TWI824876B - 利用顧客基因之行銷系統與方法 - Google Patents

Abstract

本發明提出一種利用顧客基因之行銷系統與方法，其中行銷系統，包含：一中央處理器，提供該行銷系統的運作與管理；一儲存媒體，耦接中央處理器；一顧客基因萃取裝置，耦接中央處理器，用以執行深度學習演算法，以擷取高維度的顧客基因資料；以及，一機器學習裝置，耦接該中央處理器，用以執行機器學習演算法，使用擷取的高維度顧客基因資料進行行銷分數預測。

Description

利用顧客基因之行銷系統與方法

本發明涉及一種透過資料處理之行銷技術，更詳而言之，為一種藉由顧客原始資料的提供，搭配深度學習與機器學習，並利用顧客基因以利於行銷分析的裝置、系統與方法。

人類基因組對個人的性狀之影響可為正面或負面的。基因控制性狀，組成獨一無二的人。同樣的表型，可能由不同的基因型組成。生物基因由顯性基因和隱性基因組成。例如，雙眼皮的父親(基因Aa)及雙眼皮的母親(基因Aa)，可能會生出雙眼皮的小孩(基因Aa)或單眼皮的小孩(基因aa)。

基因可用於較佳理解人類之生物特性及性狀。藉由個體之基因組影響或判定之生物特性及性狀，包含自可容易觀察性狀(例如：眼睛顏色、身高..等)以及難以觀察或量化之性狀及特性(例如：食物敏感症、智力、身體適應性..等)。透過對生物基因之理解可提供有價值資訊，可用於作出關於個人行為及習慣的決定，這對於深度學習技術運用於行銷為有利的參考。

一個行銷流程從發想、溝通、產製最終名單到發送，需要了解其中人工的部分以及業務人員關心的重點。利用模型提供線索以協助後續分析，可能比名單的精準度更重要。資料導向決策(Data-driven Decision-Making)為新興的決策模式，常為企業主所引用。行銷流程也包含熟悉商品、客群定義，例如：信用卡戶房貸新貸不等於數位帳戶房貸新貸。業務單位與資訊單位用詞不一致，將導致溝通成本變高。另外，行銷流程也必須了解資料架構及問題，從需求轉換成程式。若資料文件不足夠，業務單位每次都需要透過資訊人員撈取成效。跨單位交付資料和程式困難，且各單位資料撈取數目有誤差，需要手動傳遞資料和程式碼，這將造成耗時且資料落地的問題。

再者，目前行內行銷流程缺乏資料根據，大多為經驗傳承或是人為控管，較難達到精準行銷之目的。依賴專家經驗或專家規則的行銷方法也較缺乏效率跟一致性。上述傳統的行銷方法讓產品經理(PM)、資料庫管理人員(DBM)、資訊科技(IT)部門的人都非常辛苦。此外，過往常見之問題係未善用大數據資料量之優勢，效益較為有限。並且，現有行銷的篩選方式也無法精確地找出潛力客戶。在現在時點上，有關於行銷的技術，依然有進一步改善的空間。是以，基於從生物基因的概念而延伸到顧客基因，本發明提出利用顧客基因之行銷系統與方法。

有鑒於前述習知技術的缺點，本發明解決問題之技術手段在於：使用收集的顧客資料，以及數十萬筆或更多的行銷成效資料，結合機器學習及深度學習模型做訓練，以期訓練完成之模型能產生顧客與商品之最佳配置。

根據本發明之一觀點，本發明解決問題之技術手段在於：利用顧客基因模型，先使用過往收集的顧客資料，透過非監督式學習訓練深度學習模型，再從深度學習模型中擷取已壓縮之特徵向量，以及數十萬筆或更多的行銷成效資料，交由下游的機器學習模型做訓練，以期有效利用大數據的資料，提升成效。據過往回測實驗，各產品效益皆有提升。

本發明提出一種利用顧客基因之行銷系統，包含：一中央處理器，提供該行銷裝置的運作與管理；一儲存媒體，耦接中央處理器；一通訊構件，耦接該中央處理器；一顧客基因萃取裝置，耦接中央處理器，用以執行深度學習演算法，以對顧客原始資料進行高維轉換而擷取特徵向量，其中該特徵向量為顧客基因資料；以及，一機器學習裝置，耦接中央處理器，用以執行機器學習演算法，使用擷取的高維度顧客基因資料進行行銷分數預測。

