0
| 本文作者：温晓桦 | 2017-03-24 08:15 |
提到人工智能，提到AI，很多在传统行业打拼的朋友觉得是离自己很遥远的事。事实上，人工智能在传统行业中有着非常广阔的应用天地，它可以在金融、医疗、教育、零售、商业智能等领域发挥作用，其最终达到的效果就是帮助提高公司业绩。
但是，对很多传统行业从业者，或者是AI应用开发者来说，更大的问题也许是难以摸清AI落地企业的着眼点和运用方式。本次雷锋网公开课AI+商业智能专场，我们邀请到了趋享智能CEO柏晓乐博士来分享他的从业经验，讲解AI在传统行业中有着怎样的作用，以及在实战中人工智能怎么落地，以及落地的关键问题。
柏晓乐，趋享智能CEO。 有10年以上的使用和开发人工智能来解决实际问题的经验。曾在美国多个著名公司带领商业智能，个性化销售服务，顾客关系管理，定价策略，竞争智能等多个团队，以人工智能作为平台和方法依托，给众多传统行业如保险、银行、百货、信用卡、超市、线上线下零售等各种规模公司实现数据挖掘，发现机遇，提升业绩。美国俄亥俄州立大学计算机博士，著有顶级论文40多篇，全球引用超过2600次，获杰出科研奖。
柏晓乐博士
以下是柏晓乐博士公开课演讲实录，雷锋网做了不改变原意的编辑：
大家晚上好。今天很高兴有机会借雷锋网AI掘金志这个平台和大家做些分享。
我在这里假设大家对人工智能的概念还是有些了解的。关于什么是人工智能， 人工智能的前沿研究和未来，还有相关的概念比如说机器学习，深度学习等等，这些都是很有趣的题目，但这里就不多提了。这次公开课我们多花点时间说说在实战中人工智能如何落地，又如何帮助公司提升业绩。
提到人工智能，很多在传统行业打拼的朋友觉得是离自己很遥远的事。我曾经和一个开加服装加工厂的朋友聊到人工智能，他第一个反应就是那玩意儿高科技高大上，自己厂小用不上。还有一个开餐馆的朋友，聊到人工智能，她第一个反应说：“机器人服务员，不好使，成本又高，不能用。”这些都是对人工智能落地这件事了解得不够，理解不全面造成的误区。这种反应其实十分可以理解，因为很多人工智能相关的新闻都和一些很先进的应用联系在一起，比如说无人驾驶汽车等等，这自然会给人一种错觉，觉得人工智能的是高科技行业的专属品。
麦肯锡在2016年末的时候有个报告，它在国内做了个调查，结果是84%的调查对象认为人工智能的大赢家是互联网相关的公司和一些初创公司，所以认识不全面的这个现象还是有一定广泛性。其实，人工智能在传统行业中同样有非常广阔的应用天地，人工智能可以在各种传统行业的公司里的很多个方面发挥作用，最终达到的效果就是提高了公司业绩，所以传统行业每个公司都可以在人工智能的平台上成为大赢家。
我对人工智能在传统行业中落地这件事的感受比较深。我们的资深数据科学家团队在这个领域有超过十年的经验，在美国服务过几十家客户，当中很多是传统行业的客户，有大有小，有线上，也有线下，积累了大量经验。麦肯锡在一份2016年底的报告中也提到，目前国内人工智能产业里从事人工智能的大概只有25%的人有10年以上的经验。所以，今天我们就用一些实例为基础，分享一下人工智能在传统行业发挥作用的这些实战经验。
这里分享一些我们的解决方案，重点并不在于介绍什么具体算法，人工智能实现一个目的可以有很多方法，重点而是在于分享运用算法的场合和目的，也就是落地的角度。 今天我准备了十个点：
顾客关系管理对传统行业更是重要，但是，做得好做得坏差别很大。你在顾客生日的时候给个相关的打折券，顾客可能比较感动，你每天给她发十封邮件就变成骚扰了，效果会差别很大。
