我們做一個題目，基本上簡單可分成兩種用途：

1. 了解關係
2. 預測未來

故事例子

假設工作日常之中，我負責幫忙大家訂中午的便當，一開始團隊有10個人，會訂11個便當，因為其中一個人胃口大需要吃兩個便當。過了一陣子，團隊加了一個人，結果需要訂了13個便當。

團隊持續再補人，人員共12人，訂14個便當。

再後來人員共13人，訂15個便當。

這個時候，因為有了一些歷史資料，我開始整理共通的特徵，團隊大概兩週多一個人，到時候就會需要多訂一個便當。

目前常訂的店家，接單限制大概都在20份以下，換句話說預測12週之後，我手上的店家清單需要換一批，變成都是能夠接單20份的店家，因為有這個預測，我能夠抓個準備時間，避免到時候因為訂不了便當帶來的損失成本，這就是做預測帶來的價值。

然後有時候團隊成員會出現大胃王，需要額外多訂個便當，因此假設老闆問我團隊若有50個人，大概需要訂多少便當，大概會給出55個的答案(粗略估計10個人有一個大胃王)。

因此有這個了解關係的認知，每當新夥伴加入的時候，我還會先問他是不是大胃王。

如果有需要餐敘或飲食的活動，活用訂便當的認知，分量當然也就不會抓一比一的關係，這就是了解關係能夠帶來的價值。

準確度問題

就上面例子不考慮資料太少問題，其實很明顯的所謂預測沒有辦法到達百分之百精準，也許資料越多，考慮的面向和處理經驗越多，當然預測準確率有可能會提高。不過要思考的是，這個預測能帶來的價值，要投入研究和為了提高精準度需要花費的成本，到底值不值得？

了解關係也是同樣的道理，到底幾個人當中就會出現一個大胃王？同樣是捉摸不定的推論，誰也知道那個預估可靠性的天花板只能到某種程度，也同樣的資料多或許有幫助，譬如多收集了無數人類的身高體重，身體健康狀況和飲食習慣，藉由大量的數據提煉更多的特徵參數，然後加入新的模型訓練，以此提高精準度，不過，又是一個成本問題。

兩種目的，就有兩種做法

上面例子的兩個問題，預計兩個禮拜會加一個新人，和一個人會需要多訂一個便當，低機率會在需要多訂一個，是兩件不同的事件，當然在ML算是不同問題，資料收集和處理方式不同，訓練模型也不同。

也許在我們大腦會直覺認知兩者是有關聯的處理，雖然是有關聯沒錯，但ML還不是萬能的許願機，必須分化和拆解成簡單步驟，它是不同的目的=不同的題目=不同的處理。

簡單的模型和題目，只適用單一狀況

假設，團隊招募到15人之後就不再擴編。

假設，一個月後，公司組織調整，我們與另一個團隊合併，一口氣馬上額外多了20人。

假設，新進的人全部都是大胃口。

啪，一下子模型就沒有用了。

所以ML的工作項目，千萬要知道可能需要持續調整，不論是環境改變，還是精進模型的精準度，這點在投入之前請務必再三評估用上ML的情境。

通過以上介紹，應該能夠更清楚的知道，我們想做的是了解關係，客戶的流量數經由訓練出來的模型，可以大概預期訂單的總金額在哪個範圍，藉此判斷系統或者客人是否有異常的行為。