根據本發明之一觀點，上述顧客基因萃取裝置利用自編碼器以訓練深度學習模型。該自編碼器包含編碼器與解碼器。

根據本發明之另一觀點，上述顧客基因萃取裝置包含至少一全連結神經網路與至少一分類器，以執行深度學習演算法。

根據本發明之再一觀點，上述機器學習演算法包含隨機森林(Random Forest)演算法或決策樹(Decision Tree)演算法。本發明之利用顧客基因之行銷系統更包含一資料前處理裝置，耦接中央處理器，以進行資料清理步驟，將該顧客原始資料用於模型訓練之前，對該顧客原始資料進行檢測，識別出資料雜質，以產生有效的資料及提高資料品質；一視覺化分析裝置，耦接中央處理器，以將高維向量映射到二維空間，以調校該高維向量。

本發明提出一種利用顧客基因之行銷方法，包含底下之步驟：利用一資料提供端以提供顧客原始資料；利用一顧客基因萃取裝置，以執行深度學習演算法，以對顧客原始資料進行高維轉換以產生高維向量，其中該高維向量即為顧客基因資料；以及，利用一機器學習單元，以執行機器學習演算法，使用擷取的該高維度顧客基因進行行銷分數的預測。

根據本發明之一觀點，上述方法更包含利用一資料前處理裝置以進行資料清理步驟，對顧客資料進行檢測，識別出資料雜質，以提高資料品質並用於模型訓練；利用一視覺化分析裝置，以將高維向量映射到二維空間，以調校該高維向量，確保能有效區分個別顧客。

以上所述係用以說明本發明之目的、技術手段以及其可達成之功效，相關領域內熟悉此技術之人可經由以下實施例之示範與伴隨之圖式說明及申請專利範圍更清楚明瞭本發明。

本發明將以較佳之實施例及觀點加以詳細敘述。然該領域之熟習技藝者須瞭解本發明亦可在不具備這些細節之條件下實行。此外，本發明亦可藉由其他具體實施例加以運用及實施，本說明書所闡述之各項細節亦可基於不同需求而應用，且在不悖離本發明之精神下進行各種不同的修飾或變更。本發明將以較佳實施例及觀點加以敘述，此類敘述係解釋本發明之結構，僅用以說明而非用以限制本發明之申請專利範圍，在本發明的方法中，各個步驟的執行順序，可為前後執行，亦可為同時執行，其可依照本領域實際應用的需要進行調整。以下描述中使用之術語將以最廣義的合理方式解釋，即使其與本發明某特定實施例之細節描述一起使用。

本發明之目的，在於改善過往依賴專家經驗的行銷方式，因缺乏效率跟一致性，而提出基於顧客基因的行銷系統。過往機構內依賴專家經驗之行銷名單產製方法如下：從資料庫中根據人工設定之規則篩選後，找出潛力客戶以建立行銷名單。機構內的資料包含豐富的顧客金流足跡及行為註記，得以透過模型找出背後的顧客基因，而理解顧客真正的需求。

在本發明之中，顧客資料包含二類，第一類為表現型顧客資料，第二類為基因型顧客資料。第二類基因型顧客資料在本發明之中又稱為顧客基因。第一類的表現型顧客資料為顧客原始資料，為可量測、可觀察、可解釋的特徵，包含顧客的基本屬性(性別、年齡、出生地…)、顧客行為(金流足跡、刷卡紀錄…)以及內在動機(興趣、愛好、需求、挑戰…)。第二類的基因型顧客資料係為第一類的表現型顧客資料經過顧客基因萃取裝置之處理所產生的高維向量，於本發明之中統稱為顧客基因。顧客基因本身無法觀察及解釋，但可以藉由顧客基因去推論、預測顧客的表現型，例如基本屬性、行為、內在動機等。換言之，透過本發明的顧客基因萃取裝置，可以將顧客原始資料(顧客特徵)轉換成顧客基因，再利用顧客基因去推論目前還未知的顧客特徵，這即是本發明的創新所在。亦即，本發明透過顧客容易觀察的表象資料(例如：性別、年齡、出生地…等)，發掘出難以觀察之隱性需求(例如：興趣、需求、挑戰、愛好…等)。

