机器学习和大数据将会创造怎样的商业未来?

转载2017-12-07

导读:机器学习是当今人工智能领域相当热门的一个词汇,大数据也是现在的创投圈常常提及的一个词汇。这两个在实际领域如何应用,有具有什么未来趋势?奥纬咨询董事的合伙人叶俊楠 发表他的看法。

实际应用领域

 

谈到机器学习,这可能是现在人工智能领域相当热门的一个词汇,不过在我看来现在大家谈理念的比较多,讲具体应用的比较少,那么你能不能讲讲机器学习当前在消费品和零售领域都有哪些具体的应用呢?

机器学习应用的范围已经非常广泛,因为我们现在的技术发展比五年十年前进步了很多。这就相当于一百多年前刚刚发现电,随后产生很多产业一样,过去可能会影响未来五十年的发展。但是我们现在处于人工智能应用的初期阶段,未来一定会有更多我们难以幻想的应用出现。具体而言,目前在零售和消费产品领域有三大最为主要的应用:

首先是预测(Prediction):包括销量的预测、库存的预测等等。能够进行预测之后有两大好处:第一点是可以获得更多现金流。如果预测很精准,就不需要很多的备货来确保安全,预测做得好的零售商可能只需要30天或更低的库存,而预测不佳的零售商可能需要90天的库存,前者可以比后者将节省总额数亿元的现金流。另一点是可以让顾客不再会感到缺货,尤其是在进行大规模促销的时候,提升购物体验,并大大增加销售额。

第二个比较主要的应用是定价(Pricing)。因为以前百货公司产品降价,顾客很难知道,除非他刚好经过;即使知道,也不清楚具体哪件商品在降价。但现在消费者比价已经非常方便,直接在公交车上用手机就能完成。商品的价格也非常透明,所以顾客不可能不货比三家,甚至可以很轻松的货比十家。

这就需要商家做出非常迅速的反应,所以定价不再是像以前那样以周为单位的流程,而要以小时为单位。不过定价的过程其实非常复杂,有很多东西需要考虑,只是现在企业已经不可能动用比以前更多的人力来进行测算,因为那样成本太高。那么如何用机器做决策,同时考虑多方面因素,比如揽货价、利润、销量,并进行合理定价,就成为了一个迫在眉睫的问题。

举手机的例子来说,某款手机的内从是8个G,另一款手机4个G,通过机器学习就可以分析多少是合理的价差,还可以分析在消费者心目中华为和三星的合理价差,以及大屏幕和小屏幕之间的合理价差等等,这些都是机器通过学习可以掌握的。

再有一个比较大的应用领域就是促销(Promotion)。当做大型促销的时候比如618或双11,零售商需要跟供应商谈判,希望做打五折的促销活动,而供应商可能会质疑,为什么这样的促销会有利?零售商就需要给出一个评估促销效果的方式,来说明从前是怎么做的,会得到什么样的效果,再将这些历史数据呈现给供应商,但供应商仍然会认为以前从来没做过五折的促销,折扣太大会对自身利润有很大影响,所以对促销是否有利会非常怀疑?这时候零售商如果用了相关的算法,合理的估计了未来的结果,就可以说服供应商推动更大力度的促销,实现双方的共赢。

当然促销除了价格,还有形式的问题:到底是买二赠一还是秒杀,满减还是直降,有很多不同的形式。过去选择促销形式都是凭个人经验。但今天可以通过机器学习所有数据画出清晰的图形,让我们直接知道打几折并且对什么产品以什么形式进行促销效果最好。

未来应用趋势

 

如此看来在零售和消费品领域,对机器学习的应用已经是比较普遍了,那么我的另外一个问题就是,应用机器学习的效果到底怎么样,是否实现了预期的效益?

其实关于有效性,前面提到的三项应用在产业领域已经非常成熟了。这是一个方法不断升级的问题。以预测为例,预测的误差从二十年前到十年前到现在再到以后,会一直缩减。每一次升级我们都会因为预测更精准,减少了库存而得到更多的现金流。定价也一样,因为定价我们会区分到每一个商品的价格感知,这个要涨价,这个要降价,所以一般而言我们会做一个对比实验,某一个区域,这一部分商家沿用旧系统,那一部分商家启用新系统,看会不会有明显的差异。我们可以知道客户的敏感性。虽然通过机器学习的计算开始会有一定的误差,但是每次更新都会获得更好的结果,这就是机器学习的优势。

除了前述的预测、定价和促销三个方面的应用之外,机器学习还在其他方面有所应用么?

