：

倉儲是對物料在時間、空間、數量、狀態與責任上的暫時轉換，進行規劃、執行與控制。

這個定義比「把貨物放進倉庫」多了幾層意思。物料進入倉庫後，不只位置改變，管理狀態也可能從運送中變成待驗、可用、保留、凍結、已分配或待出貨；包裝單位可能從棧板拆成箱、從箱拆成單件；責任也可能從供應商、承運人轉移至倉庫，再交付給生產單位、門市或消費者。

倉庫管理的，從來不只是「東西在哪裡」，還包括「它現在是什麼狀態，以及誰可以對它做什麼」。

一、倉庫為什麼存在？

從古代糧倉到現代自動化物流中心，倉庫最基本的理由一直沒有改變：供應與需求通常不會在完全相同的時間、地點、數量及形態出現。

古代倉庫主要解決保存與災荒調節；工業化之後，倉庫成為大量生產、長距離運輸與市場需求之間的緩衝；到了精實生產、全球供應鏈及電子商務時代，倉庫又被要求處理更多品項、更小批量、更短時效與更高追溯要求。傳統教材也將現代倉庫由「被動保存貨物的成本中心」，重新定位為連結供應鏈的重要節點。

從管理功能來看，倉庫存在的理由可整理成六類。

1. 時間調節

物料先抵達並被保存，等到生產、銷售或顧客需要時再供應。這項功能創造的是時間效用（Time Utility）。

原物料倉支援連續生產，成品倉吸收生產批量與銷售需求之間的差異，零售倉則提前準備促銷或季節性商品。沒有倉庫並不代表沒有庫存，只代表庫存可能停在供應商、運輸途中、工廠角落或門市後場，從一個可管理的地方搬到幾個不容易管理的地方。

2. 空間調節

供應來源與使用地點通常分散。倉庫將多個來源的物料集中，再依工廠、門市、訂單或顧客重新分流，創造空間效用（Place Utility）。

區域配送中心便是典型例子：供應商不必分別配送至數百家門市，而是送到集中節點，再由節點整併運輸。

3. 數量轉換

供應商傾向以較大的經濟批量生產或運送，使用端卻可能需要小量、高頻率供應。倉庫因此執行：

• 整批拆零（Break-bulk）
• 多來源集貨（Consolidation）
• 訂單組合
• 分裝與重新包裝
• 組套作業（Kitting）

這不是單純搬運，而是把上游適合的物流單位，轉換成下游可以使用的單位。

4. 供應鏈解耦

倉庫在兩個流程之間形成解耦點（Decoupling Point）。上游可以依生產效率安排批量，下游則依實際需求取用，不必讓每一個需求波動立即傳回整條供應鏈。

這種緩衝能提高供應穩定性，但也可能隱藏預測錯誤、品質問題或流程效率不佳。因此庫存既是保護墊，也可能是遮住問題的地毯。

5. 延遲差異化與附加價值

有些產品會先以共通形式保存，等需求確認後才進行貼標、包裝、組裝或地區化設定，這稱為延遲差異化（Postponement）。

倉庫因此不一定只是保管場所，也可能執行簡易加工、產品客製化、檢驗、包裝及標示。許多研究同樣將分裝、組套、貼標、分類與包裝列入現代倉儲活動，而不只收貨與儲存。

6. 控制與風險隔離

倉庫是供應鏈的重要控制閘門。透過收貨驗證、品質狀態、批號與序號管理、效期控制、庫存盤點及權限限制，倉庫避免不正確、不合格或不可追溯的物料流入下一階段。

對高價、危險、冷鏈、醫療或高科技物料而言，這項功能常比單純提高吞吐量更重要。

二、倉儲管理不是一個流程，而是三層決策

經典倉儲研究通常把設計與控制分成三個層級：

策略層（Strategic Level）

處理影響年限長、投資大、難以快速改變的問題，例如：

• 倉庫數量與地點
• 自建、承租或委外
• 建築規模與擴充方式
• 自動化方向
• 整體服務範圍

戰術層（Tactical Level）

將策略轉換成可運作的資源配置，例如：

• 功能區與動線
• 儲存政策
• 料架及搬運設備
• 揀貨與補貨模式
• 人力及班別
• 倉儲管理系統

作業層（Operational Level）

管理每日與即時的執行，例如：

• 到貨排程
• 儲位指派
• 訂單批次
• 任務優先順序
• 人員與設備派工
• 異常處理

Rouwenhorst等人的經典文獻回顧指出，倉儲研究長期偏重個別作業問題的分析，卻較缺乏整體設計導向的研究。換句話說，單獨最佳化儲位、揀貨路徑或設備利用率，不保證整座倉庫得到最佳結果。

這項觀察至今仍然重要。例如縮小揀貨區可能降低步行距離，卻增加補貨頻率；提高自動倉設備利用率，可能讓設備接近滿載，反而降低故障或需求尖峰時的恢復能力。

倉儲最佳化不是把每個局部數字推到最大，而是讓整體服務、成本與風險維持可接受的平衡。

三、不同倉庫看起來相似，實際上在優化不同問題

依照外觀區分倉庫容易誤判。兩座都使用棧板貨架和條碼的倉庫，可能具有完全不同的需求結構與管理邏輯。

比較倉庫時，應先問五個問題：

1. 服務對象是誰？
2. 需求是如何產生的？
3. 貨物以什麼單位流動？
4. 最嚴重的失敗是什麼？
5. 主要績效目標是什麼？

1. 製造業原物料與零組件倉

這類倉庫服務的顧客是生產線、設備維護及工程單位。核心任務不是完成消費者訂單，而是確保正確物料在需要時可供使用。

管理特徵包括：

• 品項可能多而需求不平均
• 批號、序號、品質狀態與效期重要
• 部分低頻物料不能以周轉率判定價值
• 缺料可能造成停線或設備停機
• 供料方式可能包括定時配送、需求領用、線邊補貨或緊急供料

這類倉庫的最佳化目標通常是供應可靠度、品質控制與追溯能力。單純追求低庫存或高人均產出，可能將成本轉化為更高的生產中斷風險。

2. 零售配送中心

零售配送中心（Retail Distribution Center）主要服務門市或其他銷售節點。它接收多個供應商的貨物，再依門市需求進行分類與整併。

典型特徵包括：

• 大量門市與固定配送班次
• 整箱、拆箱與單品揀貨可能並存
• 促銷及季節波動明顯
• 出貨波次與運輸路線高度相關
• 缺貨會直接影響貨架供應與銷售

其核心目標通常是高頻補貨、整併效率與準時配送。

3. 電商履約中心

電商履約中心（E-commerce Fulfillment Center）直接處理個別消費者訂單。Boysen、de Koster與Weidinger的研究指出，電商倉常同時面對大量時效性訂單、每張訂單品項少、商品種類多、交期短及工作量波動大的特性。傳統「人走到貨架前逐單揀貨」的模式，在小訂單環境中容易產生過高的非生產性步行時間，因此業界發展出批次揀貨、分區揀貨、動態訂單處理、分散儲放、自動工作站與機器人協作等方式。

電商倉的主要目標是：

• 快速處理大量小訂單
• 維持揀貨與包裝正確性
• 因應尖峰需求
• 管理大量退貨
• 縮短訂單截止至出貨的時間

它的失敗通常不是缺少一整棧板，而是成千上萬張小訂單中的漏件、錯件或延遲。

4. 第三方物流倉

第三方物流（Third-party Logistics, 3PL）倉庫替多個委託客戶提供收貨、保存、加工、履約及配送服務。

除了現場效率，還必須管理：

• 不同客戶的流程與服務水準協議
• 客戶間的庫存與權限隔離
• 多種計費單位
• 客製報表與系統介面
• 責任歸屬及異常證據
• 合約容量與共享資源

3PL倉庫追求的不只是「作業快」，而是在共享資源下提供可計量、可稽核且符合合約的服務。

5. 冷鏈、危險品與高度管制倉

這類倉庫的設計受到物料特性與法規主導。溫度、濕度、通風、消防、相容性、保存期限、存取權限及緊急應變，可能比最短搬運距離更重要。

其績效重點通常包括：

• 環境條件符合率
• 溫度偏差事件
• 效期與批號追溯
• 不合格品隔離
• 安全事件與未遂事件
• 異常反應時間

在這類倉庫中，最快的流程不一定是最好的流程，最安全且可證明合規的流程才是。

6. 越庫與轉運中心

越庫作業（Cross-docking）盡量不讓貨物長時間儲存，而是在收貨後完成辨識、分類、整併並快速轉向出貨端。

這種模式可降低儲存與搬運，但前提是：

• 上下游資訊準確
• 到貨與出貨時間能協調
• 標示與包裝符合後續需求
• 異常比例足夠低
• 月台與暫存區設計合理

越庫並不是「不用管理庫存」，而是把管理重點由庫存量轉向時間同步與流量控制。

四、建立跨產業的倉庫分類框架

倉庫不能只用「製造業、零售業或電商」分類。更有效的方式，是用七個維度描述其作業環境。

這七個維度直接影響後續選擇：

• 倉庫配置
• 儲存政策
• 搬運與揀貨設備
• 人力技能
• 系統功能
• 自動化程度
• KPI權重

因此，「別人使用自動倉效果很好」並不是充分的投資理由。必須先確認自己的品項、訂單、波動與控制要求是否相似。

五、倉儲績效不能只看速度與產量

WERC的2026年配送中心指標研究追蹤36項營運指標，涵蓋顧客、財務、容量與品質、員工及完美訂單等構面。最常受到關注的指標包括準時出貨、碼頭至可用庫存週期，以及平均倉庫容量使用率。這說明成熟的倉儲管理不能只用「每天完成多少筆」代表整體績效。

可將倉儲KPI分成六組。

1. 服務

2. 速度

3. 品質

查核單位必須明確定義，可以是料號、料號與儲位、批號、序號或處理單元。否則兩座倉庫即使都宣稱99.9%，也可能量的是不同東西。

4. 生產力

「標準作業量」可以是收貨行、揀貨行、箱、棧板或訂單，但不應直接混加。處理一棧板單一品項與處理五十件不同序號的零件，雖然都叫一筆，工作含量顯然不同。

5. 容量與成本

接近100%並不一定代表管理優良。當倉庫缺乏空儲位、暫存區與搬運緩衝時，上架、移位與盤點效率可能快速惡化。

6. 穩定與風險

包括設備可用率、異常關閉時間、工安事件、溫度偏差、帳務不一致與人工修正率。

不同倉庫應使用相同的指標語言，但不必配置完全相同的權重。電商倉可能把訂單週期放在前面；製造支援倉則應提高供料可靠度、品質狀態與生產影響事件的權重。

六、AI與自動化正在把倉庫帶往哪裡？

倉庫自動化的發展，可以分成四個階段。

第一階段：機械化

以叉車、輸送機、料架與自動包裝設備取代重複或高負荷的人工作業。

第二階段：數位化

透過條碼、無線射頻辨識（Radio-frequency Identification, RFID）、倉儲管理系統（Warehouse Management System, WMS）及設備控制系統，建立即時庫存與作業紀錄。

第三階段：最佳化

使用作業研究、模擬及機器學習改善：

• 儲位配置
• 訂單批次
• 揀貨路徑
• 任務排序
• 人力配置
• 設備調度
• 預測維護

研究回顧也顯示，分類儲放、路徑最佳化及自動儲存與取出系統（Automated Storage and Retrieval System, AS/RS）長期是倉儲研究的重要主題。

第四階段：感知與自主協調

AI開始結合影像、聲音、感測器與即時系統事件，用於損壞辨識、庫存盤點、安全監測、異常預警及跨設備協調。

DHL的《物流趨勢雷達7.0》將生成式AI、AI倫理、語音AI、電腦視覺與進階分析列為物流領域的五項主要AI趨勢，同時仍把物聯網、機器人、數位基礎架構及永續列為重要發展群組。

MHI與Deloitte在2026年產業調查中，71%的受訪者認為AI正在擾動供應鏈，24%認為其影響將達到轉型程度。這項調查反映產業主管的期待與投資方向，但不能直接解讀為71%的倉庫已經具備成熟AI能力。

現階段較務實的AI應用，通常不是讓系統完全自行管理倉庫，而是：

• 從多個系統整合異常資訊
• 預測到貨與工作量
• 推薦儲位與任務優先順序
• 辨識包裝損壞或安全風險
• 協助查詢SOP與歷史處置
• 對帳務差異提出可能原因
• 在明確規則與權限內自動執行

AI的上限取決於資料與流程的下限。位置、狀態、時間戳記及原因碼若不可靠，AI只會以更有自信的語氣整理混亂。

結語：倉庫管理的是受控流動

倉庫不是供應鏈中貨物暫時睡覺的地方，而是一個將不確定供應轉換成可使用資源、將大量物流單位轉換成實際需求、並將實體狀態轉換成可信資訊的營運系統。

不同產業的倉庫雖然共享收貨、儲存、揀取及出貨等基本活動，真正的差異卻來自需求結構、物料特性、服務承諾與失敗代價。

因此，規劃倉庫時不應先問：

別人用了哪一種設備？

而應先問：

這座倉庫要吸收哪一種不確定性？
它必須控制哪些風險？
什麼結果才算真正完成服務？

先回答這三個問題，配置、設備、系統、KPI與AI才有共同方向。否則倉庫可能非常先進，機器人忙碌得像一群勤奮的甲蟲，卻沒有人能清楚說明它們究竟在替供應鏈解決什麼問題。

資料出處

• CSCMP，供應鏈管理與物流管理官方定義。
• ASCM，倉儲的定義、活動與供應鏈角色。
• Rouwenhorst等，倉儲設計與控制架構及文獻回顧。
• Boysen、de Koster與Weidinger，電商時代倉儲系統研究回顧。
• WERC，2026年配送中心績效指標研究。
• DHL，《物流趨勢雷達7.0》。
• MHI與Deloitte，2026年供應鏈產業報告。

最近在研究組織變化的決策，困難點在於組織的快速擴張、組織之間的摩擦，主管不能只要求要轉，而必須知道為何而轉、怎麼善用人才與組織。跟Chatgpt 互動的結果是，雖然不知道內容多真實，但方向很有參考價值，要花兩個禮拜的報告在一天內交差了。

