監督式學習?增強學習?聽不懂的話,一定要看這篇入門的機器學習名詞解釋!

機器學習是人工智慧的一個分支。然而什麼是機器學習?究竟機器是怎麼從資料中「學習」到一項技能的呢?訓練機器學習模型時,技術上有哪些重要的部分呢?
評論
REUTERS/Denis Balibouse
評論

本篇是《機器學習專題》的第四篇文。

第一集:  雲端運算是什麼?Amazon、Google、Microsoft 等大廠爭相佈局,會如何改變人類生活?
第二集:  大數據到底是什麼意思?事實上,它是一種精神!
第二集:  從人工智慧、機器學習到深度學習,不容錯過的人工智慧簡史

從 Google Alphago 到 Chatbot 聊天機器人、智慧理專、精準醫療、機器翻譯…近年來時而聽到人工智慧、機器學習的相關消息,一夕之間這項技術攻占了各大媒體版面。不但 Google、Facebook、微軟、百度、IBM 等巨頭紛紛進軍該領域,NVIDIA 執行長黃仁勳亦宣稱將由顯示卡轉型成人工智慧運算公司,強調人工智慧浪潮的來臨。

機器學習是人工智慧的一個分支。然而什麼是機器學習?究竟機器是怎麼從資料中「學習」到一項技能的呢?訓練機器學習模型時,技術上有哪些重要的部分呢?

從人工智慧、機器學習到深度學習,不容錯過的人工智慧簡史 一文,讓我們接著繼續為大家介紹機器學習的基礎原理和名詞。

人工智慧:如何以電腦解決問題

1950 年代的電腦科學方起步,從科學家到一般大眾都對於電腦充滿無盡的想像,不但從大導演弗裡茨・朗的《大都會》到作家艾西莫夫的機器人三大法則,主流科學界也都預估,約莫 20 到 30 年左右的時間便可以成功創造出與人類同樣高度的人工智慧。

然而人工智慧的研究很快便面臨了瓶頸──機器程式是由人類撰寫出來的,當人類不知道一個問題的解答時、機器同樣不能解決人類無法回答的問題。

另一個問題是當時電腦的計算速度尚未提升、儲存空間也小、數據量更不足夠,硬體環境上的困境使早期人工智慧只能解一些代數題和數學證明,難以在實務上有所應用。

雖然此時人工智慧的研究邁入了瓶頸,但是電腦硬體卻是以指數型的方式進步。1965 年 Intel 創始人摩爾觀察到半導體晶片上的電晶體每一年都能翻一倍。

到了 1975 年,這個速度調整成每兩年增加一倍,電腦的運算能力與儲存能力同時跟著摩爾定律高速增漲。如今,電腦的運算能力約為 30 年前的 100 萬倍。

早期的人工智慧研究聚焦在邏輯推論的方法,專注於模仿人類推理過程的思考模式。由於需要百分之百確定的事實配合,因此在實務上不容易使用。

直到關於人工智慧的研究方向越來越多元,涵蓋了包括統計學、機率論、逼近論、博弈論等多門領域的學科;而硬體儲存成本下降、運算能力增強,加上海量數據,今日的人工智慧已能從資料中自行學習出規律,這便是時下資料科學的最熱門技術「機器學習」。

機器學習:從資料中自行學會技能

機器學習是實現人工智慧的其中一種方式。傳統上實現人工智慧的方式需要人們將規則嵌入到系統,機器學習(Machine Learning)則是讓電腦能夠自行從歷史資料中學會一套技能、並能逐步完善精進該項技能。

什麼技能呢?舉例來說,辨識貓咪的技能。

人類是如何學會辨識一隻貓的?我們不是熟背所有貓的詳細特徵:「尖耳朵、四肢腳、有鬍子、體型、毛色、…」從短毛貓、摺耳貓、短毛貓、暹羅貓... 等貓咪的外型特徵都不一樣,甚至要將老虎、花豹等類似貓但不是貓的照片排除出來。