除了上面三个P之外,针对个性化(Personalization)的应用也非常重要。如果将人群再细分,比如有些人对价格不敏感,只对商品品质敏感,厂商就没必要给它很大的折扣。再比如,即使有些人对价格敏感,但是买这瓶水或那瓶水,相差几元钱并不在意。所以这些都涉及到个性化的问题。

但是针对个性化的算法会比较复杂。首先,因为要看的不是一个普通的客户,而是很多客户,所以需要分析的数据会更多,需要考虑的地方也更多。所以大多数商家会选择先做好前三点。毕竟连定价都做不好,就要发个性化优惠券,做个性化广告,不太现实。

当然,机器学习其实还有很多应用的地方,包括供应链优化,搜索结果优化,CRM等等。

除了机器学习之外,我们也经常会听到另外一个概念就是深度学习,大家众所周知的Alpha Go和Alpha Zero使用的就是深度学习的技术,那深度学习在前述领域会有怎样的应用价值呢?

“深度学习”是“机器学习”的一种,“机器学习”又是“人工智能”技术的一部分。比如说“深度学习”就要模仿人的思维模式来做一个模型,目前这方面还很初步。个性化这一应用的背后就靠这些方法推动。这就好比有电才有初级的电子产品,才有计算机,才有手机。如果这些方法越来越成熟,未来的应用会越来越广。

通过深度学习还可以进行图像识别,虽然这项技术可以用于商业领域,但是目前还在进展中,非常不确定。但五年之后会越来越成熟。除了图像,还有声音,还有人脸识别。这些方法目前可能没有单独的用途,但是会包含在个性化里,成为一个元素。所以这些方法越来越成熟,会使这些用途得到升级和扩展。所以未来个性化一定会有非常大的改善空间。现在我们能做到的是将顾客分群;而通过深度学习最终可以做到的是了解每一个消费者的不同点,不再分群,而是将每个人都单独对待,从而达到一对一的营销最高境界。

企业应用基础

 

刚才我们主要谈到的机器学习和深度学习的应用领域和未来发展的问题,现在我想了解下不同主体比如零售商和品牌商对机器学习的应用情况和差异,您可以就零售领域来介绍一下么?

从我们的经验来看,就机器学习的应用深度而言,显然电商的应用>零售商的应用>品牌商的应用。品牌商始终处于劣势,因为如果想发挥机器学习的价值必须同时具备数据和分析方法,而品牌商显然缺乏足够的消费者数据。

其实过去几十年品牌商都处于一个数据的劣势。因为那时的产业链条是:品牌商卖东西给零售商,零售商再卖给消费者,所以品牌商永远都拿不到最完整的消费者数据。品牌商只知道,这个月给零售商3000瓶水,至于最终卖给谁了?并不清楚;为什么卖多或卖少了?也不清楚。这就是他们处于劣势的一个状态。

因为如果零售商坚持不给品牌商数据,即使品牌商有再强大的数据分析能力也没有太大意义。所以现在很多品牌商挑选合作的零售商时都会要求:一定要提供相关数据,但显然零售商只会提供分析过的二手信息,而不会给原始信息,因为他们也想保住这一优势,从而在采购谈判中获得话语权。

但是现在情况已经开始有所不同,品牌商可以一开始就通过电商渠道卖东西给消费者,数据已经打通了。所以很多品牌商认为最好的方法就是跟BAT合作,因为他们不一定有能力和必要自己建立一套大数据系统。而对于消费者喜好BAT所拥有的数据也会丰富很多,所以与电商平台合作获得更丰富的数据,也更有利于改善自己的产品和业务,因此长远来说是一举两得,这也是为什么电商渠道备受品牌商欢迎的原因之一。但在这些与BAT在数据与AI领域的合作中,也需要同时考虑战略控制权。如果公司完全依靠外部力量来进行消费者跟踪、分析和预测,那么他们可能会失去对成功核心要素的战略控制权。

如此看来对于企业而言,现在的确已经到了可以通过大数据和机器学习挖掘数据价值的时候了,但是对于一个企业而言要具备什么样的条件,才能去实现这些价值呢?有门槛吗?我相信这也是很多企业想问的。

我认为如果想通过机器学习帮助企业创造价值,有三个方面是至关重要的。

第一,  有没有所需的数据?