以下為Chatgpt 文本（4o模型、開啟研究模式、人為調整些許文句）

引言

台灣擁有如台積電等員工數以萬計的跨國企業，在全球科技供應鏈中居關鍵地位。面對瞬息萬變的市場與技術，這些巨型製造企業必須持續進行流程改善與數位轉型，以維持競爭優勢。而規模龐大的組織在推動變革時，經常面臨結構與文化上的挑戰。例如管理學者柯林斯（Jim Collins）強調「優秀是卓越之敵」— 只有不斷突破現狀、精進流程，企業才能從優秀走向卓越。本文將以觀點評論的方式，探討不同改善推動模式在大型製造企業的適用性。

集中式決策模式：一致性與效率，創新隱憂

集中式決策是指由總部高層統一選定一套改善方法（例如全面導入某種精實生產或六標準差方案），並在全公司各據點強制推行。其優點在於標準化帶來的一致性與規模經濟效益：自上而下的緊密控制能確保策略和目標在全組織上下對齊，提高執行效率。在製造業情境下，這意味著每座晶圓廠或工廠遵循相同的最佳實務，資源投入聚焦於經過驗證的流程工具，可快速在整體複製成功經驗。然而，此模式的風險在於過度集中可能窒息基層創新活力，引發員工抵制。早在20世紀汽車業先驅史隆（Alfred Sloan）於GM實踐分權時就指出，不當的中央集權會壓抑現場主動性，降低產品與服務因地制宜的能力mckinsey.com。

大型半導體企業若一味自上而下要求所有廠區墨守成規，短期雖可統一步調，但長期可能導致基層員工缺乏自主性與動力，創新想法減少。同時，各營運單位可能因感受不到參與決策而產生反彈情緒，使推行效果打折扣。

分散式競爭模式：創意激發與內耗風險

分散式競爭模式主張將改善權下放，讓各工廠或部門各自研發流程改進的方法，彼此競爭創意。在這種自下而上的機制下，員工參與度與主人翁意識大幅提升：基層人員更投入公司文化與目標，擁有改善決策的自主權能激勵更高的績效與生產力。在半導體製造現場，每個廠區都可能針對提升良率、縮短生產週期等課題提出創新解決方案，組織內部形成百花齊放的創新氛圍。然而，挑戰在於過度的分權可能造成資源重複浪費和各自為政的內耗。若缺乏統一協調，不同據點可能各自投入研發類似的改善專案，重複研發導致資源低效配置。同時，內部可能出現政治角力 — — 各單位爭相證明自己的方案更優，使協作變得困難。

此外，完全分散的架構常導致難以規模化的問題：缺乏中央督導時，很多創新僅停留在試點階段，各自封閉於自身的業務窮境，難以推廣為全公司的最佳實踐。麥肯錫調查發現，過度分散的組織往往無法將人工智慧等新技術的應用落地到生產環節，許多概念驗證專案卡在孤島中無法擴大規模。可見，如果沒有適度的共通標準與知識分享機制，分散式創新的成果可能零散且難以轉化為整體績效提升。

專責團隊模式：專業聚焦與脫節隱憂

專責團隊模式是指成立獨立的流程改善或創新研發單位（如企業內部的創新實驗室或「中心卓越」團隊），由專職人員集中研究與推動新技術、新流程的應用。其優點在於專業力量的集中：這些團隊通常匯集具備數位技術或製程改造專長的人才，在相對獨立的環境中大膽試驗，吸收最新的市場趨勢與創新概念。對於員工數萬的大型晶圓代工企業，專責團隊可以充當公司內的創新引擎，探索如先進製程自動化、智慧工廠、AI品質檢測等前沿方案，再將研發成果供全公司複用。然而，此模式的主要風險在於與現場脫節。創新團隊若與一線營運單位分離太遠，容易形成組織孤島，缺乏對生產現場痛點的深刻理解。

近期業界甚至出現反思潮流：一些公司關閉了各自獨立的創新中心，改為將創新人員重新整合回業務單位，理由是“單一團隊難以同時成為業務領域與技術的專家”。因此，專責團隊模式雖能提升創新專注度，卻必須警惕避免與實際營運需求脫節，需建立明確的橋樑機制讓創新成果順利移轉到現場。

次結論－大型製造企業的模式評估：尋求平衡與融合

以上三種模式各有適用情境，沒有絕對的優劣之分，關鍵在於根據企業文化與戰略需求，融合多種機制以取長補短。事實上，卓越企業往往同時具備頂層推動力與底層創造力。《從A到A+》（Good to Great）強調，卓越公司的領導、員工、核心價值和紀律文化環環相扣，推動著績效成長的「巨輪」持續前進。這意味著企業需要自上而下的長遠願景和紀律執行力，也需要自下而上的創新活力與參與。同樣地，精益生產之父大野耐一所建立的豐田模式，被管理學者描述為既非純粹自上而下，亦非完全自下而上：理想的改善文化中，高層傳達「為什麼改進」的願景方向，而基層則主導「改進什麼、如何改進」的具體實踐。

由此可見，對於大型製造業者，一種平衡的架構較為可取— 總部提供統一的方向與資源（如制定標準、建立共用的數位平台），各事業單位保有一定的創新空間去探索最佳解決方案，同時透過專責團隊作為中樞來收斂與擴散創新。這種“三合一”的混合模式能兼顧一致性和靈活度：例如由中央改善辦公室蒐集各廠創新提案、篩選出高潛力方案進行資源傾斜，成功者再納入標準在全公司推廣。如此循環一方面避免了分散競賽的內耗，另一方面也防止了集中決策的一言堂，讓組織保持創新動能與執行效率的平衡。

延伸一－AI時代的轉型建議：架構、衡量與激勵

AI驅動的改善應集中還是分散？

進入AI時代，製造業流程改善出現新的契機與挑戰。AI應用往往需要龐大的數據資源與專門人才，因此在推動架構上適度集中更有利於初期成功。麥肯錫2024年的研究發現，在銀行等產業中，採高度中央集權AI運營模式的機構，有約70%已將AI應用成功推向生產環節，相較之下完全分散式的機構只有30%有此進展。可見，高度集中的AI團隊能統籌關鍵資源，加速從概念驗證到規模部署的進程。同時，多數領先企業也設立了中央AI職能部門來有效配置資源、管理風險。在實踐中，這可能呈現為「中央領導、在地執行」的混合體系：中央團隊選定數個高價值AI用例集中攻關，同時培養各廠區的數據人才將AI融入現場流程。隨著組織對AI技術日趨成熟，架構可以從高度集中新向更聯邦式（federated）的模式演進，在標準與核心平台仍由中央掌控的前提下，賦予事業部門更大自主權挖掘AI應用場景。因此，AI驅動的改善開始階段宜採集中式以快速累積成果，待技術和治理成熟後再逐步分權，最終實現集中與分散的動態平衡。

延伸二－衡量改善的成功與進度

許多企業領導者意識到數位轉型對企業價值舉足輕重，但在如何定義與量化成功上感到困惑 — — 全球有將近70%的受訪者認為數位轉型是最重要的投資，但四分之三的人難以界定成功的標準。為避免陷入這種困境，大型企業應建立多維度的KPI框架來追蹤改善成效與進度。Deloitte的研究建議衡量指標應涵蓋財務、客戶、流程、員工和使命等面向，以全面反映轉型帶來的價值。例如在半導體製造業，可以追蹤的指標包括：良率提升幅度、生產周期縮短天數、營運成本降低比例（財務與流程面）；客戶交付準時率提升、客戶滿意度變化（客戶面）；員工參與改善專案人數、數位技能培訓覆蓋率（員工面）；碳排放降低量（使命/永續面）等等。

透過這些指標組合，企業能動態監控每項改善舉措的進度與影響。同時，應該設定明確的里程碑和階段性目標來評估進展：例如3個月內完成試點、6個月內實現某項效益指標達標等。在數位工具的輔助下，即時的儀表板監控和資料分析可以提供決策者清晰的洞見，及早識別偏差並調整策略。此外，成功與否不應僅以單一指標（如生產力）論斷 — — 事實上81%的企業傾向以生產力作為主要ROI指標，但那些採取更全面衡量的公司從轉型中平均多獲得20%的價值提升。建立指標的問題已經是另外的主題了，不在這邊多著墨。

總結論

對於員工動輒數萬的大型製造企業而言，流程改善與數位轉型早已不是選擇題，而是關乎生存與長青的必修課。集中式、分散式與專責團隊三種推動模式各有優劣，唯有因地制宜地融合運用，才能在龐大的組織內既保持統一戰略方向，又激發出源源不絕的創新動力。正如《從A到A+》所揭示的，卓越企業是在紀律與創新的雙輪驅動下前進，其領導者建立堅實的核心價值觀，同時激發全員投入變革。

面對AI時代帶來的顛覆契機，台灣企業龍頭們更須秉持這種平衡哲學：在架構上有效統籌與靈活授權並舉，在管理上以數據嚴謹衡量進步，在文化上以激勵機制凝聚人心。唯有如此，才能讓改善的巨輪不斷轉動，在激烈的全球競爭中持續從優秀邁向卓越。

參考資料：

1. Collins, Jim. Good to Great: Why Some Companies Make the Leap… and Others Don’t. 柯林斯著，《從A到A+：企業從優秀到卓越的奧祕》vocus.ccbooks.com.tw.
2. McKinsey & Company. Centralization vs. Decentralization: Making better choices for your organizationmckinsey.com.
3. McKinsey & Company. Scaling gen AI in banking: Choosing the best operating model, 2024mckinsey.commckinsey.commckinsey.com.
4. Deloitte. Measuring value from digital transformation, 2023deloitte.comdeloitte.com.
5. Boston Consulting Group. To Keep Transformations on Track, Incentives Are Crucial, 2025bcg.combcg.combcg.com.
6. 愷 Nexus KaiNexus Blog. Top-Down vs. Bottom-Up Management: Which Style is Best?, 2023blog.kainexus.comblog.kainexus.com.
7. InspireIP. Innovation Labs in 2024: Just A Fad or A Must-Have, 2024inspireip.cominspireip.com.

引用

博客來-從A到A+：企業從優秀到卓越的奧祕（暢銷新裝版）

https://www.books.com.tw/products/0010845587?srsltid=AfmBOoqV8okltaryqHUxDnwFAOo994PbT6b3OKA1kJ4vfBjRbjLw3Pg2

Top-Down vs. Bottom-Up Management: Which Style is Best?

https://blog.kainexus.com/continuous-improvement/4-differences-between-top-down-and-bottom-up-improvement

Centralization vs decentralization: Making better choices for your organization | McKinsey

https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/to-centralize-or-not-to-centralize

Top-Down vs. Bottom-Up Management: Which Style is Best?

https://blog.kainexus.com/continuous-improvement/4-differences-between-top-down-and-bottom-up-improvement

The future of AI in banking | McKinsey

https://www.mckinsey.com/industries/financial-services/our-insights/scaling-gen-ai-in-banking-choosing-the-best-operating-model

The future of AI in banking | McKinsey

https://www.mckinsey.com/industries/financial-services/our-insights/scaling-gen-ai-in-banking-choosing-the-best-operating-model

Innovation Labs in 2024: Just A Fad or A Must-Have

https://inspireip.com/innovation-labs-in-2024/

Innovation Labs in 2024: Just A Fad or A Must-Have

https://inspireip.com/innovation-labs-in-2024/

Innovation Labs in 2024: Just A Fad or A Must-Have

https://inspireip.com/innovation-labs-in-2024/

讀書筆記：《從A到A+ Good to Great 》企業如何找到核心價值，推動成長巨輪

https://vocus.cc/article/6404066dfd89780001e6f3c0

Top-Down vs. Bottom-Up Management: Which Style is Best?

https://blog.kainexus.com/continuous-improvement/4-differences-between-top-down-and-bottom-up-improvement

The future of AI in banking | McKinsey

https://www.mckinsey.com/industries/financial-services/our-insights/scaling-gen-ai-in-banking-choosing-the-best-operating-model

The future of AI in banking | McKinsey

https://www.mckinsey.com/industries/financial-services/our-insights/scaling-gen-ai-in-banking-choosing-the-best-operating-model

Measuring value from digital transformation

https://www.deloitte.com/global/en/issues/digital/maximizing-value-using-digital-transformation-kpis.html

Measuring value from digital transformation

https://www.deloitte.com/global/en/issues/digital/maximizing-value-using-digital-transformation-kpis.html

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

To Keep Transformations on Track, Incentives Are Crucial | BCG

https://www.bcg.com/publications/2025/incentives-are-crucial-for-transformation-success

