工智能和大数据究竟是怎么工作的?

企业在实施大数据战略时,要注意哪些坑?

如何避免这些坑?

一、人工智能是如何工作的?

我们先从一个实际的生活中的案例开始。这是我们家的人工智能,为什么装这个呢?

背景是这样的,有一天凌晨三四点,我们家的红外线报警器报警了,虽然我练过武术,但还是有点害怕。我就拿着我的双节棍去每个房间和客厅包括院子里面检查。后来我也没找到人,没找到陌生人,我猜测应该是小猫小狗把我的红外线报警器触发了,于是我就把角度稍微调了调。

但我想,这也不是办法,我能不能让我的报警器变得聪明?怎么算变得聪明?我得让它有个看得见的能力,至少我得让它看得见,我用手机也可以看得见,我就不用到院子里面去检查。所以我就加装了我们360公司的智能摄像头。

加上以后,有一天我上班的时候它也报警了,收到一条信息说我家里的门窗被打开了。我心里面有点害怕,不过一看这个摄像头传来的照片,最上面一张确实阳台的玻璃门打开了,再看,原来是我老爸去晒衣服的时候把玻璃门打开了。

又有一天报警,原来是客厅里的妈妈和孩子在活动,我家人觉得它有点报警过度,不太聪明。那么,怎么让它更加聪明呢——这就是我要谈的大数据和人工智能。

首先,我们用这个摄像头每天采集家里面所有跟人相关的图片。

采集完以后还不行,只是给它很多图片,它不知道谁是谁,要给它标记。比如说这张照片是妈妈,这张照片是爸爸,这张照片是孩子……标记得越多,它的训练级就会越大,它识别图像里面的特征就会越准确。

然后就可以去区分家人以及非家人的照片,非家人它就会认为是陌生人,这时候报警就会更加准确。

我希望通过这个案例让大家了解到人工智能是怎么工作的、需要什么样的材料。 

那么,在未来,或者已经在发生的、正在发生的,还有哪些案例呢?

拿洗衣机举例,你家里的洗衣机未来会很聪明。

1、它用对话的方式跟你说:“主人,我肚子里面已经有黑色的裤子,白色的衬衣请你不要再放进来的。”然后,你说:“没问题,请帮我分开洗涤。”

这里面用到什么技术?图像识别的技术、语音识别和语意理解的技术。

2、它说:“主人,现在是秋天,而且明天阳光充足、天气不错、太阳比较大,你不用烘干洗,可以帮你省省电。”在南方因为衣服不太好干,很多人会选择烘干。

这里面用到什么大数据技术?

洗衣机把天气预测的数据打通了,如果洗衣机没有这个信息,它就不那么聪明。刚才京东的老总也提到了数据打通、数据交易的重要性。

3、你的洗衣机说:“主人,你这件衣服今年已经洗了100次了,最近这个品牌在打折,官网上有八折促销券,要不要发给你?”

这就是大数据催生的新的商业模式,肯定会发生在我们身边。

4、洗衣机说:“主人,您平常洗衣服的时候一般会看《康熙来了》,电视马上要开始了,我帮你打开电视吧!”

它为什么有这个动作,因为它知道你这个习惯。因为这个企业把洗衣机的数据和电视的数据关联打通了,它才能够分析出这个习惯出来——这就是打通的魅力。

当然这里面也有图象识别的技术,有可能它会滞后,如果你数据库更新的不及时,你会发现原来《康熙来了》已经停播了,这是数据没打通好。

5、主人说:“好的,你太聪明了!”洗衣机可能会谦虚地说:“跟你比差远了,您可是人工智能的博士啊!”它为什么知道你是人工智能的博士啊? 

从这个生活的案例,大家应该有一些感觉,大数据在实际应用中需要什么样的技术。

二、技术实施过程中的三个坑

刚刚提到的动作分析的技术,包括图像识别、语音识别、语意理解、深度学习。我今天跟大家强调的是,大家用这些技术实施过程中可能会陷入最常见的三个误区,我做大数据做的这么多年,也被坑过很多次。

第一个坑:业务部门不知道大数据有什么用,所以他也不知道在业务的具体什么场景里面能用到你这个大数据。

所以技术团队、大数据团队就很难办了,他们只能去学习研究探索,但是有可能会产出不明显。

第二个坑:企业内部数据孤岛非常严重。

企业不同业务部门的数据库都是各自为政,跨部门想看个数据都非常难。

第三个坑:组织架构的问题。

这三个最常见也是最难的问题怎么解?

我们的建议有两点:

第一,做好数据的业务规划,

第二,调优组织架构。

三、如何做好数据的业务规划?

我说一个反面的例子,这样做有可能会导致企业在实施大数据的过程中失败。比如说今天老板觉得谁谁谁很牛,把他挖走,再招大数据团队。然后老板对他们说:“你们自己去研究吧,反正你很牛,你去研究,看看有什么大数据的威力或者武器能够帮我企业成长。”

往往这种情况就会失败,一年之后,大数据团队来做汇报,结果发现老板听不懂,也很难衡量大数据团队的产出,若是跟他讲一些团队在深度学习上的探索和研究,包括图象识别的准确率、语音识别的准确率提升等等,老板会讲:“这对我的业务有什么帮助?”