一般只要父母帶小孩看看貓、或貓咪的圖片,只要看到就告訴孩子這是貓,當小孩把老虎看成貓時進行糾正,久而久之,我們就自然地「學」會辨識一隻貓了。雖然不是原本看過的貓咪,我們仍然知道這是一隻貓。

從前讓電腦辨識出貓時,需要工程師將所有貓的特徵以窮舉法的方式、詳細輸入所有貓的可能條件,比如貓有圓臉、鬍子、肉肉的身體、尖耳朵和一條長尾巴;然而凡事總有例外,若我們在照片中遇到了一隻仰躺只露出肚子的貓?正在奔跑炸毛的貓?尖臉短尾貓?也因此誤判的機率很高。

美國普林斯頓大學李飛飛與李凱教授在 2007 年合作開啟了一個名為「ImageNet」的專案,他們下載了數以百萬計的照片、處理並分門別類標示好,供機器從圖像資料中進行學習。

如今, ImageNet 已是全世界最大的圖像識別資料庫,光是「貓」便有超過六萬兩千種不同外觀和姿勢的貓咪,同時有家貓也有野貓、橫跨不同的種類。

每年,史丹佛大學都會舉辦 ImageNet 圖像識別競賽,參加者包括了 Google、微軟、百度等大型企業,除了在比賽中爭奪圖像識別寶座、同時測試自家系統的效能與極限。如今的機器從海量資料中學習後,能辨別出的不僅僅只有貓了,從路燈、吊橋、奔跑的人、狗狗… 電腦終於學會如何「看」這個世界。

究竟機器是怎麼從資料中學會技能的呢?為了瞭解機器學習是如何從資料中學習,獲得辨識或預測新進資料的技能,首先來為大家介紹一個經典的入門主題:「分類」(Classification)。

到深山裡遊玩卻不小心落難、肚子飢餓難耐時總會忍不住想要採路邊的野菇吃。然而有一些菇類看似樸素卻可能有毒、有些菇類色彩豔麗卻能食用;如何讓電腦幫助我們判別有毒的菇種、在野外成功存活下來呢?

為了訓練機器,我們先蒐集了有毒菌菇和無毒菌菇的資料樣本、作為訓練資料(Training Data)。從訓練資料中擷取出資料的特徵(Features)幫助我們判讀出目標。

比如菌傘形狀、顏色,菌炳形狀、顏色,菌環數量,分布地帶,氣味… 再告訴電腦每一個菌菇所對應到的答案──把有毒菌菇的資料標籤(Label)為 1、無毒的菌菇標籤為 0,由此讓電腦知道哪些菇有毒、哪些菇沒毒。

隨著訓練的資料量夠大時,當一筆新資料輸入電腦中,比如特徵具備白色鐘形菌傘、分布在腐木上、杏仁味的香菇,電腦即會判斷這朵香菇有沒有毒、有毒或沒毒的機率有多高了。

由於筆者非菇類學家,此僅為舉例,請勿深究此表中如何判別有毒菇類的真實性。

除此之外,我們也可從過去的天氣資料中、找出有下雨的天氣特徵,並在進來一個新的天氣情境資料時能計算下雨的機率,以進行氣象預測。

甚至是垃圾郵件過濾(判斷要不要把郵件丟到垃圾桶)、股市漲跌(判斷特定情境下這檔股票會漲會跌)、醫療病徵判斷(判斷有了這些症狀後, 患者有得病沒得病)… 各產業領域皆可應用機器學習技術。

訓練機器學習模型時,技術上有哪些重要的部分呢?