ChatGPT 目前有效的資訊

• 來自於Open AI，美國新創公司，目前員工約3百餘位
• Open AI 於2015年創立，創辦人包含Elon Musk & Sam Altman等多位科技創業家，投資人包含Reid Hoffman、Peter Thiel等
• 創立初期，Elon Musk曾說組織成立其中一個主因是保護人類，確保人工智慧不會毀滅人類，2018年因考量利益衝突，Elon Musk退出Open AI
• 2017年，Google 在一篇論文中，提到Transformer ，是透過注意力機制的深度學習模型，這個T就是ChatGPT最後一個單字。BERT、GPT都是基于Transformer的架構往上發展的。
• 2019年OpenAI從原先的非營利組織結構，轉為『有限盈利』模式（代表投資則只能取回特定倍數的獲益），微軟投資10億美元
• 2020年推出自然語言模型GPT-3，GPT跟ChatGPT都是一家人，英文完整為Generative Pre-trained Transformer，基本上不特別需要人工標註資料
• 跳過GPT-1&GPT-2的原因是，直到GPT-3才擺脫了GPT-1/GPT-2一直打輸BERT的窘境，也最終獲得更多應用機會，譬如生成文章
• GPT-1 (2018.06)參數量為1.2億，GPT-2 (2019.11)參數量為 15億，GPT-3 (2020.06) 參數量為 1750億，大力出奇蹟
• ChatGPT是基於GPT-3.5(2022.03)的基礎上發展，ChatGPT導入了人工反饋的強化學習機制，Reinforcement Learning from Human Feedback
• 會員擴張速度史上最快，ChatGPT僅花2個月達成 Time to Hit 100M monthly users，相比第二名的tiktok花了9個月、第三名IG花了30個月
• 不過Google坐擁的是每天40億活躍用戶，與ChatGPT相比仍是隻大鯨魚。每秒可能會有30萬以上的搜尋請求，每個請求為Google帶來約1.61美分收入、成本約1.03美分(盈利率34.15%)
• 林廷恩阿里巴巴達摩院AI專家，拿到OpenAI對外的商業報價(2023.02.25)，基本款一年要26.4萬鎂(約800萬台幣)
• GPT-3大模型的單次訓練成本上百萬美元、總訓練成本上千萬美元
• 2022年，OpenAI總共花掉超過5.44億美元，但年收入只有3600萬美元，年虧損超過5億美元
• 分析師稱ChatGPT Beta測試版本使用了10,000個 NVIDIA GPU來訓練模型，新一代GPT-5大模型正在25,000個 NVIDIA GPU上訓練，針對ChatGPT-175B的服務器成本（主要考慮GPU和CPU）約為3~5億元
• OpenAI CEO Altman曾在推特上回覆Elon Musk的留言，說ChatGPT平均一次聊天成本可以以美分做計算(single digit cents per chat)，有另外的分析指出，ChatGPT的一次回應約需 2美分成本，是Google搜索查詢平均成本的7倍
• iKala Ceo 程世嘉一篇文章指出，GPT-4 可能會達到『兆』級參數（OpenAI 還沒證實）

最後留一張很棒的圖

好了再來是喇賽

• 在太陽系的九⼤⾏星中，⼟星與⽊星每隔20年就要相會⼀次，處於同 ⼀直線；每隔60年，⼟星、⽊星、⽔星就要相會⼀次；每隔180年， 九⼤⾏星就會處於太陽的同⼀側，分佈在⼀個⼩的扇⾯中，形成九星連珠
• 因天體運⾏規律永不改變，所以天⽂學家根據這種規律劃定三元九運的時間體系，以180年為⼀正元，每⼀正元分上、中、下三元，每元60年，每元分三運，即⼀⾄九運
• 在三元九運的不同時間，都有其中⼀顆星起著主導作⽤，並且每顆星對地球發揮作⽤的時間正好為⼆⼗年
• 2004–2023為八⽩艮⼟運。在易經八卦，艮為⼭，為囤積，收藏， 資源，⽽⼟在五⾏也為財。古⼈以⼭洞為家，因此艮也為家，為平台。
• 參考奇⾨中的八⾨，艮宮代著表⽣⾨，它代表著⽣意，⽣氣勃勃。艮為 ⼭，⼭為不動、停頓，等待，守候，終⽌，保護，穩重等等。
• 代表與土地有關的職業，教育、房產等，土也有平台的意義，土生金，房地產就不用講了，目前看到的大平台，例如Facebook、Googlgle、Apple、阿里巴巴，都是在這段時間蓬勃發展，而且因為土生金，所以金融也會好，這些平台商也積極要搶入金融(數位支付平台)
• 從2024年至2043年為下元的九運，對應於易經的離卦。雖然九運未到，但氣已先行，2017年開始已經是九運的先天運。從八運轉九運，會有一些衝突，包含戰爭、病毒，都已經實現
• 如果說八運是土，被傳統實業及房地產所壟斷。九運便是由實轉虛，虛擬行業的天下了，創新科技，文化創意產業，高科技與互聯網，文化傳媒、新能源行業，電子資訊、雲計算、大數據、虛擬現實、人工智慧 AI、3/4/5/6D技術、機器人等都是屬火九運必旺必發的行業
• 除了科技之外，離卦初⽘和上⽘為陽，中間⼀個⽘是陰⽘，是⼀種外實內虛之象。離中虛，務 虛、虛擬、虛，不實在，好⾯⼦，外強 中乾，尋找⼼靈寄託。且離卦也代表中女，女性地位進一步提高，美容事業也好

最後也是留一張圖，AI有保佑

如果文章寫得很長，一定有人會說用ChatGPT寫的

我就不信ChatGPT會這麼認真研究風水跟科技的關係

那這篇就到這邊，ㄅㄅ

參考資料

• 两月市值飙涨万亿，ChatGPT背后最大赢家竟是它 - 智东西
• 华尔街见闻
• 拆解ChatGPT成本，太烧钱！中国科技巨头面临一场硬仗
• Log in or sign up to view
• Log in or sign up to view
• 從GPT-1到GPT-4看ChatGPT的崛起
• 十分钟理解Transformer
• 傅佩榮的易經入門課：什麼是「八卦」和「爻」？卦象的用意是什麼？ - The News Lens 關鍵評論網
• 下元八運中哪些行業發展興旺
• Log in or sign up to view
• 九運將至，如何開啟財富密碼，做個當運之人？
• 九运离火分析

Tim Berners-Lee，英國電腦科學家（現在是個爵士），全球資訊網（World Wide Web，WWW）的發明人。他說千萬不要把他的web 3.0 跟 Gavin Wood （以太坊聯合創始人）的web 3混淆在一起了。

好像有一點不齒的感覺，也確實。

From my experience, this is because web3 has become the new way to say “we are a company using a blockchain” instead of being the way to communicate the properties of your business and the services it provides.

What is Web3, and why will it struggle?

coingeek的文章說到，自稱為web3的公司，只是指自己使用了區塊鏈技術，但其實這一切都遠離的我們對『下一個世代的網際網路』所應該要有的遠大的目標。

這句話也呼應了Elon Musk在2021年受訪時後所提到的，他一直沒見到web 3相關的實際願景，而只是淪為公司炒作或行銷的buzzword。當然，Tesla在2022年也是靠比特幣讓其估值在市場內熱鬧了一番，以目前回顧是負面的結果（Q4 Tesla bitcoin持倉帳面浮虧 1.7 億美元），但未來還很長的～

https://www.cnbc.com/2021/12/21/elon-musk-and-jack-dorsey-are-talking-about-web3-heres-why.html

閒聊完了，我們看一下web 1.0~web 3.0發生了什麼事。我比較喜歡 creative-tim 網站的這張圖的介紹結構，相對的完整，可以從中延伸出較多的洞察。

1990年11月13日Tim Berners-Lee在一台NeXT工作站上寫了第一個WWW網頁，自此，超文字嫁接到網際網路上這個新技術成為一個全新時代的開端，包含以下三項關鍵技術：一個全球網路資源唯一認證的系統，統一資源標誌符（URI）、超文件標示語言（HTML）、超文字傳輸協定（HTTP）。

很快的，web 2.0 在 1.0的基礎上，再應用了更強大的資料中心、CDN、大數據應用技術，造就了『集體智慧』。以下引述我自己『未來地圖』文章所寫的內容

在O’Reilly的紀事中，Web 1.0 的重點包含了Netscape，Yahoo和Google的發展，Netscape研發出第一個大規模商用的瀏覽器，Yahoo的楊致遠提出了互聯網網頁，而Google在最後居上，推出了大受歡迎的搜索服務。

當時人們知道了什麼叫『網際網路』，可以從特定的伺服器、遠端連線以取得資訊，大幅提升了單向的資訊傳遞效率，該時期的發展主要是商業公司為主體把內容往網上搬，使這些互動由B2C為基礎、產生商業價值。

後由O’Reilly在 『Web2.0: Principles and Best Practices』一書提出Web 2.0的定義：Web 2.0 是由一系列經濟、社會、 技術趨勢所共同形成的次世代網路的基礎，是一個更成熟且特殊的媒介，其特徵為使用者參與、開放以及網絡效應。

大家肯定Google是展開Web 2.0的旗手，Google透過網路的力量來充分運用集體智慧，達成更好的搜索服務。此外，最重要的，這是第一次任何人都可以在網上發佈內容，包含blogs、社群、商品等等，這時候，人們在網路上搜索的，並非商業公司提供的內容，而是集體智慧（每一個網路使用者）所產生的內容，即是C2C and B2C2C。

『未來地圖』(1)-開源與全球腦

2.0的特色在於集體智慧，大多數的內容都是網路使用者共同創作的，但同時，大部分的資料皆儲存在少數大型企業所營運的伺服器中。換句話說，網路2.0的內容更多樣化，但控制及散佈的內容比web 1.0更集中。

這些資訊相當大的比例是由科技巨頭所擁有或經手（ＦＡＡＮＧ尖牙股，Facebook、Amazon、Netflix、Google->Alphabet），而2016年劍橋分析事件，該公司在Facebook上藉由免費的心理測驗應用服務，暗中獲得了超過5000萬筆用戶資料，再進行基於商業、政治目的的數據分析，進而影想美國總統大選以及英國脫歐公投的操縱，再加上數據取得方法極度不透明，劍橋分析公司最終宣布倒閉，默許劍橋分析公司收集這些資料的Facebook也被英國監管當局處以重罰，更被迫全面清查所有第三方應用的資料取得情形。

北美智權報 第277期：《個人隱私專題報導》你的個資，他的金礦：網路業者侵害使用者個資風險該如何防範？

最終，『人民應享有資料刪除、更改、轉移的權利，且企業需保護用戶個資』的GDPR成為日常，當時歐盟於 2016 年通過，並給予兩年的緩衝期，於 2018/5/25 正式上路。

後續也有許多壟斷、假新聞、言論審查的爭議找上巨頭們

• 社群網站能審查言論內容嗎？ 推特、臉書接連封鎖川普帳號引發的3大問題-風傳媒
• 科技巨頭現危機？反壟斷會否改變競爭格局？︱《關鍵報告》#42 - PressPlay Academy 線上課程學習平台

2017 年Tim Berners-Lee 指出，當前網路上面臨3 大挑戰，第一，我們失去了對個人數據的控制權；第二，假新聞在網絡上傳播太容易了；第三，在線政治廣告需要透明度和理解力。

「萬維網之父」談網絡三大挑戰︰失去私隱、假消息擴散、政治宣傳不透明 - The News Lens 關鍵評論網

web 3.0 應該具備解決目前網路上『部分問題』的能力

• 第一，個人隱私資訊不再被中心化的巨頭給狹持，個人應該『擁有』自己資料。
• 第二，也是延伸第一題，當我擁有自己的資料，我可以用『同樣的資料』穿梭在不同的應用，而非到處『註冊』、留下資訊孤島。
• 第三，怎麼樣算是『擁有』資料？這必須是不受第三方所影響的儲存方式，也就是必須去中心化，可以獨立存在於網路中，可以想像是分散式帳本的概念這樣。

引述inside 文章

Web 3.0 會依照這些概念發展：

- 可驗證（Verifiable）
- 去信任（Trustless）
- 高度自治（Self-governing）
-不用中心化許可（Permissionless）
-分散式運算（Distributed）

是潮，是反抗，也是文藝復興：什麼是 Web 3.0 - INSIDE

當然，還是會有web 3.0沒辦法解決的議題，像是假新聞，我們未來可能可以透過技術驗證哪些文章或資訊是出自新聞媒體或官方來源，不能也不會再發生像是透過photoshop製圖，假裝是政府釋出的訊息。但如果是有心媒體或人士透過灰色地帶的字詞來嘗試誤導或影響觀眾，就是科技無法解決的。

Tim Berners-Lee 在2018年發布 Solid專案，是一種資料獨立的開發概念。Solid提供三種特性，第一、讓使用者真正擁有資料（True Data Ownership），Solid應用程式設計原則便是資料與應用程式分離，因此應用程式的使用者可以選擇資料儲存的地方，以及可以存取的對象。第二，模組化設計（Modular Design），由於資料以及應用是分開的，因此使用者能夠無縫將資料切換給其他應用程式使用，或是轉移至其他個人資料儲存伺服器，以避免被特定供應商綁住。

最後一點特性也是受惠於資料與應用分離的好處，讓資料能重複再利用（Reusing Existing Data），開發者能夠簡單的開發其他應用，或是直接改進現有的應用程式，並直接使用其他App所產生的資料。

向語意網路的理想前進，網際網路之父Tim Berners-Lee打造資料獨立概念的開發工具Solid

在這邊分享一段網路上看到的有趣註腳

對於Tim Berners-Lee來說，世界上能有什麼事比發明Web 還要困難，那就是推翻它。

至此，我們可以看到『區塊鏈』只是在web 3.0裡面應用的『可能應用的技術之一』。接著，我們來看，如果未來真的是透過區塊鏈來建立個人的資料（個資、瀏覽紀錄、發表內容等）會遭遇哪些困難？

1.成本

最初區塊鏈發展時期，其主要吸引力之一是無成本交易（因為去中心化，所以只需要網路上的『共同驗證』），但事實證明區塊鏈技術的運行成本極其高昂且耗能巨大。中國曾是加密貨幣挖礦的主要中心，可能也會遭受到政治因素的左右，而瑞典、冰島等許多國家則是因為能源與環境的考量而禁止。

2.效率

在去中心化網絡中，交易越來越慢，因為每筆交易或資訊更動都需要通過整個對等網絡完成驗證。這需要的很可觀的計算深度，本應近乎即時的交易往往需要很長時間才能處理，或者需要非常高的『Gas』來加快交易時間。

3.使用體驗

現在的區塊鏈的使用學習門檻仍然很高，舉例來說，你的以太坊需要一個 MetaMask 錢包、你的 Solana 需要一個 Phantom 錢包。你要學一大堆瀏覽器插件，與我們現在的Web 瀏覽器相比，非常麻煩。

綜合上述，當然每一項困難都是與現在的區塊鏈市場發展息息相關，還沒有到web 3.0，光是發展加密貨幣及NFT市場就必須要推這樣的技術演化，才能讓更多人接觸到區塊鏈服務。