在一實施例之中，本發明的第一類的表現型顧客資料、第二類的基因型顧客資料，如下所述： (a)  第一類的表現型顧客資料：原始行內顧客資料共約數百萬個客戶，每位顧客有數百項欄位，包含以下資訊： i).   顧客基本資料(性別、年齡、職業) ii).  帳戶資訊(帳戶餘額、開戶日) iii). 交易統計資訊(基金近一個月交易金額、台股近一年交易次數) iv). 貢獻度(各大產品為本行帶來之效益) v).  註記(客群註記、會員註記、呆帳等)等。 (b)  第二類的基因型顧客資料：深度學習模型所產生之特徵向量(embeddings)。

為了達到上述目的，在本發明的策略中，為了產生顧客與商品之最佳配置，利用顧客基因之行銷系統須先藉由深度學習與機器學習的技術，產製顧客與商品的適合度分數。透過深度學習模型，進行特徵萃取，並將特徵向量運用於後續的機器學習模型中，可提升運算效率及精準度。

因此，基於上述策略，請參閱第一圖，本發明提出一種利用顧客基因之行銷系統100之一實施例，適用於將一資料提供端120儲存的多筆顧客原始資料，每一顧客原始資料包括多項欄位。利用顧客基因之行銷系統100包含中央處理器102、顧客基因萃取裝置104、機器學習裝置105、通訊構件106、視覺化分析裝置107、及儲存媒體108及資料前處理裝置 109；上述各單元直接或間接耦合中央處理器102。在本實施例中，利用顧客基因之行銷系統100例如可以透過個人電腦、手機、智慧型手機、平板電腦、筆記型電腦、桌上型電腦或是智慧穿戴裝置…等裝置來執行，但不以此為限。因此，利用顧客基因之行銷系統100包含處理晶片、記憶體、顯示裝置、網路通訊模組、作業系統、輸入/輸出介面、網路介面及應用程式…等等，以通常已知或常規方式相互連接，執行運算、暫存、顯示及資料傳輸，或者提供影像識別系統之運作與管理協調..等功能。基於上述部分屬於通常已知的架構，故在此不再贅述。

資料提供端120係提供行銷資料庫以儲存顧客原始資料。通訊構件106包含無線通信網路(3G/4G/5G/XG、WiFi)模組及網際網路通信模組，以利於與通信網路、網際網路進行溝通。在一例子之中，資料提供端120包括即時資訊中心與資料分析處理中心。資料提供端120之中儲存的顧客原始資料，經過數位編碼處理、資料壓縮之後，再透過內部網路(intranet)以傳送顧客原始資料至行銷系統100。亦即，利用顧客基因之行銷系統100透過內部網路以取得資料提供端120之中儲存的顧客原始資料。行銷系統100主要用來執行顧客基因的萃取與分析，分析的結果成為行銷名單，可以提供給機構內的人員。

儲存媒體108用以儲存顧客基因、顧客原始資料、測試資料、訓練資料、相關於待分群顧客的資料..等等。中央處理器102為中央處理單元(Central Process Unit，CPU)。儲存媒體108例如包含記憶體、電腦可讀媒體。記憶體上儲存有能夠由處理器運行的電腦程式。記憶體包括非永久性記憶體，隨機存取記憶體(RAM)及/或非揮發性記憶體等形式，例如唯讀記憶體(ROM)或快閃記憶體(Flash RAM)。電腦的儲存媒體包括但不限於：相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算裝置存取的資訊。

機器學習裝置105用以執行特定機器學習演算法，學習顧客資料中的規則，用於預測顧客的偏好或是未來的行為，以輔助行銷。在一例子中，即根據企業行銷資料庫中的顧客大數據進行模型訓練，以得出各種顧客原始資料中有意義的特徵，並輔助企業決策及日常作業。