所以,我们应该反过来做,先从结果出发,从应用场景来看,大数据能帮我做什么?

这需要企业的领导人、业务的负责人和大数据的专家,三方认真地探讨和规划的。基于企业的现状和企业未来两到三年的发展规划,在这个大框架底下去看,大数据在哪些应用上对我的发展规划是有帮助的?要么是效率方面的提升,要么是业绩的直接提升,就这两方面。

认真的规划,确定了应用场景之后,再去看数据模型怎么建、产品怎么建,再去看基于这些应用场景,需要做些什么样的数据。如果数据不够,再去看和外面合作或者交易什么样的数据。

这是我总结的目前比较常用的大数据在企业里面应用场景——应用的金字塔。

最底层,就是我刚才说的数据基础平台。

这个数据基础平台非常重要,是把客户的数据形成一个客户画像存在我们公司级的数据库里面。如果不做这个工作,像刚刚我举例说到的洗衣机,它就不知道你是人工智能的博士了,对吧?所以,要先把这个基础打好,就跟炒菜一样,先把料准备好。

第一层,产品研发。

一方面可以提升产品研发效率,另外现在比较热的是做个性化的产品研发。通过规模化的手段实现个性化的定制。个性化和规模化貌似是相对的,在做个性化的生产和个性化的产品的时候,生产似乎是不能够规模化的。但是现在可以做,有案例。

第二层,通过大数据去监控异动。

比如大家最关心的KPI,你可能每天或者每个月都关注KPI,互联网企业可能每天都关注。假设你的KPI下滑了,你能不能快速地发现,发现以后要定位问题出在哪里。大数据努力的方向,是让决策足够简单,只要看一个可视化的图,就会明白:“原来这个点出问题了!”如果现在不知道,有可能过几个月你才发现这个问题,就会导致很多的损失。

再上面很多层,怎么做客户体验的优化、智能的客服,包括精准的营销、战略分析、市场分析,很多方面,如果全展开,估计两到三天才能讲完。时间关系,不展开了。 

四、客户管理怎么通过大数据支撑?

我再展开一个大家可能都关心的话题——客户管理。企业通过来自客户的收入支撑着企业的运转,那么客户管理怎么通过大数据支撑?

在这我跟大家介绍基于大数据的客户周期管理,这个方法要解决两个方面的问题。

第一个问题,客户价值的计算和预测。

你能不能通过大数据的手段去精确的计算每个客户的价值,现在的价值和未来的价值,这样你才有一个很好的基础做客户的VIP管理。

第二个问题,做客户生命周期的识别、分类和预测。

我问大家一个问题:回到你们企业里面,随便挑一个客户出来,能不能清晰地看到这个客户的状态?“状态”的意思是说,有可能这个客户过两天就跑掉了但现在还在,你能看到吗?

你能不能看到你这个客户处于磨合期,他现在磨合得不爽,你要引导他?可能不知道。或者说你知道这个客户现在处于成长期,他特别兴奋,跟谈恋爱一样,属于蜜月期,能不能趁热打铁多卖几个产品?能不能通过他的行为、爱好做精准的关联推荐和个性化推荐等等?这是要解决这个问题。 

五、如何调优组织架构?

刚才说的第二个解决方案,是调优组织架构。这个是非技术的问题,但是它很重要。

这里有两个负面案例,估计现在很多企业都是这种架构的。

第一种组织架构,每个事业部里面,或者每个部门里面都有数据团队,大家觉得很自然,没什么问题。它的问题在于什么呢?数据各自为政,不同部门的数据库标准都是不一样的,没法做关联,数据资产就流失了。

第二种组织架构,所有数据都放在一个中央级的数据部门里面,做集中化管理。这种结构有什么问题?距离不能产生美吧,业务部门觉得这些数据部门高高在上,也不了解业务,天天就是一个存储部门,数据就变成成本部门,发挥不了价值。

这两个组织架构是最常见的,如果真的要实施大数据,组织架构至少需要一些微调。

首先要设立一个中央级的数据部门,第二是每个事业部里面都有数据团队,他们分工是有差异的。

中央级的定位更多是数据的整合、公司级数据产品的建设、平台的建设、计算能力的建设等等。事业部门更多考虑,公司级大数据资产怎么在业务部门快速响应业务需求,推动业务的发展。

当然,还有一个很重要的角色是CEO,他管这个大数据部门。能够向老板汇报,这样一方面可以让大数据在决策层发挥威力,另一方面,大数据整合有很多部门层,CEO亲自管理,可以提高沟通的效率。

最后,快速跟大家总结一下我的建议:

第一,尽可能获取相关的数据,越多越好。

第二,从战略上做好规划,切入有利于业绩提升的场景,做助手而不是取代人,它的定位是助手。

第三个是集中+分布式的策略。