再從商業模式的角度往回看

什麼是平台？淺談平台經濟模式

在我之前討論平台的文章中，曾經談到平台的出發點為『核心互動』

• 使用者：這個平台上有誰
• 價值單元：每個使用者獲得的價值
• 篩選機制：聚焦有效的價值單元、過濾雜訊、提升品質與效率

透過發展這三者的最大化效益，基於Metcalfe’s Law的網路效應，平台為使用者、經營者及參與者創造價值，平台使用人數越多，它就越有價值。

以中心化的服務來說，Facebook為使用者提供分享與儲存資訊的功能，吸引用戶瀏覽feed，連結廣告商投入經費擺放廣告。像是Medium也是提供文章的編輯與儲存，吸引使用者瀏覽，幫助文字創作者可以透過瀏覽來產生收益，也吸引讀者可以投入月費以瀏覽更多更好的文章。

未來的情境，紅樓觀點提供了一個方向

Web 3.0當你提供知識訊息到項目或是平台中，你不用再擔心別人會下載你的資訊然後無限分享給任何人使你沒有任何報酬，你將可以依照每次點擊獲得設定代幣數量作為回報。另外，非常重要的一點是你並不會受到國家政策干擾導致平台被迫關閉，最近鏈聞就是一個著名的例子。大家漸漸的把自己的知識觀點文章都發表在了去中心化平台，例如mirror去中心化Web app。我相信在未來，你也可以使用Metamask錢包在Amazon上購買東西。總之，所有目前我們的行為都將可以搬到Web 3.0上繼續運行。

Vol.005 紅樓觀點 ｜ Web 2.0 到 Web 3.0

代表你的資料是獨立存在在網路上，而平台商只能透過你的授權來提供瀏覽，或者平台商只能提供媒介，而不能儲存及再利用內容（仰賴授權的範圍而定），按照這樣的角度，被壓榨及邊緣化的角色從使用者變成了平台商，而平台原本賺取收益的方式被受限了，而廣告商則會嘗試直接購入個人的資訊，以爭取投放廣告給消費者。

商業模式會有變化，但一樣會由平台提供服務（譬如更好的瀏覽介面、更有趣的），只是差別在平台不儲存你的個人資訊，你的資訊由你自己掌握、擁有，而廣告商會透過平台來投放廣告給你，你可以選擇付費使用平台、不出賣你的資訊，也可以觀賞廣告、免費使用服務，甚至是廣告商付費給你。

黑鏡『15 Million Merits』像是在描寫這樣的世界，我們仰賴勞動或觀看廣告來賺取『點數』，再用這樣的點數去換取想要的東西，但這是你真的想要的嗎？還是只是這個社會需要你去想要這些東西，希望你結婚，所費不貲的婚禮、生子，永遠給孩子最好的、買房子，從兩房到三房，從一間房到兩間房。你成為社會經濟重要的推手之一，在看似自由底下，被剝奪了自由。

"Who do you think is powering that spotlight?": Social mobility and resistance in Black Mirror 's 'Fifteen Million Merits'

回到主題，以現在加密貨幣或NFT相關的應用，使用者被吸引的點大多只是因為允許他們在使用網路服務時賺錢，甚至是有機會跟著加密貨幣的升值而小賺一筆，像是投資（或更像是賭博）。

而並非因為去中心化、隱私/安全第一，且追根究底，服務架構還是一樣是中心化的交易所、平台商。目前網路上的部分調查資訊顯示，大多數人不在乎大型科技公司可能會壓迫他們並使用他們的數據，因為人們樂於使用很酷的平台，讓他們可以輕鬆地與他們的朋友、家人或有趣的陌生人聯繫。

數位資產和區塊鍊為各種新的商業模式創造了新機會，然而，我們現在只是不斷地把現有的業務上鍊，並不是革命性的改變網路環境，當然，長期而言也不會帶來任何效率提升。

web 3.0 大致上先談到這邊，後續仍有很多可以關注的發展方向，包含了剛剛並未太多著墨的語意網、DID及Dweb（IPFS和去中心化域名）等技術。

语义网 - 维基百科，自由的百科全书

語意網可以解讀為『人類格式』的資料，是對於人類與機器理解資訊都有幫助的資料呈現方式，必需加上足夠的敍述和形容，才可以令機器也可讀，所以有語意網的概念。語意網在我們的內容以上，再加上一層意義的敍述，讓機器也明白內容裏各種資料的架構和關係，從而可以處理這些資料。

語意網使用 XML、RDF、OWL 等等為架構，為資料加上機器可讀的輔助。而且這種格式，不只是限制在網頁的應用之上，機器之間也可以使用這些格式來交換和理解資訊。

『DID』是去中心化身份標識符 (decentralised identifier) 的縮寫，是一種可存儲於區塊鏈上並於 Web 3.0 的所有應用中使用的、可驗證的去中心化數字身份。DID將改變了現有的身份證明系統，將數位身份所有權、控制權以及管理權歸還給了用戶。

DID 的核心就是打造鏈上的唯一身份證明；而隨著 DeFi、NFT 乃至 DAO 等多元化的應用場景崛起， DID 成為了構建去中心化社會的靈魂。

可以關注一下『Matters』，應用 IPFS （網路分散式儲存技術）作爲文章編輯與瀏覽，文章都會有 CID（Content IDentifier利用這組數字，就可以在任何一個 IPFS 的節點取得文章原檔。

希望這篇的web 3.0 (or web 3)的想法整理，可以對我自己以及有興趣的朋友們有更多學習機會。當然，任何的推論對於下世代的網際網路都還很早，畢竟都才剛開始，希望持續保持學習的精神跟上浪潮

這篇就到這邊，謝謝

Ref

• Web3, the Metaverse and Crypto: Trends to Expect in 2023 and Beyond
• The metaverse and Web3: The next internet platform
• Web 3.0 Is Coming, and Here's What That Really Means for You
• Web 3.0 doesn't need a blockchain revolution
• Top 10 Technology Trends for 2023: The Year of Digital Disruption
• 人工智能與語意網
• DID 是 Web 3.0 的真正起點，透視去中心化奧秘
• 去中心化身份（DID）：重構 Web3 社交模式
• 教學｜手把手帶你建立「去中心化個人網站」
• 研究｜Decentralized Web：打造從底層到前端都無監管的DWeb

https://www.cw.com.tw/article/5120228

https://zh.wikipedia.org/zh-tw/Matters

關於#資料視覺化，其實除了老牌的Tableau，以及近年崛起的Google Data Studio、Power BI，這幾款應用其實都相當的好用。而過往的data pipeline的設計，以Data Studio為例，從資料源(例如銷售POS、CRM管理或SAP資料庫)做ETL、然後簡單處理之後丟Big Query(搭配Data Studio可以加速)，最後由Data Studio串接Dataset，在雲端上設計出高可互動且高效能的資料報表。

近期則是在一些比較封閉、且資料敏感的區域做事，許多報表都是直接仰賴Python、Pandas做一些邏輯運算、初步的分析之後，把資料透過excel再整理出最後的乾淨資料、做圖表，寄給內部的同事。

假設要在內部架一個地端的Tableau 或 Power BI 的服務(Google Data Studio 沒有on-Premise)，雖然圖表功能較完整、服務的架構也較健全，但學習門檻會比較高，也比較需要時間處理資料與圖表。所以我想用一條龍的服務（都是以Python為基礎），從Pandas資料處理開始，可以很快速的在整理資料ETL時，『同時建立好圖表』，並且『很快地完成部署』，最後這條路，Pandas -> Plotly -> Dash，則是我目前覺得最棒的組合。

這次不談ETL部分，我們的目標比較簡單如下三項：

1. 『透過Python Pandas 取得資料集，並簡單解析結構』
2. 『Plotly 承接Pandas DataFrame資料集建立簡單的圖表』
3. 『Dash 再承接Plotly的圖形，轉成可部署的簡易Web APP』

那開始之前我們就來介紹幾個必須先準備好的套件

• Python，這次會使用Python 3.8，並搭配jupyter lab開發，最後會將開發好的notebook 轉成py檔給dash 執行。
• Pandas，讀取資料及做行列運算的利器，Pandas提供了大量能快速便捷地處理資料的函式和方法，主要的資料架構包含一維陣列(Series)，能儲存不同種資料型別，字串、boolean值、數字等。多維陣列(DataFrame)則像是我們在使用的excel表格一樣，可以擁有多欄及多列的內容。

• pandas基礎介紹-進入資料科學的領域
• Python Pandas 基本操作教學_成績表

• Plotly、Plotly Express，Plotly作為Python重要的數據視覺化工具之一，其餘的像是Matplotlib、Seaborn，而Plotly是Python的一個開源的數據可視化框架，基於D3.js框架，生成的互動圖以web的形式呈現於瀏覽器上，可以直接在Jupyert lab上面呈現互動圖表也是優勢之一。

Plotly 好用嗎？Python Plotly 資料視覺化 & 圖表互動的必備利器，新手必學懶人包

目前Plotly比較常見的兩種繪圖流程，分別為『graph_objects』與『Plotly Express』。前者是Plotly最原始的作圖方式，需要先定義好圖形內容(trace)，例如座軸及數值，再放進去圖形物件(Figure Object)。後者則是高級版本，直接封裝多樣複雜操作，可以直接套用於pandas Dataframe之上。

以下的這串程式碼，設定pd的繪圖引擎成為Plotly，就可以直接使用Pandas 的.plot() 方法來從Dataframe 取得 Plotly圖形：

import pandas as pd
pd.options.plotting.backend = "plotly"

• 开发者头条
• Pandas Plotting Backend

• 最後則是Dash，Dash 是建構於 Plotly.js、React.js 與 Flask 之上的 Python 網頁應用程式框架，主要應用目的是數據分析儀表板。而Dash的強項是 100% 兼容 Plotly Express 產生的對象，只需將它們直接傳遞到dash_core_components.Graph就可以在網頁上顯示。

• Python Dash 實踐（上）--草圖設計與CSS｜教學
• Python Dash 實踐（下）-- Callback與實際案例｜教學

準備好上述幾個套件之後，我們要先取得一個可以作為範例的資料集。而Plotly Express裡面就有預設幾個Sample Dataset可以做測試使用。

plotly.data package - 5.5.0 documentation

那我們這次就娶一個gapminder來試試，如下圖，先開一個新的Jupyer Notebook，import兩樣套件，分別是plotly express 跟 pandas。然後透過px.data 來拿gapminder。

可以透過df.info()，看到這個px.data.gapminder()本身就是一個dataframe類型的物件，並且有1704列，資料組合型態則是，同樣的國家、有不同年份的資料(包含平均壽命、人口數量、GDP）。

承上述所提到的，我們可以直接透過Pandas Plot Function來使Dataframe轉成圖形，在沒有任何指定圖形、單純只是給x跟y軸的內容，就會如下圖這樣呈現出曲線圖。同時，也可以看到這個圖形本身已經有簡單的互動功能，譬如我把游標放在圖上，他就可以告訴我該點位的詳細數據。

但是對於初學者如我而言，要用Pandas內建的Plot Function、再搭配Plotly 的設定，有點小複雜。所以往下我們的目標是直接把資料塞進Plotly做圖表，這樣可以直接略過pd.plot的功能做圖。

Plotly Express(px) 是Plotly 庫的高級封裝，對於一般圖形建立的需求，可以提高及高效率的開發，每個Plotly Express 函數會返回plotly.graph_objects.Figure 物件，據稱可以節省5 到10 倍的程式碼。

接著我們就來嘗試，透過建立台灣與日本人口成長比較圖，直接透過px. 可以引用不同的圖形類型，譬如 bar , hist, scatter, line等等，比較常見的如下

• 基礎圖形: scatter, line, area, bar, funnel, timeline
• 比例圖形: pie, sunburst, treemap, icicle, funnel_area
• 一維分佈: histogram, box, violin, strip, ecdf
• 二維分佈: density_heatmap, density_contour
• 三維: scatter_3d, line_3d
• 多維: scatter_matrix, parallel_coordinates, parallel_categories

我們先挑最基本的長條圖來看，基本上就是輸入dataframe、然後列好x、y軸，圖形就會跑出來。

px.bar(df[df.country.isin(['Taiwan','Japan'])],x='year',y='pop',color='country',barmode='group',height=600)

可以在這個案例裡面看到了我們用，barmode 來設定群組長條圖，另外常見的還有barmode=overlay、barmode=relative，都是可以嘗試的喔

How to Create a Grouped Bar Chart With Plotly Express in Python

接下來我們開始做簡單的分析，譬如說用點圖來看人口與GDP的關係。簡單來說，如果人口成長的過程中，GDP也同步成長，那就代表該國的經濟是正向的發展。

px.scatter(df[df.country.isin(['Taiwan','Japan'])],x="pop", y="gdpPercap", color="country" ,height=600)

上圖可以看到台灣的GDP上升的很快、但人口有趨緩，日本則是較為均衡一點，人口跟GDP都有往上。

下圖，我先將範圍放大到全部亞洲國家，會看到中國(橘色)跟印度(桃紅色)的線幾乎都躺在地上，人口成長的太快，但沒有對應的經濟成長效果。

另外，也可以換一個方式來加入時間軸，就可以看到不同的資訊。從下圖就可以看到日本從2000年之後有一個GDP下滑的樣子。

px.scatter(df[df.country.isin(['Taiwan','Japan'])],x="year", y="gdpPercap", color="country",size='pop' ,height=600)

另外一個更酷的功能，可以自動搭配多種dimension，將不同dimension的組合的多種scatter放在一起看。

px.scatter_matrix(df[df.country.isin(['Taiwan','Japan'])],dimensions=["year", "gdpPercap",'pop'], color="country" ,height=600)

接下來我們要來嘗試，把圖形丟進Dash裡面。Dash能夠將常見的使用者介面元件包含像是下拉式選單、滑桿或圖形與 資料分析應用快速地連結起來。

在安裝Dash時，其中一些比較常用的Dash子模組一起安裝好，其餘的必須單獨安裝，而幾乎每個應用程式中都會看到兩組組件：

1、Dash HTML Components：一般會import as html，為HTML元素提供Python包裝器。簡單來說，就是透過它來用簡單的python語言產生html的元素，例如段落，標題或列表。

Dash HTML Components

2、Dash Core Components：一般會import as dcc，提供了用於創建交互式用戶界面的模組，包含圖形本身，以及常用的篩選氣，例如滑桿或下拉選單等

