買房看房價,投資更要看房價趨勢

疫情對於房價到底有沒有影響?

實價登錄新制於今年7/1正式上路,希望民眾可獲得更透明、即時、正確的不動產交易資訊,而房價問題以及成因一向是社會大眾關心的重要議題,加上今年新冠肺炎疫情,眾說紛紜,有些人說漲,有些人說跌,而我個人對於這個議題也感到十分好奇,所以決定利用公司的數據分析平台JarviX對實價登錄的大數據進行分析,帶大家來快速觀察台灣房價近年的趨勢走向。

要先取得實價登錄資料

要做數據分析當然要先取得資料。直接到內政部網站的Open Data處下載實價登錄的數據集CSV檔就可以了。北市和新北市一直以來都是比較熱門的房屋買賣地點,所以我這邊是先下載了近六年雙北市(2014年1月1日至2020年 5月22日)的房價資料。

用AI快速處理資料

為了更快速、準確地分析這包數據,將整理過後的CSV檔案匯到JarviX 系統中,便能直接建置資料欄位,並編輯篩選資料欄位:選擇交易標的街道名稱建物型態年月縣市房屋年齡等6個欄位。並移除備註、編號、非都市土地使用分區、非都市土地使用編定、區段門牌等7個不需要的欄位。


2020年新冠肺炎衝擊全球,同時也加速推動了數位轉型的需求。許多企業開始意識到:「數位轉型」的成功與否,將關乎到企業未來面臨危機時的應變能力!由於疫情爆發以及科技變遷的影響,人們的消費型態不斷地在改變,企業也必須擁有隨時應對市場趨勢的能力。開始運用數位科技轉換公司企業的營運模式與客戶體驗,才能真正提升企業的競爭力。

數位轉型三階段,困難的在最後一步「商業模式的轉型」

許多人以為只要自動化就等於數位轉型,但其實這是錯誤的迷思。想要真正成數位轉型成功的,必須要通過以下數位轉型的三大階段:

Stage.1 數位轉換:將企業的設備與資源進行優化與升級。ex.自動化機器取代人力
Stage.2 數位升級:將工作流程數據化、自動化,提升人均產值與整體運作效率。
Stage.3 數位轉型:突破原本舊有的商業模式,達到商業模式的轉型

商業模式的創新 從「提升客戶體驗」下手

大多數企業要做到前兩階段的數位轉型並不困難,因為真正的關鍵其實是在第三階段 — 透過數位轉型來突破舊有的商業模式!這也是許多企業在推動數位轉型時最容易卡關的部分。其實商業模式的價值主張就在於企業能提供給消費者什麼樣的產品或服務,進而幫助消費者解決問題或滿足需求,換句話說啟動商業模式的轉型,重點的項目就是提升客戶體驗(The customer experience)。

拜科技所賜,透過大量數據的收集,現代企業已經可以運用數位科技來進一步優化客戶體驗,而這又可以從以下兩大關鍵處著手:分別是產品服務(Products/Services)與客戶接觸點(Touchpoint)。

一、產品服務(Products/Services) — 個性化客戶體驗

為客戶提供優秀的產品與服務是企業最核心的目標。打造良好的產品體驗有許多方法,譬如提升客戶對產品或服務資訊的可見性,增加用戶「掌握狀況」的感受。此不但能讓客戶在使用產品時能更放心,也能同時提升其對服務與產品的滿意度與易用性的感受。另外打造個性化的客戶體驗也十分重要,現今的客戶都希望被視為獨一無二的個體。根據跨國管理諮詢公司Accenture的統計,有75%的客戶表示更願意向提供個人化服務的公司購買產品。

二、客戶接觸點(Touchpoint) — 打造品牌價值

而商業模式要持續成功,還需要有正確的客戶接觸點(touchpoint)。所謂的接觸點就是客戶與產品間各種互動的情境或環境 — 形塑客戶服務體驗的任何機會,連帶能提升品牌價值。從量的提升,除了確認每個接觸點都能反應品牌的價值以及建立更多有效的接觸點之外,到質的提升,要能整合這些接觸點的資料,才有機會能夠獲得比一般客戶資料或交易活動更深入、更有價值的情報。