有个客户，是一家总部位于加州的中高档家具灯饰销售公司。它在美国、加拿大、菲律宾、墨西哥和澳大利亚有超过200家分店。它面临的问题是利润下滑明显。我们把数据拿过来分析以后，发现是它的顾客关系管理出现问题了。
它是基于传统的顾客关系管理。从很多实际的接触来看，我们发现传统的顾客关系管理往往有以下几个特点：
只基于历史，不做预测没有前瞻性。比较常见的方法就是RFM模型，即只看历史消费额，消费频率，和最近一次来是什么时候，根据这三个来决定怎么管理顾客关系。
维度单一。只着眼于顾客这个维度，只顾抓顾客的属性，其它维度像商品的维度，支付渠道的维度，购物坏境的维度等考虑不足。
没有系统性，零敲碎打，头痛医头脚痛医脚，一个一个市场行为之间没有太多联系。
那么人工智能怎样在这里起作用呢？ 主要有两个方面：
第一个方面是，人工智能有能把不同维度上的属性考虑进去，进行先进的对顾客聚类的能力。有些顾客之间的相似性是隐形的，不明显，这时聚类算法，简单的如分级聚类和近邻参照聚类等，能把这种相似性给找出来。比如说，以前我们把顾客群体月消费1000元以上和以下分成两类（明显，单维），现在用人工智能就可以把大概每隔20多天回来一次，喜欢产品有类似性，消费额度消费方式比较接近的顾客分成类（不明显，多维）。
第二个方面，通过我们把顾客的行为特征在不同的时间段作特征提取和基于模式识别地交叉映射，我们可以得到一个全面的顾客生命周期模型并确定一个顾客现在处于哪个阶段。比如说张三有潜力扩大消费，处于成长期，而李四的消费能力已经饱和。所以对张三的顾客关系管理的重点是帮助他成长，让他再花的多些，对李四的顾客关系管理的重点是把他留住，想办法让他消费更多的利润比更高的商品。对处于每个阶段的顾客关系管理的重点是不一样的，市场行为的设计和执行就不一样。
目前，顾客关系管理的趋势正在发生一些转变——从单纯的理解顾客向引导顾客改变行为转变，从按组群管理向每个顾客可以得到不同的精细化管理转变，从以顾客为中心的体系向顾客和企业多方位考虑的优化体系转变，人工智能提供了这种转变的平台。
忠诚策略是指一种结构化的市场手段，用来获得、培养、维持、奖励顾客的忠诚度，目的是系统性的加强和顾客的纽带，最终提高业绩。 典型的忠诚策略的例子就是搞积分。很多地方在搞，有的有效果，有的效果就不明显。
那么在给公司量身定制重新设计的忠诚策略里，利用人工智能的点是什么呢？在前面顾客关系管理中，我们提到了两个点，一是先进的聚类，二是人工智能挖掘出来顾客生命周期。这里这两点也用到了，还要加一点：人工智能能引导我们挖掘出最大化的顾客价值主张 (Customer Value Proposition)，就是让我们企业了解什么对顾客来说是最有意义的，找到顾客最感兴趣的点，找到他们的真实需求。
这里需要基于人工智能平台做两步工作，先是充分利用第一个点和第二个点的结果来设计调研，问一些有价值的，结果交叉以后能够最大化信息量的问题，然后第二部用人工智能对调研结果进行有目标的系统的数据挖掘，如运用重点因素分析算法，把最大化的顾客价值主张给找出来。比如张三说他喜欢点数，李四说他喜欢礼品，人工智能就能找到都比较满意的平衡。把发现的最大化的顾客价值主张贯彻到忠诚策略的设计中去。
这样的设计理念，对各个行业（从珠宝销售到餐饮）各种类型（B2C，B2B）处于各个阶段的公司（有的公司要扭亏，有的公司要扩张）来说都是实用的，设计出来的忠诚策略会很成功。我们看到的结果往往是人气旺了，顾客的回头率大大提高，平均到每个顾客的消费额也会增加 。
再分享两点，一是搞忠诚策略早比晚好，别人搞你不搞，要把顾客从别人那里抢过来往往要花更多的资金和精力。二是忠诚策略要慎重，这个策略一旦实行了，经常换不好，有个持续性。
