蘇春園：如何從大量的“數(shù)據(jù)”中產(chǎn)生支持決策的“智能”？
本文是觀遠(yuǎn)數(shù)據(jù)創(chuàng)始人蘇春園與《數(shù)據(jù)的本質(zhì)》作者車品覺在數(shù)據(jù)分析與智能商業(yè)方面的分享、思考之談的第三篇。關(guān)注前兩篇文章請(qǐng)點(diǎn)擊下面鏈接。
關(guān)于AI人工智能如何商業(yè)化應(yīng)用的討論如火如荼，從2016年的星星之火，2017年的燎原之勢，到今年可以說是無孔不入了。現(xiàn)在要是哪個(gè)場子沒有AI元素，主辦方都不好意思邀請(qǐng)嘉賓出席。突然有一天，有人說了句玩笑話，說當(dāng)前的人工智能應(yīng)用，只見“人工”，不見“智能”。本來是調(diào)侃一下，但大家突然感覺好想還真是這么個(gè)意思，不經(jīng)意之間點(diǎn)破了當(dāng)前AI的現(xiàn)狀，那就是呼聲很高，但落地很少。
所以就這個(gè)話題，繼續(xù)與品覺老師約茶聊天，這回主要探討如何從“數(shù)據(jù)”產(chǎn)生“智能”。尤其我關(guān)心的視角是企業(yè)，如何應(yīng)用數(shù)據(jù)進(jìn)行商業(yè)分析與決策，如何從大量的“數(shù)據(jù)”中產(chǎn)生支持決策的“智能”。接下來是我們團(tuán)隊(duì)的一些實(shí)踐與思考，拋磚引玉，大家多拍磚。
在《數(shù)據(jù)的本質(zhì)》一書中，品覺老師提到了Palantir的例子。大家都知道，Palantir是全球AI領(lǐng)域的明星公司，被認(rèn)為用算法解決了很多最為復(fù)雜的社會(huì)和商業(yè)問題。但與Palantir深度交流過之后，品覺發(fā)現(xiàn)實(shí)際上在他們的客戶項(xiàng)目里面，大量的工作是在做數(shù)據(jù)ETL與數(shù)據(jù)整合，而基于AI的算法應(yīng)用、關(guān)聯(lián)分析，只是浮出水面的那一角冰山。
在本土，我們也遇到很多類似的場景，今天也分享幾個(gè)例子。
以一家行業(yè)領(lǐng)先的連鎖零售品牌為例，這家客戶在全國有數(shù)百家門店，主營有時(shí)效性的生鮮類產(chǎn)品。我們第一次討論，確定的切入場景是門店銷售預(yù)測以及基于此的智能訂貨，這是一個(gè)典型的AI與業(yè)務(wù)結(jié)合的應(yīng)用場景。從這個(gè)場景切入，因?yàn)檫@是在業(yè)務(wù)這一側(cè)表現(xiàn)出來的顯著痛點(diǎn)，高層們都非常重視。
但正式對(duì)接之后，我們與客戶IT團(tuán)隊(duì)一起很快意識(shí)到，第一層和第二層樓（“數(shù)據(jù)的基礎(chǔ)”）還沒有蓋好，直接上馬第三層樓（“AI應(yīng)用”）是不切實(shí)際的。
具體來說，要對(duì)門店銷售進(jìn)行預(yù)測，需要對(duì)門店促銷的歷史數(shù)據(jù)以及銷售數(shù)據(jù)進(jìn)行關(guān)聯(lián)建模。門店會(huì)對(duì)不同單品進(jìn)行促銷，并根據(jù)季節(jié)因素經(jīng)常性的輪換推薦不同的產(chǎn)品。不同單品的促銷與否以及推薦力度，毫無疑問會(huì)直接影響到單品銷售額以及門店銷售額的變化。更進(jìn)一步，有些門店還會(huì)根據(jù)一些門店端非常特殊的原因，比如極端天氣或者小區(qū)周邊活動(dòng)等，進(jìn)行促銷的調(diào)整。這些促銷相關(guān)的數(shù)據(jù)，對(duì)于發(fā)現(xiàn)產(chǎn)品銷售的關(guān)聯(lián)性至關(guān)重要，是構(gòu)建模型特征工程的關(guān)鍵變量。
我們與客戶IT團(tuán)隊(duì)緊密合作，對(duì)相關(guān)促銷數(shù)據(jù)進(jìn)行了系統(tǒng)的梳理，發(fā)現(xiàn)歷史數(shù)據(jù)有很大的缺失。算法團(tuán)隊(duì)花了大量的時(shí)間來構(gòu)建與尋找合適的模型特征指，但由于關(guān)鍵數(shù)據(jù)的缺失，模型效果提升很緩慢。
更進(jìn)一步追蹤，為什么這些關(guān)鍵的促銷數(shù)據(jù)在之前并沒有很好的得到留存？一個(gè)關(guān)鍵原因是BI（商業(yè)智能）的應(yīng)用還沒有到位。