Dash Core Components

所以一般dash應用，就會先用html來架一個網頁框架，開始可以放入標題、文字、設定css之類的，而dcc就是一個封裝了graph或互動圖形套件的內容，一樣就是把dcc的模組當作是內容丟進去html就好。認識這兩個模組之後，就可以開始來搭dash應用了。

在dash 1.x的時候，會看到範例都會像下面這樣寫

import dash 
import dash_html_components as html 
import dash_core_components as dcc

在2021年的時候dash 來到了2.x版本，會把這些常用的模組直接整合進dash裡面，所以更新了dash之後的同鞋們請改成下列方式開dash

import dash
from dash import dcc
from dash import html

以我們這次的範例，我們的目標是：
『Dash 再承接Plotly的圖形，轉成可部署的簡易Web APP』

所以直接把圖丟進去dcc、再丟進html，就可以打開dash，後面的工作就會讓python直接幫你完成。

#part_1 先導入模組
import dash
from dash import dcc
from dash import html
import plotly_express as px

#part_2 資料準備好、包含px圖形 fig1,fig2

df = px.data.gapminder()

fig1 = px.bar(df[df.country.isin(['Taiwan','Japan'])],x='year',y='gdpPercap',color='country',barmode='group',height=600)
fig2 = px.scatter_matrix(df[df.country.isin(['Taiwan','Japan'])],dimensions=["year", "gdpPercap",'pop'], color="country" ,height=600)

#part_3 開一個dash app，然後裡面開一個html.Div 把fig1,fig2丟進去

app = dash.Dash(__name__)

app.layout = html.Div(
 children = [

     dcc.Graph(
         figure = fig1),
     dcc.Graph(
         figure = fig2)

])

#part_4 直接運行這個py檔的設定

if __name__ == "__main__":
    app.run_server(debug=True)

存成一個app.py，再用python app.py的方式執行這個檔案，就可以看到他在local host開了一個web app，可以透過127.0.0.1:8050看到你的網頁

以上，我們大致上完成了我們在前文所定的目標

1. 『透過Python Pandas 取得資料集，並簡單解析結構』
2. 『Plotly 承接Pandas DataFrame資料集建立簡單的圖表』
3. 『Dash 再承接Plotly的圖形，轉成可部署的簡易Web APP』

最後，再補充簡單的篩選功能

篩選功能就是可以透過選項(下拉式選單或者是多選方塊)、或者是日期、滑桿等方式，來讓網頁使用者可以自由選擇需要的資料內容。這一塊在Dash裡面整合於Callback功能內，也就是當dcc的某一個篩選器被觸發之後(input)，會回饋回dash app，然後再次更新資料的output。

我們在前面，已經認識了dcc，也嘗試透過dcc建立plotly graph物件，接下來，資料篩選器也同樣要靠dcc來完成。舉例來說，我們現在想要透過『滑桿』來操作資料的年份區間，這時候我們就可以找到『RangeSlider』這個方法，而另外一個容易搞混的是『Slider』，前者是可以選擇『起點』與『迄點』、後者則是固定起點，只能選擇區間的『迄點』，端看資料的型態及使用者體驗設計的角度來選擇。

而這個RangeSlider可以參考dash文件，裡面必須要先表明資料的範圍、預設的資料等等。而我們這次選的gapminder資料集，裡面的時間資料欄位名稱是『year』，我們就可以很輕鬆的透過pandas方法，來找到時間最大最小值

dcc.RangeSlider(
        id='year-slider',
        min=df['year'].min(),
        max=df['year'].max(),
        value=[df['year'].max(),df['year'].min()],
        step=None,
        marks={str(year): str(year) for year in df['year'].unique()}
    )

RangeSlider | Dash for Python Documentation | Plotly

而把他加入html.Div就會像這樣

重新開啟伺服器，就可以看到畫面上方新增了一條bar，可以自由地移動時間軸，只是現在我們還沒有辦法讓這個時間軸對圖形產生影響。

Dash 的 callback 部分是以一個 Python Decorator 將一個你所命名的函數包裝起來，在這個Decorator 裡指定 『Input』(選擇資料篩選器之後所提供給你的條件)、以及指定『Output』(根據這個篩選器你要更改的component)。

舉例來說，我們想要一個時間軸滑桿，當這個滑軸的年份改變時，來觸發callback 以及函數，完成更新圖表的功能。可以看到Output 就是要指定 dcc 物件的 id 以及他的類型，然後Input 一樣是指定物件 id 以及類型。

#往下放一個call back 函數，把input, output塞進去
@app.callback(
    dash.dependencies.Output("fig1", "figure"), 
    [dash.dependencies.Input("year-slider", "value")])
#往下放一個函數，當call back發生的時候，會更新output
def data_filter(year):
 fig = px.bar(df[(df.country.isin(['Taiwan','Japan']))& \       
                 (df.year>=min(year))&(df.year<=max(year))] \
,x='year',y='gdpPercap',color='country',barmode='group',height=600)
 return fig

函數裡面拋入的參數，也就是input所產生的篩選器資訊，以此案例，我們是用”RangeSlider”，會傳遞一個陣列，所以我們要去限制『範圍』，就可以搭配pandas 的條件功能，寫入 df.year ≥ min(year) 等條件，來更新圖表資料。

如果是多個input及output，使用的情境包含，你想要有一個以上的篩選器，而且他們能同時影響多張圖表。

只要在callback 裡面，把input及output用陣列的形式群組起來，並且依序加入function 傳遞的參數，以及回拋的物件。

@app.callback(
    [dash.dependencies.Output("fig1", "figure"),
    dash.dependencies.Output("fig2", "figure")],
    [dash.dependencies.Input("year-slider", "value")])
def data_filter(year):
 fig = px.bar(df[(df.country.isin(['Taiwan','Japan']))&
                 (df.year>=min(year))&(df.year<=max(year))]
,x='year',y='gdpPercap',color='country',barmode='group',height=600)
 
 fig2 = px.scatter_matrix(df[df.country.isin(['Taiwan','Japan'])&
                         (df.year>=min(year))&(df.year<=max(year))]
,dimensions=["year", "gdpPercap",'pop'], color="country" ,height=600)

 return fig,fig2

ＯＫ，這篇就先到這邊

ㄅㄅ

• 开发者头条
• How to use Plotly as Pandas Plotting Backend

https://www.bianalyst-gt.com/post/python-dash-%E5%AF%A6%E8%B8%90%EF%BC%88%E4%B8%8A%EF%BC%89-%E8%8D%89%E5%9C%96%E8%A8%AD%E8%A8%88%E8%88%87css-%E6%95%99%E5%AD%B8

• Python Dash 實踐（下）-- Callback與實際案例｜教學
• Python+Dash快速web应用开发--多页面应用_鱼在水里哭 - 格物博客-PC万里
• 📣 Dash Pivottable Released
• 互動式圖表及 Python | 數據交點
• Getting Started with Plotly
• Dash Bootstrap Theme Explorer
• GitHub - AnnMarieW/dash-bootstrap-templates: A collection of 26 Plotly figure templates with a Bootstrap theme. Two theme switch components. Stylesheet to apply Bootstrap themes to Plotly Dash components.
• python简单进阶之数据可视化：Plotly Express使用教程
• Creating Interactive Dashboards using Plotly Dash

最近在接觸一些AI辨識與實體物品互動的案件，看了網路上一些文章，發現有一塊藏得比較隱密一些，多半都只有AI從業人員才比較熟悉的名詞：『Sensor Fusion』，今天也決定來整理一些資料，目標是幫助我自己理解這一類應用發展的現況，如果有專家提供指教建議也十分感謝。

Sensor Fusion is type of software that combines data from several sensors to improve performance or produce more accurate results.

簡單來說，就是可以結合不同的感測器，利用感測器的特性來組合成更有用的資料。一個最直接的範例是2D的圖像＋3D的點雲，可以幫助電腦組合成像是人眼看出去一般的視覺效果，人的眼睛有兩個，因此除了獲取豐富顏色的圖像之外，還可以判斷距離。

下圖的範例可以說明3D object detection在自駕車的技術中應是最重要的應用之一，因為要辨識行人、汽車、機踏車、等路上可能會有的各種其他東西。所以透過了(A) 3D Point Cloud取得三維空間的資訊，可以掌握各個點像距離感測器之間的距離，再結合(B) RGB Image取得色彩影像，融合兩則就可以模仿眼睛去達成物體的判斷。

這邊用了兩種資訊，第一種是RGB圖像，這個就是照相原理，就不再補充說明，另外一種則是點雲（Point Cloud）是真實世界空間維度的數位記錄。它之所以被稱為點雲，是因為它由數百萬個點組成，每個點都是三維掃描儀捕捉到的現有條件的精確尺寸量測。根據雷射測量原理得到的點雲，包括三維座標（XYZ）和鐳射反射強度（Intensity），強度資訊與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，鐳射波長有關。

一般來說，RGB圖像可以用簡單的攝影機頭取得，再加上數位相機的市場大，相關資源發展的技術豐沛，所以成本也較低。當然，缺點就是他缺乏了深度資訊，也容易受光線影響，在光線差的地方基本上派不上用場。而其他常在車輛使用的感測器就包含了LiDar(光達)、Radar、Thermal等，相關的比較可以參考下圖。

LiDar(光達)在近年的發展廣受矚目，LiDar屬於飛行時間 (ToF)傳感器，這類的傳感器的特色是發出某種波段，運用物體、粒子或波（無論是聲波、電磁波等）在介質中傳播一段距離所用時間的測量值。

這邊也附上我過去對光達的資訊整理：

財團法人車輛研究測試中心，提供車輛測試、檢測、驗證、外銷、先進系統研發、試車場等服務。

以及去年相關的CES車用電子更新

2021 CES 精選與趨勢解析(下篇)

除了簡單的結合『圖像』及『距離』來判斷出物體特徵，在攸關人身安全的車輛駕駛行為中，必須要更完整的『策略』，包含兩個以上的感測器、以及與雲端連結、地圖位置判斷等等，來決定當下這台車子究竟是要加速減速或是向左向右。

上圖說明了，我們所提到的車輛感測器，只是在幫車子理解『周遭的環境』，參考下圖，環境是透過多種相同及相異的感測器組合而成。

道路環境相當複雜，要判斷前方的車輛、行人，也可能包含了廣告看板、路障、樹木等。道路環境還要考慮到紅綠燈號誌、標誌、以及分隔線，才能知道車子到底是不是在『路上』，並且確保有沒有在危險的環境中。

而車子本身也有許多資訊，包含引擎、煞車、電力、方向驅動等，都是各類大大小小的ECU、傳感器及控制器組合而成。所以一台車載AI在發展自駕車的過程中，需要負荷大量的運算、複雜的決策控制。

除了提供不同類型資訊的感測器之外，另外一種則是多顆同樣的感測器、依賴軟體進行資訊整合。常見的範例例如汽車環景系統、商店人流分析以及城市智慧交通應用等。

只要是牽涉到感測器的需求，一定都是為了『偵測』某些東西，例如雷射是偵測距離、攝影機是偵測圖像與顏色、溫度計是偵測溫度等等。而從上一段我們所討論的3D object detection，則是可以更好的掌握到物體的形狀，而提升更多的偵測準確性。

以車子的需求，是車子為中心點向外看周圍附近的物體，近一步提供辨識的資訊及準確率，如果是車子、行人、機踏車則會有不同的應對策略，而如果偵測到無法辨識的物品則可能會緊急停止。然而，如果換另外一個角度，以智慧城市為例，每個路口之間會有一隻攝影機，如果我想要知道這條路塞車的車子都是從哪邊匯集而來的，則這個時候則不是從一個單點出發，而是要跨很多相同類型的感測器，給每一台車子一個特別的ID，再去追蹤這個ID在不同感測器出現的時間與方向性。

另外，追蹤犯罪也很好用，鎖定目標之後可以知道路線，不用再花費大量的人力去調閱攝影機。

上圖說明了不同的物件追蹤方法，簡單來說，這類的跨感測器問題，一定都是以單一感測器的技術為出發點，譬如說物體偵測在單一感測器上已經相當純熟，便可再往上疊加跨感測器的應用。

過去傳統的跨感測器問題，是直接強制將攝影機的方位及角度固定，簡單來說可以想像畫一個九宮格在地上，把每個格子上方都架一隻攝影機，然後再靠軟體把這九隻攝影機的畫面集中在一起，這樣原本每次只能看一個格子，就可以變成一次看九個格子。

直接將這個九宮格縫起來，再去做後續的object tracking，這樣就可以知道一個物體從A格到B格的移動路徑。這樣子的概念就是centrailized approach，因為我先把所有的圖像資料搜集回來才開始作業，好處當然是技術上相對簡單，可以直接縫合圖像來處理物體追蹤。

而缺點便是挑戰攝影機的角度與位置必須要固定、預先設定好，換句話說，就是對於攝影機的參數要求較嚴格。且若區域過大，則圖像計算上的複雜程度將快速攀升，對最後處理的伺服器是大挑戰，換句話說，就是擴充的彈性較差。

近年因應深度學習演算法的大量發展，也使得這類技術的發展得以有更多的突破。上圖說明了Distributed approach的簡單流程，透過『萃取特徵』的方法，每個攝影機都預先處理好一定量的資訊，只回拋物體特徵及位置的相關資訊。

所以當攝影機A回拋了一個001特徵的物體，若干秒後，攝影機C發現了一個未知物體X，回拋特徵之後發現跟001的相似度通過預設的門檻分數，所以這個時候，C攝影機就知道，這個001是從A攝影機那個位置過來的，再把X的名字修正成001(因為是同一個物體)。

這樣的應用就稱為Re-Identification（再辨識），指針對廣大區域內不同攝影機，於不同地點及不同時間，凡是曾經出現過的人或物，系統都能正確的核對出來。這是一個相當複雜的問題，因為不同的視角、光線、背景雜訊及遮蔽現象，使得比對的準確度有所影響。

Epoch 11 - 行人重識別(Person Re-identification) - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