本發明提出一種利用顧客基因之行銷系統或方法，利用顧客基因的概念，搭配深度學習、機器學習，以產製行銷名單。首先，原始資料可為歷年所蒐集累積之資料，包含顧客資料或歷年行銷資料。然後，透過機器學習演算法以進行行銷分數的預測。機器學習演算法例如透過隨機森林(Random Forest)演算法、決策樹(Decision Tree)演算法..來執行。在機器學習中，隨機森林是一個包含多個決策樹的分類器，並且其輸出的類別是由個別樹輸出的類別的眾數而定。經過機器學習演算法，從歷史資料中找出規則，並進行行銷分數的預測，取得行銷名單。自動化機器學習包含效率高、一致性以及快速開發等優點，並且專家介入的時間點在模型之後，有助於發現盲點。在另一實施例之中，在機器學習之前進行一深度學習，亦即顧客基因萃取的程序，如第二圖所示。例如，透過第一圖的顧客基因萃取裝置104來執行，利用自編碼器(Autoencoder)以訓練深度學習模型。利用顧客基因深度學習可以解決資料不足的問題。在一實施例之中，顧客基因萃取裝置104包含至少一全連結神經網路(Fully connected neural network)與至少一分類器，以執行深度學習演算法。底下將詳細敘述利用本發明的顧客基因之行銷系統100的運作，得以產生顧客與商品之最佳配置。

如第二圖所示，其係顯示根據本發明之一實施例之非監督式學習擷取已壓縮特徵向量之顧客基因分析之示意圖。在本實施例之中，透過第一圖之資料提供端120與行銷系統100來執行顧客基因萃取、分析的程序，以產生有用的結果。首先，行銷資料庫200儲存龐大的顧客原始資料，可以切割成測試資料和訓練資料。行銷資料庫200配置於第一圖之資料提供端120之中。然後，利用資料前處理裝置(如第一圖之109)以執行一資料前處理202的程序，用於資料清理。資料清理是在將資料用於模型訓練之前，對資料進行重新檢測(審查和校驗)的過程，目的在於識別出資料雜質，以產生有效的資料、提升資料品質。由於行銷資料庫200中的資料是從多個業務系統中抽取而來，包含多種類型，難以避免資料錯誤、有些資料相互之間有衝突或乖離過大..等。這些錯誤的或有衝突的資料係下一個環節所不希望出現的，所以稱為資料雜質。資料前處理裝置109按照一定的清理規則以識別出這些資料雜質，並進一步濾除或清除之。資料前處理裝置109係根據資料特徵以匹配清理規則，然後，利用匹配中的清理規則對該目標資料進行清理。

隨後，在資料前處理202的資料清理程序之後，進行顧客基因萃取的步驟。顧客基因萃取係透過深度學習204，以取得(擷取)高維度的顧客資料特徵。如第二圖所示，深度學習204包含對上述有效的顧客原始資料進行一高維轉換。高維轉換係用以將上述有效的顧客原始資料映射到一高維度，能有效區分個別顧客。在一實施例之中，高維轉換發生於深度學習模型內，模型會學習壓縮及解壓縮的過程，模型訓練後，可以將中間壓縮的高維向量206取出，即完成高維轉換。深度學習204係利用深度學習模型以產生高維向量206，此高維向量206即定義為顧客基因。在深度學習204步驟之中，以非監督式學習方式(利用自編碼器：Autoencoder)訓練深度學習模型，亦即模型的輸入與輸出相同，模型訓練的過程會將輸入的特徵壓縮後再解壓縮回來，以此學習如何重建，而中間產生的特徵向量就能代表輸入值，作為一種新的特徵(顧客基因)。

如第二圖所示，其顯示自編碼器之一例子，採用基於編碼-解碼(Encoder-Decoder)的訓練架構。因此，在自編碼器之中包含編碼器230與解碼器234。其中，編碼器230將原始輸入資料，重新編碼、轉換為高維向量206，而解碼器234將壓縮的高維向量解碼，重建(Reconstructed)成原始的輸入資料。編碼器230與解碼器234的演算模型，各自可以依照應用的需要，例如選擇卷積神經網路(Convolutional Neural Networks，CNN)、注意力模型(Attention)..等等。

舉一實施例而言，深度學習204程序包括以下步驟：(1)建立顧客原始資料之高維度的特徵矩陣；(2)將該特徵矩陣資料作爲自編碼器的輸入層，進行訓練，以獲得高維的顧客基因；(3)將高維的顧客基因輸入邏輯回歸模型中，以進行訓練。模型訓練完成之後，將待預測數據輸入訓練好的模型，進行目標的預測。