1. 資料清整(Data Cleaning):

機器既然得從海量資料中挖掘出規律,「乾淨」的數據在分析時便非常地關鍵。在分析的一開始時,得處理資料的格式不一致、缺失值、無效值等異常狀況,並視資料分佈狀態,決定如何填入資料,或移除欄位,確保不把錯誤和偏差的資料帶入到資料分析的過程中去。

2. 特徵萃取(Feature Extraction)與特徵選擇(Feature Selection)

特徵萃取(Feature Extraction)是從資料中挖出可以用的特徵,比如每個會員的性別、年齡、消費金額等;再把特徵量化、如性別可以變成 0 或 1 ,如此以來每個會員都可以變成一個多維度的向量。

經過特整萃取後,特徵選擇(Feature Selection)根據機器學習模型學習的結果,去看什麼樣的特稱是比較重要的。若是要分析潛在客戶的話,那麼該客戶的消費頻率、歷年消費金額…等可能都是比較重要的特徵,而性別和年齡的影響可能便不會那麼顯著。

藉由逐步測試、或使用演算法篩選特徵,找出最恰當的特徵組合讓學習的效果最好。

3. 模型選取

資料科學家會根據所要解決的問題、擁有的資料類型和過適化等情況進行衡量評估,選擇性能合適的機器學習模型。由於機器學習模型的數量與方法非常多,包括了神經網路、隨機森林、SVM、決策樹、集群….。以下僅將機器學習模型依據幾種常見的問題類別進行介紹。

四種機器學習類別

在先前的段落中,我們介紹了預先把有毒菇類的資料標籤(Label)為 1、沒有毒的菇類資料標籤為 0,讓機器如何學會辨識有毒菇的方法,事實上叫做「監督式學習」,除此之外還有「非監督式學習」:

● 監督式學習(Supervised Learning): 在訓練的過程中告訴機器答案、也就是「有標籤」的資料,比如給機器各看了 1000 張蘋果和橘子的照片後、詢問機器新的一張照片中是蘋果還是橘子。

● 非監督式學習(Unsupervised Learning): 訓練資料沒有標準答案、不需要事先以人力輸入標籤,故機器在學習時並不知道其分類結果是否正確。訓練時僅須對機器提供輸入範例,它會自動從這些範例中找出潛在的規則。

簡單來說,若輸入資料有標籤,即為監督式學習;資料沒標籤、讓機器自行摸索出資料規律的則為非監督式學習,如集群(Clustering)演算法。

非監督式學習本身沒有標籤(Label)的特點,使其難以得到如監督式一樣近乎完美的結果。就像兩個學生一起準備考試,一個人做的練習題都有答案(有標籤)、另一個人的練習題則都沒有答案,想當然爾正式考試時,第一個學生容易考的比第二個人好。另外一個問題在於不知道特徵(Feature)的重要性。

非監督式學習-集群演算法

比如說演算法「集群」(Clustering),給機器一個 1000 名的顧客資料表(含性別、生日、職業、教育…),機器會自動爬梳出隱含的資料規律將這 1000 人分群。其主要目的在於找出比較相似的資料聚集在一起,形成集群(Cluster);而相似性的依據是採用「距離」,相對距離愈近、相似程度越高,被歸類至同一群組。

為了要定義資料之間的距離,一般採用歐式距離(Euclidean Distance)計算空間中兩點的距離。

但顯然一定會有一些特徵(Feature)其實不是很重要,但因為分布比較可以拉開距離,所以機器在分群的時候會傾向用它來分,導致需要以人工再自行調整這些東西,不然一定會做出莫名其妙的結果。

這邊需要澄清的事情是,並不是要篩選掉特徵(Feature),每一個特徵(Feature)都有它的意義,我們要做的只是要降低它的重要性。

矛盾的是,人工很難訂出各特徵(Feature)的重要性或是距離的意義等,若人工有辦法定義和介入,為什麼還會需要集群這個演算法呢?