總結而言，對於機器視覺而言，深度學習的確帶來的許多變化性，也讓很多應用得以實際商業化。而我們談的集中式跟分散式的計算，可以簡單取其優缺說明，集中式計算的強項是減少雜訊干擾(因為算法較簡單)，容易視覺化(因為完整的集中處理圖像)，分散式計算的強項則是對於相機的角度與位置的精確要求較低(單純靠深度學習判別特徵)、也容易應用於更大的區域(支援更多的攝影機)。

最後再提供一個跨感測器的範例：智慧商店，在2016年Amazon推出 Amazon Go 的零售體驗服務，主打的服務是註冊APP進入商店之後，無需結帳、東西拿了就走，一切計算仰賴Just Walk Out 技術，融合了電腦視覺，感測器和深度學習。據悉感測系統被放置在商店的天花板上，彷彿「天眼」一般，而不是當你拿起某樣東西時，會檢測到重量或庫存變化的壓力感應墊。

購物時只需在門口掃瞄 Amazon Go App 的 QR code 就可以進入商店，如果帶了朋友或小孩，只要多刷一次，讓同行者先進去就可以了。Just Walk Out 技術可以自動檢測何時從貨架上取走產品或將產品退回貨架，並在虛擬購物車中對其進行追蹤。購物完畢後，可以直接離開商店。隨後會收到收據並向你的亞馬遜帳戶收費。

美媒記者破解 Amazon 無人超市的辨識系統，成功「偷」走商品 | TechOrange 科技報橘

這篇有趣的是，記者挑戰了購物到一半到洗手間『換裝』，結果證實此舉確實能突破感測器的限制，該記者換好衣服離開洗手間後，手上多拿了兩件物品，總計 6 美元，系統並未識別出是他所拿的，只向該記者收費了進入係首間換裝之前所拿取的商品。

回到主題，我們想看一下這類的技術整合了多少種的感測技術。天花板上的相機鏡頭對準下方的走道或是貨架上的商品，並有上下兩顆鏡頭，推測應具備3D深度感測的能力，以偵測追蹤消費者與商品的一舉一動。

有別於一般超商，店內所有商品皆整齊擺放在貨架上，每個商品皆以透明隔板分開，或裝在黑色的小籃子裏，能夠清楚分辨每一樣商品，就連小包裝零食或瓶裝飲品都是如此。

要達成無人服務，透過深度學習技術辨識現在站在貨架前的這個人是誰，拿了什麼商品，就算同時有數個人並排也都能夠辨別。店內的貨架上也整合重量感測器，能偵測架上商品的重量，並比對影像辨識的結果，以提高辨識準確度。另外也有報導指出，貨架除了重量感測之外，可能還使用了紅外線、位移、光幕等多種感測器。

上圖展示了可能的多項感測器及系統的整合。主要可以分為3個部分：動作辨識、商品辨識和人體辨識。通過人體手部接近或遠離貨架的圖像，系統可以判斷是移走物品還是放置物品的行為，如下圖，在Amazon的文章裡也提到，動作感測可以清楚的辨識出人的四肢，並推測其動作意圖。此外，重量感測可用於檢測物體何時從貨架上離開或返回。

至於物品辨識，亞馬遜在 2009 年收購 SnapTell 後，透過其機器視覺技術來辨識大量亞馬遜產品。先前Amazon曾推出『Sowrooming』服務，消費者可以隨時隨地拍攝自己想要的商品，程式會立即進行價格比較。接著，越大量的產品圖像數據，識別準確率將越高。而就算商店裡的商品無法透過視覺辨識，也可以透過重量及紅外線來協助系統判定是一瓶果汁或一包餅乾。

根據報導指出，店內可供辨別的販售商品超過1,600項，包括零食、冷飲、熟食、酒類飲品，以及雜貨等都有。可能會有反對方認為，一間店裡面動輒上百顆的感測器與複雜的軟體系統，不如RFID方便，只需要在門口架一道感測門。

但重點就是怎麼樣讓這些大量的數據變成黃金，RFID只有出跟入，很難追蹤到人的行為。例如，Amazon Go所搜集的數據，進一步可以依據顧客的動作變化，來預測對方接下來的購物行為，比如，準備拿起商品，還是正要將其放回原處，藉此來加快系統處理的反應時間。

透過分析也能用來提高人員作業效率，像是當商品即將銷售一空時，就會自動發送訊息通知店員補貨，亦或是商品放錯位置或被擺在不對的貨架上時，也會發出警示，店員從手持裝置上就能查看，將商品重新放到正確的貨架。

而Amazon透過大量的線上商品數據、線下的人員動線與對商品感興趣的程度分析，進而可以快速地調整價格，以確保獲利與價格的競爭力達到平衡。Business Insider 曾引述 360pi 的數據，說明 Amazon 為了領導市場價格，一天內同件商品價格調整幅度超過 8 次。這件事情是一件雙面刃，快速調降價格代表隊市場的快速反應、由消費者獲益，而快速調升價格代表提升其獲利，也可能潛在的影響了消費市場商品均價的不穩定性。

Amazon Changed The Price Of An Item 8 Times In A Single Day

以上，簡單介紹到這邊，謝謝

ㄅㄅ

• Inside Amazon's surveillance-powered, no-checkout convenience store
• Early Sensor Fusion For Self-Driving Cars
• Vehicle Re-ID for Surround-view Camera System: Paper and Code
• Amazon Go 是無人商店的典範，但真的是這樣嗎？

今天是2021年12月25號

打算花一小段時間，整理一下今年最火熱的科技話題：Metaverse

「Metaverse」一詞最早見於尼爾・史蒂芬森在1992年的科幻小說《潰雪》，該小說中建構出一個虛擬的城市，而人則可以透過自己創造出的化身在虛擬世界中互動。許多科幻元素的電影小說與遊戲也以這樣的虛擬世界為藍圖，如《駭客任務》、《一級玩家》等。 …截自關鍵評論

當我們有一個真實的世界，裡面有很多的人、知識、社會、自然生態等，我們自然會想像許多不一定存在的『概念』、『平行時空』。

美索不達米亞的兩河文明，其存在時間從公元前4000年到公元前2世紀，常被稱為人類最早的文明。蘇美人於公元前3200年左右發明的楔形文字、有前言和後記及282條條文構成的《漢摩拉比法典》、有重達30多噸的人面帶翼神獸守衛的亞述君王宮殿、巴比倫人對星象的掌握影響了當今的占星學。

文化發展的同時，也無意間代表人們都正在發揮想像與規劃的能力，我們想像一部法律應該長什麼樣子、未來的社會才會穩定；我們想像渺小的人類之上一定有全能的神明、透過祭祀的行為來穩定人心。

我們想像有外太空、有外星人文明、有平行時空、有靈魂所存在的空間。在科技發展快速的當今，資訊技術發展使得我們在網路上能紀錄文字、產生互動的資訊、可以在網路上匿名扮演酸民、在遊戲世界中以中古世紀魔法師或是殭屍世界倖存者的角色征戰。

但如果只是這樣，Metaverse不就只是舊瓶裝新酒嗎？

Metaverse的起源確實是虛擬世界，但這個虛擬世界應該怎麼樣更真實？舉例來說，在『SIM4』(模擬市民４)中，我們還是靠自己的電腦儲存進度，隨時可以暫停、刪除或回復進度。但是真實世界可以這樣做嗎？不行

再來，你在遊戲上所獲得的資產，譬如遊戲幣、或你的角色等級，這類的虛擬物品是難以從遊戲環境中進行剝離、轉移的，簡單來說，在遊戲伺服器關閉、或者是你的電腦存檔遺失時，這些虛擬物品基本上毫無價值、更沒有存在的紀錄。在這真實世界中不會發生，就算是無形的資產、例如專利及品牌名譽，頂多只是不值錢，不會直接被抹去存在的痕跡。

因此全球最大的遊戲風險基金Makers Fund 的合夥人Mathew Ball在２０２０年的專欄中提出當我們要真的創造一個Metamerse時，其必須符合的屬性：

1. 持續存在 (Be persistent)：所示的持續存在代表著不會重置、暫停或終結。即使你下線了，metaverse 的其它部分仍持續運行，等你重新加入，你是回到了同一個持續的世界。
2. 同步與即時 (Be synchronous and live)
3. 沒有人數上限，且每個人具有個人存在感 (Be without any cap to concurrent users, while also providing each user with an individual sense of “presence”)
4. 完整運作的經濟體系 (Be a fully functioning economy)
5. 虛實跨領域整合 (Be an experience that spans both the digital and physical worlds)
6. 提供數位資產可攜性 (Offer unprecedented interoperability of data, digital items/assets, content, and so on across each of these experiences)
7. 廣泛的內容創造 (Be populated by “content” and “experiences” created and operated by an incredibly wide range of contributors)

簡單來說，我們在這個段落最一開始提到的兩個問題，1.虛擬世界的時間軸應該與真實世界一樣不可逆、2.虛擬物品的價值應該也與真實世界一樣有完整的經濟與法律基礎。

光是這兩條，我的窮人思維就在想像，我在真實世界的時間跟錢都不夠用，還要多一個虛擬世界來擔心？這雖然是開玩笑的，但是在這商業的巨輪滾動下，如果這個Metaverse沒有驅動經濟，這樣科技巨頭並沒有投入這個領域的意義，若有，這樣虛擬世界與真實世界的經濟價值如何掛鉤？可以想想

另外，除了時間與物品價值之外，下一個就是內容創作了，現在網路上不缺乏內容創造，但是每項應用都是獨立的，譬如Youtube for video、Social media for personal message、Medium for professional articles。另外，在於建築世界的想像我們會連結到Minecraft、Roblox，你可以在裡面與朋友們蓋一個小島、圖書館、或市政大廳，甚至近期火紅的Zepeto，你可以在裡面建立一個虛擬化身，並用這個虛擬化身產生許多有趣的虛擬生活影片，譬如校園生活的一天、或是去滑雪比賽等。

但這些的每一項創作都僅侷限在該項應用中，他並沒有帶給你真實世界的沈浸感，沒辦法很輕易讓你穿梭在各式各樣的創作中，譬如在你自己建造的虛擬小島上跟Vtuber跳舞。這也是Metaverse的挑戰。

Mathew Ball所描繪的Metaverse其實距離我們當前技術能達到的實在是有一段距離，所以我們的想像力可以在這裡先休息一下，回到真實世界，在一個可行的框架及進程中，我們可以怎麼樣定義Metaverse？

我認為下一個可以談的是Mark Zuckerberg對Metaverse的想法：

1.Metaverse 會是 Mobile Internet 的後繼者。

2.Metaverse 元宇宙可以被視為一種具現化的 Internet (embodied internet)，你不是在上面看內容，你直接活在那個內容裡面。

3.Virtual Reality 是最能夠體現 Metaverse 與眾不同之處的科技形式。

4.Metaverse 會像是一個你可以體驗式，直接活在裡面的社群網路。

5.Metaverse 不會只有 3D 的形式存在，而是可以用多種不同方式呈現。

6.Metaverse 不是要讓我們更多的活在網路裡面，而是要讓我們更自然的活在網路裡。 …..截自Miula-科技巨頭解碼

我會這樣解讀，Mathew Ball是科技創投的領頭羊之一，他們在看的是十年之後、二十年之後，怎樣的技術會給未來帶來巨大影響，所以其創造的概念會領先現在至少二十年以上。

就像是Google一樣，Goolge搜尋引擎宛如密集交錯的大腦新皮層，將人們創造的文件與數據連結起來，把數十億人聯繫在一起，使Google的服務代表了Web 2.0，將這些大量網路創作內容，用最有效率的方式呈現給使用者。

那Web 3.0呢？我們不太確定這些名詞(區塊鏈、AR、VR、NFT)會怎麼樣影響未來資訊世界的發展，所以提前的想像與策劃是必要。

區塊鏈、NFT 當道，網路新世代將至？下一代網路「Web 3.0」是什麼？

而Mark Zuckerberg是商人，他代表著科技巨頭Facebook，必須努力要在下一個Web時代佔據著一定的影響地位。所以他的規劃必須很快地提出商品化的內容，並嘗試從現在(2021)能銜接到Mathew Ball 20年後對Metaverse的想像(2040~)。

Facebook這一連串的動作，包含直接將公司改名成Meta、推出穩定幣錢包 Novi、推出 Horizon Worlds，都可以看到搶佔市場的行動力，無疑瞄準的便是Metaverse的發展潛力。

Facebook(應該已經要改叫Meta)的Metaverse發展路線，可以從MZ的發言跟這一系列動作知道，他瞭解到當前VR的技術發展限制性(例如VR暈眩)，不是一年半載可以克服的，所以在發展Metaverse就必須多管齊下，先建立一個Meta平台，讓各式內容可以透過各式裝置形式來存取，簡單來說，你在VR上可以參與的虛擬世界社群、也可以透過手機或電腦來達成。

具現化的 Internet可以讓你彷彿置身在當下的場景，譬如就算不是VR設備，你也可以用手機直接參與一場及時的3D演唱會，或是用電腦跟朋友來一場虛擬世界的漆彈比賽。

並且透過虛擬幣來串連Metaverse裡面商品的買賣，甚至是連結到現實社會中的幣別，所以你可以在Metaverse裡面唱歌跳舞賺取虛擬幣，並回到現實社會到速食店買今天晚餐。當然這些都還有很多概念都在等著獲得市場的驗證，甚至是法規的允許，不過在可視的未來中，都已經開始進入真實生活的可能。

而據The Verge報道，MZ計劃不僅僅是改變公司名稱，而是將 Facebook、Instagram 和其他旗下產品重新定位在一個新的母公司之下，這與Google在2015年在Alphabet之下的轉變很相似。

而至於FAANG其他的科技巨頭，現在也應該改名稱『MAMAA』：Meta、Alphabet、Microsoft、Amazon和Apple。除了Meta之外，其他的科技巨頭並沒有宣布真正的投入建立Metaverse平台。

從新聞風向來看，較為接近Metaverse應該是Microsoft。今年11月的Ignite大會上，Mricrosoft發表新的Teams聊天與會議程式功能，讓企業能創造像是元宇宙的空間、員工能在其中開會。同時，微軟今年也發表了混合實境（MR）平台Mesh，透過包括微軟HoloLens在內的各種頭戴式裝置獲得擴增實境（AR）和虛擬實境（VR）體驗。