在另一實施例之中，在資料前處理202的資料清理程序之後，直接使用清理後的原始資料，進行機器學習208的步驟，以執行機器學習演算法。舉例而言，機器學習208利用一邏輯迴歸模型(logistic regression model)，以產生預測的結果212，亦即所要的行銷名單。亦即，針對有效的顧客原始資料，利用機器學習208去推論、預測目前還未知的顧客偏好或是未來的行為，以形成行銷名單的結果212。

進一步地，在視覺化分析210步驟之中，為了便於分析，可以透過視覺化分析裝置107將三維特徵向量映射到二維空間，以調校特徵向量。映射到二維空間的目的為方便觀察，經由視覺化分析210的調校，再回到深度學習204的步驟，可以取得更佳的高維向量206。

接下來，利用機器學習208以執行機器學習演算法，將擷取的顧客基因用於機器學習演算法。舉例而言，機器學習208利用一邏輯迴歸模型(logistic regression model)，以產生預測的結果212，亦即取得所要的行銷名單。亦即，針對深度學習所取得的顧客基因，利用機器學習208去推論、預測目前還未知的顧客偏好或未來的行為，以形成行銷名單的結果212。舉一實施例而言，於機器學習裝置執行底下程序：利用一邏輯迴歸模型以進行行銷分數預測，隨後依設定的條件以挑選名單(例如：以產生行銷分數中前 5 萬名的條件來挑選)。行銷分數是一個二維資料表，每一列(row)表示一個顧客，每一行(column)表示一個商品品項，因此資料表中每個數值表示每一個顧客對於每一商品的偏好分數，分數介於0~100分之間，如表一所示。商品的偏好分數代表的是該顧客對於該商品的偏好，其會受到顧客過往承作該商品的次數及金額影響，行銷人員可以使用分數產製行銷名單，找到受眾客群。由表一可知，顧客A對於商品偏好的程度為商品一大於商品二，而商品二又大於商品三；顧客B對於商品偏好的程度為商品一大於商品二，而商品二遠大於商品三；顧客C對於商品偏好的程度為商品三大於商品一，而商品一又大於商品二。

[表一]

顧客ID	商品一	商品二	商品三
A	99.01	80.02	10.99
B	95.55	77.77	5.99
C	10.77	7.33	50.45

在另一實施例之中，利用擴增智慧(Augmented Intelligence)機器學習或深度學習演算法，以分析顧客基因資料。

本發明驗證步驟如下:蒐集行銷資料，再將行銷資料根據月分分類成訓練集和測試集，測試集為資料中最新的一個月數據，其餘月分則做為訓練集。以下分別顯示採用先前技術專家法與本發明所產生的結果，請參考底下表二、表三。由表二與表三可知，本發明顧客基因比專家法準確度更好，例如: 表二顯示不論是商品四、商品五、商品六，本發明精確率與召回率結果皆優於先前技術專家法，足見本發明具有無法預期之效果。表三則顯示在商品七、商品八、商品九精確率與召回率表現。綜觀而言，本發明的結果明顯優於專家法，彰顯本案在精確率與召回率數據上有顯著的進步。

[表二]

商品	商品四	商品五	商品六
指標	精確率	召回率	精確率	召回率	精確率	召回率
專家法	9.75%	55.98%	0.25%	44.25%	12.39%	45.41%
顧客基因法	11.91%	68.36%	0.55%	96.46%	13.57%	49.77%

[表三]

商品	商品七	商品八	商品九
指標	精確率	召回率	精確率	召回率	精確率	召回率
專家法	0.63%	4.82%	0.06%	18.17%	0.12%	95.84%
顧客基因法	4.82%	38.39%	0.24%	73.14%	0.12%	97.58%

綜合上述，本發明利用顧客基因之行銷方法，使用特徵向量的優點包含：(1)資料可視覺化：藉由微調特徵向量，搭配視覺化工具，可以理解模型學習到的特徵含義以及資料分布，如此可協助理解顧客的重要特徵、便於顧客分群。(2)善用大數據優勢：一般而言，訓練資料量愈大，模型的成效會愈好。在產出行銷名單的過程中，本發明可以取得兩種不同的資料集：過往所蒐集的數據包含成效回收的資料以及全行顧客的資料，全行顧客的資料規模遠多於成效回收資料，例如全行顧客的資料大約為成效回收資料的100倍以上。傳統機器學習模型僅能使用成效回收資料訓練，而本發明之深度學習模型可以藉由非監督式學習的方法，交替或同時使用全行顧客的資料與成效回收資料訓練，因此，可以有效運用機構內大數據的優勢。