隨著大數據時代的來臨,雖然企業能快速掌握大量客戶反饋,但要處理這樣龐大資訊往往需要更高的人力技術與時間成本。因此企業內部若能夠擁有一套更輕量的數據分析流程,將能大幅提升轉型的效率。

台鈴機車透過數據分析成功打造更輕鬆和有趣的客戶體驗

數據分析對商業模式轉型的重要性,從台鈴機車(SUZUKI)的案例便能清楚暸解。他們發現客戶在選購機車時,經常遇到資訊缺乏可見性的問題。客戶們無法輕易得知附近車行中有什麼款式的機車,除非親自跑一趟現場。而這樣受限於實體店面的銷售模式也間接導致近年機車市場的下滑。

因此,台鈴機車決定透過數據分析來觀察消費者的購車習慣。先是創建了網站「Build Your Bike」,其不但整合了各家經銷商的促銷活動與機車庫存,方便消費者線上搜尋以及選購之外,還建立了用戶線上客製車款的功能和自動化的訂單管理。成功創造了消費者更喜愛的商品 — 客製化,同時優化了產品接觸點 — 提升品牌價值,更重要的是,在打造更「輕鬆」更「有趣」的體驗同時,能夠搜集到深度消費者數據,而成功的數位轉型也為台鈴機車帶可觀的效益,光是潛在客戶的轉換率就整整提高了33%!


業務在企業中一直是十分注重「感性」與「效率」的部門。除了必須隨時應對客戶情緒上、需求上的變化之外,還須快速地掌握各個客戶在不同購買階段時的需求。然而隨著商業互動數位化的趨勢,其面臨的客戶資訊量和變動也日漸龐雜,以前單憑業務員個人經驗來判斷客戶行為需求的方法早已不再適用。業務人員需要開始放下傳統思維,進而轉向更靈活的銷售方式,才能在數位的浪潮下殺出重圍!

業務部門需要以數位化的方式去面對日漸龐雜的客戶資訊

僅僅將紙本資料數位化還不夠,要能透過分析快速獲得洞見

想在資訊量爆炸的時代找到新出路,就勢必要依靠「數據分析」的力量!部分企業很早就意識到了業務轉型的重要性,所以他們漸漸將數位科技導向了銷售領域,利用企業內部、外部的數據來源中獲得新洞見,並有效幫助公司的投資報酬率(ROI)迅速成長。且客觀數據帶來的精準洞察力也使得業務部在調整資源和營運模式方面更加迅速敏捷。

去年朋友一家在美國各地有著近十二個業務團隊的軟體公司,每個團隊都有自己收集客戶意見和管理銷售的方式。且該公司的客戶群也同樣分散,因此業務團隊之間時常缺乏協調,使得公司難以調整市場活動。為了提高企業內部的銷售智能與效率,該公司引進了工程背景的業務分析師,讓其專門處理標準化和分析數據,並系統性地蒐集業務和客戶之間線上線下的互動。另外也利用新的演算法技術,即時呈現業務員們的績效以及進行客戶行為洞察,讓公司能夠更精準地訂定銷售策略以及員工的激勵計劃。此舉不但為他們公司提高了5%的生產率,更在改變的第一年內就提升了10%的業績。

透過數據分析 企業能提升核心業務表現 開創新興業務

除了上述案例,啟動數據驅動決策(Data driven decision making)對於業務轉型的重要性還能夠幫助業務員尋找到新興的潛在客戶、精準分析市場機會與趨勢。其甚至能幫助業務與客戶建立更深層次的關係,若能夠透過數據分析確定交易成功背後的因素,便有機會能再向這些現有客戶進行追加銷售或是交叉銷售。


8月6–7日,聚焦圍繞「JarviX智慧企業數位轉型研討會 」為主題的活動熱鬧結束。企業如何在傳統精益生產過程與數字化結合,推動以數據管理加速精準決策達成企業運營目標,全台各重點產業軟體經銷商皆派精銳夥伴來參與研討會,搭上共創協助企業數位轉型升級列車!