故由於分群時沒有足夠的線索知道各個特徵(Feature)的重要性,因此很容易對某些分布的特徵(Feature)產生偏誤、造成無意義的分群結果。

非監督式學習在應用上不若監督式學習廣泛,但非監督式學習在資料探勘初期時,可被用來探索龐大的客戶群中存在哪些自然群體,而這些群體可能又能轉而提示我們其他的資料分析方法。

非監督式學習-關聯規則探索

除了集群外,常見的非監督式學習尚包括關聯規則探索(Association Rule Discovery)、或稱共生分群(co-occurrence grouping),找出資料發生的關聯性。

集群是依據資料的分布找到資料間的相似性,而關聯規則則是以資料一起出現的情況、來考量資料的相似性,例如在分析超市的購物紀錄時,我們可能會發現「買月餅的人也會買烤肉架」。

針對這樣的發現該如何採取行動需要行銷人員再去深入挖掘原因,不過基本上已暗示了可舉辦的促銷活動或優惠套餐組合。商品購買方面的關聯規則稱為購物籃分析,除此之外關聯規則如今還被應用在異常檢測上,比如有人突然入侵你的 Email 帳號時。

這時你可能會想,難道監督式學習和非監督式學習就是彼此涇渭分明?

在實際應用中,將大量的資料一一進行標籤是極為耗費人工的事情,最常見的狀況是──少部分資料有標籤,而大部分資料沒有標籤、且數量遠大於有標籤的資料。畢竟要標籤資料費時費力、蒐集無標籤的資料更快速方便。這時候我們可以採用:

● 半監督學習(Semi-supervised learning):介於監督學習與非監督學習之間。

以下是半監督學習的簡單示意。在將資料分群的過程當中,先使用有標籤過的資料先切出一條分界線,再利用剩下無標籤資料的整體分布,調整出兩大類別的新分界。如此不但具有非監督式學習高自動化的優點,又能降低標籤資料的成本。

前面我們提到監督式學習在面對一個指定問題時,可以明確告訴你正確的答案是什麼,比如今天會下雨或不會下雨、或是這封信該不該丟到你的垃圾郵件匣。

但遇到某些需要連續做決策的情況時,答案就不是一步就能解決了。比如下棋需要根據對手的攻勢隨時改變策略、或是開車會遇到的不同路況,為了達到贏棋或者通過山路的最終目的,必須因應環境的變動、隨之改變原有的作法。這時候我們就需要利用:

● 增強學習(reinforcement learning):透過觀察環境而行動,並會隨時根據新進來的資料逐步修正、以獲得最大利益。

強化學習的一個經典理論「馬可夫決策過程」(Markov Decision Process)有一個中心思想,叫「明天的世界只和今天有關、和昨天無關了。」(The future is independent of the past given the present.)

在馬可夫決策過程中,機器會進行一系列的動作;而每做一個動作、環境都會跟著發生變化。

若環境的變化是離目標更接近、我們就會給予一個正向反饋(Positive Reward),比如當機器投籃時越來越接近籃框;若離目標更遠、則給予負向反饋(Negative Reward),比如賽車時機器越開越偏離跑道。

雖然我們並沒有給予機器標籤資料,告訴它所採取的哪一步是正確、哪一步是錯誤的,但根據反饋的好壞,機器會自行逐步修正、最終得到正確的結果。

原則上無需考慮以前的狀態,當前狀態便已傳達出、所有能讓機器算出下一步最佳行動的資訊;簡單來說就是每一個事件只受到前一個事件的影響。打敗世界棋王的 Google AlphaGo 便是馬可夫假設一個成功的應用。

增強學習的機器學習方法當然還不僅止於此,多拉桿吃角子老虎機(Multi-armed Bandit)亦是增強學習的知名理論。Bandit 是一個簡化過的增強學習方法,最重要的目標只有探索(Explore)和採集(Exploit)的平衡。這是什麼意思呢?