以上敘述係為本發明之較佳實施例。此領域之技藝者應得以領會其係用以說明本發明而非用以限定本發明所主張之專利權利範圍。其專利保護範圍當視後附之申請專利範圍及其等同領域而定。凡熟悉此領域之技藝者，在不脫離本專利精神或範圍內，所作之更動或潤飾，均屬於本發明所揭示精神下所完成之等效改變或設計，且應包含在下述之申請專利範圍內。

100:利用顧客基因之行銷系統

102:中央處理器

104:顧客基因萃取裝置

105:機器學習裝置

106:通訊構件

107:視覺化分析裝置

108:儲存媒體

109:資料前處理裝置

120:資料提供端

200:行銷資料庫

202:資料前處理

204:深度學習

206:高維向量

208:機器學習

210:視覺化分析

212:結果

230:編碼器

234:解碼器

如下所述之對本發明的詳細描述與實施例之示意圖，應使本發明更被充分地理解；然而，應可理解此僅限於作為理解本發明應用之參考，而非限制本發明於一特定實施例之中。

[第一圖]係說明利用顧客基因之行銷系統之一實施例的系統架構。

[第二圖]顯示根據本發明之一實施例之非監督式學習擷取已壓縮特徵向量之顧客基因分析之示意圖。

100:利用顧客基因之行銷系統

102:中央處理器

104:顧客基因萃取裝置

105:機器學習裝置

106:通訊構件

107:視覺化分析裝置

108:儲存媒體

109:資料前處理裝置

120:資料提供端

Claims (6)

1. 一種利用顧客基因之行銷系統，包含：一中央處理器，提供該行銷裝置的運作與管理；一儲存媒體，耦接該中央處理器；一顧客基因萃取裝置，耦接該中央處理器，用以執行深度學習演算法，以對顧客原始資料進行高維轉換以產生高維向量，其中該高維向量為顧客基因資料；其中該顧客基因萃取裝置利用自編碼器以訓練深度學習模型；以及一機器學習裝置，耦接該中央處理器，用以執行機器學習演算法，以形成行銷名單；利用該機器學習裝置，使用顧客基因資料進行行銷分數預測，並基於該行銷分數預測，撈取行銷分數的資料，以形成該行銷名單。
2. 如請求項1所述的利用顧客基因之行銷系統，更包含一資料前處理裝置，耦接該中央處理器，以將該顧客原始資料用於模型訓練之前，對該顧客原始資料進行檢測，識別出資料雜質，以產生有效的資料及提高資料品質。
3. 如請求項1所述的利用顧客基因之行銷系統，更包含一視覺化分析裝置，耦接該中央處理器，以將該高維向量映射到二維空間，以調校該高維向量。
4. 一種利用顧客基因之行銷方法，包含：於資料提供端以提供顧客原始資料；利用一顧客基因萃取裝置，以執行深度學習演算法，以對該顧客原始資料進行高維轉換以產生高維向量，其中該高維向量為顧客基因資料；其中該顧客基因萃取 裝置利用自編碼器以訓練深度學習模型，該自編碼器包含編碼器與解碼器，該編碼器將原始輸入資料重新編碼並轉換為該高維向量，而該解碼器將壓縮的該高維向量解碼，重建成原始的輸入資料；以及利用一機器學習裝置，以執行機器學習演算法，以形成行銷名單，該機器學習裝置，使用該顧客基因資料進行行銷分數預測，並基於該行銷分數預測，撈取行銷分數的資料，以形成該行銷名單。
5. 如請求項4所述的利用顧客基因之行銷方法，更包含利用一資料前處理裝置以將該顧客原始資料用於模型訓練之前，對該顧客原始資料進行檢測，識別出資料雜質，以產生有效的資料及提高資料品質。
6. 如請求項4所述的利用顧客基因之行銷方法，更包含利用一視覺化分析裝置，以將該高維向量映射到二維空間，以調校該高維向量。