决策|苏春园：如何从大量的“数据”中产生支持决策的“智能”？消费者|云积互动|融资|云积|付

本文由36氪企服点评专家团苏春园原创。

文章插图
【决策|苏春园：如何从大量的“数据”中产生支持决策的“智能”？】36氪企服点评专家团——苏春园
————正文————
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。
苏春园：当数据驱动成为趋势，CEO该做何改变？
苏春园：数据分析与决策的关键词是“自动化”
关于AI人工智能如何商业化应用的讨论如火如荼，从2016年的星星之火，2017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”。接下来是我们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。
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。