可以看出Microsoft對於Metaverse的目標鎖定在企業級應用(如同其公司的任一項產品)，也有許多新聞說會在2022年公布，不過對於整個Metaverse的企業平台應該怎麼做、Microsoft目前還沒有給一個明確的說法。

另外，Google先前的Google Glass專案，當時雖然夾帶著許多想像、充滿潛力的應用，但卻也同時遭受個人隱私的挑戰、以及產品本身技術的限制，最後無疾而終。再者，Google並沒有成功建置一個社群平台或內容平台的經驗(Android跟Youtube都是Google收購來的)。

因此許多新聞也報導，Google會把重心放在AI上，並非得自己建立一個Metaverse，而是作為Metaverse發展過程中的重要引擎，例如擷取真實世界的影像來建置Metaverse中的虛擬3D地圖，這已經在Google map、自駕車跟影像辨識搜尋引擎的成功有極大關連性。

最後，當前的科技巨頭除了Meta跟Microsoft之外，其他巨頭並沒有對Metaverse表現出很積極的興趣。值得關注的反而是抓住這次機會的遊戲平台公司，包含Roblox、Unity、Epic Games，這類的公司都有一個特性，他們已經早就準備好虛擬世界的引擎，甚至是標準化的架構。

以Epic為例，Fortnite是近年來一個相當成功的案例，也是Epic在Metaverse戰役中相當重要的一役，Fortnite是一個橫跨 PlayStation、Switch、Xbox One、Windows、Mac、Android 與 iOS 的遊戲，它亦是一種「遊戲即服務」（Games-as-a-Service），玩家可以「玩」該遊戲本身的內容，也可以像在真實世界中社交或交易。

為了建構這個宇宙，Epic 開發許多工具，如遊戲與虛寶商城 Epic Stores、支付工具 Epic Direct Payment、跨平台工具 Epic Online Services 等。另外還有更基礎的遊戲引擎「虛幻引擎」（Unreal Engine）。遊戲引擎是一套遊戲開發環境，通常包含渲染、3D、劇本、場景、聲音等工具，可以讓許多開發者在既有的開發平台上，快速根據自己的想像力，創造出一款新遊戲。未來，甚至是在遊戲中建立遊戲，使得最外層的遊戲變成一個平台，在這個平台上，幣別可以互通、角色可以互通、獲得持續經營的循環。

至於Roblox，今年三月搭上了疫情列車上市，股價雖然震盪，但是就目前為止也都還是維持很樂觀的股價表現與投資前景。Roblox提供遊戲開發平台，允許用戶打造各式各樣的遊戲，並在平台上與其他玩家分享銷售。

不過Roblox與其說是一款遊戲，更像是一個以遊戲為核心的社群平台，它極為注重社群互動的特點，恰好打中疫情下人們日常生活中所缺失的部份。此外，國外已經有許多中小學正嘗試利用Roblox作為教學工具，甚至用在較為晦澀的數理、化學上。

而這個月，Nike入駐了Roblox，建造了這個虛擬世界「Nikeland」。Nike現任執行長John Donahoe認為 「消費者向數位化的加速轉變將繼續存在，數位化正在推動我們創造零售業的未來」 ，說明了為什麼Nike這麼努力嘗試各式不同的數位行銷方案，這次無疑再推動了Roblox一次。

最後，我也想表達對於Metaverse的疑慮，Metaverse進入主流市場還是會遭受到許多的磨練，第一，現在真實世界與線上資訊的融合已經相當優秀，我的手機拿起來只需要兩秒就可以點開Yotube影片、Netflix影集、或是直接透過語音助理查詢明天的電影時刻表。除非硬體技術有快速的發展，不然目前的線上體驗很難被顛覆。

第二，真的要建立Metaverse的經濟體系，例如採用NFT及虛擬貨幣的技術，不是不可能，要問的問題則是，我應該在Metaverse裡面買什麼？我可以在Metaverse裡面逛Costco然後下單到我真實世界的家裡，這樣雖有很好的虛實體驗、很有趣，但是要計算這些匯率、再研究運送的規則、不如我直接手機線上商城刷卡比較快？

第三，我們一直在談Metaverse應該是沈浸的、並且有豐富的內容創作，但是真的在Metaverse上開發遊戲畫面或3D的內容，門檻一定比寫文章跟拍影片來得複雜，畢竟影音及文字這類的內容都已經在過去有很長的發展歷史，但如果我只是把原本在網站上的影音內容丟入Metaverse、那又意義何在？

當然我相信，在二三十年之後回頭來看，就會覺得現在的思想很落後，因為未來會有很多科技發展的驚奇、或是突破原本框架的設計，這也是整個科技產業的人們都在努力的地方。不過只是希望大家在這其中能取得平衡，不要過於樂觀的看待、也不要過度悲觀地看衰，而是較為貼近現實、努力往前。

那這篇就先到這，聖誕快樂，ㄅㄅ

Ref：

https://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=18413

• 『未來地圖』(2)-企業數位腦
• NVIDIA 藉由規模更壯大的 Omniverse 平台，將數百萬人帶入 Metaverse - NVIDIA 台灣官方部落格
• The Metaverse: What It Is, Where to Find it, and Who Will Build It - MatthewBall.vc
• 「元宇宙」相關英文詞彙一次掌握：Metaverse、VR、AR、Catfish - 第 1 頁 - The News Lens 關鍵評論網
• Metaverse 漫遊指南（上）：歡迎來到元宇宙 - Manny Li
• Metaverse 漫遊指南（下）：別慌張，元宇宙還沒到 - Manny Li
• Roblox即將上市：對其未來成長趨勢與策略的觀察／Manny Li
• 元宇宙跨七領域！Bespoke 點名 Roblox 等多檔受惠股 - INSIDE
• Microsoft | 微軟正式進軍元宇宙 (MetaVerse)，一文讀懂佈局規劃
• Mark Zuckerberg is betting Facebook's future on the metaverse

1990年代，知名的Walmart有這麼一則故事，銷售經理研究了消費者的消費紀錄之後發現，啤酒與尿布的相關性很高，也就是常常出現在同一筆消費紀錄中。

所以後來就有多間Walmart會將啤酒跟尿布放在同一個區域，以鼓勵民眾一起消費、提高客單價。先不論這個故事是否是真實發生的，都不失為一個引人入勝的好案例。

所以許多這類的『關聯分析』、也被常稱為『購物籃分析』（Market Basket Analysis），是研究消費者行為的重要一環。這次要介紹的是關聯分析必須認識的Apriori。

相關的程式碼、原理及演算法說明，網路上已經有相當完整的資源，我會用我自己比較容易理解的方法來重新整理過一次。我所截取的一些文字或圖片都會放在最下面的reference，若有問題可以寄信到weilihmen@gmail.com。

我們就直接以啤酒尿布的案例來思考，今天你在一間大型大賣場擔任一位數據分析組組長，你的老闆跟你說，每個季要做一份研究，來改善什麼商品應該同時被放在焦點區域，以及來客經過的前後順序，好讓消費者會順手買，提高客單價。

這時候，你已經聽過啤酒跟尿布的故事，你也想從這個方向開始做，只是還有幾個問題在你的腦袋中打轉

1. 啤酒跟尿布同時出現的機率有多高，試想：如果這個組合發生的機率只有千分之一，這樣花費成本來promo似乎不划算
2. 到底是買啤酒順便買尿布、還是買尿布順便買啤酒？會影響到到底是在哪個主購區域來添加這個副購推薦
3. 除了啤酒跟尿布，會不會第三項可以加入這個組合，譬如啤酒＋尿布＋衛生紙？甚至是第四種？

關聯式規則(Association Rules, AR)，又稱關聯規則，是資料探勘領域中相當重要的研究課題，從數據中探勘出有價值的資料項目之間相關性。

關聯規則最早由 Agrawal et al. (1993) 所 提出，並隨後於 1994 年提出 Apriori 演算法運用在關聯規則的推導。後續許 關聯規則相關的研究亦基於此演算法，如 F-P 演算法、以布林運算為基礎的演算法、 Pincer-Search 演算法等等，皆是著名的關聯規則探勘的演算法。

關聯式演算法中最常使用的兩個衡量指標，包含了 Support & Confidence

Support 常被翻譯為支持度，也就是在所有的資料裡面，Ａ出現過的次數。也可以解讀為發生的機率，譬如說一千次交易紀錄中，單獨買尿布的為100次、同時買尿布跟啤酒的為50次，我們可以用以下的方式來表示

Support (尿布) = 100/1000
Support ({尿布, 啤酒}) = 50/1000

所以我們要先回答第一個問題，我們在評估一個商品組合是否應該合併促銷，我們首要考慮的是『實用性』

什麼叫實用性？假設這個促銷組合會發生，就代表原本只有買A商品、跟原本只有買B商品的，兩種類型的消費者會變成買A+B的組合。

但是如果A跟B本身所發生的次數很少，佔你的營業額很低，我們就會說這個促銷組合的『實用性』很差。

所以實用性高的：代表發生機率高、或是(發生機率*消費金額)高，有足夠影響到實際業績，才有納入考慮的必要性。(當然，門市促銷組合的背後，會評估產品品牌與零售企業的合作關係，例如合約毛利、贊助費用、形象綜效、當前市場趨勢等，實際考量的內容複雜很多）

而支持度(Support)可以提供給我們該產品組合發生機率的基礎，通常的做法會設定一個門檻，這個門檻也依照行業屬性不同可以變化，譬如說大賣場，動輒數千件的商品，高門檻會相對較低(可能為10%、5%甚至更低)。

而品牌專賣店，其商品可能僅有數十件，此時門檻應該就要拉高。此時考慮的的是商品頻率，譬如每賣出十個商品，就有一個商品是A。

除了看行業屬性之外，也可以考慮時間週期來評估門檻，譬如我們現在想先試跑一個月的資料，一共有五百筆，我希望這個組合平均每天發生至少一次，意思五百筆消費紀錄至少有要三十筆以上包含該商品，門檻值即為30/500。

我們在上一段探討『實用性』的時候，寫了一個假設：假設這個商品組合會發生，那實際上會發生的機率，就開始進入關聯性分析的重點，採用的指標為Confidence，可以稱為信賴度。

信賴度的概念取自於條件機率，指如果購買物品A，有較大可能購買物品B。也就是 A 出現的條件下，B 也會跟著出現的條件機率。

信賴度( A -> B)：（同時包含A和B的消費記錄數） / （所有包含A 記錄數）

条件概率 - 维基百科，自由的百科全书

譬如50次有購買蘋果的紀錄中，有10人又同時買了奇異果，我們就可以寫Confidence (蘋果->奇異果) = 10/50

信賴度本身的觀念不難理解，要進階探討的是實務上怎麼解讀。我們前一段探討實用性會影響業績發生的量體，除了量體大小還不夠，我們還要考慮發生機率。因為量體*發生機率才是真實的營收，所以就算量體大，這個『假設』沒有發生還是一樣什麼都沒有。

最後一個指標我們來談『提升度』(Lift)，這個其實只是前兩個指標(支持度與信賴度)結合起來的，不過也可以讓我們再練習過一次指標的含義，多學幾個指標的變形，在實際上戰場時會多一些感覺。

Lift(X→Y) = Confidence(X→Y) / P(Y) = P(Y|X) / P(Y)

從理論的角度來看，提升度反應了X與Y的關聯性，此公式表示當事情X發生的情況下，同時發生Y的可能性，且只看Y發生的機率。提升度>1代表正相關，提升度=1表示為互相獨立，提升度<1代表負相關性。

從公式拆開來解讀，其實只是在比較兩種機率的大小，如果 P(Y|X) 大於 P(Y)，則符合此指標的正相關定義。而P(Y|X)的意思是，在發生X的事件中，也有發生Y的機率，而P(Y)則是不限制任何條件，以所有母體來計算Y的發生機率。

所以如果在X的條件限制下，Y的機率發生，比他原本的機率還高，這樣代表X的條件對於Y的發生機率有幫助，所以稱為Lift。

舉個例子，買牛奶+麵包的消費紀錄為50次，而總共有200次買牛奶的機率，所以信賴度(牛奶->麵包)為50/200=25%，看起來還不錯。

但這卻是一間麵包店！所以有八成的人走進去都會買麵包！在這個極端的範例中，我們可以看到其實牛奶對麵包的銷售沒有幫助，從最一開始來看25%的信賴度似乎不錯，每四個人買牛奶就會有一個人買麵包，但是在考慮麵包本身銷售發生的機率之後，我們會發現，這是想法一個錯誤的出發點，因為提昇度為25%/80% < 1 。

雖然Lift根本來說只是兩個機率做比較，拿結果來看哪個機率比較大，但是如上述的例子，有可能會讓你發現一些數據上的盲點。

到這邊喘口氣，上面是在談關聯分析，而Apriori則是可以計算此關聯指標的演算法。A priori在拉丁語中指「來自以前」，當定義問題時，通常會使用先驗知識或者假設，這被稱作「一個先驗」(a priori)

那要先驗什麼？

Apriori演算法的重要原理是：假設集合{A}出現次數小於最小支持度(Min_Support)，則他的任何超集合如{A,B}出現的次數必定小於或等於最小支持度

白話來說，如果蘋果出現在消費紀錄的次數是50次，這樣蘋果+香蕉一起出現的次數一定會小於或等於50次。所以，如果我們要求的支持度比較嚴格，蘋果的50次紀錄換算機率之後沒有達到支持度，這樣子蘋果+香蕉也不可能達成支持度。

這就是Apriori的『剪枝』功能，第一次會將所有品項掃一次，把沒有達成的剪掉，再進入下一輪的剪枝。下圖中，紫色的項目就是被剪枝剪掉的，可以看到第一次剪枝之後，就再也沒有出現D的子項。

這邊就接著講第二個原理，也是第一個原理的反向推導。假設集合{A,B,C}出現次數大於最小支持度(Min_Support)，則他的任何子集合如{A,B} or {A,C} or {B,C}出現的次數必定大於或等於最小支持度。

