首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何从大量的“数据”中产生支持决策的“智能”?(三)

【编者按】本文是观远数据创始人苏春园与《数据的本质》作者车品觉在数据分析与智能商业方面的分享、思考之谈的第三篇。关注前两篇文章请点击下面链接。

观远数据创始人苏春园:当数据驱动成为趋势,CEO该做何改变?(一)

观远数据创始人苏春园:数据分析与决策的关键词是“自动化”(二)

关于AI人工智能如何商业化应用的讨论如火如荼,从16年的星星之火,17年的燎原之势,到今年可以说是无孔不入了。现在要是哪个场子没有AI元素,主办方都不好意思邀请嘉宾出席。突然有一天,有人说了句玩笑话,说当前的人工智能应用,只见“人工”,不见“智能”。本来是调侃一下,但大家突然感觉好想还真是这么个意思,不经意之间点破了当前AI的现状,那就是呼声很高,但落地很少。

所以就这个话题,继续与品觉老师约茶聊天,这回主要探讨如何从“数据”产生“智能”。尤其我关心的视角是企业,如何应用数据进行商业分析与决策,如何从大量的“数据”中产生支持决策的“智能”。接下来是我和我们观远团队的一些实践与思考,抛砖引玉,大家多拍砖。

硅谷Palantir的例子

在《数据的本质》一书中,品觉老师提到了Palantir的例子。大家都知道,Palantir是全球AI领域的明星公司,被认为用算法解决了很多最为复杂的社会和商业问题。但与Palantir深度交流过之后,品觉发现实际上在他们的客户项目里面,大量的工作是在做数据ETL与数据整合,而基于AI的算法应用、关联分析,只是浮出水面的那一角冰山。

(Palantir示例场景 图片来源于网络)

两个案例看本土实践

在本土,我们也遇到很多类似的场景,今天也分享几个例子。

以一家行业领先的连锁零售品牌为例,这家客户在全国有数百家门店,主营有时效性的生鲜类产品。我们第一次讨论,确定的切入场景是门店销售预测以及基于此的智能订货,这是一个典型的AI与业务结合的应用场景。从这个场景切入,因为这是在业务这一侧表现出来的显著痛点,高层们都非常重视。

但正式对接之后,我们与客户IT团队一起很快意识到,第一层和第二层楼(“数据的基础”)还没有盖好,直接上马第三层楼(“AI应用”)是不切实际的。

具体来说,要对门店销售进行预测,需要对门店促销的历史数据以及销售数据进行关联建模。门店会对不同单品进行促销,并根据季节因素经常性的轮换推荐不同的产品。不同单品的促销与否以及推荐力度,毫无疑问会直接影响到单品销售额以及门店销售额的变化。更进一步,有些门店还会根据一些门店端非常特殊的原因,比如极端天气或者小区周边活动等,进行促销的调整。这些促销相关的数据,对于发现产品销售的关联性至关重要,是构建模型特征工程的关键变量。

我们与客户IT团队紧密合作,对相关促销数据进行了系统的梳理,发现历史数据有很大的缺失。算法团队花了大量的时间来构建与寻找合适的模型特征指,但由于关键数据的缺失,模型效果提升很缓慢。

更进一步追踪,为什么这些关键的促销数据在之前并没有很好的得到留存?一个关键原因是BI(商业智能)的应用还没有到位。

客户以往看数据做决策主要是去看POS、ERP系统里面自带的报表数据,以及加上OA里面有一些汇总类或者填报类的数据。而业务系统里面的报表数据,与真正的BI的应用还是有本质区别。

BI的各种应用帮助企业打通各个核心业务环节,倒逼企业构建扎实的数据基础。比如,通过BI里面的联动分析,分析某单品促销与销售的整体关联表现,再进一步进行BI的钻取分析,追踪到具体门店级别的,发现某单店的关联表现。

类似的这些分析场景都是非常经典的BI分析场景,如果有了这些分析,就能够第一时间发现,其实有些分析是无法进行下去的,原因是对应的原始数据并没有落下来,比如前面提到的促销数据。而这些发现是将进一步的倒逼IT系统的完善,以及相应业务流程的完善,及时补充数据完整性和一致性。

而这个层层倒逼的逻辑,在我们另一个500强客户身上也是出奇的一致。

这是一个FMCG快速消费品巨头的中国业务,我们的目标是将销售预测的准确率再提升5个百分点。

相对大部分国内客户而言,这家全球客户有更深入的BI投入和应用基础,有相对完备的数据沉淀,所以启动AI的应用容易很多。但是,当真正进入到最后1%就要落地的时候,我们遇到了很多“地雷”。

很有意思的是,这些“地雷”都不是AI算法直接相关,也基本都是数据不一致的问题。更进一步,我们发现这些数据基础问题,都是出现在相应的BI场景还没有覆盖的地方。比如该客户BI场景正要但还没有覆盖到品类促销的主题分析,所以这些场景背后存在很多的数据孤岛以及对应的数据口径不一致的逻辑。

为了进一步推动AI场景应用的落地,我们与客户讨论发现,最快的办法是先回到BI层面,快速的把缺失的分析场景进行敏捷的构建。

这个构建的过程本身带来了数据孤岛的打通、指标体系与统计口径的一致,以及确认了各业务部门的统一视角。所以,BI的不断完善,本质上是为AI场景的落地夯实了基础。

“无BI,不AI”

在《数据的本质》里面,品觉老师把“数据”与“智能”两者比喻为气宗与剑宗。剑宗强调犀利快速,而气宗强调底子扎实和后劲十足。两者的关系是以气御剑,剑气兼修。这个比喻非常形象。

我们观远数据提了一个说法叫:“无BI,不AI”。也许有些绝对,但这个理念我们在与大量客户合作的沟通中确实发现很有普适性。

BI与AI两者相辅相成,当构建的BI分析场景越来越成熟、完善,能够进行算法和模型的AI应用越多,而反之,则不断倒逼基础分析和数据的完善,形成良性的闭环。

从BI分析到AI应用,不断倒逼升级数据基础。从数据出发,反复迭代,最终构建企业的决策大脑。

本文作者观远数据创始人兼CEO苏春园,卡内基梅隆大学信息技术与管理专业硕士,曾担任纳斯达克上市公司MicroStrategy微策略全球高管

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180424A0HTVG00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券