本次活動由Synergies美商訊能集思主辦,研討會在三創數位生活園區11F科技育成基金會StarRocket開課。在兩天的課程交流中,特邀麻省理工張宗堯博士分享其對產業數位轉型觀察心得,為此次活動揭開序幕。前捷普綠點CEO江懷海博士等多位顧問專家也蒞臨現場,就傳統商業模式探討數字化轉型與數據分析趨勢、互聯網思維商業模式、未來產業新生態等主題內容傾囊相授,帶動參加夥伴們的熱烈討論,創造了一場不可多得的商業知識盛宴。

會場照片由StarRocket提供

數字化轉型與數據分析趨勢

過去企業傳統的決策過程中,面臨的難題有哪些?大部分的企業沒有收集足夠的數據憑藉的多半是傳統思維與企業主管的直覺。有數據可以使用的企業,因為缺乏好用的工具,需要另外聘請工程師團隊,從分析需求的提出、數據的分析到報告的產生,可能要幾天到一週的時間,效率很低。放眼未來5年內,數位轉型是企業都必須去做的事情,在這當中有很多機會,但是前提是要透過數據分析做決策。Synergies訊能集思全力打造一個增強分析產品JarviX,結合新的AI演算法與NLP技術,幫助使用者可以更輕易、快速做到數據分析,並且讓企業內部數據可以有效的被利用起來,成功數位轉型。

數位轉型的思維相對於傳統思維而言,核心差異是在物聯網時代背景下,產品與服務對客戶零距離、網絡化,其價值鏈上更加專業化、扁平化,是對傳統產業的改良和改善,是一種商業革命的思維方式,更多實現管理無邊界、決策高效率、應變零時差 。


常有人覺得數位轉型是大型企業的專利,自己的企業不夠大,就不該有這樣的「奢侈品」。但事實上,數位轉型是企業在下一個時代的基本生存技能,而人工智慧作為數位轉型的核心技術也會扮演至關重要的角色。

從數據中尋找創新,從創新中蒐集數據

比方說,我們可以看到最近豐田開始推動數位轉型,透過大數據分析,在商業模式創新、客戶回饋、以及數位產品三個面向提升服務品質,從一個傳統的汽車製造商躍變為移動公司(Mobility Company)。許多歐美二手車商也在推動全面數位轉型,BMW也對外宣稱2025年的時候,要達到一億個用戶,這邊指的並非賣出一億台車,而是一億位使用BMW科技服務的用戶。

一旦企業數位轉型成功,競爭者不易追趕

除了汽車產業以外,我們也可以參考披薩行業的兩大巨頭 — 必勝客與達美樂披薩。長期以來,達美樂市場佔有率一直比必勝客還小,但是,在8~9年前達美樂推動全面性的數位轉型,透過大數據分析,發現原來自己餐點竟然有25%是從網路或者手持裝置來的,達美樂毫不猶豫的開始打造自己的點餐App,並持續利用人工智慧、數據分析相關自動化技術提高對客戶個性化服務的能力,在維持高服務水平同時也降低內部成本,被自動化的人力則轉為做數據分析工作,進一步提升公司效率。根據達美樂披薩去年公布的數據,現在這家公司有50%~60%的間接人力參與進行數據分析工作,透過網路點餐的人流也提升到65%,這反映出來的效果非常驚人,在過去九年,他們的股價提高了25~30倍,但是在同一個時間,必勝客的母公司股價只提升了兩倍左右。從這個例子可以看到,這樣的機遇是先搶先贏的,一旦企業數位轉型成功,競爭者是很難追上的。

數位轉型有三步,過了第三步才算成功

多數人都會覺得數位轉型就是花大錢買新設備,讓所有東西都數據化就叫數位轉型,但其實數位轉型分成三個階段,一是數位轉換、二是數位升級、最後一階段才是數位轉型。

第一階段 — -數位轉換,也就是數據化

在這個階段是透過設備和資源的優化配置,把類比訊號轉為數字型態的轉換過程。用一個最淺顯易懂又常見的例子來說,就是從類比電視到數位電視、膠卷相機到數位相機。那以製造業為例的話,其實就是透過製程的自動化來降低人力。