客戶以往看數(shù)據(jù)做決策主要是去看POS、ERP系統(tǒng)里面自帶的報(bào)表數(shù)據(jù)，以及加上OA里面有一些匯總類或者填報(bào)類的數(shù)據(jù)。而業(yè)務(wù)系統(tǒng)里面的報(bào)表數(shù)據(jù)，與真正的BI的應(yīng)用還是有本質(zhì)區(qū)別。
BI的各種應(yīng)用幫助企業(yè)打通各個(gè)核心業(yè)務(wù)環(huán)節(jié)，倒逼企業(yè)構(gòu)建扎實(shí)的數(shù)據(jù)基礎(chǔ)。比如，通過BI里面的聯(lián)動(dòng)分析，分析某單品促銷與銷售的整體關(guān)聯(lián)表現(xiàn)，再進(jìn)一步進(jìn)行BI的鉆取分析，追蹤到具體門店級(jí)別的，發(fā)現(xiàn)某單店的關(guān)聯(lián)表現(xiàn)。
類似的這些分析場景都是非常經(jīng)典的BI分析場景，如果有了這些分析，就能夠第一時(shí)間發(fā)現(xiàn)，其實(shí)有些分析是無法進(jìn)行下去的，原因是對(duì)應(yīng)的原始數(shù)據(jù)并沒有落下來，比如前面提到的促銷數(shù)據(jù)。而這些發(fā)現(xiàn)是將進(jìn)一步的倒逼IT系統(tǒng)的完善，以及相應(yīng)業(yè)務(wù)流程的完善，及時(shí)補(bǔ)充數(shù)據(jù)完整性和一致性。
而這個(gè)層層倒逼的邏輯，在我們另一個(gè)500強(qiáng)客戶身上也是出奇的一致。
這是一個(gè)FMCG快速消費(fèi)品巨頭的中國業(yè)務(wù)，我們的目標(biāo)是將銷售預(yù)測的準(zhǔn)確率再提升5個(gè)百分點(diǎn)。
相對(duì)大部分國內(nèi)客戶而言，這家全球客戶有更深入的BI投入和應(yīng)用基礎(chǔ)，有相對(duì)完備的數(shù)據(jù)沉淀，所以啟動(dòng)AI的應(yīng)用容易很多。但是，當(dāng)真正進(jìn)入到最后1%就要落地的時(shí)候，我們遇到了很多“地雷”。
很有意思的是，這些“地雷”都不是AI算法直接相關(guān)，也基本都是數(shù)據(jù)不一致的問題。更進(jìn)一步，我們發(fā)現(xiàn)這些數(shù)據(jù)基礎(chǔ)問題，都是出現(xiàn)在相應(yīng)的BI場景還沒有覆蓋的地方。比如該客戶BI場景正要但還沒有覆蓋到品類促銷的主題分析，所以這些場景背后存在很多的數(shù)據(jù)孤島以及對(duì)應(yīng)的數(shù)據(jù)口徑不一致的邏輯。
為了進(jìn)一步推動(dòng)AI場景應(yīng)用的落地，我們與客戶討論發(fā)現(xiàn)，最快的辦法是先回到BI層面，快速的把缺失的分析場景進(jìn)行敏捷的構(gòu)建。
這個(gè)構(gòu)建的過程本身帶來了數(shù)據(jù)孤島的打通、指標(biāo)體系與統(tǒng)計(jì)口徑的一致，以及確認(rèn)了各業(yè)務(wù)部門的統(tǒng)一視角。所以，BI的不斷完善，本質(zhì)上是為AI場景的落地夯實(shí)了基礎(chǔ)。
在《數(shù)據(jù)的本質(zhì)》里面，品覺老師把“數(shù)據(jù)”與“智能”兩者比喻為氣宗與劍宗。劍宗強(qiáng)調(diào)犀利快速，而氣宗強(qiáng)調(diào)底子扎實(shí)和后勁十足。兩者的關(guān)系是以氣御劍，劍氣兼修。這個(gè)比喻非常形象。
我們提了一個(gè)說法叫：“無BI，不AI”。也許有些絕對(duì)，但這個(gè)理念我們?cè)谂c大量客戶合作的溝通中確實(shí)發(fā)現(xiàn)很有普適性。
BI與AI兩者相輔相成，當(dāng)構(gòu)建的BI分析場景越來越成熟、完善，能夠進(jìn)行算法和模型的AI應(yīng)用越多，而反之，則不斷倒逼基礎(chǔ)分析和數(shù)據(jù)的完善，形成良性的閉環(huán)。
從BI分析到AI應(yīng)用，不斷倒逼升級(jí)數(shù)據(jù)基礎(chǔ)。從數(shù)據(jù)出發(fā)，反復(fù)迭代，最終構(gòu)建企業(yè)的決策大腦。
專家介紹：
如果您想了解更多BI干貨知識(shí)，歡迎訪問36氪企服點(diǎn)評(píng)！
[免責(zé)聲明]
原文標(biāo)題： 蘇春園：如何從大量的“數(shù)據(jù)”中產(chǎn)生支持決策的“智能”？
本文由作者原創(chuàng)發(fā)布于36氪企服點(diǎn)評(píng)；未經(jīng)許可，禁止轉(zhuǎn)載。