第二,  有没有合理有效的算法?

第三,  有没有真正有用的应用场景?

第一个是数据。有统计说现在世界上90%的数据都是过去两年产生的,之前很久数据量都很少,而且数据质量很差,串联不同数据也是很大的难题。因为从前没有方法和能力来分析这些数据,就没有很好的管理这些数据。而现在有了成熟的分析方法,开始重视数据,但是却发现原来积累的数据质量有很多问题,难以实现应有的价值。所以这是一个恶性循环,提醒我们一开始就要对数据的质量有足够的重视。

不过,对于低质量的数据虽然没有根治的方法,但是仍然可以加以改善并且创造价值,这也是很多项目的第一步,也就是所谓的数据清理。但是有很多人不理解为什么在数据清理上要投入那么多时间和资源,其实逻辑很简单,不这么做,结果一定不是最优的,甚至可能没有任何价值。这就是所谓的“巧妇难为无米之炊”,Garbage in, garbage out.。

第二个是场景,即商业应用场景。比如采销人员发现竞争对手降价10%,那么现在他需要一个app,来帮助他分析出:必须降价5%,才能实现销售额增长以及市场份额的维持。这就是商业应用场景。常规的情况都是先有了应用场景,再去想有没有方法来实现这个结果,而不是反之。而这需要不同业务部门的人,从不同的视角,运用不同的知识思考,来构建出一个有实际意义并能落地的场景,才能利用机器学习为企业创造价值。

第三个是算法。其实算法技术本身倒是其次,更重要的是公司的CEO必须相信好的算法确实可以创造价值。因为打造一个好的AI产品需要各个业务部门的人来合作。即使采销人员很相信这套方法,但是其他部门的人不懂算法,企业的高管也不熟悉这些技术,他们就想不出创造价值的可能性,也无法真正推动这件事情产生结果。而如果CEO相信算法能够创造价值,这些就都不是问题。所以我们希望越来越多的公司是由CEO驱动人工智能项目的发展。

咨询模式差异

 

由于我们长期以来一直专注于研究咨询行业,所以我想了解基于大数据或人工智能的咨询项目和传统的咨询项目有什么区别?

一般而言传统的战略咨询项目只做决策,也就是未来方向的确定,不做落地,绝大多数战略咨询公司都是这样。而一些客户公司的项目落地,实际上指的也是PMO的角色,即项目推进的具体协调。但是对于大数据和人工智能相关的项目,很多客户就希望我们把战略和落地都做好,是因为他们希望当初打造的理念和最终的结果呈现是一致的,否则两个团队之间 (负责战略和负责落地的) 频繁的沟通一定会失去一些东西。比如做算法的人如果不了解战略背后的意义,很可能他的算法过于复杂,导致时间和金钱投入的浪费,我们也遇到过很多这样的问题。

这也就引发下一个问题了,会不会因为项目团队中既有咨询顾问也有数据科学家而导致双方在思维方式上有冲突?他们又是怎么合作的呢?

如果一个人懂业务,另一个人懂算法,那么我们团队的结构和客户公司就没有很大的差别。懂算法的人不清楚这样做对业务有多大影响,懂业务的人也不清楚什么样的算法才能给客户带来最大的价值。这之间的沟通成本就会高,效果也不会好,很难呈现给客户一个当初想呈现的理念。但是如果同一个人两者都懂,沟通成本会低很多,也能够将战略和算法融合起来,创造最大的效益。所以我们要求我们的团队必须同时懂算法和业务,当然这个也是非常困难的。

更具体的话,比如你们会有程序员专门写代码吗,还是全部由具备两种能力的顾问来完成?