第二階段 — -數位升級,把流程數據化

在這個階段,就是把工作流程進行數據化,讓工作協同效率、資源利用效率都可以提升,也為企業創造資訊化價值,以製造業而言,其實就是透過流程自動化來提升人均產值。

第三階段 — -數位轉型的關鍵,突破現有商業模式

上述兩個階段對許多人可能都不陌生,也有一部份的人常會覺得完成前兩階段就是成功的數位轉型,但事實上最關鍵的是第三個階段,也就是透過數位轉型來突破現有的商業模式,比方說由標準化大量生產改為客製化生產,這裡的客製化生產就是從客戶體驗或者從市場反饋而來的需求。又或者以Synergies的一個綠能產業客戶為例 — 在綠能產業,發電量和收入直接相關,而維運品質的好壞則會影響發電量,因此維運向來是綠能產業的一大難題。過去,這個客戶每年都要花費大量成本在維運上面 ,但是現在透過AI數據分析系統,就可以精準判斷每一塊太陽能板的清洗維護時機和問題診斷,成功降低維運成本並改變商業模式,達成全面性的數位轉型。這個階段是三階段當中最有挑戰性的,許多企業進行數位轉型常常會卡在這,如果你的企業在這裡突破的話,通常就會遙遙領先同業。


關於BI商業智慧(Business Intelligence)的文章,網路上已經不乏各種介紹。BI常被用來解讀過去的資料,例如:銷售數據、營業成本或銷售收入等數據,讓決策管理者隨時隨地獲取關鍵資訊,它的確是有各種優勢:BI可以快速回應報表需求,準備好資料,讓你可以順利交出報表;在資料視覺化也是推坑的一大重點,讓你不用再花時間去拉EXCEL或PPT做圖表。

目前市面上的BI軟體主要以報表作為結果呈現,因此也有人認為報表工具就是BI軟體,或是認為Excel也能夠作BI軟體做的事情。

但實際上,像EXCEL這樣需要人工處理的報表可能有以下的情況:

  1. 人工出錯機率高:隨著決策者對分析的要求越來越高,於是報表越來越多、越來越複雜,最後大量的手工處理的報表,出錯機率也大幅提高
  2. 取得結果耗時:由於仰賴人工處理流程,在資料搜集匯出、資料統整…等階段一來一往的過程耗時極高,因此無法及時得到想要的結果。

而當彙整報表開始需要花費越來越多時間時,許多企業開始設立專職的人員負責報表製作,但仍無法人工流程的限制。

其實BI軟體除了報表功能之外,更著重在資料匯入的便利性、統整效率的提升、即時產生高複雜的報表、方便探勘資料、及隨時掌握關鍵因子…等功能。

商業智慧(Business Intelligence,BI),簡單說就是「輔助決策者的分析角色」,用來讓決策管理者對企業獲取的大量數據,透過報表和圖表,有一個概略性的認識,進而輔助決策。簡單的來說就是進行商業數據分析。

而商業數據分析的目的就是要「挖掘數據背後的訊息」,透過這些數據分析,企業可以訂定決策、針對外在需求變化採取即時行動,進而達成想要的結果。這才是商業數據分析的核心價值。

那麽要怎樣才能挖掘出數據背後的訊息,以支持企業決策呢?

世界權威顧問機構Gartner於2013年整理出一套數據分析的類別,包含以下四大項,

  1. 描述型分析(Descriptive Analytics)
  2. 診斷型分析(Diagnostic Analytics)
  3. 預測性分析(Predictive Analytics)
  4. 處方型分析(Prescriptive Analytics)


2013年畢業之後就一直在前端(Frontend)的圈子裡,大部分的時間都花在使用者介面的設計。什麼是介面呢?簡單來說就是一個容許外部的操作與內部溝通的方式。操作的那端因為直接面對使用者,需要盡量簡單、直覺,但是如果希望能解決困難的問題,內部必定要有非常強大又複雜的功能,那外部操作又很難簡化。

電視遙控器就是一個很好的例子-要越多功能,遙控器就得長得越大支,大到一個你手很難拿的程度,才塞得下各種按鍵。

現在企業很熱門的數據分析也是如此。數據量如此大,欄位如此多,再加上分析的各種需求,整件事就變得很複雜,那可能是一支你單手無法掌握的遙控器。但是因為不做不行,規模比較小的企業就只能硬著頭皮,要求員工用Excel做分析。撇除每個辦公室裡面可能都會有那麼一位自帶光芒的Excel小老師,公式複雜度恐怕就讓人敬而遠之了。更別提Excel對於大數據的處理能力,光是分析一份資料有時候就要橫跨多個csv檔,讓人暈頭轉向。