所以上圖來看，在C3->L3的scan過程中，把ABC砍掉的原因就在於，前一次輪剪枝之後，雖然AB,BC有滿足最小支持度2，但AC沒有，所以ABC也不可能滿足最小支持度。

Apriori仰賴這兩個原理，使得在處理這種需要大量遍歷的演算過程中，用許多”項目是否存在於集合中”的判斷，來取代需要一一計數的處理，例如剛剛提到的，我們判斷了ABC的這個組合不可能滿足最小支持度，所以就被剪掉了，此項就可以省略不計算count。

不過，從算法的步驟可以看出，Aprior算法每輪迭代都要遍歷數據集，因此在數據集很大，數據種類很多的時候，算法效率很低。其他算法如下圖

其中Apriori算是較有代表性，因為原理與步驟容易理解，在處理不大的數據量時算是很方便上手。再來就屬於FP-Growth，是Apriori的進化版，透過建立頻繁模式樹(Frequent Pattern Tree)，有點像是從無到有建立一張地圖，每個點根據他的項目集合跟頻繁，來決定是否能繼續往下走。

FP Tree算法原理总结

簡單小結，我們常聽到啤酒尿布、也可能聽過Apriori，這些都屬於關聯分析的範疇，其中關聯分析最重要的三個指標為支持度(Support)、信賴度(Confidence)於提升度(Lift)，Apriori是關聯分析的其中一個演算法，他透過兩個原理來減少計算量，雖然不是最好效率但容易理解。

OK，那這篇就先到這裡，謝謝你的閱讀，ㄅㄅ

Reference：

• Apriori Algorithm — Know How to Find Frequent Itemsets
• Day 06：購物籃分析背後的演算法 -- Apriori - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天
• Machine Learning -關聯分析-Apriori演算法-詳細解說啤酒與尿布的背後原理 Python實作-Scikit Learn一步一步教學
• 你怎麼處理顧客交易資訊？Apriori演算法
• Python学习教程之算法讲解：深入浅出Apriori关联分析算法

https://www.maxlist.xyz/2018/11/03/python_apriori/

https://zhuanlan.zhihu.com/p/268664620

https://www.softwaretestinghelp.com/apriori-algorithm/

這一篇已經不知道放多久了...
是時候來告別一下這個系列囉

• EXCEL VBA從頭來過-基本語法(上篇)
• EXCEL VBA從頭來過-基本語法(中篇)

延續前兩篇，分別是"VBA基本介紹與欄位選取"、"變數與陣列等"
這篇談控制邏輯

先上參考資料

• VBA - 标签 - 东围居士 - 博客园
• [Excel VBA 學習筆記] 如何使用 If Else 控制程式流程，使用方法及範例
• [Excel VBA 學習筆記] 如何使用 For Next 重複執行程式碼，使用方法及範例

本篇不會逐一說明每個邏輯控制的語法，只做詳列整理
主要的原因是在不同的程式語言中，這些基本的邏輯控制都是相同的功能
差別在於不同程式語言在寫法上可能會有些不同

譬如說Ruby 就是 if… elsif… end，不嚴格要求縮排、要加end
Python 就是 if ...: elif …:，要冒號、要縮排 不用end
VBA的話就是If…Then…Else…End If

但功能都一樣，都是「如果 怎樣 就執行甚麼」的邏輯

條件判斷

IF

If 條件 Then
   執行
ElseIf 條件2 Then
   執行
Else
   執行
End If

Case Select

Select Case 變數
   Case Is 判斷式(例如 == 0)
     執行
   Case Is 判斷式2
     執行
   Case Is 判斷式2
     執行
   Case Else (其他--非必要)
     執行
End Select

迴圈

For
對於固定的數值範圍

for 變數=開始值 to 結束值
   執行 
next

For
用來取出陣列的內容(可應用在字串)

For Each 變數 In 陣列     
   執行
Next 變數

Do While 先判斷再執行

Do While 條件
  執行
Loop

Do Loop While 先執行再判斷

Do         
   執行  
Loop While 條件

Do Until 先判斷再執行

Do Until 條件
  執行
Loop

Do Loop Until 先執行再判斷

Do         
   執行  
Loop Until 條件

接下來我們稍微回顧一下，在第一篇：”基本語法(上篇)”

記錄了如何選取活頁簿、如何選取Range or Cell，以及一些基礎的操作，譬如如何複製、如何更改格式或顏色。這邊的重點是在於認識Excel特殊的元素，這一塊我認為是寫VBA最具有特色的地方，因為像是變數或邏輯控制這些概念，在不同程式語言都會有。只有excel 的cell 或是 copy、paste或是設定公式等動作，是在其他程式語言比較少見的。

再往下可以建議去試想看看還有哪些常用的，舉例來說，譬如

另外一個強大的武器則是善用Excel本身的公式，這邊讓我岔題一下。寫程式有分幾種門派，一種是學術派，也就是會考量到程式結構容不容易閱讀、好不好維護、會不會遇到相容問題等等，這乍聽之下都很重要，但是相對應的是須要有夠強大的基礎知識與自律，寫一個簡單程式需要花比較多時間。

另一種門派是江湖派，在市場上走跳，講求的是實際與效率，今天可以用公式達成的，我就不寫code。改天內建的excel公式不夠用，我考慮寫vba code，最好是vba+excel內建公式，混合而成我需要的功能，效率最高。

Application.WorksheetFunction是用來直接運用內建的公式，譬如說min/max/countif/countA等等。然而可能遭遇的陷阱是，在VBA裡面呼叫excel函式有時候寫法跟你在excel直接用不一樣。譬如下方，我們可能會很直觀的寫出 CountA(A:A)，但在vba必須用range指出範圍。

ActiveCell.value = Application.WorksheetFunction.CountA(Range("A:A"))

Application.WorksheetFunction 屬性 (Excel)

另外一種方式，則是直接把公式寫進儲存格裡。

像這樣，可以用常用的公式直接寫入

Range("B1").Select
ActiveCell.Formula = "=IF(B2>100,B2*2,0)"

Range.Formula 屬性 (Excel)

最後我們來嘗試用台灣COVID-19疫情確診人數，做EXCEL自動化蒐集抓取新聞的本土案例資料。如果要透過EXCEL抓取網路資料，有幾個方法。網路也有一些教學可以用EXCEL自動抓股票資料來做分析，可以參考。

用Excel自動分析股價走勢！6張圖學會「巨集+抓取網頁資料」功能，打造投資小程式|經理人

而下圖是在Office EXCEL 2013的截圖，可以看到EXCEL可以從許多方式去匯入資料，譬如SQL、XML、網頁或Access。

想透過EXCEL蒐集每天本土案例確診人數，其實最好的方式是透過API拉JSON格式的資料，不過上網簡單找了一下，似乎沒有直接的資料源可以這樣做。

另外一個常見的方式就是用RSS。

RSS的英文全稱是 Really Simple Syndication，是一種透過XML標準所制定的資料格式，可以將網頁內容抽取出來，使用者透過訂閱 RSS Feed配合RSS閱讀器，即可直接取得網站最即時的資訊，更賦予使用者隨選訂閱的功能。

簡單來說，就是會用XML來規範網站資料的格式(可能是文章、新聞、產品等等，視網站內容而定)。符合格式的資料包含title(標題)、link(網站URL)、description(資訊摘要)...等等。

Show RSS Feeds in Excel

我們要來試試看，可不可以從新聞自動抓取每日本土確診人數的資訊。並且盡可能的使用正確資訊來源，要抓就先從政府機關的公告或即時新聞下手，避免接觸資訊雜亂或者可能有不實資訊的新聞網站。

我們可以從衛生福利部的網站找到正確資訊來源

https://www.mohw.gov.tw/cp-2661-6125-1.html

https://www.mohw.gov.tw/rss-16-1.html

加入EXCEL後如下圖，把這個匯入RSS的sheet先命名為"newdata"

可以看到幾個重點，包含了G欄有我們要的日期，然後雖然在C欄的title裡面沒有確診人數，但是在J欄裡面有，所以我們至少需要J&G欄的資訊。同時看到有許多列的新聞，都並非與疫情直接相關，所以也要想辦法來篩選掉這些不是我們需要的資料。

下一步，我們必須先新增一個sheet命名為"summary"，用來整理篩選完的資料，目標是能取出每天的日期與確診人數，可以用來做簡單的統計。

再來就可以開始寫VBA程式囉

第一部分，先設定程式需要的變數，當然不是開始寫程式的時候就會知道自己要用幾個變數，不過我會把變數都集中在前面宣告(只是整理在一起)，所以是邊寫邊整理需要的變數。

Sub RUN()

Dim wsNewData As Object
Set wsNewData = Worksheets("newdata")

Dim wsSummary As Object
Set wsSummary = Worksheets("summary")

Dim mat(100, 2) As String
Dim i, m, n, o As Integer
i = 0
m = 0
n = 0
o = 0

Dim regEx As New RegExp

第二部分

每次跑的時候就讓他自動更新RSS的資料

wsNewData.Activate
ActiveWorkbook.XmlMaps("rss_Map2").DataBinding.Refresh

參考

XmlDataBinding.Refresh 方法 (Excel)

第三部分，我們就應用到這次的For Loop迴圈，主要目的是用來跑從RSS這個SHEET的資料，每一筆都代表一則新聞，我們要去篩選這則新聞是不是我們需要的，前面我們有觀察過關鍵字，發現只要寫疫情確診人數的資料，就會有xxx例本土、xxx例境外這些字眼，所以使用InStr方法來做字串的搜尋。

• Excel VBA If Statement to Find Cells That Contain A String
• InStr 函數 (Visual Basic for Applications)

邏輯主要是檢查每行RSS的新聞，如果有關鍵字，就把它存進去mat這個矩陣(就是多維陣列)，矩陣裡面第一欄放日期(對應RSS的M欄)、第二欄放新聞標題(對應RSS的J欄)。

For i = 1 To wsNewData.Range("B1000").End(xlUp).Row
    If InStr(wsNewData.Range("J" & i), "例本土") > 0 Then
        ''Debug.Print wsNewData("J" & i)
        mat(m, 1) = wsNewData.Range("M" & i)
        mat(m, 2) = wsNewData.Range("J" & i)
        m = m + 1
    Else
        ''Debug.Print "No Match"
    End If
Next

補充一下這邊用了End(xlUp)，可以由下往上取得最後一列的位置。這算是VBA比較特別的，因為像是python會用填補NA或去除空值的方式讓陣列盡可能的有值，避免程式在奇怪的地方出錯。

但是就EXCEL而言，本身表格就沒有資料邊界，所以就有End(xlUp)或是End(xlDown)這個方法可以從某格往上或往下到資料邊界。

Excel VBA 的眉眉角角Day2:關於流程控制與儲存格的關係 - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

至此，大致上把RSS資料可以透過一鍵自動更新，並且取出符合關鍵字的資料，存進去一個矩陣，接下來就是要把這個矩陣的資料寫進去比較好整理的SHEET裡。同時，我在這邊也想嘗試取出這個"數字"，因為就算有確診人數的新聞，要做圖表還是要把數字給取出來。

第四部份：我們會用正則表達式來取出這個數字。正則表達式(regular expression)描述了一種字符串匹配的模式，可以用來檢查一個串是否含有某種子串、將匹配的子串做替換或者從某個串中取出符合某個條件的子串等。

Excel VBA 正規表示法 RegExp 使用教學與範例 - Office 指南

簡單來說
1.宣告一個新物件 Dim regEx As New RegExp
2.設定正則規則 regEx.Pattern = “葡萄”
3.使用動作(Excute/Replace/Test..等動作)
例如regEx.Execute(string)

再來，主要目標是將蒐集到的RSS資料，整理到一張新的SHEET"Summary"，所以先用xlUp找到資料的最後一列。再逐列讀取mat這個矩陣裡的資料，一行一行讀，直到為空值停下來，使用DO..UNTIL迴圈

至於裡面的Set regMatches這個動作，是因為正則會將匹配到的資料按群組回吐，形成多個item，但我們這邊比較單純，所以我直接寫"如果有匹配到"(regMatches.Count <> 0)，直接取出第一組匹配結果(item(0))。

regEx.Pattern = "(\d+)例本土"

o = wsSummary.Range("A1000").End(xlUp).Row
Do Until mat(n, 1) = ""
    wsSummary.Range("A" & o + 1) = mat(n, 1)
    wsSummary.Range("B" & o + 1) = mat(n, 2)
    
    Set regMatches = regEx.Execute(mat(n, 2))

    If regMatches.Count <> 0 Then
        result = regMatches.Item(0).SubMatches.Item(0)
        wsSummary.Range("C" & o + 1) = result
    End If

    o = o + 1
    n = n + 1
Loop

第五部分：我們把所有符合的資料都寫進Summary這張SHEET，但會有一個問題，就是RSS上本來就會保存過去三至四天的新聞，所以如果我每次做都會抓到一堆重複資料，必須找一個方法來移除。

EXCEL本身就有滿多移除重複的功能，但是vba的寫法就必須找一下

Range.RemoveDuplicates 方法 (Excel)

wsSummary.Range("A1:C1000").RemoveDuplicates Columns:=1, Header:=xlYes
MsgBox ("done")

End Sub

到這邊程式跑完，用End Sub結束

成果大概長這樣，可以自動抓出數據，方便做統計及圖表。

寫到這邊，有些人可能會問說，那我要怎麼樣使用這個巨集?

有幾種方法

第一個方法是手動執行，選擇 "開發人員"->"巨集"->執行你要跑的巨集

當然也可以在 "開發人員"->"插入"->選按鈕，綁定你的巨集

第二個方法是讓EXCEL在打開的時候就跑一次巨集，請參考：

Excel VBA 程式設計教學：事件（Events） - G. T. Wang

最後補充，vba在寫程式的時候要怎麼做檢查?

比較常用的兩個方法：Debug.Print 、 以及MSGBOX
下面的連結有教學，說明如何打開即時運算監控的視窗

Excel VBA 的眉眉角角Day2:關於流程控制與儲存格的關係 - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

那這邊就這樣，ㄅㄅ