说白了就是怎么制定价格，东西卖多少钱。对传统行业来说，尤其是零售业，是很关键的一环。定价过高，影响销量；定价过低，影响利润。
这里很关键的一点是，人工智能能挖掘联系，抓住关联性，像著名的Apriori算法。这种关联性主要包括了顾客和产品之间的关联性，产品和产品之间的关联性，还有顾客和顾客之间的关联性。人工智能能挖掘出来这种关联性是定价策略的关键。
在这个实例里，我举个场景：我们运用人工智能发现有个牌子（Keurig）的自动咖啡机专用的一小杯一小杯的咖啡粉很能吸引顾客。那么这个货物的主要功能就可以定位成吸引顾客流量，我们就把它的价格定的低一些，牺牲一点利润，但是把顾客给吸引到店里来。这就是利用顾客和产品之间的关联性。进一步，人工智能可以告诉我们，顾客买这些小杯咖啡粉的常常喜欢买些零食啥的，我们就搞些零食类的和小杯咖啡粉捆绑在一起卖，作为一种选择。顾客很高兴，方便了，省钱了，商店也很高兴，卖的多了，周转也快。
顾客和顾客之间的联系可以从社交网络上拉数据，用半监督学习方法做分析，但问题是比较难和来店里的顾客对应上，有这么个信息整合的屏障，所以在我做过的定价的实战中并没有怎么用到，但是经常用来做市场。
对于线上的网店，我制定过动态的定价策略。这个背后的算法比较复杂，但是主线不变，用人工智能抓住关联性的点还是一样的，用关联性来确定对于不同顾客群体的不同关键商品，这些商品的价格根据需要在不同的时间段里浮动，来达到不同的目的。
比如说你有好几家在不同地方的分店，想评估它们员工的表现。单维的从销售的角度是不能得到一个全方位的理解的，比如说是不是把潜力发挥出来了。单维的从销售的角度而且也很容易让员工觉得不公平，开在两个不同地方的店，顾客群体就可能不同，消费能力很可能就不一样，一个店卖的多些，一个店少些，你就比较难下结论说卖的少的店做的不好。
利用了人工智能的评估体系方案主要体现在强大的综合能力。每个店有很多特殊的客观属性，我们把这些客观属性放在不同的维度上，这些维度有商品、价格、竞争环境、周边环境、交通状况、店面属性等，每个维度里还有多个属性。市场行为等虽然和商店业绩相关，但是属于被评估的对象，是主观可以改变的，所以不在我们的维度里。
利用人工智能，可以找到一个合适的方法，简单的像多元线性回归，把每个店所有客观维度的各个属性和这个商店的业绩联系上，得到一个量化的关系，再利用历史数据把所有店的这种关系综合起来，给出宏观上的，一个有指导性意义的，关于客观因素和业绩关系的模型。这个模型就是参考体系。每个店的实际业绩和这个人工智能发现的参考体系给出的业绩之间的关系，就是我们建立评估的基础。
这个评估体系得到了各个管理层的认同，可以规范管理，提高士气。实际上这个基于人工智能的评估体系还有其它一些优点，比如说有效过滤掉大的经济环境的影响，还能用来做预测，等等。
很多时候一个公司的各个部门对一些事物看法，对一些结果的理解会很不一样。常碰到的例子就是市场部和销售部。比如说，市场部搞了个很成功的营销宣传活动，有很多潜在的客户就出现了，然后市场部就把这些名字给销售部门，要把这些潜在的客户变成真正的客户。当转化率低的时候，就有可能部门间意见不一致，销售部会觉得市场部的这些潜在客户没有挑好，市场部觉得是你销售部能力不行。
我们给一个美国的专业的健康保险公司做了个项目。这个公司在其行业全美是排第二位，它的市场部和销售部有这方面的需求，要对潜在顾客的优先级有个大家认同的排序。