有些規模比較大的零售企業,能花錢買一個市場上較知名的BI(商業智慧)軟體,再搭配一整組的IT來做分析。但是,真正分析的需求端,像是業務或者MD(商品開發)因為不會寫Python,只好先把自己的需求跟IT部門溝通清楚,才能進行分析,前後要花上幾天的時間。這就像是你跟另一半一起看電視,她抓著遙控器,你要轉台還要透過她,光用想的都覺得難上加難。

當然你也可以自己試著寫Python做數據分析。

如果有一支遙控器介面乾淨簡單,人人都會使用,按下去就能自動執行相對應的功能,那該有多好?從數據分析的角度來說,這就是新一代決策輔助系統想要完成的事-提供完整BI功能,也加入了人工智慧演算法的輔助,透過自然語言處理了解使用者想要問的問題,更能建議適合的演算法,自動分析將巨量數據視覺化,達到真正的自助式分析(也就是像你、我這些非數據分析背景的人也可以做分析的意思)。

假設你說想找出一雙特別的運動鞋。你可能從運動鞋三個字開始,最後經過數次搜尋結果,你輸入Nike黃色馬拉松運動鞋,才終於找到喜歡的款式。而數據分析也是如此。你一開始想問的問題不見得能直接幫你找到洞察,如果什麼事情都要跨部門協調,這樣來來回回很花費時間,所以一套自助式分析工具就變得很重要。

好的分析工具要人人都能使用

要做到這件事,首先你需要一個簡潔的介面,最好還是大家熟悉的互動方式。好比說利用類似搜尋的方式,讓系統可以自動推薦你可能想更深入找的答案。就像我們天天都在使用的-你查找資料使用Google的搜尋、旅遊找住宿要透過Airbnb的搜尋,你的外送餐點也可能是在UberEats上搜尋來的。

除了介面使用便利,容易上手,速度快,還要會讀心術才夠AI。

從數據分析的角度來說,就是你的「下一個問題」-你真正想問,但是還沒想到可以這樣問的問題。所以如果分析工具能透過演算法推薦你可能會好奇的問題,那就更完美了。


打開AI增強分析的黑盒子

為什麼人會一直做出錯誤的決策?這個問題要先從什麼是決策講起。決策其實就是在條件不確定的時候發生的偶發事件所做的處理決定,你既無前例可循,又沒有什麼規律可以參考,這種時候,任何決定都要冒著一定的風險。一部分的人呢可能就馬上找有經驗的前輩詢問了,另一部分的人可能就會憑直覺去判斷了,這時候犯錯的機率就非常的大。

又有一群人懂的蒐集資料,可能訪問一下幾個相關的人,從資料中找到能幫助自己做決策的依據,這就是我們所謂的分析,而分析是對決策的品質有幫助的。從企業營運的角度來說,過去就是倚靠一些老師傅,或者在產業打滾很久的經理呀、主管的,當計畫執行遇到問題的時候,向上呈報,主管能憑經驗提出決策建議,基本上八九不離十。但是隨著科技的進步,產業的新知識量爆增,企業營運的數據也巨量成長,決策者們越來越難憑經驗看到問題的全貌。

現在AI技術這麼夯交給機器人去決定行不行?

拜科技所賜,現在很多問題都能交給機器人和自動化去解決,那可以讓AI完全取代人類做分析嗎?未來我們人類是不是躺著收割就好?其實影響決策的因素很多,主要的兩大原因,一個是分析,另一個是原則。分析就是蒐集資料,這部分AI可以做的比我們人類更好,可能是對決策背景的資料,前因後果的資料,關聯性的資料,也因為會一直不斷有新資料,所以更適合短期利益的決策。原則就恰好相反,數字可供參考,但是原則可不能犧牲,有的管理者客戶利益至上,有的是追求市場趨勢等等,這個更適合做企業發展的長期決策。事實上,大部分的企業高層也都是先用原則做了決定,再用分析的數字去確認,這兩個因素缺一不可。隨著人工智慧的發展,人機分工協作更能取長補短,而增強分析(Augmented Analytics)就是這樣一個帶我們進入新智慧時代的技術。

憑直覺做決策VS用數據洞察驅動決策!
但是挑戰來了,不是人人都會分析呀?

增強分析(Augmented Analytics)是什麼?