一般而言都是我们的咨询顾问把算法代码写好,然后客户的IT团队就负责把代码融入到客户系统里面,就是把将算法代码转化为产品系统需要的语言,并把算法所需的数据来源连结起来。当然也有些客户也会要求我们做完最后一步,直到系统上线为止。如果再具体一点解释,其实实现大数据和机器学习价值的程序员在业内其实分两种:一种就是用程序实现功能的人也就是算法工程师,另一种则是系统开发者。前者将所有的代码都写好,后者负责将代码工业化,即融入系统。这里的开发者就是刚刚我说的后一个步骤,在客户内部推动价值最重实现的那群人。

还有一个我相信大家都会比较感兴趣的问题是,咨询公司在做这样的项目时,在将战略转化成算法的过程中,是否有直觉的成分?这个过程又是怎样完成的?

当然,对于算法选择方面,我们会先凭过往的项目经验来确定大概用什么方法会比较好,然后需要跟客户进行深入的交流,包括测试结果、好处、坏处,这也是非常重要的环节,因为只有客户才对他们自身的情况最为了解,也只有充分了解这些数据的特点我们才能通过算法创造实际的价值,所以双方的配合是至关重要的。

有些算法对计算某些难题比较精准,但这些方法背后的逻辑往往难以解释,就像一个黑盒子(black box)一样。所以即使效果很好,但如果客户必需我们为每个计算结果详细解释背后的逻辑的话,我们能够选用的算法就可能因此被限制了。这很大程度上要看客户公司的文化。之后我们还会做测试。比如做汽车引擎,同样的引擎装在不同车上达到的效果不同,我们需要找到最佳方法(引擎)来为这辆车打造最佳效果。所以经验或者说直觉、沟通和测试相互结合才能使得算法和数据发挥出最大的价值。

远期发展方向

 

不过不管怎样,我觉得将大数据和机器学习与咨询项目进行融合都是咨询行业非常令人激动的发展,所以我非常想知道为什么你们公司会较早的开始推动这个领域呢?未来又会有怎样的趋势?

其实我们的第一个大数据项目是在80年代,主要应用在金融领域,当然也有在零售领域,只不过那时候还没有大数据和机器学习这些新潮的词汇。这两个领域的特点是数据资源都比较充足,所以就有着相当大的数据价值挖掘空间。90年代,我们在这方面已经有了比较多的经验,但一直没有将咨询环节和落地环节分开,因为我们认为这都是核心能力的体现。直到2008年,我们的OW Labs才正式成立。

我猜想未来更多的公司无论咨询公司还是企业会将数字化打造成一个核心能力;而不再是独立的部门,否则难以生存,因为现在数字化变革已经遍布在企业的各个角落,通过机器学习等工具来挖掘数据的价值也将成为每个企业的必由之路。

这也引发了我的另一个问题,如果说以后咨询项目会在更深的程度上融入大数据和人工智能技术,那么以后咨询顾问是不是只有一个MBA就不再足够了,而需要在计算机等更专业的领域有所涉猎?

其实,当然商科基础还是非常重要的,而且在顾问入职之初都会要学很多的东西,其中就有思考并解决问题的方法、沟通技巧、Excel Modelling等等。但是在我看来,随着人工智能技术的不断发展,对这方面的技术的理解和掌握的确是越来越重要了。因此我觉得未来咨询顾问的培训也会有专门的SQL Modelling,Python Modelling, R Modelling等等。因此编程很可能将是未来咨询顾问必须具备的能力。

当然我相信通过大数据和机器学习辅助咨询项目的展开会获得更好的结果。对于客户而言,因为能直接看到成果,他们在咨询上的投入也会变得更有意义。不过您觉得在做这些项目时,会不会遇到一些过往没有遇到过的问题呢?

结果的预知仍然是常见的问题。现实是在项目启动之前,在不完全了解内部真正的情况和数据的质量的情况下,很难具体知道藏在数据里的宝藏到底有多大的。这与典型的咨询项目某程度上是比较类似的,虽然客户非常希望达到他们所预期的效果,但是很多时候,项目启动前很难评估能够达到的具体效果。但是两者还是有明显区别的,典型的咨询项目由于没有落地执行,具体效果在项目结束后往往还是一个评估值。大数据和机器学习辅助的咨询项目在项目结束后基本已经落地上线,具体项目效果通常已经真正实现,所以比典型咨询项目的风险一般较低。

VIA:慎思行

点击注册疯狂BP,创建投资人想要的商业计划书,开启融资第一步!