前面提到过，人工智能有很多聚类的算法，这个功能在这里就用上了。具体来说，我们把每个潜在客户的属性先提取出来，这些属性也是在多个维度上的，然后通过人工智能把属性接近的那些客户归为一类。因为人工智能可以从数据的角度挖掘很多不明显的相似性，所以我们在用人工智能分完类以后会做一些描述性的分析，主要是把各个类别之间的差异从商业的角度来显式化。然后我们用深度学习对每个类别里的各个潜在客户，都会做一个的关于投入（花多少时间精力才能把他变成真正的客户）产出（成为真正的客户后对公司的价值）的预测。这个预测的结果决定了潜在客户优先级。这样就有效的统一了意见，提高了的市场部和销售部的合作氛围和合作效率。
在这个部门协调这个问题上，用人工智能解决问题一定要了解每个部门关心的是什么。在上面这个例子里，客户转化就是两个部门关心的关键问题。不同部门对事物理解不一致很多时候是由于该事物维度太多，对本质不好把握，或者说没有一个系统的方法来把握。找到关键问题以后，人工智能这时就能发挥作用，简单的说就是能把众多维度综合，降低维度，最后收敛在一个比较好理解的层面上。
个性化战略是现在商业的一大趋势。给一个顾客推荐怎样的商品，提供怎样的服务，一切都是围绕这个顾客个体的特殊性来展开的，使得用户的体验迅速提升。精准销售是这个战略的通常体现之一。
我带领数据科学家团队给一家美国公司做过它的个性化核心引擎。这个公司是世界第五大零售商其在全美有超过3千家超市，年销售额超过1千个亿美元，2016 年Fortune排名在20左右。它经营范围非常广泛，从蔬菜、水果、零食、肉类到服装、珠宝等都有包括。这个核心引擎的作用是，支持各种个性化的产品，包括了个性化的产品推荐、菜谱、打折卷、价格、宣传等等。
具体的实现过程是：通过多层特征提取和挖掘，我们可以把顾客消费的规律性给挖掘出来，简单的规律像张三总是周末来购物，复杂一点像李四总是在某个阶段只要有打折就会买某一类产品。进一步，我们把线上线下的信息也结合进来，构成顾客的精准画像。
人工智能还能把一些购物背景给综合到挖掘出来的规律里，例如我们发现天冷的时候有一类人特别喜欢买罐装的汤。天冷就是背景，还有其他的天气因素，像下雨下雪。还有一些背景像住的地方的房价等等，因为房价通常和消费能力有关联，都可以考虑进去。此外，我们还可以把产品之间的关系确定出来，比如说，哪些产品可以互相替代，哪些产品经常在一起被购买，哪些产品有很强的互斥性，等等。这三个方面都给挖掘出来以后，再通过随机森林和排序学习等方法，给不同的个性化产品提供接口。
在顾客同意的情况下，我们还收集顾客的手机定位信息，这样我们不但能知道推荐什么给顾客，而且通过深度学习等，知道什么时候是相对比较好的时机把这个推荐信息给发出去，比如当这个顾客在这个超市附近逛其他店的时候。
用人工智能实现个性化战略往往需要处理的数据量是巨大的，所以需要很好的平台支持。
我做过一个保险公司的项目。这个保险公司成员超过5千万，在美国成长非常迅速。美国现在有一种购买保险的方式，对每个企业，让4个不同的保险公司把产品和标价公开的放在一个平台上，让这个企业的员工自己选购。在这个平台上公开之前，4个保险公司的保险价格相互是不知道的。所以要解决的是保险价格多少合适的问题。
基于人工智能的方案框架包括三步：
第一步先从平台的历史数据中学习出对于不同的的企业类型，各保险公司的报价的规律性。比如制造业的企业，报价就会比IT为主的企业低些，小企业会比大企业高些，等等。
第二步是从自己的历史数据中学习，得到对于不同的企业，不同的报价，购买我们这个保险公司的人数，这几个方面和我们这个保险公司可以得到多少利润率的这么个联系的理解。深度学习在这第一第二部都可以用。
第三步是把前两步的结果作为输入，设计一个蒙地卡罗模拟过程，通过这个模拟过程来找到最佳的报价点。最佳的报价点的意思就是，一方面不能太高，太高了顾客不买，在这么个合适的位置非常有效的争取到了顾客的数量，另一方面不能太低，太低了公司亏钱，在合适的位置能保证公司的利润。