假設一個國家中有十家餐廳,每家餐廳提供的餐點份量相當不均(有些可能會偷工減料)。某天該國突然湧入很多難民、因為餐券補助有限的關係,總共只能吃一百次餐廳,希望最後能餵飽最多的人。

顯然如果要吃到最多的東西,我們必須盡快找到「提供最大份量」的餐廳然後一直吃它就好了(其他黑心餐廳就不吃了)。如果把每家都吃一遍才確定份量最大的餐廳,會浪費掉太多餐券;然而若只吃了兩三家、就直接選比較高的一家一直吃,我們可能會漏掉真正提供最大份量的那一家餐廳。

解決 Bandit 問題的目標在於──有限的精力中,一部分精力會分配去探索未知的可能(explore)、一部分則利用已知最好的策略不斷採集(exploit),演算法會透過不斷新增的環境數據進行調整,在兩者間尋求平衡、將利益最大化。

這樣的應用有哪些呢?

當一個網站能展示的資訊量有限、卻又不知道使用者喜歡的東西是什麼、該優先顯示哪些內容,才能有最高的點擊率時,我們可以透過增強學習隨時進行優化、最快達到客製化。

無論是 Google 廣告、Facebook 將你可能會最感興趣的好友 PO 文排序在上方、Amazon 呈現你最有興趣的商品,或是網站上線後的 A/B Test,都可以看到增強學習的蹤影。

結語

今天,我們回顧了:

  • 人工智慧和機器學習的由來
  • 介紹機器學習的基本名詞:特徵、標籤
  • 常見的機器學習類別:監督、非監督、半監督、增強學習

機器學習是相當實務的一門學科,資料科學家的最終目標是找到最好解決問題的方法,會依據資料量、資料類型與運算效能等現實情況,而選擇採用不同的模型。

下一篇,我們將對現今最為常用的機器學習模型(神經網路、SVM、深度學習)進行深入一步的介紹。


給消費者的一封信:每個人都值得更好的對待,PChome 24h購物擴大服務感謝每一位的堅持與信任

疫情之前 PChome 24h購物堅持成為民眾 Everyday Reliable 的存在,疫情期間和疫情之後更是如此。PChome 24h購物會努力達成我們過去所有承諾,持續提供更貼心的服務並給予社會更多正面的回饋。
評論
Photo Credit:PChome 24h購物
評論

致親愛的消費者:

自 5 月開始,台灣面臨了前所未有的疫情挑戰,我們知道,大家都很努力,雖然渴望與外界接觸,卻也盡量減少生活中的各種連結,也因為信任 PChome 24h購物,所以將維繫生活的重責大任交付予我們。而 PChome 24h購物一直以來,希望能夠成為所有人 Everyday Reliable 的存在,在這個時候更是如此。

在疫情期間肩負著聯繫消費者和外界的重責大任,PChome 24h購物從揀貨員、出貨員、物流士到客服、行銷等同仁,無不一心想讓貨品盡早送到消費者手中。然而,當台灣疫情進入第三級警戒時,許多過去未曾見過的情況突然襲來,在這個險峻的時刻,對 PChome 24h購物來說,品牌對社會的企業責任以及消費者對品牌的信任感,才是我們的使命。因此,在有限的資源與緊迫的時間下,我們在第一時間發布了無法 24 小時到貨的消息,也做出下面一連串的選擇:

讓消費者買得到的安心,商品不斷補貨並由自家倉庫出貨把關:

去年疫情剛爆發時,所引起的生活必需品搶購潮歷歷在目,因此我們堅持要讓消費者可以買得到貨、確保供貨無虞,因此訂單爆量增加,以前所未見的倍數成長。同時,為了維持一貫的品質信賴度及貨物安全,PChome 24h購物站上的商品有超過 9 成都是由自家倉庫揀貨,進行品管及消毒後再出貨,出貨量能也因此被壓縮。PChome 24h購物堅持讓消費者能根據自己的需求多樣化選購,在居家防疫生活中也能夠維持生活品質,就算單一訂單內有多樣商品,為了避免多次接觸以及讓消費者收貨便利與環保考量,我們盡量讓同一訂單的商品同一箱出貨。