在解釋增強分析以前,要先拿傳統的資料分析來做個比對。傳統的資料分析,就像是用網子在一片汪洋大海中尋覓一根針。而使用增強分析,就如同在網中套上一層磁石,快速又有方向地讓你找到那一根針。

用一句白話文解釋就是: 一種技術,降低數據分析門檻,讓任何人都可以做分析。

為什麼會出現增強分析?

大概了解了增強分析是什麼之後,我們就要來看看到底是什麼樣的背景促成了增強分析的出現呢? 簡單來說就是供需不對等,人員不匹配的問題。想像一下,一個十幾萬人的大型企業會有多少的AI分析人員在裡面?大概數字是30–50位。也就是說,每一個AI專家需要支撐近一萬名業務單位的需求。

據調查了解,有近50%的受訪企業領導階層認為資料人才的培養和資料分析工具的選擇對企業發展至關重要。卻僅有部分企業具有專門的資料分析團隊或組織。於資料分析演化研究中,即便部分企業有專門的資料分析團隊或組織,在調用資料上也須耗費大量的時間成本。在上述調查中,約有65%認為目前資料過於分散,形成資料孤島,取數過程冗長。資料分析工具部分,其專業度或技術難度過高,對企業而言,專業的資料分析工具有其高度使用門檻與進入障礙。


在上一篇我們大致提到了數據處理對於數據專案的重要性,以及面對資料不足、資料記錄錯誤或不精準兩種情況可行的解決方式,本篇將接續這個主題,繼續說明資料理解錯誤或不足、資料蒐集包含人工輸入、資料遺失或缺值的情境與解法:

資料理解錯誤或不足

進行數據專案時,時常會遇到使用者並不了解資料集內容,希望數據科學家根據資料集的內容就能臆測出如何使用該數據,甚至會發生使用者所述與實際資料無法吻合,導致浪費時間對無用欄位進行數據前處理的狀況。

舉例來說,之前跟IC封裝公司對接,資料上某欄位僅寫一個 Type,實在無法得知該欄位是某某狀態或是某某類別,如果是類別的話,是產品類別、物料類別、產線類別、還是機台類別。

因此解決方案則為,在提供資料集時,即附上簡短的欄位與數值說明、資料的背景與其他欄位間的關係等等,可以大幅度加快數據科學家了解資料,並同步釐清雙方認知上的差異,收斂大家的構想,有效減少數據理解錯誤而產生的種種問題。

資料蒐集包含人工輸入

許多專案在蒐集數據的過程中,因為受制於生產流程和儀器串接,因此無法達到完全數據自動化,造成部分資料須藉由人工輸入,而人工輸入就有機率產生輸入錯誤,因此數據自動化的程度越低,數據專案就越難進行。以下舉兩個例子說明:

紀錄方式不一致

以日期來說,同樣是 2020 年 1 月 1 日,就會遇到作業員 A 都習慣紀錄為 2020/01/01,而作業員 B 則習慣紀錄為2020–1–1,而來自歐洲的主管則紀錄為 01.01.20,而這些日期都被儲存在同一個欄位中,導致無法電腦無法解析而浪費。

寫錯數值


想要換個髮型,卻因為對自己頭型和整理習慣的不了解,導致結果和期望有很大的落差,花了錢卻得到反效果。如果在踏進理髮店前先做好準備功課,再與理髮師溝通期望的髮型;又或是跟三五好友約在酒吧,點酒之前事先確認自己的口味和酒量,再請調酒師調配,兩項事前作業都能讓過程進行更順暢,最後結果也更容易使雙方都滿意。數據專案中最耗時也非常重要的就是它的事前作業「數據清洗」,專案的成功與否,常常也都跟數據的「乾淨度」有很大的關係。

舉例來說,就曾經看過某製造業公司提供的資料集,其中時間相關的欄位資訊形式包羅萬象,甚至還有缺漏的欄位,如果未「清洗」就直接丟到AI分析平台,無論提供多麼精確且大量的製程參數及表現結果,也無法對稼動率(稼動時間/負荷時間)進行分析。

美商訊能集思智能科技

創立於美國波士頓,核心AI技術源于麻省理工學院。全球首創JarviX自然語言智慧企業決策平台,透過AI增強分析技術,降低大數據分析門檻,讓任何人都能使用數據分析做決策依據,大幅提升企業決策品質和速度,加速數位轉型。2019年受到Gartner評選為亞洲四大最酷AI供應商之一,並多次獲得國際認證。

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store