欺诈检测和预防和风险控制是金融行业的重头戏。人工智能在这个领域的作用是非常突出的。今天我举另一个例子，想说明欺诈检测这个事不仅仅是金融行业独有的事，人工智能在其它行业也可以用来反欺诈。
在美国梅森市有个公司，其主要服务是通过和它签约的人向顾客提供的。这些签约的人再通过出示给顾客提供服务的凭据来公司报销一定的开销。公司长期知道有欺诈存在，但是由于业务的复杂性，预先有个大致的方向后最后需要人工去确定是否欺诈，美国人工很贵，人手有限，由于不能及时有效的检测出不该报销的要求，公司每年损失了大量的收入。而人工智能的介入下，每年为公司减少损失超过2百万美元。
解决欺诈检测依靠模型，这样的模型构建起来是：一是有监督的机器学习模型，从欺诈历史数据中把众多欺诈特征都综合考虑，做出检测。二是无监督机器学习模型，主要是用来发现可疑的案例，这些案例没有历史或者特征不明显，有监督的机器学习模型比较难捕捉。三是基于规则的一些锁定和分类。
上层是一个综合化的模型，考虑下层的结果，学习在不同情况下如何综合，输出是欺诈的概率。通过概率排序以后，就成为了进一步调查的优先级的重要查考。
每个公司资源总是有限的，要做的事总是很多。有一种资源优化项目，我们经常碰到的，就是市场部只有一定的预算，市场活动有不同的渠道，市场部想把这一定的钱最有效的分配到不同的渠道做活动，来得到最大化的回报率。
事实上，利用历史数据，我们能对每个顾客预测其对一个特定渠道市场活动的反应程度，也可以预测顾客的对应于市场活动的花销额度。我们基于这种预测，把所有的顾客进行排序。我们知道，不同渠道的市场活动，平摊到每个顾客的成本是不一样的，电子邮件很便宜，而寄给顾客一本购物宣传册就比较贵。把这种成本和人工智能预测的收益的排序相结合，就能得到最佳的分配方式。
我还负责过一个总部位于德克萨斯州的公司的相关项目。这个公司的业务是为客户提供私有品牌的信用卡支持，并帮助执行以数据为依托的商业策略，2015年销售额超55亿美元。 这个公司有庞大的复杂的电话客服体系，要求在不同时期，对不同的客户，对不同的产品都要达到不同电话客服的质量要求 （比如说，等候时间），但同时要节约成本，不想雇佣多余的人，所以想要预测每个时间段有多少电话打进来。
我帮他们建立了基于人工智能的预测模型。这个模型是分层结构的时间序列分析。最上层是预测到月，中间层是把月电话量分解到星期，下一层是把星期的电话量分解到天，最后一层分解到小时。 这个模型准确率是非常高的，这样，客服中心预先就知道要在哪个时间段安排多少人，没有必要雇佣多余的人了，运营成本显著降低了。
人工智能在资源配置优化方面的角度是很多的。资源配置优化非常重要，它不是销售额，他直接作用在成本上，给利润上升有效提供空间。
人工智能还能在新品开发和上市中起到指导作用。解决方案基本可以分为特征挖掘，反馈设计，和结果分析这三步。具体来说：
首先是用人工智能的方法来确定顾客最感兴趣的产品特征，和特征水平的范围。从顾客和产品的关联度出发，检查这些产品特征和特征水平是不是新产品理想中的目标人群。
然后设计联合分析的问卷调查，在目标顾客群体中作调研，收集针对不同产品特征和特征水平的顾客的态度。
最后用人工智能的方法在收集到的数据的基础上作挖掘。这个挖掘的目标不局限于从收集的信息中分离出消费者对每一特征以及特征水平的总体偏好值，就是我们常说的特征的总体效用值，其它的目标还包括哪些特征是对某些有特征的顾客特别有吸引力等。 这个方案系统的给新品上市指明了方向，影响很大，效果很好。