PChome 24h購物倉庫進行嚴密消毒,確保商品出貨安全無虞。/Photo Credit:PChome 24h購物

同時保護員工與消費者,第一時間分流、全體員工保疫苗險、物流士接種疫苗:

PChome 是一間以人為本的公司,我們陪伴大家二十多個年頭,更視每一位員工為夥伴、視每一位消費者為家人般重要。因應第三級警戒,辦公室員工全部分流輪班。疫情期間,無論是熱區或是醫院周邊,我們仍保持配送,在疫情驟升的第一時間裡,倉儲配送便立即分艙分流,讓物流士根據所在地進行不跨區運送,降低接觸感染的風險,確保貨品與消費者的安全,出貨的動能因此受限。在 5 月時,我們也幫全體員工購買疫苗險,至今物流士們也已陸續施打疫苗,針對已接種疫苗的物流士,也提供辨識胸章佩戴在胸口上,方便員工及消費者確認身分,也更加安心。

不再打破承諾,進度透明化滾動式調整:

這段時間我們不斷滾動式調整配套措施,並研議針對物流狀態進行站上及 APP 系統優化,我們了解消費者連日等待以及對於 24h 的信任破滅所產生的焦急,不能夠讓消費者失望,因此 PChome 24h購物堅持系統優化測試以及出貨通知的準確率,也都需要達 95% 才能上線。消費者十分在意的出貨問題,我們針對塞車的訂單以 email 通知出貨天數,並安排客服專人專線處理,訂單爆量的過渡時期,更是電商唯一將網站 500 萬種商品均標記「預計出貨天數」,讓消費者下單前,可參考各商品頁面的出貨說明及預期出貨天數並依需求選購。

做出上面每一個選擇的同時,我們也深知不論選擇哪條路,都必須要付出某些代價,消費者對 PChome 的期待,讓我們持續努力推出各種功能優化及擴大服務:

結合 AI 大數據及自動化倉儲與物流,超過百萬種商品 24 小時出貨,新倉庫也將在明年啟用:

因應疫情間消費者即時的需求,我們也即時推出虛擬「PChome 便利店」,利用 AI 大數據篩選消費者真正需要的生活用品,也調撥有剩餘動能的倉庫且啟動自動化系統,並引進 AGV 無人搬運車,提升自動揀貨效率,使便利店專區商品預計一日內就可出貨,讓消費者能透過緊急採購入口,便利挑選、一站購足防疫期間所需,宅在家也能安心購物。

PChome 便利店,利用 AI 大數據篩選消費者真正需要的生活用品,搭配自動化倉庫,穩定一日內出貨。/Photo Credit:PChome 24h購物

PChome 24h購物長期與多家物流商合作,平時即依據出貨類型與時段彈性安排運能以滿足客戶需求。面對疫情的現階段,我們將持續滾動式調整倉儲、物流及客服的服務能量,並提供全台宅配不分區、不間斷的服務,包含醫院周邊也會持續定點配送,成為防疫生活的助力,目前已恢復超過百萬種商品 24 小時出貨。

接下來我們也將給予消費者更多服務,除了倉儲走向自動化,PChome 24h購物向中華郵政承租的 A7 新倉庫也將在明年啟用,作為跨境電商及物流中心,希望大幅提升倉儲運能,給予消費者更快更穩定的體驗,也協助台灣中小企業數位轉型,將 MIT 優質商品推廣至海外。

擴大消費者服務,協助產業數位轉型,生鮮、甜點專區上線:

在疫情期間,PChome 24h購物也看到消費者的需求,從各面向將服務擴大,如推出疫苗險專區,並提供貼心 Q&A 懶人包解決消費者的疑問。除此之外,也看見居家期間的自炊需求,推出 PChome 生鮮,新鮮蔬果雙北隔日送達,提供蔬菜、水果、肉品、海鮮等一站式購足服務;特別攜手新創品牌「鄰家鮮生」,推出多樣化的蔬果品項,同時集結大成、灣仔碼頭、麻膳堂等知名品牌,共同推廣優質冷凍食品,滿足各式家庭需求;也與法國世界麵包大賽冠軍及知名烘焙品牌 Funsiamo 武子靖合作推出甜點商品及居家烘焙 kit,讓消費者居家也能嘗試多元興趣,藉由做出美味的甜點,解決宅在家的憂鬱。

PChome 24h購物擴大服務推出生鮮專區,新鮮蔬果雙北隔日送達。/Photo Credit:PChome 24h購物

疫情的衝擊也讓線上線下的界線逐漸模糊,各行各業都需要找到新的生存方式,不少知名餐廳也都面臨轉型考驗,PChome 24h購物也與這些深受消費者喜愛的實體店合作,如教父牛排旗下新品 MUCHOYAKI,其著名的美國頂級肋眼牛排在線上就可買到,讓消費者宅在家也能安心享用美食,不僅促進產業轉型、品牌永續發展,也擴大服務滿足消費者的需求。

教父牛排旗下新品 MUCHOYAKI 的美國頂級肋眼牛排,現在在PChome 24h購物線上即可購得,在家就能享受名品美食。/Photo Credit:PChome 24h購物

選擇對環境也對自己好的商品,永續發展不能停,邀請你一起來做公益:

觀察到在疫情中,每個人都停下向外探索的腳步轉而更關注自身,消費者也開始選擇更好的商品與生活品質,我們也協同經濟部的社創發展計畫,推動有「ㄗㄜˊ」商行,協助社創商家數位轉型,精選出對環境、社會友善,品質也優良的商品,讓商家有責生產也讓消費者有擇消費,選擇自己想要的商品、生活及理想中的世界。有「ㄗㄜˊ」商行的收益也將捐贈營業額 17% 予家扶基金會,讓消費環境永續經營,也讓社會環境更美好。PChome 24h購物希望藉由電商優勢及經驗,協助生鮮、實體店家數位轉型,在面對如疫情等衝擊時能夠共榮共好,也提供消費者更全面的服務,同時也與政府、消費者一起努力,共同達到聯合國 SDGs 永續發展的目標。

經濟部與 PChome 24h購物聯手推動有「ㄗㄜˊ」商行計畫,幫助社創企業數位轉型,提倡永續發展,打造有選擇的未來。/Photo Credit:PChome 24h購物

最後感謝消費者,謝謝每一位你的堅持與信任,也謝謝勇敢的你自己,PChome 24h購物會持續陪伴大家,一起挺過疫情,攜手美好未來!

這段時間每一個人都辛苦了!鼓勵大家跟自己說聲:「謝謝一直那麼努力的自己」。學習與疫情共生成為這段時間的常態,為自己增添點好東西犒賞自己、迎接未來好好生活吧!PChome 24h購物於 7 月 24 日推出「愛的 24 力,謝謝勇敢的自己」主題方案,全站 84 折同時與 LINE 購物加碼回饋 5%,每月 24 日會員日也將推出會員獨享優惠,回饋給一直以來支持我們、以及一直那麼勇敢的每一位台灣人。

在疫情之前 PChome 24h購物堅持成為民眾 Everyday Reliable 的存在,疫情期間和疫情之後更是如此。PChome 24h購物會努力達成我們過去所有承諾,並持續提供更貼心的服務及給予社會更多正面的回饋以作為大家的依賴。這段時間,大家都辛苦了,謝謝大家的努力,每個人都值得被更好地對待。這一次,我們一起挺過!

本文章內容由「PChome 24h購物」提供,經關鍵評論網媒體集團廣編企劃編審。