【智能商业20讲】(二)未来商业的核心:数据智能

举个栗子

每年的双十一,阿里巴巴的大部分人要做的事情却越来越少,客服曾经是压力最大的部门,破天荒的第一次不用加班。

原因是什么呢?因为在这一整天里客户该看到什么产品,他们挑选了什么产品,他们的收藏夹里选了什么产品,下次他们再登录淘宝该给他们推荐什么商品,这些过程完全都是由机器自动完成。去年80%的客户服务是通过机器人完成的,不再是人工服务。

表面上看到的淘宝是一个网站,但是它最核心的其实是一个巨大的搜索和推荐引擎,让每一个人上来都能得到个性化的服务。 这就是这个时代第二个最重要的特征,由机器取代人进行决策、提供服务。

淘宝的核心推荐引擎就是人工智能的运用,它由很多种复杂的算法糅合在一起,每天进行海量数据的自动处理。互联网最成功的这几家企业,本质上都是基于人工智能和大数据。比如在谷歌上输入任何一个关键字,不到一秒的时间,它就能把全网相关的信息推送给你,这完全是超出人的想象的一种服务,只有靠机器才能做到。

未来商业会全面智能化

智能化就是未来商业的决策会越来越多地依赖于机器学习,依赖于人工智能。 机器将取代人,在越来越多的商业决策上扮演非常重要的角色,它能取得的效果远远超过今天人工运作带来的效果。

今天人工智能的技术核心,其实是机器用笨办法去算,它的所谓学习是通过概率论的方法,不断地去通过正反馈来优化结果,而不是像人一样去思考和学习。 这种机器学习的方法必须基于海量数据的校验,必须基于算法的一个不断反馈过程。 所以这个阶段人工智能带来的商业价值,它所实现的路径叫做数据智能。

这个看起来很高大上的叫做数据智能的东西,要怎样才能融入到具体的商业里面去呢?

简单来说,就是要做数据化、算法化和产品化这三件事情。

数据化

由于互联网的存在,由于广泛的连接,淘宝其实是能够准确地记录下来所有用户全部的在线行为的,而这些数据本身可以用于优化他下一次来淘宝的体验,所以没有这个数据化的积累就没有后面的一切。

算法化

算法这个词可能一般的人听了会懵,讲算法之前先要介绍一个概念叫建模型。就是一个人在某个场景下会怎么决策,先要把他抽象成一个模型,然后要找到一套数学的方法,让它能够收敛,用模型去优化他的决策。然后第三步才是把这个算法用计算机能够理解的程序写下来。

一般讲的算法是指第三步(把这个算法用计算机能够理解的程序写下来),即用代码写下来的一套回归的程序。但它前面有两个关键的概念, 一个是建立模型,第二个是这个模型要用某种数学方法解决,能够得到一个可以收敛的结果。然后第三步才是计算机的程序。

算法化 三步走

算法可能是这个时代创造巨大价值的一个新概念。

历史上最出名的一个算法叫做PageRank,这个算法支撑了谷歌这个5000亿美金公司的起步。一个最典型的场景就是,上网时在一个搜索框输入一个关键字,全网的信息就能按照关联度推荐给你。

怎么组织全网这个信息?怎么去理解相关性?怎么把最相关的信息给你推送出来?谷歌最早的创始人想到了一种模型,这个模型根据网站跟网站之间的链接和指向,来代表这个网站的相对重要性。然后他把所有网站的链接都记录下来,这就完成了数据化。但更大的挑战是你怎么来算它的相关性?他就设计了一套算法,一套数学的公式,来推导相关性。

然后才是第三步,由于计算能力的大发展,能够把全网的数据都通过这个数学公式马上计算出一个结果。再次回到这个场景下来看完整的过程,输入关键字后,通过这个巨大的搜索引擎,实际上它的核心就是这个算法,就能给你一个特定的结果,这就是算法起的作用。

产品化

算法要真正发生作用,离不开第三个关键的词,就是产品化一定要建立产品跟客户的直接连接。 这个产品在上面的搜索案例中,就是搜索结果页,更完整地讲是一个搜索框加上你看到的那个搜索结果。

搜索结果页这个产品建立了智能引擎和用户之间互动的桥梁,你的每一次点击,你看了这个搜索结果之后你是点了第一条还是第三条,还是甚至翻到了第五页。用户的行为通过数据化的方式告知了机器智能的引擎,结果相关性够不够高,智能化程度够不够高,机器再根据这个结果去优化它的算法,给出一个更好的结果。

机器可以永远不知疲倦的24小时以秒级的速度在更新它的结果,所以它的进化速度非常非常快,从一个开始并不很精确的结果,很快就能达到一个非常精确的结果。产品化是非常重要的一个环节,因为它提供了一个反馈闭环,而反馈闭环是任何学习的一个前提条件。

反馈闭环,举个例子,学打球,动作对不对,一定要教练给你一个反馈,你改了以后是往正确的方向更对了,还是纠偏纠得更错了,教练要再给你一次反馈。这实际上就是学习、修正、调整、反馈。过程中你就能够学习、进步、提升,人是这么学习的,机器也是这么学习的。

机器能够有智能的唯一原因,就是笨机器用笨方法学,但是因为它计算能力强,数据量足够大,最后可以比人更快速地达到一个效果的优化。 通过数据算法和反馈闭环,机器就能学习,机器就能进步,机器就能拥有智能,而商业就能够实现智能化升维。

怎么赶上智能化的浪潮

核心在于能不能够创新地实现产品化,把核心业务流程在线化,这样数据才能被记录下来。然后在这些大互联网企业提供的算法工具包里,去挑一个合适的算法。

做到数据化、算法化和产品化的三位一体,就拥有了数据智能这一核心引擎。产品提供反馈闭环,数据作为原料,交给算法去处理,你的业务就变成了一个智能业务。 你就能比你的竞争对手每天都越跑越快。这是未来竞争能够脱颖而出最重要的一个秘诀。

三位一体

小结

(1)机器智能将推动绝大部分的商业快速智能化,这将决定大部分企业的未来生死。

(2)实现机器智能的核心是创造性得把核心业务在线化,从而实现数据化、算法化和产品化的三位一体,让商业拥有数据智能这一核心引擎。

思考

10086APP资讯平台内容精准推荐功能   思路

数据化:建立了基础的内容指标数据体系,并定期监测、统计、分析,用户阅读行为

产品化:每日更新的资讯feed流,提供了上百条内容,通过用户的点击行为可以得到反馈

算法化:分析用户的浏览/点击行为,预测用户喜好,以此推荐更贴近用户需求的内容(千人千面)

存在的问题,对比外部竞品,如头条等,用户行为数量远远不够,同时如有结合用户主观选择的标签喜好,可进一步优化模型的算法。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 195,898评论 5 462
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 82,401评论 2 373
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 143,058评论 0 325
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,539评论 1 267
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,382评论 5 358
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,319评论 1 273
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,706评论 3 386
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,370评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,664评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,715评论 2 312
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,476评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,326评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,730评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,003评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,275评论 1 251
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,683评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,877评论 2 335

推荐阅读更多精彩内容