以上这十点，远远不能涵盖所有人工智能在传统行业的落地点。人工智能在提高传统企业业绩方面还有很多其他应用，像物流、商店选址、网站优化等等。
下面说一下人工智能在传统行业中落地的最重要的因素和几个关键问题是什么。
对这个问题，不同人有不同的角度，有的人觉得数据最重要，有的人觉得算法最重要，有的人觉得科学家人最重要，这些都是对的。我和种种公司打交道这么多年，想从人工智能落地，偏重落地，这个角度分享一下我的看法。
我觉得最重要的因素是开放思想（open mind）。
一方面，CEO们要开放思想，即不要自高自大觉得人工智能不用我不也过的好好的，等等再说，看看再说，也不能妄自菲薄觉得自己公司比较小，或者条件不成熟，或者要处理的问题好像挺简单的，人工智能不会有用武之地。
另一方面，从事人工智能的从业者也要开放思想，不要认为自己的人工智能只能服务于高科技行业，需要扩宽思路来帮助传统行业。
这也是我这次分享的主要目的，从实战的角度扩宽大家的思路。 多年的实战，我也发现了落地的三大关键问题，这里分享一下：
明确的商业目标。经常性的，我们发现客户不知道需要解决什么问题，或者有时，客户觉得需要解决的问题的往往不是最主要的问题。这就需要深入理解客户业务的流程，操作，和需求，并以此为基础，梳理商业目标，建立一些解释或假设，然后根据相关的数据来验证调整这些解释和假设，发现问题，把问题按不同的维度细化。人工智能在这个阶段也可以帮助分析，挖掘一些不容易注意到的问题。
好的人工智能平台。好的人工智能平台有三个特征。一是灵活性。人工智能落地的企业多种多样，数据量有大有小，运算要求有高有低。好的人工智能平台能够适应企业的要求，而不是让企业去适应它。二是平台的设计能够比较好的满足行业应用的需求。这里经验的积累就比较重要，会对设计有影响。 一个好的人工智能平台会把多年的经验融合进去，高效的发现问题，很快的能抓住关键点，不但解决问题效率高，而且方案的思路也会比较实际可行。这样人工智能落地的效率就会比较高。三是平台后面的团队。既要有资深的领先的数据科学和工程团队，也要有要有资深的领先的商业分析团队，才能实际有效的帮助对接，让平台充分发挥作用。
结果的有效交流沟通。这里的结果，不是指方案实施以后的结果，而是指人工智能分析出来的结果，往往在有解决方案之前，很多客户CEO，并不关心人工智能的具体算法，大多也没有这方面的技术背景，怎样的交流才能让你用人工智能得到的一些洞察得到他们的认同是很关键的。没有达成一致的认同，就不会有方案，就算有方案，执行也是问题，落地就是问题。所以建议要了解你的听众是谁，用他们的语言而不是你的语言讲问题，站在他们的角度思考。
人工智能落地这件事和纯搞科研有很大不同。一是本质上关心的东西不一样，科研人员很多关心的是挖掘一些基础性的东西，越是基础方面的突破，贡献成就就越大，因为到处都能用。可是在人工智能在行业落地的时候，都是在残酷竞争下的实战，客户关心的问题，也自然是我们关心的问题。
第二点是，经验反复验证，方案能不能实用化，实用化的ROI非常重要。科研的时侯提高1%，有的时候不到1%，就是很好的事，实战的时候不但关心1%的提高，还关心为了得到1%公司要投入多少资源，1%的回报有多少。每个企业公司都有自己的限制，也有自己的规划，这些都是落地时要考虑的。
很多科研的中心是算法。算法固然非常重要，但很多时候可能只是人工智能落地诸多环节中的一环。人工智能落地，提升业绩，还要考虑很多实际的和商业对接的问题。
今天就讲这些了，希望对扩宽大家对人工智能在传统行业中的落地的思路有帮助。
谢谢大家。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
